INDEX
    Explanations
    New Auto-Interp
    Negative Logits
    ив
    -0.08
     рай
    -0.08
     mer
    -0.08
     inimese
    -0.08
     legit
    -0.08
     Merit
    -0.08
     tawo
    -0.07
     Mer
    -0.07
     harina
    -0.07
    -0.07
    POSITIVE LOGITS
    zyk
    0.17
    akty
    0.15
    zeg
    0.15
    zep
    0.14
    zer
    0.14
    zek
    0.14
    zed
    0.14
    z
    0.14
    zej
    0.13
    ześ
    0.13
    Act Density 0.000%

    No Known Activations