INDEX
    Explanations
    New Auto-Interp
    Negative Logits
     ہے۔
    0.19
     gustaría
    0.18
    .=
    0.18
    سبوع
    0.17
     ezt
    0.17
    0.17
     deveria
    0.17
    ."'
    0.16
     ہوں۔
    0.16
    .}
    0.16
    POSITIVE LOGITS
     it
    0.27
     there
    0.27
    there
    0.25
    it
    0.23
    0.22
     everyone
    0.20
    everyone
    0.20
    ik
    0.18
     সেখানে
    0.18
     nobody
    0.18
    Act Density 0.285%

    No Known Activations