INDEX
    Explanations
    New Auto-Interp
    Negative Logits
     Beats
    0.24
     Here
    0.24
     Bootcamp
    0.24
     abbiamo
    0.23
     Nhiều
    0.22
     Minimize
    0.22
     Back
    0.22
     Thank
    0.22
     Enable
    0.22
     İyi
    0.22
    POSITIVE LOGITS
    했지만
    0.19
    으나
    0.19
    zerel
    0.17
    ститу
    0.16
    ர்த
    0.16
    0.16
    дото
    0.16
     polyvinyl
    0.16
    Matchers
    0.15
    なかった
    0.15
    Act Density 0.077%

    No Known Activations