INDEX
Negative Logits
bob
-0.10
bob
-0.09
resilience
-0.08
STALL
-0.08
Bruce
-0.08
umph
-0.08
Bob
-0.08
resil
-0.07
หมาย
-0.07
ส่ง
-0.07
POSITIVE LOGITS
色情
0.11
sexu
0.10
sexuales
0.09
যৌ
0.09
сексу
0.09
情色
0.09
porn
0.09
erot
0.09
sexual
0.09
несов
0.08
Activations Density 0.047%