INDEX
    Explanations
    New Auto-Interp
    Negative Logits
    CNc
    0.61
     обратить
    0.56
    ormais
    0.54
    द्रा
    0.53
    urz
    0.52
    зон
    0.52
    ám
    0.51
    長時間
    0.50
    ောင်း
    0.50
     නිෂ්
    0.50
    POSITIVE LOGITS
     first
    6.02
    first
    5.59
     primeira
    4.97
     eerste
    4.79
     første
    4.74
     ersten
    4.72
     erste
    4.66
    First
    4.64
     primeiro
    4.63
     första
    4.59
    Act Density 0.763%

    No Known Activations