INDEX
    Explanations
    New Auto-Interp
    Negative Logits
    sth
    -0.08
     Краснодар
    -0.08
     երեք
    -0.07
    orous
    -0.07
     kanggo
    -0.07
     representing
    -0.07
    aisen
    -0.07
     Երկ
    -0.07
     Ев
    -0.07
     წერ
    -0.07
    POSITIVE LOGITS
     ebenfalls
    0.08
    에도
    0.08
    에서도
    0.07
     onderste
    0.07
     met
    0.07
     tej
    0.07
    xi
    0.07
    에서
    0.07
     strain
    0.07
     ondersteunt
    0.07
    Act Density 0.267%

    No Known Activations