INDEX
Negative Logits
normalized
0.17
sheltered
0.16
modulating
0.16
deployment
0.16
wavenumber
0.15
linear
0.15
accurately
0.15
progressions
0.15
poss
0.15
tokenize
0.15
POSITIVE LOGITS
wikipedia
0.23
Wikipedia
0.23
Wikipedia
0.21
wik
0.21
creativecommons
0.20
wiki
0.19
nytimes
0.19
жа
0.19
0.19
europa
0.19
Activations Density 0.087%