INDEX
    Explanations
    New Auto-Interp
    Negative Logits
    或其他
    0.25
    ويم
    0.24
    0.24
    вающих
    0.23
    或者
    0.22
     अथवा
    0.22
    λαμβ
    0.22
     আমর
    0.22
     имају
    0.22
    0.22
    POSITIVE LOGITS
     picky
    0.35
     arrogant
    0.34
     stubborn
    0.33
     good
    0.32
     clueless
    0.32
     happy
    0.31
     joking
    0.30
     jobless
    0.29
     kidding
    0.29
     kind
    0.29
    Act Density 0.312%

    No Known Activations