INDEX
    Explanations
    New Auto-Interp
    Negative Logits
    da
    0.95
    lar
    0.76
    ca
    0.75
     da
    0.72
    دا
    0.72
    ında
    0.69
    0.65
    yla
    0.65
    ta
    0.62
    la
    0.62
    POSITIVE LOGITS
    illä
    1.13
    isiä
    0.98
    сі
    0.96
    ämme
    0.93
    issä
    0.93
    itetty
    0.91
    ün
    0.90
    ެވެ
    0.90
    ülő
    0.90
    istä
    0.89
    Act Density 0.057%

    No Known Activations