INDEX
Negative Logits
con
-0.08
con
-0.08
Casablanca
-0.07
ishes
-0.07
ishment
-0.07
-0.07
ఎంత
-0.07
chod
-0.07
Wa
-0.07
sh
-0.07
POSITIVE LOGITS
ита
0.16
итал
0.11
итайте
0.11
ит
0.11
т
0.11
ИТ
0.10
итай
0.10
те
0.10
итать
0.09
้อ
0.09
Activations Density 0.001%