Neuronpedia logo - a computer chip with a rounded viewfinder border around it

    Neuronpedia

    INDEX
    Explanations

    titles and names

    np_acts-logits-general · gemini-2.5-flash-lite
    New Auto-Interp
    Negative Logits
     Où
    0.22
     איך
    0.22
     ваше
    0.21
     الشيطان
    0.20
     Violation
    0.20
     وکړئ
    0.20
     ကျွန်
    0.20
     JUnit
    0.20
    BlockFit
    0.20
     Verhältnis
    0.20
    POSITIVE LOGITS
    1
    0.26
    5
    0.24
    6
    0.23
    8
    0.22
    field
    0.22
    up
    0.21
    7
    0.21
    sa
    0.21
    profit
    0.21
    islav
    0.21
    Act Density 0.019%

    No Known Activations