INDEX
    Explanations
    New Auto-Interp
    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
    0.22
     gotta
    0.21
     정말
    0.21
     we
    0.20
     look
    0.20
    look
    0.20
    เรา
    0.20
    我要
    0.20
    0.20
    Act Density 0.362%

    No Known Activations