INDEX
    Explanations
    New Auto-Interp
    Negative Logits
     www
    -0.09
    erus
    -0.08
     xuất
    -0.08
    :www
    -0.08
     weiteren
    -0.08
     Www
    -0.07
     Yo
    -0.07
     thường
    -0.07
    (www
    -0.07
    quoise
    -0.07
    POSITIVE LOGITS
     vergelijken
    0.08
    ,同
    0.08
     krijgen
    0.08
     switched
    0.08
     recip
    0.08
     रखें
    0.07
    0.07
     dezelfde
    0.07
     pondering
    0.07
     blijven
    0.07
    Act Density 0.000%

    No Known Activations