INDEX
    Explanations
    New Auto-Interp
    Negative Logits
     чтобы
    0.19
     njegove
    0.18
     saben
    0.18
     Nếu
    0.18
     beginnen
    0.17
     zodat
    0.17
     żeby
    0.17
     setzen
    0.17
     waardoor
    0.17
     parvenir
    0.17
    POSITIVE LOGITS
    0.16
    0.14
    Award
    0.14
    йы
    0.14
    ת
    0.14
    厳しい
    0.13
    Data
    0.13
    йд
    0.13
    ይን
    0.13
    vast
    0.13
    Act Density 0.568%

    No Known Activations