INDEX
Negative Logits
色
0.50
曈
0.50
corrosive
0.49
karenge
0.49
tiềm
0.49
màu
0.48
}^{[0.48
ަށް
0.48
cấu
0.48
машиналарын
0.48
POSITIVE LOGITS
an
0.54
lk
0.49
yk
0.48
am
0.46
ar
0.46
Risk
0.46
ob
0.45
asis
0.45
itäten
0.43
orce
0.43
Activations Density 0.001%