INDEX
    Explanations
    No Explanations Found
    New Auto-Interp
    Negative Logits
     fala
    0.48
    +
    0.47
     según
    0.46
     diminu
    0.46
     arsen
    0.45
    규모
    0.45
    VENT
    0.44
    徒歩
    0.44
     baix
    0.44
    אן
    0.44
    POSITIVE LOGITS
    it
    0.59
    her
    0.56
    uk
    0.55
    ich
    0.50
    id
    0.50
    stvo
    0.49
    uc
    0.49
    aw
    0.48
    ic
    0.48
    un
    0.48
    Act Density 0.003%

    No Known Activations