INDEX
Negative Logits
rowing
-0.08
Pong
-0.08
Swimming
-0.08
Katze
-0.08
Sailing
-0.08
mahimong
-0.08
Elliot
-0.08
Wird
-0.07
Dancing
-0.07
paseo
-0.07
POSITIVE LOGITS
unethical
0.10
ilegal
0.09
unnecessary
0.08
unlawful
0.08
การ
0.08
�
0.08
268
0.08
การพนัน
0.08
ilyen
0.08
harmful
0.08
Activations Density 0.004%