INDEX
Negative Logits
itatea
-0.08
crud
-0.07
ప
-0.07
760
-0.07
Dirty
-0.07
aman
-0.07
Ir
-0.07
обеспечение
-0.07
dbl
-0.07
ş
-0.07
POSITIVE LOGITS
掉
0.10
khỏi
0.10
ਸਮ
0.08
Denn
0.08
домой
0.08
勿
0.08
那里
0.07
ாவ
0.07
Apis
0.07
偷
0.07
Activations Density 0.026%