INDEX
Negative Logits
M
0.35
M
0.32
ino
0.30
re
0.29
آ
0.28
I
0.28
ich
0.28
ise
0.28
皆
0.27
all
0.27
POSITIVE LOGITS
vykor
0.48
<unused976>
0.45
Chương
0.45
ANGMAR
0.45
chương
0.45
Thackeray
0.45
ঙ্কর
0.44
ouvoir
0.44
ដ្ឋាន
0.44
иск
0.44
Activations Density 0.070%