INDEX
Negative Logits
er
0.24
م
0.21
z
0.20
t
0.19
il
0.19
ed
0.19
befri
0.19
el
0.19
रित
0.18
as
0.18
POSITIVE LOGITS
５
0.22
of
0.21
'
0.21
của
0.21
，
0.20
5
0.20
ного
0.20
ήταν
0.19
知
0.19
0.19
Activations Density 0.423%
er
م
z
t
il
ed
befri
el
रित
as
５
of
'
của
，
5
ного
ήταν
知