INDEX
Negative Logits
olive
0.57
entfernen
0.56
technologie
0.54
cette
0.54
dapat
0.54
μια
0.54
joka
0.53
이에
0.53
Esta
0.53
daha
0.53
POSITIVE LOGITS
讠
0.50
賏
0.50
媇
0.48
阠
0.48
पि
0.48
軎
0.47
㗆
0.46
驭
0.46
暊
0.46
!!.
0.46
Activations Density 0.071%
olive
entfernen
technologie
cette
dapat
μια
joka
이에
Esta
daha
讠
賏
媇
阠
पि
軎
㗆
驭
暊
!!.