INDEX
Negative Logits
erlijke
-0.08
tena
-0.08
bestos
-0.08
gevity
-0.08
orpen
-0.08
opia
-0.07
hué
-0.07
bidi
-0.07
thor
-0.07
taxis
-0.07
POSITIVE LOGITS
ornaments
0.09
スポ
0.08
™
0.08
festive
0.08
comemor
0.08
�
0.08
_arm
0.08
అని
0.07
Nat
0.07
#w
0.07
Activations Density 0.002%