INDEX
    Explanations
    New Auto-Interp
    Negative Logits
     Veröffentlichung
    -0.08
    Прод
    -0.08
     nightmare
    -0.08
    ได้รับ
    -0.08
     кот
    -0.08
     plagued
    -0.08
    тич
    -0.08
     publication
    -0.08
     boyunca
    -0.08
    �ราะห์
    -0.08
    POSITIVE LOGITS
     gestes
    0.12
     Fingers
    0.10
     fists
    0.10
     ಕೈ
    0.10
     fingers
    0.10
     руками
    0.10
    0.10
     doigts
    0.10
     hairstyle
    0.09
     Hände
    0.09
    Act Density 0.013%

    No Known Activations