INDEX
Negative Logits
و
0.54
О
0.54
ை
0.52
П
0.52
я
0.50
В
0.49
ей
0.48
ста
0.47
и
0.46
व
0.46
POSITIVE LOGITS
contiguous
0.52
positifs
0.52
Hence
0.50
digraph
0.50
fleks
0.50
parameter
0.50
url
0.50
eraser
0.50
skapa
0.50
script
0.49
Activations Density 0.003%