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

    Neuronpedia

    INDEX
    Explanations

    various languages and future actions

    np_acts-logits-general · gemini-2.5-flash-lite
    New Auto-Interp
    Negative Logits
     являются
    0.25
     ఉంటాయి
    0.23
     ఉంటుంది
    0.23
    كيف
    0.22
    具有
    0.21
     имају
    0.21
    إن
    0.21
    而在
    0.21
     Οι
    0.21
    और
    0.21
    POSITIVE LOGITS
     sobie
    0.34
     się
    0.29
     bunu
    0.26
     jeszcze
    0.25
     ihnen
    0.24
     desist
    0.23
     mình
    0.23
     mettere
    0.22
     crecer
    0.22
     deze
    0.22
    Act Density 0.052%

    No Known Activations