INDEX
    Explanations
    New Auto-Interp
    Negative Logits
    rb
    -0.08
    rd
    -0.08
    र्गत
    -0.08
     pedi
    -0.07
     TX
    -0.07
    agory
    -0.07
     tad
    -0.07
     numeral
    -0.07
     potr
    -0.07
    وسط
    -0.07
    POSITIVE LOGITS
    -ish
    0.10
    0.08
     adi
    0.08
     bites
    0.08
     Dun
    0.08
    zko
    0.07
     ل
    0.07
     முட
    0.07
     للغاية
    0.07
    0.07
    Act Density 0.008%

    No Known Activations