INDEX
Negative Logits
bestimm
-0.07
степ
-0.07
`:
-0.07
پژوه
-0.06
(!_
-0.06
QUE
-0.06
(!
-0.06
annoying
-0.06
defending
-0.06
Ц
-0.06
POSITIVE LOGITS
Emily
0.07
工
0.07
mediator
0.06
ย
0.06
_BOOT
0.06
Как
0.06
uite
0.06
extAlignment
0.06
din
0.06
ahas
0.06
Activations Density 0.024%