INDEX
    Explanations
    New Auto-Interp
    Negative Logits
    𨟠
    -0.07
    -0.07
    钢筋
    -0.07
    -f
    -0.07
     gt
    -0.07
     Hi
    -0.07
    -0.07
     ram
    -0.06
    -s
    -0.06
     dear
    -0.06
    POSITIVE LOGITS
    🏏
    0.07
     penalty
    0.07
    ział
    0.07
     mercenaries
    0.07
     onze
    0.07
    0.07
    rzę
    0.07
     możliwości
    0.07
    orneys
    0.07
    どうしても
    0.07
    Act Density 0.001%

    No Known Activations