INDEX
    Explanations
    New Auto-Interp
    Negative Logits
     также
    0.54
     cũng
    0.51
     גם
    0.50
     لكن
    0.50
     tambien
    0.49
     этом
    0.49
     також
    0.48
     لیکن
    0.48
     innych
    0.47
     และ
    0.47
    POSITIVE LOGITS
    :
    0.78
     Firstly
    0.61
    首先
    0.57
    1
    0.54
    Firstly
    0.52
    	
    0.51
    0.50
    🥇
    0.49
    5
    0.48
    0.48
    Act Density 1.256%

    No Known Activations