INDEX
    Explanations
    New Auto-Interp
    Negative Logits
     práce
    0.81
     funkce
    0.81
     arbeiten
    0.79
    вик
    0.79
     fonctionner
    0.77
     sounded
    0.77
     begonnen
    0.76
     funktionieren
    0.75
     vedit
    0.75
     visible
    0.75
    POSITIVE LOGITS
     Bad
    0.62
     bad
    0.61
    不妨
    0.58
    0.56
     ब्राउन
    0.56
    bad
    0.55
     را
    0.54
     comfortably
    0.53
     Bienvenido
    0.53
    PTION
    0.52
    Act Density 0.024%

    No Known Activations