INDEX
    Explanations
    New Auto-Interp
    Negative Logits
     flamboyant
    0.47
     zweiten
    0.46
     öffentliche
    0.46
     villain
    0.45
     Liebe
    0.44
     Fälle
    0.43
     morality
    0.42
     inadequacy
    0.42
     langfrist
    0.41
     freshmen
    0.41
    POSITIVE LOGITS
    codewords
    0.51
    0.51
     ਨੇ
    0.47
     हैन
    0.45
    ERS
    0.45
     ਸਮ
    0.45
     emphasises
    0.45
     தாண்ட
    0.45
     اص
    0.44
     چکے
    0.44
    Act Density 0.002%

    No Known Activations