INDEX
    Explanations
    New Auto-Interp
    Negative Logits
     waardoor
    0.46
     sehingga
    0.44
     wodurch
    0.43
     cioè
    0.41
     perangkat
    0.40
    を使って
    0.40
     Sehingga
    0.40
     Dadurch
    0.39
     derrot
    0.39
     zodat
    0.39
    POSITIVE LOGITS
     depends
    0.50
    有两种
    0.47
    に関しては
    0.45
     YES
    0.45
    については
    0.42
     varies
    0.42
    0.42
     Interestingly
    0.41
    YES
    0.41
    Depends
    0.40
    Act Density 0.256%

    No Known Activations