Neuronpedia logo - a computer chip with a rounded viewfinder border around it

    Neuronpedia

    INDEX
    Explanations

    doing things I can

    np_acts-logits-general · gemini-2.5-flash-lite
    New Auto-Interp
    Negative Logits
    这是一个
    0.25
    这
    0.23
    没有任何
    0.23
    this
    0.23
    there
    0.23
    2
    0.22
    它
    0.22
     reversing
    0.22
     something
    0.21
    ၂
    0.21
    POSITIVE LOGITS
     gebruiken
    0.24
    積極的に
    0.22
     inev
    0.21
    gger
    0.21
     ประกอบ
    0.21
     적극
    0.20
     cotidian
    0.20
    руют
    0.19
    瑯
    0.19
     активно
    0.19
    Act Density 0.527%

    No Known Activations