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

    Neuronpedia

    INDEX
    Explanations

    especially if

    np_acts-logits-general · gemini-2.5-flash-lite
    New Auto-Interp
    Negative Logits
    ’
    0.27
    high
    0.20
    and
    0.20
     and
    0.20
    s
    0.20
    及び
    0.19
    ers
    0.19
    Q
    0.19
    ref
    0.18
    dots
    0.18
    POSITIVE LOGITS
     עם
    0.27
     tentang
    0.24
     mengingat
    0.24
     با
    0.23
    กับ
    0.23
     circumst
    0.21
     especial
    0.21
     considering
    0.21
     przypadku
    0.21
     dengan
    0.21
    Act Density 0.103%

    No Known Activations