INDEX
Negative Logits
Passenger
-0.08
stable
-0.08
Rider
-0.07
heater
-0.07
astre
-0.07
kommentar
-0.07
emies
-0.07
seed
-0.07
kal
-0.07
negatieve
-0.07
POSITIVE LOGITS
politely
0.10
🏼
0.10
🏻
0.09
doors
0.08
jasa
0.08
polite
0.08
unsolicited
0.08
вск
0.08
জানান
0.08
puertas
0.08
Activations Density 0.003%