INDEX
Negative Logits
azonban
0.20
and
0.20
ھا
0.20
However
0.19
ซึ่ง
0.19
نیز
0.18
jedoch
0.18
Ancak
0.18
el
0.17
procédures
0.17
POSITIVE LOGITS
you
0.24
お
0.22
gotta
0.21
정말
0.21
we
0.20
look
0.20
look
0.20
เรา
0.20
我要
0.20
我
0.20
Activations Density 0.362%