metadata

language: []
library_name: sentence-transformers
tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - generated_from_trainer
  - dataset_size:499500
  - loss:MSELoss
base_model: lemon-mint/KoEn-Embed-Turbo-v0.6
datasets: []
metrics:
  - pearson_cosine
  - spearman_cosine
  - pearson_manhattan
  - spearman_manhattan
  - pearson_euclidean
  - spearman_euclidean
  - pearson_dot
  - spearman_dot
  - pearson_max
  - spearman_max
  - cosine_accuracy@1
  - cosine_accuracy@3
  - cosine_accuracy@5
  - cosine_accuracy@10
  - cosine_precision@1
  - cosine_precision@3
  - cosine_precision@5
  - cosine_precision@10
  - cosine_recall@1
  - cosine_recall@3
  - cosine_recall@5
  - cosine_recall@10
  - cosine_ndcg@10
  - cosine_mrr@10
  - cosine_map@100
  - dot_accuracy@1
  - dot_accuracy@3
  - dot_accuracy@5
  - dot_accuracy@10
  - dot_precision@1
  - dot_precision@3
  - dot_precision@5
  - dot_precision@10
  - dot_recall@1
  - dot_recall@3
  - dot_recall@5
  - dot_recall@10
  - dot_ndcg@10
  - dot_mrr@10
  - dot_map@100
widget:
  - source_sentence: 'query: 순드리 우탐찬다니의 대표적인 단편 소설은 무엇입니까?'
    sentences:
      - 'query: What works have been influenced by "Fourth World"?'
      - 'query: 학교 건물의 건축 스타일은 무엇입니까?'
      - >-
        query: Which group of people's experiences did the JERS study aim to
        document?
  - source_sentence: 'query: 비센테 게레로 시정촌의 주요 산업은 무엇입니까?'
    sentences:
      - 'query: 캐나다의 지방 선거는 어떤 주체가 관할합니까?'
      - 'query: 2024년 네브래스카주 상원 특별 선거에서 승리할 것으로 예상되는 후보는 누구입니까?'
      - 'query: 라말링게슈와라 사원 단지에 있는 사원들은 모두 같은 시대에 지어졌습니까?'
  - source_sentence: 'query: 세인트 존의 부인은 결혼 전에 어떤 직업을 가졌습니까?'
    sentences:
      - >-
        query: What led to amateur astronomy becoming an independent hobby
        activity distinct from professional astronomy?
      - 'query: HIK 학교는 어떤 시대에 설립되었나요?'
      - 'query: 호주에서 "스쿼터"가 된 사람들은 대부분 어떤 계층의 사람들이었나요?'
  - source_sentence: 'query: How many home runs did Eddie Mathews hit in 1957?'
    sentences:
      - 'query: How long did Major live in the White House?'
      - >-
        query: How many points did Lithuania receive in the Eurovision Song
        Contest semi-final in 2005?
      - 'query: Why did Loretta Tupper return to show business?'
  - source_sentence: 'query: 해롤드 데이비스는 어떤 국가의 선수였나요?'
    sentences:
      - 'query: 릴리는 어떤 스포츠를 좋아했습니까?'
      - 'query: 안토니오 데 카스트로 마이어는 1988년에 어떤 행위로 인해 논란을 일으켰습니까?'
      - 'query: When was the Herefordshire Light Infantry founded?'
pipeline_tag: sentence-similarity
model-index:
  - name: SentenceTransformer based on lemon-mint/KoEn-Embed-Turbo-v0.6
    results:
      - task:
          type: semantic-similarity
          name: Semantic Similarity
        dataset:
          name: sts dev
          type: sts-dev
        metrics:
          - type: pearson_cosine
            value: 0.7166865142404676
            name: Pearson Cosine
          - type: spearman_cosine
            value: 0.7179436638586734
            name: Spearman Cosine
          - type: pearson_manhattan
            value: 0.6562645352982684
            name: Pearson Manhattan
          - type: spearman_manhattan
            value: 0.6713564101735439
            name: Spearman Manhattan
          - type: pearson_euclidean
            value: 0.6576343568691049
            name: Pearson Euclidean
          - type: spearman_euclidean
            value: 0.6720055780017863
            name: Spearman Euclidean
          - type: pearson_dot
            value: 0.581317643897043
            name: Pearson Dot
          - type: spearman_dot
            value: 0.6227048224971706
            name: Spearman Dot
          - type: pearson_max
            value: 0.7166865142404676
            name: Pearson Max
          - type: spearman_max
            value: 0.7179436638586734
            name: Spearman Max
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: Ko StrategyQA dev
          type: Ko-StrategyQA-dev
        metrics:
          - type: cosine_accuracy@1
            value: 0.16722972972972974
            name: Cosine Accuracy@1
          - type: cosine_accuracy@3
            value: 0.25844594594594594
            name: Cosine Accuracy@3
          - type: cosine_accuracy@5
            value: 0.30236486486486486
            name: Cosine Accuracy@5
          - type: cosine_accuracy@10
            value: 0.38006756756756754
            name: Cosine Accuracy@10
          - type: cosine_precision@1
            value: 0.16722972972972974
            name: Cosine Precision@1
          - type: cosine_precision@3
            value: 0.09853603603603603
            name: Cosine Precision@3
          - type: cosine_precision@5
            value: 0.07128378378378379
            name: Cosine Precision@5
          - type: cosine_precision@10
            value: 0.04746621621621622
            name: Cosine Precision@10
          - type: cosine_recall@1
            value: 0.10484234234234234
            name: Cosine Recall@1
          - type: cosine_recall@3
            value: 0.1760698198198198
            name: Cosine Recall@3
          - type: cosine_recall@5
            value: 0.21348536036036034
            name: Cosine Recall@5
          - type: cosine_recall@10
            value: 0.27516891891891887
            name: Cosine Recall@10
          - type: cosine_ndcg@10
            value: 0.20750097993183542
            name: Cosine Ndcg@10
          - type: cosine_mrr@10
            value: 0.22642307486057478
            name: Cosine Mrr@10
          - type: cosine_map@100
            value: 0.1760894166796981
            name: Cosine Map@100
          - type: dot_accuracy@1
            value: 0.13682432432432431
            name: Dot Accuracy@1
          - type: dot_accuracy@3
            value: 0.2195945945945946
            name: Dot Accuracy@3
          - type: dot_accuracy@5
            value: 0.2635135135135135
            name: Dot Accuracy@5
          - type: dot_accuracy@10
            value: 0.33952702702702703
            name: Dot Accuracy@10
          - type: dot_precision@1
            value: 0.13682432432432431
            name: Dot Precision@1
          - type: dot_precision@3
            value: 0.08614864864864864
            name: Dot Precision@3
          - type: dot_precision@5
            value: 0.06317567567567568
            name: Dot Precision@5
          - type: dot_precision@10
            value: 0.043243243243243246
            name: Dot Precision@10
          - type: dot_recall@1
            value: 0.09127252252252252
            name: Dot Recall@1
          - type: dot_recall@3
            value: 0.1596846846846847
            name: Dot Recall@3
          - type: dot_recall@5
            value: 0.1899493243243243
            name: Dot Recall@5
          - type: dot_recall@10
            value: 0.2541103603603604
            name: Dot Recall@10
          - type: dot_ndcg@10
            value: 0.18669639273900773
            name: Dot Ndcg@10
          - type: dot_mrr@10
            value: 0.19339473401973398
            name: Dot Mrr@10
          - type: dot_map@100
            value: 0.15927201068719438
            name: Dot Map@100
      - task:
          type: semantic-similarity
          name: Semantic Similarity
        dataset:
          name: sts test
          type: sts-test
        metrics:
          - type: pearson_cosine
            value: 0.6269313573543648
            name: Pearson Cosine
          - type: spearman_cosine
            value: 0.6185961220418067
            name: Spearman Cosine
          - type: pearson_manhattan
            value: 0.578738833621439
            name: Pearson Manhattan
          - type: spearman_manhattan
            value: 0.5839976753348799
            name: Spearman Manhattan
          - type: pearson_euclidean
            value: 0.5793449665959343
            name: Pearson Euclidean
          - type: spearman_euclidean
            value: 0.5843842345712776
            name: Spearman Euclidean
          - type: pearson_dot
            value: 0.4781712564220267
            name: Pearson Dot
          - type: spearman_dot
            value: 0.5057919404595702
            name: Spearman Dot
          - type: pearson_max
            value: 0.6269313573543648
            name: Pearson Max
          - type: spearman_max
            value: 0.6185961220418067
            name: Spearman Max

SentenceTransformer based on lemon-mint/KoEn-Embed-Turbo-v0.6

This is a sentence-transformers model finetuned from lemon-mint/KoEn-Embed-Turbo-v0.6. It maps sentences & paragraphs to a 768-dimensional dense vector space and can be used for semantic textual similarity, semantic search, paraphrase mining, text classification, clustering, and more.

Model Details

Model Description

Model Type: Sentence Transformer
Base model: lemon-mint/KoEn-Embed-Turbo-v0.6
Maximum Sequence Length: 512 tokens
Output Dimensionality: 768 tokens
Similarity Function: Cosine Similarity

Model Sources

Documentation: Sentence Transformers Documentation
Repository: Sentence Transformers on GitHub
Hugging Face: Sentence Transformers on Hugging Face

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
)

Usage

Direct Usage (Sentence Transformers)

First install the Sentence Transformers library:

pip install -U sentence-transformers

Then you can load this model and run inference.

from sentence_transformers import SentenceTransformer

# Download from the 🤗 Hub
model = SentenceTransformer("lemon-mint/KoEn-Embed-Turbo-v0.7-final")
# Run inference
sentences = [
    'query: 해롤드 데이비스는 어떤 국가의 선수였나요?',
    'query: 릴리는 어떤 스포츠를 좋아했습니까?',
    'query: 안토니오 데 카스트로 마이어는 1988년에 어떤 행위로 인해 논란을 일으켰습니까?',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 768]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]

Evaluation

Metrics

Semantic Similarity

Dataset: sts-dev
Evaluated with EmbeddingSimilarityEvaluator

Metric	Value
pearson_cosine	0.7167
spearman_cosine	0.7179
pearson_manhattan	0.6563
spearman_manhattan	0.6714
pearson_euclidean	0.6576
spearman_euclidean	0.672
pearson_dot	0.5813
spearman_dot	0.6227
pearson_max	0.7167
spearman_max	0.7179

Information Retrieval

Dataset: Ko-StrategyQA-dev
Evaluated with InformationRetrievalEvaluator

Metric	Value
cosine_accuracy@1	0.1672
cosine_accuracy@3	0.2584
cosine_accuracy@5	0.3024
cosine_accuracy@10	0.3801
cosine_precision@1	0.1672
cosine_precision@3	0.0985
cosine_precision@5	0.0713
cosine_precision@10	0.0475
cosine_recall@1	0.1048
cosine_recall@3	0.1761
cosine_recall@5	0.2135
cosine_recall@10	0.2752
cosine_ndcg@10	0.2075
cosine_mrr@10	0.2264
cosine_map@100	0.1761
dot_accuracy@1	0.1368
dot_accuracy@3	0.2196
dot_accuracy@5	0.2635
dot_accuracy@10	0.3395
dot_precision@1	0.1368
dot_precision@3	0.0861
dot_precision@5	0.0632
dot_precision@10	0.0432
dot_recall@1	0.0913
dot_recall@3	0.1597
dot_recall@5	0.1899
dot_recall@10	0.2541
dot_ndcg@10	0.1867
dot_mrr@10	0.1934
dot_map@100	0.1593

Semantic Similarity

Dataset: sts-test
Evaluated with EmbeddingSimilarityEvaluator

Metric	Value
pearson_cosine	0.6269
spearman_cosine	0.6186
pearson_manhattan	0.5787
spearman_manhattan	0.584
pearson_euclidean	0.5793
spearman_euclidean	0.5844
pearson_dot	0.4782
spearman_dot	0.5058
pearson_max	0.6269
spearman_max	0.6186

Training Details

Training Hyperparameters

Non-Default Hyperparameters

eval_strategy: steps
per_device_train_batch_size: 48
per_device_eval_batch_size: 4
learning_rate: 0.0001
num_train_epochs: 1
warmup_ratio: 0.05
fp16: True
push_to_hub: True
hub_model_id: lemon-mint/KoEn-Embed-Turbo-v0.7
hub_strategy: checkpoint
hub_private_repo: True

All Hyperparameters

Click to expand

overwrite_output_dir: False
do_predict: False
eval_strategy: steps
prediction_loss_only: True
per_device_train_batch_size: 48
per_device_eval_batch_size: 4
per_gpu_train_batch_size: None
per_gpu_eval_batch_size: None
gradient_accumulation_steps: 1
eval_accumulation_steps: None
learning_rate: 0.0001
weight_decay: 0.0
adam_beta1: 0.9
adam_beta2: 0.999
adam_epsilon: 1e-08
max_grad_norm: 1.0
num_train_epochs: 1
max_steps: -1
lr_scheduler_type: linear
lr_scheduler_kwargs: {}
warmup_ratio: 0.05
warmup_steps: 0
log_level: passive
log_level_replica: warning
log_on_each_node: True
logging_nan_inf_filter: True
save_safetensors: True
save_on_each_node: False
save_only_model: False
restore_callback_states_from_checkpoint: False
no_cuda: False
use_cpu: False
use_mps_device: False
seed: 42
data_seed: None
jit_mode_eval: False
use_ipex: False
bf16: False
fp16: True
fp16_opt_level: O1
half_precision_backend: auto
bf16_full_eval: False
fp16_full_eval: False
tf32: None
local_rank: 0
ddp_backend: None
tpu_num_cores: None
tpu_metrics_debug: False
debug: []
dataloader_drop_last: False
dataloader_num_workers: 0
dataloader_prefetch_factor: None
past_index: -1
disable_tqdm: False
remove_unused_columns: True
label_names: None
load_best_model_at_end: False
ignore_data_skip: False
fsdp: []
fsdp_min_num_params: 0
fsdp_config: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
fsdp_transformer_layer_cls_to_wrap: None
accelerator_config: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}
deepspeed: None
label_smoothing_factor: 0.0
optim: adamw_torch
optim_args: None
adafactor: False
group_by_length: False
length_column_name: length
ddp_find_unused_parameters: None
ddp_bucket_cap_mb: None
ddp_broadcast_buffers: False
dataloader_pin_memory: True
dataloader_persistent_workers: False
skip_memory_metrics: True
use_legacy_prediction_loop: False
push_to_hub: True
resume_from_checkpoint: None
hub_model_id: lemon-mint/KoEn-Embed-Turbo-v0.7
hub_strategy: checkpoint
hub_private_repo: True
hub_always_push: False
gradient_checkpointing: False
gradient_checkpointing_kwargs: None
include_inputs_for_metrics: False
eval_do_concat_batches: True
fp16_backend: auto
push_to_hub_model_id: None
push_to_hub_organization: None
mp_parameters:
auto_find_batch_size: False
full_determinism: False
torchdynamo: None
ray_scope: last
ddp_timeout: 1800
torch_compile: False
torch_compile_backend: None
torch_compile_mode: None
dispatch_batches: None
split_batches: None
include_tokens_per_second: False
include_num_input_tokens_seen: False
neftune_noise_alpha: None
optim_target_modules: None
batch_eval_metrics: False
eval_on_start: False
batch_sampler: batch_sampler
multi_dataset_batch_sampler: proportional

Training Logs

Click to expand

Epoch	Step	Training Loss	loss	Ko-StrategyQA-dev_cosine_map@100	sts-dev_spearman_cosine	sts-test_spearman_cosine
0	0	-	-	0.1939	0.7345	-
0.0010	10	0.0005	-	-	-	-
0.0019	20	0.0005	-	-	-	-
0.0029	30	0.0005	-	-	-	-
0.0038	40	0.0005	-	-	-	-
0.0048	50	0.0005	-	-	-	-
0.0058	60	0.0005	-	-	-	-
0.0067	70	0.0005	-	-	-	-
0.0077	80	0.0005	-	-	-	-
0.0086	90	0.0005	-	-	-	-
0.0096	100	0.0005	-	-	-	-
0.0106	110	0.0005	-	-	-	-
0.0115	120	0.0005	-	-	-	-
0.0125	130	0.0005	-	-	-	-
0.0135	140	0.0005	-	-	-	-
0.0144	150	0.0005	-	-	-	-
0.0154	160	0.0005	-	-	-	-
0.0163	170	0.0005	-	-	-	-
0.0173	180	0.0005	-	-	-	-
0.0183	190	0.0005	-	-	-	-
0.0192	200	0.0005	-	-	-	-
0.0202	210	0.0005	-	-	-	-
0.0211	220	0.0005	-	-	-	-
0.0221	230	0.0005	-	-	-	-
0.0231	240	0.0005	-	-	-	-
0.0240	250	0.0005	-	-	-	-
0.0250	260	0.0005	-	-	-	-
0.0259	270	0.0005	-	-	-	-
0.0269	280	0.0005	-	-	-	-
0.0279	290	0.0005	-	-	-	-
0.0288	300	0.0005	-	-	-	-
0.0298	310	0.0005	-	-	-	-
0.0307	320	0.0005	-	-	-	-
0.0317	330	0.0005	-	-	-	-
0.0327	340	0.0005	-	-	-	-
0.0336	350	0.0005	-	-	-	-
0.0346	360	0.0005	-	-	-	-
0.0356	370	0.0005	-	-	-	-
0.0365	380	0.0005	-	-	-	-
0.0375	390	0.0005	-	-	-	-
0.0384	400	0.0005	-	-	-	-
0.0394	410	0.0005	-	-	-	-
0.0404	420	0.0005	-	-	-	-
0.0413	430	0.0005	-	-	-	-
0.0423	440	0.0005	-	-	-	-
0.0432	450	0.0005	-	-	-	-
0.0442	460	0.0005	-	-	-	-
0.0452	470	0.0005	-	-	-	-
0.0461	480	0.0005	-	-	-	-
0.0471	490	0.0005	-	-	-	-
0.0480	500	0.0005	-	-	-	-
0.0490	510	0.0005	-	-	-	-
0.0500	520	0.0005	-	-	-	-
0.0509	530	0.0005	-	-	-	-
0.0519	540	0.0005	-	-	-	-
0.0528	550	0.0005	-	-	-	-
0.0538	560	0.0005	-	-	-	-
0.0548	570	0.0005	-	-	-	-
0.0557	580	0.0005	-	-	-	-
0.0567	590	0.0005	-	-	-	-
0.0577	600	0.0005	-	-	-	-
0.0586	610	0.0006	-	-	-	-
0.0596	620	0.0006	-	-	-	-
0.0605	630	0.0006	-	-	-	-
0.0615	640	0.0006	-	-	-	-
0.0625	650	0.0006	-	-	-	-
0.0634	660	0.0006	-	-	-	-
0.0644	670	0.0006	-	-	-	-
0.0653	680	0.0006	-	-	-	-
0.0663	690	0.0006	-	-	-	-
0.0673	700	0.0006	-	-	-	-
0.0682	710	0.0005	-	-	-	-
0.0692	720	0.0005	-	-	-	-
0.0701	730	0.0005	-	-	-	-
0.0711	740	0.0005	-	-	-	-
0.0721	750	0.0005	-	-	-	-
0.0730	760	0.0005	-	-	-	-
0.0740	770	0.0005	-	-	-	-
0.0749	780	0.0005	-	-	-	-
0.0759	790	0.0005	-	-	-	-
0.0769	800	0.0005	-	-	-	-
0.0778	810	0.0005	-	-	-	-
0.0788	820	0.0006	-	-	-	-
0.0798	830	0.0006	-	-	-	-
0.0807	840	0.0005	-	-	-	-
0.0817	850	0.0005	-	-	-	-
0.0826	860	0.0005	-	-	-	-
0.0836	870	0.0005	-	-	-	-
0.0846	880	0.0005	-	-	-	-
0.0855	890	0.0005	-	-	-	-
0.0865	900	0.0005	-	-	-	-
0.0874	910	0.0005	-	-	-	-
0.0884	920	0.0005	-	-	-	-
0.0894	930	0.0005	-	-	-	-
0.0903	940	0.0005	-	-	-	-
0.0913	950	0.0005	-	-	-	-
0.0922	960	0.0005	-	-	-	-
0.0932	970	0.0005	-	-	-	-
0.0942	980	0.0005	-	-	-	-
0.0951	990	0.0005	-	-	-	-
0.0961	1000	0.0005	0.0005	0.1772	0.7242	-
0.0971	1010	0.0005	-	-	-	-
0.0980	1020	0.0005	-	-	-	-
0.0990	1030	0.0005	-	-	-	-
0.0999	1040	0.0005	-	-	-	-
0.1009	1050	0.0005	-	-	-	-
0.1019	1060	0.0005	-	-	-	-
0.1028	1070	0.0005	-	-	-	-
0.1038	1080	0.0005	-	-	-	-
0.1047	1090	0.0005	-	-	-	-
0.1057	1100	0.0005	-	-	-	-
0.1067	1110	0.0005	-	-	-	-
0.1076	1120	0.0005	-	-	-	-
0.1086	1130	0.0005	-	-	-	-
0.1095	1140	0.0005	-	-	-	-
0.1105	1150	0.0005	-	-	-	-
0.1115	1160	0.0005	-	-	-	-
0.1124	1170	0.0005	-	-	-	-
0.1134	1180	0.0005	-	-	-	-
0.1143	1190	0.0005	-	-	-	-
0.1153	1200	0.0005	-	-	-	-
0.1163	1210	0.0005	-	-	-	-
0.1172	1220	0.0005	-	-	-	-
0.1182	1230	0.0005	-	-	-	-
0.1192	1240	0.0005	-	-	-	-
0.1201	1250	0.0005	-	-	-	-
0.1211	1260	0.0005	-	-	-	-
0.1220	1270	0.0005	-	-	-	-
0.1230	1280	0.0005	-	-	-	-
0.1240	1290	0.0005	-	-	-	-
0.1249	1300	0.0005	-	-	-	-
0.1259	1310	0.0005	-	-	-	-
0.1268	1320	0.0005	-	-	-	-
0.1278	1330	0.0005	-	-	-	-
0.1288	1340	0.0005	-	-	-	-
0.1297	1350	0.0005	-	-	-	-
0.1307	1360	0.0005	-	-	-	-
0.1316	1370	0.0005	-	-	-	-
0.1326	1380	0.0005	-	-	-	-
0.1336	1390	0.0005	-	-	-	-
0.1345	1400	0.0005	-	-	-	-
0.1355	1410	0.0005	-	-	-	-
0.1364	1420	0.0005	-	-	-	-
0.1374	1430	0.0005	-	-	-	-
0.1384	1440	0.0005	-	-	-	-
0.1393	1450	0.0005	-	-	-	-
0.1403	1460	0.0005	-	-	-	-
0.1413	1470	0.0005	-	-	-	-
0.1422	1480	0.0005	-	-	-	-
0.1432	1490	0.0005	-	-	-	-
0.1441	1500	0.0005	-	-	-	-
0.1451	1510	0.0005	-	-	-	-
0.1461	1520	0.0005	-	-	-	-
0.1470	1530	0.0005	-	-	-	-
0.1480	1540	0.0005	-	-	-	-
0.1489	1550	0.0005	-	-	-	-
0.1499	1560	0.0005	-	-	-	-
0.1509	1570	0.0005	-	-	-	-
0.1518	1580	0.0005	-	-	-	-
0.1528	1590	0.0005	-	-	-	-
0.1537	1600	0.0005	-	-	-	-
0.1547	1610	0.0005	-	-	-	-
0.1557	1620	0.0005	-	-	-	-
0.1566	1630	0.0005	-	-	-	-
0.1576	1640	0.0005	-	-	-	-
0.1585	1650	0.0005	-	-	-	-
0.1595	1660	0.0005	-	-	-	-
0.1605	1670	0.0005	-	-	-	-
0.1614	1680	0.0005	-	-	-	-
0.1624	1690	0.0005	-	-	-	-
0.1634	1700	0.0005	-	-	-	-
0.1643	1710	0.0005	-	-	-	-
0.1653	1720	0.0005	-	-	-	-
0.1662	1730	0.0005	-	-	-	-
0.1672	1740	0.0005	-	-	-	-
0.1682	1750	0.0005	-	-	-	-
0.1691	1760	0.0005	-	-	-	-
0.1701	1770	0.0005	-	-	-	-
0.1710	1780	0.0005	-	-	-	-
0.1720	1790	0.0005	-	-	-	-
0.1730	1800	0.0005	-	-	-	-
0.1739	1810	0.0005	-	-	-	-
0.1749	1820	0.0005	-	-	-	-
0.1758	1830	0.0005	-	-	-	-
0.1768	1840	0.0005	-	-	-	-
0.1778	1850	0.0005	-	-	-	-
0.1787	1860	0.0005	-	-	-	-
0.1797	1870	0.0005	-	-	-	-
0.1806	1880	0.0005	-	-	-	-
0.1816	1890	0.0005	-	-	-	-
0.1826	1900	0.0005	-	-	-	-
0.1835	1910	0.0005	-	-	-	-
0.1845	1920	0.0005	-	-	-	-
0.1855	1930	0.0005	-	-	-	-
0.1864	1940	0.0005	-	-	-	-
0.1874	1950	0.0005	-	-	-	-
0.1883	1960	0.0005	-	-	-	-
0.1893	1970	0.0005	-	-	-	-
0.1903	1980	0.0005	-	-	-	-
0.1912	1990	0.0005	-	-	-	-
0.1922	2000	0.0005	0.0005	0.1923	0.7319	-
0.1931	2010	0.0005	-	-	-	-
0.1941	2020	0.0005	-	-	-	-
0.1951	2030	0.0005	-	-	-	-
0.1960	2040	0.0005	-	-	-	-
0.1970	2050	0.0005	-	-	-	-
0.1979	2060	0.0005	-	-	-	-
0.1989	2070	0.0005	-	-	-	-
0.1999	2080	0.0005	-	-	-	-
0.2008	2090	0.0005	-	-	-	-
0.2018	2100	0.0005	-	-	-	-
0.2027	2110	0.0005	-	-	-	-
0.2037	2120	0.0005	-	-	-	-
0.2047	2130	0.0005	-	-	-	-
0.2056	2140	0.0005	-	-	-	-
0.2066	2150	0.0005	-	-	-	-
0.2076	2160	0.0005	-	-	-	-
0.2085	2170	0.0005	-	-	-	-
0.2095	2180	0.0005	-	-	-	-
0.2104	2190	0.0005	-	-	-	-
0.2114	2200	0.0005	-	-	-	-
0.2124	2210	0.0006	-	-	-	-
0.2133	2220	0.0005	-	-	-	-
0.2143	2230	0.0005	-	-	-	-
0.2152	2240	0.0005	-	-	-	-
0.2162	2250	0.0005	-	-	-	-
0.2172	2260	0.0005	-	-	-	-
0.2181	2270	0.0005	-	-	-	-
0.2191	2280	0.0005	-	-	-	-
0.2200	2290	0.0005	-	-	-	-
0.2210	2300	0.0005	-	-	-	-
0.2220	2310	0.0005	-	-	-	-
0.2229	2320	0.0005	-	-	-	-
0.2239	2330	0.0006	-	-	-	-
0.2248	2340	0.0005	-	-	-	-
0.2258	2350	0.0005	-	-	-	-
0.2268	2360	0.0005	-	-	-	-
0.2277	2370	0.0005	-	-	-	-
0.2287	2380	0.0006	-	-	-	-
0.2297	2390	0.0006	-	-	-	-
0.2306	2400	0.0005	-	-	-	-
0.2316	2410	0.0005	-	-	-	-
0.2325	2420	0.0005	-	-	-	-
0.2335	2430	0.0005	-	-	-	-
0.2345	2440	0.0005	-	-	-	-
0.2354	2450	0.0005	-	-	-	-
0.2364	2460	0.0005	-	-	-	-
0.2373	2470	0.0005	-	-	-	-
0.2383	2480	0.0006	-	-	-	-
0.2393	2490	0.0006	-	-	-	-
0.2402	2500	0.0006	-	-	-	-
0.2412	2510	0.0006	-	-	-	-
0.2421	2520	0.0005	-	-	-	-
0.2431	2530	0.0005	-	-	-	-
0.2441	2540	0.0005	-	-	-	-
0.2450	2550	0.0005	-	-	-	-
0.2460	2560	0.0005	-	-	-	-
0.2469	2570	0.0005	-	-	-	-
0.2479	2580	0.0005	-	-	-	-
0.2489	2590	0.0005	-	-	-	-
0.2498	2600	0.0005	-	-	-	-
0.2508	2610	0.0005	-	-	-	-
0.2518	2620	0.0005	-	-	-	-
0.2527	2630	0.0005	-	-	-	-
0.2537	2640	0.0005	-	-	-	-
0.2546	2650	0.0005	-	-	-	-
0.2556	2660	0.0005	-	-	-	-
0.2566	2670	0.0005	-	-	-	-
0.2575	2680	0.0005	-	-	-	-
0.2585	2690	0.0005	-	-	-	-
0.2594	2700	0.0005	-	-	-	-
0.2604	2710	0.0005	-	-	-	-
0.2614	2720	0.0005	-	-	-	-
0.2623	2730	0.0005	-	-	-	-
0.2633	2740	0.0005	-	-	-	-
0.2642	2750	0.0005	-	-	-	-
0.2652	2760	0.0005	-	-	-	-
0.2662	2770	0.0005	-	-	-	-
0.2671	2780	0.0005	-	-	-	-
0.2681	2790	0.0005	-	-	-	-
0.2690	2800	0.0005	-	-	-	-
0.2700	2810	0.0005	-	-	-	-
0.2710	2820	0.0005	-	-	-	-
0.2719	2830	0.0005	-	-	-	-
0.2729	2840	0.0005	-	-	-	-
0.2739	2850	0.0005	-	-	-	-
0.2748	2860	0.0005	-	-	-	-
0.2758	2870	0.0005	-	-	-	-
0.2767	2880	0.0005	-	-	-	-
0.2777	2890	0.0005	-	-	-	-
0.2787	2900	0.0005	-	-	-	-
0.2796	2910	0.0005	-	-	-	-
0.2806	2920	0.0005	-	-	-	-
0.2815	2930	0.0005	-	-	-	-
0.2825	2940	0.0005	-	-	-	-
0.2835	2950	0.0005	-	-	-	-
0.2844	2960	0.0005	-	-	-	-
0.2854	2970	0.0005	-	-	-	-
0.2863	2980	0.0005	-	-	-	-
0.2873	2990	0.0005	-	-	-	-
0.2883	3000	0.0005	0.0005	0.1970	0.7232	-
0.2892	3010	0.0005	-	-	-	-
0.2902	3020	0.0005	-	-	-	-
0.2912	3030	0.0005	-	-	-	-
0.2921	3040	0.0005	-	-	-	-
0.2931	3050	0.0005	-	-	-	-
0.2940	3060	0.0005	-	-	-	-
0.2950	3070	0.0005	-	-	-	-
0.2960	3080	0.0005	-	-	-	-
0.2969	3090	0.0006	-	-	-	-
0.2979	3100	0.0006	-	-	-	-
0.2988	3110	0.0007	-	-	-	-
0.2998	3120	0.0008	-	-	-	-
0.3008	3130	0.0006	-	-	-	-
0.3017	3140	0.0006	-	-	-	-
0.3027	3150	0.0006	-	-	-	-
0.3036	3160	0.0006	-	-	-	-
0.3046	3170	0.0006	-	-	-	-
0.3056	3180	0.0006	-	-	-	-
0.3065	3190	0.0005	-	-	-	-
0.3075	3200	0.0005	-	-	-	-
0.3084	3210	0.0005	-	-	-	-
0.3094	3220	0.0005	-	-	-	-
0.3104	3230	0.0005	-	-	-	-
0.3113	3240	0.0005	-	-	-	-
0.3123	3250	0.0005	-	-	-	-
0.3133	3260	0.0005	-	-	-	-
0.3142	3270	0.0005	-	-	-	-
0.3152	3280	0.0005	-	-	-	-
0.3161	3290	0.0005	-	-	-	-
0.3171	3300	0.0005	-	-	-	-
0.3181	3310	0.0006	-	-	-	-
0.3190	3320	0.0006	-	-	-	-
0.3200	3330	0.0006	-	-	-	-
0.3209	3340	0.0006	-	-	-	-
0.3219	3350	0.0005	-	-	-	-
0.3229	3360	0.0005	-	-	-	-
0.3238	3370	0.0005	-	-	-	-
0.3248	3380	0.0005	-	-	-	-
0.3257	3390	0.0005	-	-	-	-
0.3267	3400	0.0005	-	-	-	-
0.3277	3410	0.0005	-	-	-	-
0.3286	3420	0.0005	-	-	-	-
0.3296	3430	0.0005	-	-	-	-
0.3305	3440	0.0005	-	-	-	-
0.3315	3450	0.0005	-	-	-	-
0.3325	3460	0.0005	-	-	-	-
0.3334	3470	0.0005	-	-	-	-
0.3344	3480	0.0005	-	-	-	-
0.3354	3490	0.0005	-	-	-	-
0.3363	3500	0.0005	-	-	-	-
0.3373	3510	0.0005	-	-	-	-
0.3382	3520	0.0005	-	-	-	-
0.3392	3530	0.0005	-	-	-	-
0.3402	3540	0.0005	-	-	-	-
0.3411	3550	0.0005	-	-	-	-
0.3421	3560	0.0005	-	-	-	-
0.3430	3570	0.0005	-	-	-	-
0.3440	3580	0.0005	-	-	-	-
0.3450	3590	0.0005	-	-	-	-
0.3459	3600	0.0005	-	-	-	-
0.3469	3610	0.0005	-	-	-	-
0.3478	3620	0.0005	-	-	-	-
0.3488	3630	0.0005	-	-	-	-
0.3498	3640	0.0005	-	-	-	-
0.3507	3650	0.0005	-	-	-	-
0.3517	3660	0.0005	-	-	-	-
0.3526	3670	0.0005	-	-	-	-
0.3536	3680	0.0005	-	-	-	-
0.3546	3690	0.0005	-	-	-	-
0.3555	3700	0.0005	-	-	-	-
0.3565	3710	0.0005	-	-	-	-
0.3575	3720	0.0005	-	-	-	-
0.3584	3730	0.0005	-	-	-	-
0.3594	3740	0.0005	-	-	-	-
0.3603	3750	0.0005	-	-	-	-
0.3613	3760	0.0005	-	-	-	-
0.3623	3770	0.0005	-	-	-	-
0.3632	3780	0.0005	-	-	-	-
0.3642	3790	0.0005	-	-	-	-
0.3651	3800	0.0005	-	-	-	-
0.3661	3810	0.0005	-	-	-	-
0.3671	3820	0.0005	-	-	-	-
0.3680	3830	0.0005	-	-	-	-
0.3690	3840	0.0005	-	-	-	-
0.3699	3850	0.0005	-	-	-	-
0.3709	3860	0.0005	-	-	-	-
0.3719	3870	0.0005	-	-	-	-
0.3728	3880	0.0005	-	-	-	-
0.3738	3890	0.0005	-	-	-	-
0.3747	3900	0.0005	-	-	-	-
0.3757	3910	0.0005	-	-	-	-
0.3767	3920	0.0005	-	-	-	-
0.3776	3930	0.0005	-	-	-	-
0.3786	3940	0.0005	-	-	-	-
0.3796	3950	0.0005	-	-	-	-
0.3805	3960	0.0005	-	-	-	-
0.3815	3970	0.0005	-	-	-	-
0.3824	3980	0.0005	-	-	-	-
0.3834	3990	0.0005	-	-	-	-
0.3844	4000	0.0005	0.0005	0.1905	0.7171	-
0.3853	4010	0.0005	-	-	-	-
0.3863	4020	0.0005	-	-	-	-
0.3872	4030	0.0005	-	-	-	-
0.3882	4040	0.0005	-	-	-	-
0.3892	4050	0.0006	-	-	-	-
0.3901	4060	0.0006	-	-	-	-
0.3911	4070	0.0006	-	-	-	-
0.3920	4080	0.0006	-	-	-	-
0.3930	4090	0.0006	-	-	-	-
0.3940	4100	0.0005	-	-	-	-
0.3949	4110	0.0005	-	-	-	-
0.3959	4120	0.0005	-	-	-	-
0.3968	4130	0.0005	-	-	-	-
0.3978	4140	0.0005	-	-	-	-
0.3988	4150	0.0005	-	-	-	-
0.3997	4160	0.0005	-	-	-	-
0.4007	4170	0.0006	-	-	-	-
0.4017	4180	0.0006	-	-	-	-
0.4026	4190	0.0006	-	-	-	-
0.4036	4200	0.0006	-	-	-	-
0.4045	4210	0.0005	-	-	-	-
0.4055	4220	0.0005	-	-	-	-
0.4065	4230	0.0005	-	-	-	-
0.4074	4240	0.0005	-	-	-	-
0.4084	4250	0.0005	-	-	-	-
0.4093	4260	0.0006	-	-	-	-
0.4103	4270	0.0006	-	-	-	-
0.4113	4280	0.0006	-	-	-	-
0.4122	4290	0.0006	-	-	-	-
0.4132	4300	0.0005	-	-	-	-
0.4141	4310	0.0005	-	-	-	-
0.4151	4320	0.0005	-	-	-	-
0.4161	4330	0.0005	-	-	-	-
0.4170	4340	0.0005	-	-	-	-
0.4180	4350	0.0005	-	-	-	-
0.4189	4360	0.0005	-	-	-	-
0.4199	4370	0.0005	-	-	-	-
0.4209	4380	0.0005	-	-	-	-
0.4218	4390	0.0005	-	-	-	-
0.4228	4400	0.0005	-	-	-	-
0.4238	4410	0.0005	-	-	-	-
0.4247	4420	0.0005	-	-	-	-
0.4257	4430	0.0005	-	-	-	-
0.4266	4440	0.0005	-	-	-	-
0.4276	4450	0.0005	-	-	-	-
0.4286	4460	0.0005	-	-	-	-
0.4295	4470	0.0005	-	-	-	-
0.4305	4480	0.0005	-	-	-	-
0.4314	4490	0.0005	-	-	-	-
0.4324	4500	0.0005	-	-	-	-
0.4334	4510	0.0005	-	-	-	-
0.4343	4520	0.0005	-	-	-	-
0.4353	4530	0.0005	-	-	-	-
0.4362	4540	0.0005	-	-	-	-
0.4372	4550	0.0005	-	-	-	-
0.4382	4560	0.0005	-	-	-	-
0.4391	4570	0.0005	-	-	-	-
0.4401	4580	0.0005	-	-	-	-
0.4410	4590	0.0005	-	-	-	-
0.4420	4600	0.0005	-	-	-	-
0.4430	4610	0.0005	-	-	-	-
0.4439	4620	0.0005	-	-	-	-
0.4449	4630	0.0005	-	-	-	-
0.4459	4640	0.0005	-	-	-	-
0.4468	4650	0.0005	-	-	-	-
0.4478	4660	0.0005	-	-	-	-
0.4487	4670	0.0005	-	-	-	-
0.4497	4680	0.0005	-	-	-	-
0.4507	4690	0.0005	-	-	-	-
0.4516	4700	0.0005	-	-	-	-
0.4526	4710	0.0005	-	-	-	-
0.4535	4720	0.0005	-	-	-	-
0.4545	4730	0.0005	-	-	-	-
0.4555	4740	0.0005	-	-	-	-
0.4564	4750	0.0005	-	-	-	-
0.4574	4760	0.0005	-	-	-	-
0.4583	4770	0.0005	-	-	-	-
0.4593	4780	0.0005	-	-	-	-
0.4603	4790	0.0005	-	-	-	-
0.4612	4800	0.0005	-	-	-	-
0.4622	4810	0.0005	-	-	-	-
0.4631	4820	0.0005	-	-	-	-
0.4641	4830	0.0005	-	-	-	-
0.4651	4840	0.0005	-	-	-	-
0.4660	4850	0.0005	-	-	-	-
0.4670	4860	0.0005	-	-	-	-
0.4680	4870	0.0005	-	-	-	-
0.4689	4880	0.0005	-	-	-	-
0.4699	4890	0.0005	-	-	-	-
0.4708	4900	0.0005	-	-	-	-
0.4718	4910	0.0005	-	-	-	-
0.4728	4920	0.0005	-	-	-	-
0.4737	4930	0.0005	-	-	-	-
0.4747	4940	0.0005	-	-	-	-
0.4756	4950	0.0005	-	-	-	-
0.4766	4960	0.0005	-	-	-	-
0.4776	4970	0.0005	-	-	-	-
0.4785	4980	0.0005	-	-	-	-
0.4795	4990	0.0005	-	-	-	-
0.4804	5000	0.0005	0.0005	0.1699	0.7125	-
0.4814	5010	0.0005	-	-	-	-
0.4824	5020	0.0005	-	-	-	-
0.4833	5030	0.0005	-	-	-	-
0.4843	5040	0.0005	-	-	-	-
0.4853	5050	0.0005	-	-	-	-
0.4862	5060	0.0005	-	-	-	-
0.4872	5070	0.0005	-	-	-	-
0.4881	5080	0.0005	-	-	-	-
0.4891	5090	0.0005	-	-	-	-
0.4901	5100	0.0005	-	-	-	-
0.4910	5110	0.0005	-	-	-	-
0.4920	5120	0.0005	-	-	-	-
0.4929	5130	0.0005	-	-	-	-
0.4939	5140	0.0005	-	-	-	-
0.4949	5150	0.0005	-	-	-	-
0.4958	5160	0.0005	-	-	-	-
0.4968	5170	0.0005	-	-	-	-
0.4977	5180	0.0005	-	-	-	-
0.4987	5190	0.0005	-	-	-	-
0.4997	5200	0.0005	-	-	-	-
0.5006	5210	0.0005	-	-	-	-
0.5016	5220	0.0005	-	-	-	-
0.5025	5230	0.0005	-	-	-	-
0.5035	5240	0.0005	-	-	-	-
0.5045	5250	0.0005	-	-	-	-
0.5054	5260	0.0005	-	-	-	-
0.5064	5270	0.0005	-	-	-	-
0.5074	5280	0.0005	-	-	-	-
0.5083	5290	0.0005	-	-	-	-
0.5093	5300	0.0005	-	-	-	-
0.5102	5310	0.0005	-	-	-	-
0.5112	5320	0.0005	-	-	-	-
0.5122	5330	0.0005	-	-	-	-
0.5131	5340	0.0005	-	-	-	-
0.5141	5350	0.0005	-	-	-	-
0.5150	5360	0.0005	-	-	-	-
0.5160	5370	0.0005	-	-	-	-
0.5170	5380	0.0005	-	-	-	-
0.5179	5390	0.0005	-	-	-	-
0.5189	5400	0.0005	-	-	-	-
0.5198	5410	0.0005	-	-	-	-
0.5208	5420	0.0005	-	-	-	-
0.5218	5430	0.0005	-	-	-	-
0.5227	5440	0.0005	-	-	-	-
0.5237	5450	0.0005	-	-	-	-
0.5246	5460	0.0005	-	-	-	-
0.5256	5470	0.0005	-	-	-	-
0.5266	5480	0.0005	-	-	-	-
0.5275	5490	0.0005	-	-	-	-
0.5285	5500	0.0005	-	-	-	-
0.5295	5510	0.0005	-	-	-	-
0.5304	5520	0.0005	-	-	-	-
0.5314	5530	0.0005	-	-	-	-
0.5323	5540	0.0005	-	-	-	-
0.5333	5550	0.0005	-	-	-	-
0.5343	5560	0.0005	-	-	-	-
0.5352	5570	0.0005	-	-	-	-
0.5362	5580	0.0005	-	-	-	-
0.5371	5590	0.0005	-	-	-	-
0.5381	5600	0.0005	-	-	-	-
0.5391	5610	0.0005	-	-	-	-
0.5400	5620	0.0005	-	-	-	-
0.5410	5630	0.0005	-	-	-	-
0.5419	5640	0.0005	-	-	-	-
0.5429	5650	0.0005	-	-	-	-
0.5439	5660	0.0005	-	-	-	-
0.5448	5670	0.0005	-	-	-	-
0.5458	5680	0.0005	-	-	-	-
0.5467	5690	0.0005	-	-	-	-
0.5477	5700	0.0005	-	-	-	-
0.5487	5710	0.0005	-	-	-	-
0.5496	5720	0.0005	-	-	-	-
0.5506	5730	0.0005	-	-	-	-
0.5516	5740	0.0005	-	-	-	-
0.5525	5750	0.0005	-	-	-	-
0.5535	5760	0.0005	-	-	-	-
0.5544	5770	0.0005	-	-	-	-
0.5554	5780	0.0005	-	-	-	-
0.5564	5790	0.0005	-	-	-	-
0.5573	5800	0.0005	-	-	-	-
0.5583	5810	0.0005	-	-	-	-
0.5592	5820	0.0005	-	-	-	-
0.5602	5830	0.0005	-	-	-	-
0.5612	5840	0.0005	-	-	-	-
0.5621	5850	0.0005	-	-	-	-
0.5631	5860	0.0005	-	-	-	-
0.5640	5870	0.0005	-	-	-	-
0.5650	5880	0.0005	-	-	-	-
0.5660	5890	0.0005	-	-	-	-
0.5669	5900	0.0005	-	-	-	-
0.5679	5910	0.0005	-	-	-	-
0.5688	5920	0.0005	-	-	-	-
0.5698	5930	0.0005	-	-	-	-
0.5708	5940	0.0005	-	-	-	-
0.5717	5950	0.0005	-	-	-	-
0.5727	5960	0.0005	-	-	-	-
0.5737	5970	0.0005	-	-	-	-
0.5746	5980	0.0005	-	-	-	-
0.5756	5990	0.0005	-	-	-	-
0.5765	6000	0.0005	0.0005	0.1619	0.7043	-
0.5775	6010	0.0005	-	-	-	-
0.5785	6020	0.0005	-	-	-	-
0.5794	6030	0.0005	-	-	-	-
0.5804	6040	0.0005	-	-	-	-
0.5813	6050	0.0005	-	-	-	-
0.5823	6060	0.0005	-	-	-	-
0.5833	6070	0.0005	-	-	-	-
0.5842	6080	0.0005	-	-	-	-
0.5852	6090	0.0005	-	-	-	-
0.5861	6100	0.0005	-	-	-	-
0.5871	6110	0.0005	-	-	-	-
0.5881	6120	0.0005	-	-	-	-
0.5890	6130	0.0005	-	-	-	-
0.5900	6140	0.0005	-	-	-	-
0.5909	6150	0.0005	-	-	-	-
0.5919	6160	0.0005	-	-	-	-
0.5929	6170	0.0005	-	-	-	-
0.5938	6180	0.0005	-	-	-	-
0.5948	6190	0.0005	-	-	-	-
0.5958	6200	0.0005	-	-	-	-
0.5967	6210	0.0005	-	-	-	-
0.5977	6220	0.0005	-	-	-	-
0.5986	6230	0.0005	-	-	-	-
0.5996	6240	0.0005	-	-	-	-
0.6006	6250	0.0005	-	-	-	-
0.6015	6260	0.0005	-	-	-	-
0.6025	6270	0.0005	-	-	-	-
0.6034	6280	0.0005	-	-	-	-
0.6044	6290	0.0005	-	-	-	-
0.6054	6300	0.0005	-	-	-	-
0.6063	6310	0.0005	-	-	-	-
0.6073	6320	0.0005	-	-	-	-
0.6082	6330	0.0005	-	-	-	-
0.6092	6340	0.0005	-	-	-	-
0.6102	6350	0.0005	-	-	-	-
0.6111	6360	0.0005	-	-	-	-
0.6121	6370	0.0005	-	-	-	-
0.6130	6380	0.0005	-	-	-	-
0.6140	6390	0.0005	-	-	-	-
0.6150	6400	0.0005	-	-	-	-
0.6159	6410	0.0005	-	-	-	-
0.6169	6420	0.0005	-	-	-	-
0.6179	6430	0.0005	-	-	-	-
0.6188	6440	0.0005	-	-	-	-
0.6198	6450	0.0005	-	-	-	-
0.6207	6460	0.0005	-	-	-	-
0.6217	6470	0.0005	-	-	-	-
0.6227	6480	0.0005	-	-	-	-
0.6236	6490	0.0005	-	-	-	-
0.6246	6500	0.0005	-	-	-	-
0.6255	6510	0.0005	-	-	-	-
0.6265	6520	0.0005	-	-	-	-
0.6275	6530	0.0005	-	-	-	-
0.6284	6540	0.0005	-	-	-	-
0.6294	6550	0.0005	-	-	-	-
0.6303	6560	0.0005	-	-	-	-
0.6313	6570	0.0005	-	-	-	-
0.6323	6580	0.0005	-	-	-	-
0.6332	6590	0.0005	-	-	-	-
0.6342	6600	0.0005	-	-	-	-
0.6351	6610	0.0005	-	-	-	-
0.6361	6620	0.0005	-	-	-	-
0.6371	6630	0.0005	-	-	-	-
0.6380	6640	0.0005	-	-	-	-
0.6390	6650	0.0005	-	-	-	-
0.6400	6660	0.0005	-	-	-	-
0.6409	6670	0.0005	-	-	-	-
0.6419	6680	0.0005	-	-	-	-
0.6428	6690	0.0005	-	-	-	-
0.6438	6700	0.0005	-	-	-	-
0.6448	6710	0.0005	-	-	-	-
0.6457	6720	0.0005	-	-	-	-
0.6467	6730	0.0005	-	-	-	-
0.6476	6740	0.0005	-	-	-	-
0.6486	6750	0.0005	-	-	-	-
0.6496	6760	0.0005	-	-	-	-
0.6505	6770	0.0005	-	-	-	-
0.6515	6780	0.0005	-	-	-	-
0.6524	6790	0.0005	-	-	-	-
0.6534	6800	0.0005	-	-	-	-
0.6544	6810	0.0005	-	-	-	-
0.6553	6820	0.0005	-	-	-	-
0.6563	6830	0.0005	-	-	-	-
0.6572	6840	0.0005	-	-	-	-
0.6582	6850	0.0005	-	-	-	-
0.6592	6860	0.0005	-	-	-	-
0.6601	6870	0.0005	-	-	-	-
0.6611	6880	0.0005	-	-	-	-
0.6621	6890	0.0005	-	-	-	-
0.6630	6900	0.0005	-	-	-	-
0.6640	6910	0.0005	-	-	-	-
0.6649	6920	0.0005	-	-	-	-
0.6659	6930	0.0005	-	-	-	-
0.6669	6940	0.0005	-	-	-	-
0.6678	6950	0.0005	-	-	-	-
0.6688	6960	0.0005	-	-	-	-
0.6697	6970	0.0005	-	-	-	-
0.6707	6980	0.0005	-	-	-	-
0.6717	6990	0.0005	-	-	-	-
0.6726	7000	0.0005	0.0005	0.1697	0.7102	-
0.6736	7010	0.0005	-	-	-	-
0.6745	7020	0.0005	-	-	-	-
0.6755	7030	0.0005	-	-	-	-
0.6765	7040	0.0005	-	-	-	-
0.6774	7050	0.0005	-	-	-	-
0.6784	7060	0.0005	-	-	-	-
0.6794	7070	0.0005	-	-	-	-
0.6803	7080	0.0005	-	-	-	-
0.6813	7090	0.0005	-	-	-	-
0.6822	7100	0.0005	-	-	-	-
0.6832	7110	0.0005	-	-	-	-
0.6842	7120	0.0005	-	-	-	-
0.6851	7130	0.0005	-	-	-	-
0.6861	7140	0.0005	-	-	-	-
0.6870	7150	0.0005	-	-	-	-
0.6880	7160	0.0005	-	-	-	-
0.6890	7170	0.0005	-	-	-	-
0.6899	7180	0.0005	-	-	-	-
0.6909	7190	0.0005	-	-	-	-
0.6918	7200	0.0005	-	-	-	-
0.6928	7210	0.0005	-	-	-	-
0.6938	7220	0.0005	-	-	-	-
0.6947	7230	0.0005	-	-	-	-
0.6957	7240	0.0005	-	-	-	-
0.6966	7250	0.0005	-	-	-	-
0.6976	7260	0.0005	-	-	-	-
0.6986	7270	0.0005	-	-	-	-
0.6995	7280	0.0005	-	-	-	-
0.7005	7290	0.0005	-	-	-	-
0.7015	7300	0.0005	-	-	-	-
0.7024	7310	0.0005	-	-	-	-
0.7034	7320	0.0005	-	-	-	-
0.7043	7330	0.0005	-	-	-	-
0.7053	7340	0.0005	-	-	-	-
0.7063	7350	0.0005	-	-	-	-
0.7072	7360	0.0005	-	-	-	-
0.7082	7370	0.0005	-	-	-	-
0.7091	7380	0.0005	-	-	-	-
0.7101	7390	0.0005	-	-	-	-
0.7111	7400	0.0005	-	-	-	-
0.7120	7410	0.0005	-	-	-	-
0.7130	7420	0.0005	-	-	-	-
0.7139	7430	0.0005	-	-	-	-
0.7149	7440	0.0005	-	-	-	-
0.7159	7450	0.0005	-	-	-	-
0.7168	7460	0.0005	-	-	-	-
0.7178	7470	0.0005	-	-	-	-
0.7187	7480	0.0005	-	-	-	-
0.7197	7490	0.0005	-	-	-	-
0.7207	7500	0.0005	-	-	-	-
0.7216	7510	0.0005	-	-	-	-
0.7226	7520	0.0005	-	-	-	-
0.7236	7530	0.0005	-	-	-	-
0.7245	7540	0.0005	-	-	-	-
0.7255	7550	0.0005	-	-	-	-
0.7264	7560	0.0005	-	-	-	-
0.7274	7570	0.0005	-	-	-	-
0.7284	7580	0.0005	-	-	-	-
0.7293	7590	0.0005	-	-	-	-
0.7303	7600	0.0005	-	-	-	-
0.7312	7610	0.0005	-	-	-	-
0.7322	7620	0.0005	-	-	-	-
0.7332	7630	0.0005	-	-	-	-
0.7341	7640	0.0005	-	-	-	-
0.7351	7650	0.0005	-	-	-	-
0.7360	7660	0.0005	-	-	-	-
0.7370	7670	0.0005	-	-	-	-
0.7380	7680	0.0005	-	-	-	-
0.7389	7690	0.0005	-	-	-	-
0.7399	7700	0.0005	-	-	-	-
0.7408	7710	0.0005	-	-	-	-
0.7418	7720	0.0005	-	-	-	-
0.7428	7730	0.0005	-	-	-	-
0.7437	7740	0.0005	-	-	-	-
0.7447	7750	0.0005	-	-	-	-
0.7457	7760	0.0005	-	-	-	-
0.7466	7770	0.0005	-	-	-	-
0.7476	7780	0.0005	-	-	-	-
0.7485	7790	0.0005	-	-	-	-
0.7495	7800	0.0005	-	-	-	-
0.7505	7810	0.0005	-	-	-	-
0.7514	7820	0.0005	-	-	-	-
0.7524	7830	0.0005	-	-	-	-
0.7533	7840	0.0005	-	-	-	-
0.7543	7850	0.0005	-	-	-	-
0.7553	7860	0.0005	-	-	-	-
0.7562	7870	0.0005	-	-	-	-
0.7572	7880	0.0005	-	-	-	-
0.7581	7890	0.0005	-	-	-	-
0.7591	7900	0.0005	-	-	-	-
0.7601	7910	0.0005	-	-	-	-
0.7610	7920	0.0005	-	-	-	-
0.7620	7930	0.0005	-	-	-	-
0.7629	7940	0.0005	-	-	-	-
0.7639	7950	0.0005	-	-	-	-
0.7649	7960	0.0005	-	-	-	-
0.7658	7970	0.0005	-	-	-	-
0.7668	7980	0.0005	-	-	-	-
0.7678	7990	0.0005	-	-	-	-
0.7687	8000	0.0005	0.0004	0.1568	0.7088	-
0.7697	8010	0.0005	-	-	-	-
0.7706	8020	0.0005	-	-	-	-
0.7716	8030	0.0005	-	-	-	-
0.7726	8040	0.0005	-	-	-	-
0.7735	8050	0.0005	-	-	-	-
0.7745	8060	0.0005	-	-	-	-
0.7754	8070	0.0005	-	-	-	-
0.7764	8080	0.0005	-	-	-	-
0.7774	8090	0.0005	-	-	-	-
0.7783	8100	0.0005	-	-	-	-
0.7793	8110	0.0005	-	-	-	-
0.7802	8120	0.0005	-	-	-	-
0.7812	8130	0.0005	-	-	-	-
0.7822	8140	0.0005	-	-	-	-
0.7831	8150	0.0005	-	-	-	-
0.7841	8160	0.0005	-	-	-	-
0.7850	8170	0.0005	-	-	-	-
0.7860	8180	0.0005	-	-	-	-
0.7870	8190	0.0005	-	-	-	-
0.7879	8200	0.0005	-	-	-	-
0.7889	8210	0.0005	-	-	-	-
0.7899	8220	0.0005	-	-	-	-
0.7908	8230	0.0005	-	-	-	-
0.7918	8240	0.0005	-	-	-	-
0.7927	8250	0.0005	-	-	-	-
0.7937	8260	0.0005	-	-	-	-
0.7947	8270	0.0005	-	-	-	-
0.7956	8280	0.0005	-	-	-	-
0.7966	8290	0.0005	-	-	-	-
0.7975	8300	0.0005	-	-	-	-
0.7985	8310	0.0005	-	-	-	-
0.7995	8320	0.0005	-	-	-	-
0.8004	8330	0.0005	-	-	-	-
0.8014	8340	0.0005	-	-	-	-
0.8023	8350	0.0005	-	-	-	-
0.8033	8360	0.0005	-	-	-	-
0.8043	8370	0.0005	-	-	-	-
0.8052	8380	0.0005	-	-	-	-
0.8062	8390	0.0005	-	-	-	-
0.8071	8400	0.0005	-	-	-	-
0.8081	8410	0.0005	-	-	-	-
0.8091	8420	0.0005	-	-	-	-
0.8100	8430	0.0005	-	-	-	-
0.8110	8440	0.0005	-	-	-	-
0.8120	8450	0.0005	-	-	-	-
0.8129	8460	0.0005	-	-	-	-
0.8139	8470	0.0005	-	-	-	-
0.8148	8480	0.0005	-	-	-	-
0.8158	8490	0.0005	-	-	-	-
0.8168	8500	0.0005	-	-	-	-
0.8177	8510	0.0005	-	-	-	-
0.8187	8520	0.0005	-	-	-	-
0.8196	8530	0.0005	-	-	-	-
0.8206	8540	0.0005	-	-	-	-
0.8216	8550	0.0005	-	-	-	-
0.8225	8560	0.0005	-	-	-	-
0.8235	8570	0.0005	-	-	-	-
0.8244	8580	0.0005	-	-	-	-
0.8254	8590	0.0005	-	-	-	-
0.8264	8600	0.0005	-	-	-	-
0.8273	8610	0.0005	-	-	-	-
0.8283	8620	0.0005	-	-	-	-
0.8292	8630	0.0005	-	-	-	-
0.8302	8640	0.0005	-	-	-	-
0.8312	8650	0.0005	-	-	-	-
0.8321	8660	0.0005	-	-	-	-
0.8331	8670	0.0005	-	-	-	-
0.8341	8680	0.0005	-	-	-	-
0.8350	8690	0.0005	-	-	-	-
0.8360	8700	0.0005	-	-	-	-
0.8369	8710	0.0005	-	-	-	-
0.8379	8720	0.0005	-	-	-	-
0.8389	8730	0.0005	-	-	-	-
0.8398	8740	0.0005	-	-	-	-
0.8408	8750	0.0005	-	-	-	-
0.8417	8760	0.0005	-	-	-	-
0.8427	8770	0.0005	-	-	-	-
0.8437	8780	0.0005	-	-	-	-
0.8446	8790	0.0005	-	-	-	-
0.8456	8800	0.0005	-	-	-	-
0.8465	8810	0.0005	-	-	-	-
0.8475	8820	0.0005	-	-	-	-
0.8485	8830	0.0005	-	-	-	-
0.8494	8840	0.0005	-	-	-	-
0.8504	8850	0.0005	-	-	-	-
0.8514	8860	0.0005	-	-	-	-
0.8523	8870	0.0005	-	-	-	-
0.8533	8880	0.0005	-	-	-	-
0.8542	8890	0.0005	-	-	-	-
0.8552	8900	0.0005	-	-	-	-
0.8562	8910	0.0005	-	-	-	-
0.8571	8920	0.0005	-	-	-	-
0.8581	8930	0.0005	-	-	-	-
0.8590	8940	0.0005	-	-	-	-
0.8600	8950	0.0005	-	-	-	-
0.8610	8960	0.0005	-	-	-	-
0.8619	8970	0.0005	-	-	-	-
0.8629	8980	0.0005	-	-	-	-
0.8638	8990	0.0005	-	-	-	-
0.8648	9000	0.0005	0.0004	0.1817	0.7175	-
0.8658	9010	0.0005	-	-	-	-
0.8667	9020	0.0005	-	-	-	-
0.8677	9030	0.0005	-	-	-	-
0.8686	9040	0.0005	-	-	-	-
0.8696	9050	0.0005	-	-	-	-
0.8706	9060	0.0005	-	-	-	-
0.8715	9070	0.0005	-	-	-	-
0.8725	9080	0.0005	-	-	-	-
0.8735	9090	0.0005	-	-	-	-
0.8744	9100	0.0005	-	-	-	-
0.8754	9110	0.0005	-	-	-	-
0.8763	9120	0.0005	-	-	-	-
0.8773	9130	0.0005	-	-	-	-
0.8783	9140	0.0005	-	-	-	-
0.8792	9150	0.0005	-	-	-	-
0.8802	9160	0.0005	-	-	-	-
0.8811	9170	0.0005	-	-	-	-
0.8821	9180	0.0005	-	-	-	-
0.8831	9190	0.0005	-	-	-	-
0.8840	9200	0.0005	-	-	-	-
0.8850	9210	0.0005	-	-	-	-
0.8859	9220	0.0005	-	-	-	-
0.8869	9230	0.0005	-	-	-	-
0.8879	9240	0.0005	-	-	-	-
0.8888	9250	0.0005	-	-	-	-
0.8898	9260	0.0005	-	-	-	-
0.8907	9270	0.0005	-	-	-	-
0.8917	9280	0.0004	-	-	-	-
0.8927	9290	0.0005	-	-	-	-
0.8936	9300	0.0005	-	-	-	-
0.8946	9310	0.0005	-	-	-	-
0.8956	9320	0.0005	-	-	-	-
0.8965	9330	0.0005	-	-	-	-
0.8975	9340	0.0005	-	-	-	-
0.8984	9350	0.0005	-	-	-	-
0.8994	9360	0.0005	-	-	-	-
0.9004	9370	0.0005	-	-	-	-
0.9013	9380	0.0005	-	-	-	-
0.9023	9390	0.0005	-	-	-	-
0.9032	9400	0.0005	-	-	-	-
0.9042	9410	0.0005	-	-	-	-
0.9052	9420	0.0005	-	-	-	-
0.9061	9430	0.0005	-	-	-	-
0.9071	9440	0.0005	-	-	-	-
0.9080	9450	0.0005	-	-	-	-
0.9090	9460	0.0005	-	-	-	-
0.9100	9470	0.0005	-	-	-	-
0.9109	9480	0.0005	-	-	-	-
0.9119	9490	0.0005	-	-	-	-
0.9128	9500	0.0005	-	-	-	-
0.9138	9510	0.0005	-	-	-	-
0.9148	9520	0.0005	-	-	-	-
0.9157	9530	0.0005	-	-	-	-
0.9167	9540	0.0005	-	-	-	-
0.9177	9550	0.0005	-	-	-	-
0.9186	9560	0.0005	-	-	-	-
0.9196	9570	0.0005	-	-	-	-
0.9205	9580	0.0005	-	-	-	-
0.9215	9590	0.0005	-	-	-	-
0.9225	9600	0.0005	-	-	-	-
0.9234	9610	0.0005	-	-	-	-
0.9244	9620	0.0005	-	-	-	-
0.9253	9630	0.0005	-	-	-	-
0.9263	9640	0.0005	-	-	-	-
0.9273	9650	0.0005	-	-	-	-
0.9282	9660	0.0005	-	-	-	-
0.9292	9670	0.0005	-	-	-	-
0.9301	9680	0.0005	-	-	-	-
0.9311	9690	0.0005	-	-	-	-
0.9321	9700	0.0005	-	-	-	-
0.9330	9710	0.0005	-	-	-	-
0.9340	9720	0.0005	-	-	-	-
0.9349	9730	0.0005	-	-	-	-
0.9359	9740	0.0005	-	-	-	-
0.9369	9750	0.0005	-	-	-	-
0.9378	9760	0.0005	-	-	-	-
0.9388	9770	0.0005	-	-	-	-
0.9398	9780	0.0005	-	-	-	-
0.9407	9790	0.0005	-	-	-	-
0.9417	9800	0.0005	-	-	-	-
0.9426	9810	0.0005	-	-	-	-
0.9436	9820	0.0005	-	-	-	-
0.9446	9830	0.0005	-	-	-	-
0.9455	9840	0.0005	-	-	-	-
0.9465	9850	0.0005	-	-	-	-
0.9474	9860	0.0005	-	-	-	-
0.9484	9870	0.0005	-	-	-	-
0.9494	9880	0.0005	-	-	-	-
0.9503	9890	0.0005	-	-	-	-
0.9513	9900	0.0005	-	-	-	-
0.9522	9910	0.0005	-	-	-	-
0.9532	9920	0.0005	-	-	-	-
0.9542	9930	0.0005	-	-	-	-
0.9551	9940	0.0005	-	-	-	-
0.9561	9950	0.0005	-	-	-	-
0.9570	9960	0.0005	-	-	-	-
0.9580	9970	0.0005	-	-	-	-
0.9590	9980	0.0005	-	-	-	-
0.9599	9990	0.0005	-	-	-	-
0.9609	10000	0.0005	0.0004	0.1764	0.7179	-
0.9619	10010	0.0005	-	-	-	-
0.9628	10020	0.0005	-	-	-	-
0.9638	10030	0.0005	-	-	-	-
0.9647	10040	0.0005	-	-	-	-
0.9657	10050	0.0005	-	-	-	-
0.9667	10060	0.0005	-	-	-	-
0.9676	10070	0.0005	-	-	-	-
0.9686	10080	0.0005	-	-	-	-
0.9695	10090	0.0005	-	-	-	-
0.9705	10100	0.0005	-	-	-	-
0.9715	10110	0.0005	-	-	-	-
0.9724	10120	0.0005	-	-	-	-
0.9734	10130	0.0004	-	-	-	-
0.9743	10140	0.0005	-	-	-	-
0.9753	10150	0.0005	-	-	-	-
0.9763	10160	0.0005	-	-	-	-
0.9772	10170	0.0005	-	-	-	-
0.9782	10180	0.0005	-	-	-	-
0.9791	10190	0.0005	-	-	-	-
0.9801	10200	0.0005	-	-	-	-
0.9811	10210	0.0005	-	-	-	-
0.9820	10220	0.0005	-	-	-	-
0.9830	10230	0.0005	-	-	-	-
0.9840	10240	0.0005	-	-	-	-
0.9849	10250	0.0005	-	-	-	-
0.9859	10260	0.0005	-	-	-	-
0.9868	10270	0.0005	-	-	-	-
0.9878	10280	0.0005	-	-	-	-
0.9888	10290	0.0005	-	-	-	-
0.9897	10300	0.0005	-	-	-	-
0.9907	10310	0.0005	-	-	-	-
0.9916	10320	0.0005	-	-	-	-
0.9926	10330	0.0005	-	-	-	-
0.9936	10340	0.0005	-	-	-	-
0.9945	10350	0.0005	-	-	-	-
0.9955	10360	0.0005	-	-	-	-
0.9964	10370	0.0005	-	-	-	-
0.9974	10380	0.0005	-	-	-	-
0.9984	10390	0.0005	-	-	-	-
0.9993	10400	0.0005	-	-	-	-
1.0	10407	-	-	0.1761	-	0.6186

Framework Versions

Python: 3.10.13
Sentence Transformers: 3.0.1
Transformers: 4.42.3
PyTorch: 2.1.2
Accelerate: 0.31.0
Datasets: 2.19.2
Tokenizers: 0.19.1

Citation

BibTeX

Sentence Transformers

@inproceedings{reimers-2019-sentence-bert,
    title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks",
    author = "Reimers, Nils and Gurevych, Iryna",
    booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing",
    month = "11",
    year = "2019",
    publisher = "Association for Computational Linguistics",
    url = "https://arxiv.org/abs/1908.10084",
}

MSELoss

@inproceedings{reimers-2020-multilingual-sentence-bert,
    title = "Making Monolingual Sentence Embeddings Multilingual using Knowledge Distillation",
    author = "Reimers, Nils and Gurevych, Iryna",
    booktitle = "Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing",
    month = "11",
    year = "2020",
    publisher = "Association for Computational Linguistics",
    url = "https://arxiv.org/abs/2004.09813",
}