INDEX
Negative Logits
’
0.66
ва
0.59
のは
0.57
is
0.55
ат
0.54
ем
0.54
ал
0.53
ために
0.52
টি
0.51
기
0.51
POSITIVE LOGITS
é
0.55
T
0.53
:
0.53
ler
0.52
َ
0.48
N
0.48
د
0.48
k
0.47
<
0.46
)
0.45
Activations Density 0.003%
’
ва
のは
is
ат
ем
ал
ために
টি
기
é
T
:
ler
َ
N
د
k
<
)