INDEX
    Explanations
    New Auto-Interp
    Negative Logits
    These
    0.45
     These
    0.45
     zodat
    0.44
    these
    0.41
     queste
    0.39
     THESE
    0.39
    es
    0.39
             
    0.38
    er
    0.38
     mientras
    0.37
    POSITIVE LOGITS
     who
    0.71
     الذين
    0.65
     ktorí
    0.56
     którzy
    0.52
     kteří
    0.52
    jenigen
    0.49
     pesky
    0.47
     যারা
    0.45
     closest
    0.45
    who
    0.45
    Act Density 0.005%

    No Known Activations