INDEX
Negative Logits
нтов
0.50
之事
0.48
национа
0.48
세계
0.48
に向け
0.47
राजनीतिक
0.47
нацыяна
0.46
سیاسی
0.46
полити
0.46
discurso
0.46
POSITIVE LOGITS
di
0.50
risk
0.47
dim
0.43
de
0.43
li
0.43
in
0.42
benefit
0.42
berk
0.42
dip
0.42
bö
0.41
Activations Density 0.001%