INDEX
    Explanations

    吃 话 计划 看看 烦

    New Auto-Interp
    Negative Logits
    0.69
    0.67
    0.65
    تباين
    0.63
    0.63
    0.62
    0.61
    0.61
    0.61
    規範
    0.60
    POSITIVE LOGITS
    0.82
    0.70
    0.70
     scolded
    0.69
    0.69
    怎么
    0.68
    不好
    0.68
    0.68
    老师
    0.66
    0.66
    Act Density 0.011%

    No Known Activations