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

    Neuronpedia

    INDEX
    Explanations

    AI tool names and phrases, model names

    np_acts-logits-general · gemini-2.5-flash-lite
    New Auto-Interp
    Negative Logits
    ቛ
    0.24
     !!,
    0.23
     keltiradi
    0.23
    segaretro
    0.22
    洶
    0.22
    وضع
    0.22
    譙
    0.22
    𝙡
    0.21
     يش
    0.21
    欝
    0.21
    POSITIVE LOGITS
    ’
    0.27
    0.22
    と呼ばれる
    0.21
    -
    0.21
    ·
    0.19
     mimics
    0.18
    '
    0.18
     ursprünglich
    0.17
     thậm
    0.17
    ならでは
    0.17
    Act Density 0.592%

    No Known Activations