INDEX
    Explanations
    New Auto-Interp
    Negative Logits
    Tri
    -0.08
    -0.07
     Sho
    -0.07
     Grimm
    -0.07
    Sho
    -0.07
    Lista
    -0.07
    Emb
    -0.07
    graduate
    -0.07
    PAC
    -0.07
    computer
    -0.07
    POSITIVE LOGITS
     котором
    0.14
     которого
    0.11
     которых
    0.11
     которой
    0.11
     который
    0.11
     જેના
    0.10
     जिसके
    0.10
     whereby
    0.10
     যার
    0.10
     которыми
    0.10
    Act Density 0.054%

    No Known Activations