INDEX
Negative Logits
){//-0.09
];//
-0.08
deshalb
-0.08
därför
-0.07
_TCP
-0.07
=?,
-0.07
chaired
-0.07
);//
-0.07
derfor
-0.07
";//
-0.07
POSITIVE LOGITS
!↵↵↵
0.15
!↵↵↵↵
0.15
！↵↵↵
0.14
¡
0.13
！
0.13
!
0.11
�
0.11
hopefully
0.11
your
0.11
!</
0.11
Activations Density 0.022%