INDEX
    Explanations
    New Auto-Interp
    Negative Logits
    т
    0.49
     ввода
    0.48
    ла
    0.47
     جانتے
    0.47
    енти
    0.47
    ouver
    0.45
     пласти
    0.45
    eté
    0.45
     जुड़े
    0.44
    тельно
    0.44
    POSITIVE LOGITS
    Ik
    0.51
    schod
    0.50
    Uk
    0.48
    Ac
    0.47
    Tok
    0.44
     impedir
    0.44
    Sek
    0.43
     wirtschaft
    0.43
    Buf
    0.42
    รั่ง
    0.42
    Act Density 0.001%

    No Known Activations