INDEX
    Explanations
    New Auto-Interp
    Negative Logits
    .best
    -0.08
    -0.07
     antigo
    -0.07
     ##
    -0.07
    .teacher
    -0.07
     Qu
    -0.07
     Abu
    -0.07
    éma
    -0.07
     قر
    -0.07
     incroyable
    -0.07
    POSITIVE LOGITS
     Затем
    0.08
    liet
    0.08
     Он
    0.08
    Laur
    0.08
     substrate
    0.08
    dato
    0.08
     CD
    0.08
     lätt
    0.07
     Если
    0.07
     Вмест
    0.07
    Act Density 0.202%

    No Known Activations