INDEX
Negative Logits
17
-0.11
�
-0.09
197
-0.09
13
-0.09
103
-0.08
087
-0.08
16
-0.08
167
-0.08
996
-0.08
�
-0.08
POSITIVE LOGITS
�
0.18
�
0.18
�
0.16
�
0.16
��
0.16
�
0.15
�
0.15
�
0.15
��
0.14
��
0.14
Activations Density 0.004%
17
�
197
13
103
087
16
167
996
�
�
�
�
�
��
�
�
�
��
��