INDEX
Negative Logits
2
0.61
5
0.59
8
0.54
9
0.52
Char
0.52
3
0.52
في
0.49
4
0.49
7
0.48
Just
0.48
POSITIVE LOGITS
применение
0.50
solicita
0.48
distinguer
0.48
semelhantes
0.46
commemorating
0.45
применять
0.45
PGR
0.45
비슷한
0.45
Ramadan
0.44
tinkering
0.44
Activations Density 0.002%