INDEX
    Explanations

    words in definitions or lists

    New Auto-Interp
    Negative Logits
    م
    0.74
    ت
    0.74
    ع
    0.74
    一些
    0.63
    0.61
    小米
    0.61
    ك
    0.60
     for
    0.59
    EL
    0.59
    Egy
    0.56
    POSITIVE LOGITS
    ast
    0.53
    effect
    0.51
    ிய
    0.50
    ших
    0.49
    ков
    0.48
    ubin
    0.48
    ânia
    0.47
    ться
    0.47
    qui
    0.47
    っと
    0.47
    Act Density 0.242%

    No Known Activations