INDEX
Negative Logits
meltdown
-0.09
cert
-0.08
ium
-0.08
Ru
-0.08
Serena
-0.08
itai
-0.08
Princes
-0.07
Poste
-0.07
宝
-0.07
mini
-0.07
POSITIVE LOGITS
noises
0.09
عوامل
0.08
কথ
0.08
تولید
0.08
jät
0.07
-ignore
0.07
나는
0.07
후
0.07
บ
0.07
قي
0.07
Activations Density 0.001%