INDEX
    Explanations
    New Auto-Interp
    Negative Logits
    Copyright
    -0.07
    -0.07
    ource
    -0.07
     freedom
    -0.07
     А
    -0.07
     TG
    -0.07
    sprite
    -0.07
    /w
    -0.07
    _EN
    -0.07
    -0.07
    POSITIVE LOGITS
    קטגור
    0.07
     الر
    0.07
    لوم
    0.07
    开发者
    0.07
     לכך
    0.07
    0.06
    参赛
    0.06
    🕟
    0.06
     ?>><?
    0.06
     الحكوم
    0.06
    Act Density 0.006%

    No Known Activations