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

    Neuronpedia

    INDEX
    Explanations

    method definitions and declarations

    np_acts-logits-general · gemini-2.5-flash-lite
    New Auto-Interp
    Negative Logits
    を活用
    0.26
    としても
    0.25
    と呼ばれる
    0.24
     évaluation
    0.24
     தாவர
    0.23
     ഹ
    0.23
    .•
    0.22
     American
    0.22
     عالية
    0.22
    Oréal
    0.22
    POSITIVE LOGITS
    0.29
     был
    0.25
    0.25
    했다
    0.25
     AppDelegate
    0.24
     было
    0.24
    elde
    0.24
            
    0.23
     Helpers
    0.23
     Mgr
    0.23
    Act Density 0.008%

    No Known Activations