INDEX
    Explanations
    New Auto-Interp
    Negative Logits
     berühm
    0.21
     keuze
    0.21
     funkce
    0.21
     lijst
    0.20
     Vereinigten
    0.20
     titel
    0.20
     März
    0.20
     moeder
    0.20
     zweiten
    0.20
     Funktions
    0.20
    POSITIVE LOGITS
     smartly
    0.14
     مثلا
    0.13
     plenty
    0.13
     smarter
    0.13
    longer
    0.12
     дальше
    0.12
     everything
    0.12
     via
    0.12
     longer
    0.12
     faster
    0.12
    Act Density 0.025%

    No Known Activations