INDEX
    Explanations
    New Auto-Interp
    Negative Logits
    حدى
    0.28
    Rising
    0.27
    bare
    0.25
    Shop
    0.24
    Trail
    0.24
    Room
    0.24
    bone
    0.23
     jednego
    0.23
    yield
    0.23
    Salah
    0.23
    POSITIVE LOGITS
     whom
    0.42
     course
    0.35
     which
    0.34
     them
    0.29
     которых
    0.28
     whiche
    0.28
     них
    0.27
     którym
    0.26
     ambayo
    0.25
     malah
    0.25
    Act Density 0.011%

    No Known Activations