README.md

metadata

language:
  - en
  - multilingual
  - ar
  - bg
  - ca
  - cs
  - da
  - de
  - el
  - es
  - et
  - fa
  - fi
  - fr
  - gl
  - gu
  - he
  - hi
  - hr
  - hu
  - hy
  - id
  - it
  - ja
  - ka
  - ko
  - ku
  - lt
  - lv
  - mk
  - mn
  - mr
  - ms
  - my
  - nb
  - nl
  - pl
  - pt
  - ro
  - ru
  - sk
  - sl
  - sq
  - sr
  - sv
  - th
  - tr
  - uk
  - ur
  - vi
  - zh
tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - generated_from_trainer
  - dataset_size:7030944
  - loss:MSELoss
base_model: sentence-transformers/all-MiniLM-L6-v2
widget:
  - source_sentence: We got off the exit, we found a Shoney's restaurant.
    sentences:
      - >-
        Nos alejamos de la salida, comenzamos a buscar un -- encontramos un
        restaurante Shoney's.
      - >-
        Podemos incorporar un elemento tal de inteligencia de adaptación al
        modelo suponiendo que el cerebro de la mosca contiene no sólo un Actor,
        sino un grupo diferente de células, una Crítica, que ofrece comentarios
        continuos sobre la elección del Actor.
      - >-
        Segundo, un esfuerzo diplomático internacional obstaculizado desde el
        principio por el apoyo occidental a la independencia de Kosovo.
  - source_sentence: And the USFDA has a jurisdictional problem.
    sentences:
      - E a FDA dos Estados Unidos tem um problema de jurisdição.
      - >-
        Eu estimei que, atualmente no mundo, gastamos cerca de 106 vidas em
        média ensinando as pessoas a calcular manualmente.
      - Posso comprar aquele produto sem comprometer minha ética?
  - source_sentence: >-
      In Sri Lanka, a decades-long civil war between the Tamil minority and the
      Sinhala majority led to a bloody climax in 2009, after perhaps as many as
      100,000 people had been killed since 1983.
    sentences:
      - >-
        Portanto, temos de investir no desenvolvimento de líderes, líderes que
        tenham as habilidades, visão e determinação para fazer a paz.
      - >-
        No Sri Lanka, uma guerra civil de décadas entre a minoria tâmil e a
        maioria cingalesa levou a um clímax sangrento em 2009, após cerca de 100
        mil pessoas serem assassinadas desde 1983.
      - >-
        Nos anos 90, houve uma série de escândalos relativos à produção de bens
        de marca nos EUA -- trabalho infantil, trabalho forçado, graves abusos
        de saúde e segurança --
  - source_sentence: >-
      The provisions in the agreement may be complex, but so is the underlying
      conflict.
    sentences:
      - >-
        As saladas que você vê no McDonald's vêm desse trabalho -- eles terão
        uma salada asiática. Na Pepsi, dois terços do crescimento de rendimento
        vieram de seus alimentos saudáveis.
      - >-
        Não apenas esta, mas conectados com as idéias que estão aqui, para
        fazê-las mais coerentes.
      - >-
        O disposto no acordo pode ser complexo, mas assim é o conflito
        subjacente.
  - source_sentence: >-
      So what's the problem, why has this chasm opened up, and what can we do to
      fix it?
    sentences:
      - >-
        (Risos) Ela anotou o nosso pedido e foi atender um casal numa mesa
        próxima. Baixou tanto a voz que tive de fazer um grande esforço para
        perceber o que ela disse:
      - >-
        Então qual é o problema? Por que se abriu este abismo, e o que podemos
        fazer para o resolver?
      - O que o design e a construção oferecem ao ensino público
datasets:
  - sentence-transformers/parallel-sentences-talks
pipeline_tag: sentence-similarity
library_name: sentence-transformers
metrics:
  - negative_mse
  - src2trg_accuracy
  - trg2src_accuracy
  - mean_accuracy
  - pearson_cosine
  - spearman_cosine
model-index:
  - name: SentenceTransformer based on sentence-transformers/all-MiniLM-L6-v2
    results:
      - task:
          type: knowledge-distillation
          name: Knowledge Distillation
        dataset:
          name: en pt br
          type: en-pt-br
        metrics:
          - type: negative_mse
            value: -0.09910417720675468
            name: Negative Mse
      - task:
          type: translation
          name: Translation
        dataset:
          name: en pt br
          type: en-pt-br
        metrics:
          - type: src2trg_accuracy
            value: 0.9858870967741935
            name: Src2Trg Accuracy
          - type: trg2src_accuracy
            value: 0.9798387096774194
            name: Trg2Src Accuracy
          - type: mean_accuracy
            value: 0.9828629032258065
            name: Mean Accuracy
      - task:
          type: knowledge-distillation
          name: Knowledge Distillation
        dataset:
          name: en es
          type: en-es
        metrics:
          - type: negative_mse
            value: -0.11002387618646026
            name: Negative Mse
      - task:
          type: translation
          name: Translation
        dataset:
          name: en es
          type: en-es
        metrics:
          - type: src2trg_accuracy
            value: 0.9114114114114115
            name: Src2Trg Accuracy
          - type: trg2src_accuracy
            value: 0.9046046046046046
            name: Trg2Src Accuracy
          - type: mean_accuracy
            value: 0.908008008008008
            name: Mean Accuracy
      - task:
          type: semantic-similarity
          name: Semantic Similarity
        dataset:
          name: sts17 es en test
          type: sts17-es-en-test
        metrics:
          - type: pearson_cosine
            value: 0.7503648543305256
            name: Pearson Cosine
          - type: spearman_cosine
            value: 0.7603319152155739
            name: Spearman Cosine
      - task:
          type: knowledge-distillation
          name: Knowledge Distillation
        dataset:
          name: en pt
          type: en-pt
        metrics:
          - type: negative_mse
            value: -0.11425713310018182
            name: Negative Mse
      - task:
          type: translation
          name: Translation
        dataset:
          name: en pt
          type: en-pt
        metrics:
          - type: src2trg_accuracy
            value: 0.8921136909527622
            name: Src2Trg Accuracy
          - type: trg2src_accuracy
            value: 0.8818054443554844
            name: Trg2Src Accuracy
          - type: mean_accuracy
            value: 0.8869595676541233
            name: Mean Accuracy

SentenceTransformer based on sentence-transformers/all-MiniLM-L6-v2

This is a sentence-transformers model finetuned from sentence-transformers/all-MiniLM-L6-v2 on the en-pt-br, en-es and en-pt datasets. It maps sentences & paragraphs to a 384-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: sentence-transformers/all-MiniLM-L6-v2
• Maximum Sequence Length: 256 tokens
• Output Dimensionality: 384 dimensions
• Similarity Function: Cosine Similarity
• Training Datasets:
  • en-pt-br
  • en-es
  • en-pt
• Languages: en, multilingual, ar, bg, ca, cs, da, de, el, es, et, fa, fi, fr, gl, gu, he, hi, hr, hu, hy, id, it, ja, ka, ko, ku, lt, lv, mk, mn, mr, ms, my, nb, nl, pl, pt, ro, ru, sk, sl, sq, sr, sv, th, tr, uk, ur, vi, zh

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': 256, 'do_lower_case': False}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 384, '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})
  (2): Normalize()
)

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("jvanhoof/all-MiniLM-L6-multilingual-v2-en-es-pt-pt-br")
# Run inference
sentences = [
    "So what's the problem, why has this chasm opened up, and what can we do to fix it?",
    'Então qual é o problema? Por que se abriu este abismo, e o que podemos fazer para o resolver?',
    'O que o design e a construção oferecem ao ensino público',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 384]

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

Evaluation

Metrics

Knowledge Distillation

• Datasets: en-pt-br, en-es and en-pt
• Evaluated with MSEEvaluator

Metric	en-pt-br	en-es	en-pt
negative_mse	-0.0991	-0.11	-0.1143

Translation

• Datasets: en-pt-br, en-es and en-pt
• Evaluated with TranslationEvaluator

Metric	en-pt-br	en-es	en-pt
src2trg_accuracy	0.9859	0.9114	0.8921
trg2src_accuracy	0.9798	0.9046	0.8818
mean_accuracy	0.9829	0.908	0.887

Semantic Similarity

• Dataset: sts17-es-en-test
• Evaluated with EmbeddingSimilarityEvaluator

Metric	Value
pearson_cosine	0.7504
spearman_cosine	0.7603

Training Details

Training Datasets

en-pt-br

• Dataset: en-pt-br at 0c70bc6
• Size: 405,807 training samples
• Columns: english, non_english, and label
• Approximate statistics based on the first 1000 samples:

  	english	non_english	label
  type	string	string	list
  details	min: 4 tokens mean: 24.11 tokens max: 256 tokens	min: 6 tokens mean: 37.01 tokens max: 256 tokens	size: 384 elements

• Samples:

  english	non_english	label
  And then there are certain conceptual things that can also benefit from hand calculating, but I think they're relatively small in number.	E também existem alguns aspectos conceituais que também podem se beneficiar do cálculo manual, mas eu acho que eles são relativamente poucos.	[-0.0019007200608029962, 0.0689753070473671, -0.00522591220214963, 0.020715437829494476, -0.07340357452630997, ...]
  One thing I often ask about is ancient Greek and how this relates.	Uma coisa sobre a qual eu pergunto com frequencia é grego antigo e como ele se relaciona a isto.	[0.06295035779476166, 0.07436762005090714, 0.012160283513367176, 0.016489440575242043, -0.04803427681326866, ...]
  See, the thing we're doing right now is we're forcing people to learn mathematics.	Vejam, o que estamos fazendo agora, é que estamos forçando as pessoas a aprender matemática.	[0.020892487838864326, 0.04348783195018768, 0.04366326704621315, 0.006932021584361792, -0.014990451745688915, ...]

• Loss: MSELoss

en-es

• Dataset: en-es
• Size: 3,439,042 training samples
• Columns: english, non_english, and label
• Approximate statistics based on the first 1000 samples:

  	english	non_english	label
  type	string	string	list
  details	min: 4 tokens mean: 24.16 tokens max: 256 tokens	min: 5 tokens mean: 35.26 tokens max: 256 tokens	size: 384 elements

• Samples:

  english	non_english	label
  And then there are certain conceptual things that can also benefit from hand calculating, but I think they're relatively small in number.	Y luego hay ciertas aspectos conceptuales que pueden beneficiarse del cálculo a mano pero creo que son relativamente pocos.	[-0.0019007298396900296, 0.06897532939910889, -0.005225935019552708, 0.020715486258268356, -0.07340355962514877, ...]
  One thing I often ask about is ancient Greek and how this relates.	Algo que pregunto a menudo es sobre el griego antiguo y cómo se relaciona.	[0.06295035779476166, 0.07436762005090714, 0.012160283513367176, 0.016489440575242043, -0.04803427681326866, ...]
  See, the thing we're doing right now is we're forcing people to learn mathematics.	Vean, lo que estamos haciendo ahora es forzar a la gente a aprender matemáticas.	[0.020892487838864326, 0.04348784685134888, 0.043663300573825836, 0.0069320122711360455, -0.014990522526204586, ...]

• Loss: MSELoss

en-pt

• Dataset: en-pt
• Size: 3,186,095 training samples
• Columns: english, non_english, and label
• Approximate statistics based on the first 1000 samples:

  	english	non_english	label
  type	string	string	list
  details	min: 4 tokens mean: 23.63 tokens max: 256 tokens	min: 5 tokens mean: 35.37 tokens max: 256 tokens	size: 384 elements

• Samples:

  english	non_english	label
  And the country that does this first will, in my view, leapfrog others in achieving a new economy even, an improved economy, an improved outlook.	E o país que fizer isto primeiro vai, na minha opinião, ultrapassar outros em alcançar uma nova economia até uma economia melhorada, uma visão melhorada.	[-0.048315733671188354, 0.006750611122697592, 0.04261479899287224, -0.0639658197760582, 0.036691851913928986, ...]
  In fact, I even talk about us moving from what we often call now the "knowledge economy" to what we might call a "computational knowledge economy," where high-level math is integral to what everyone does in the way that knowledge currently is.	De facto, eu até falo de mudarmos do que chamamos hoje a economia do conhecimento para o que poderemos chamar a economia do conhecimento computacional, onde a matemática de alto nível está integrada no que toda a gente faz da forma que o conhecimento actualmente está.	[0.07536645978689194, 0.016234878450632095, 0.018208693712949753, 0.012537049129605293, -0.016377247869968414, ...]
  We can engage so many more students with this, and they can have a better time doing it.	Podemos cativar tantos mais estudantes com isto, e eles podem divertir-se mais a fazê-lo.	[0.046284060925245285, 0.034320130944252014, 0.05807732418179512, -0.059097982943058014, 0.01139863021671772, ...]

• Loss: MSELoss

Evaluation Datasets

en-pt-br

• Dataset: en-pt-br at 0c70bc6
• Size: 992 evaluation samples
• Columns: english, non_english, and label
• Approximate statistics based on the first 992 samples:

  	english	non_english	label
  type	string	string	list
  details	min: 4 tokens mean: 24.47 tokens max: 191 tokens	min: 5 tokens mean: 39.01 tokens max: 256 tokens	size: 384 elements

• Samples:

  english	non_english	label
  Thank you so much, Chris.	Muito obrigado, Chris.	[0.026920655742287636, 0.053147971630096436, 0.14048898220062256, -0.10380183160305023, -0.041187822818756104, ...]
  And it's truly a great honor to have the opportunity to come to this stage twice; I'm extremely grateful.	É realmente uma grande honra ter a oportunidade de estar neste palco pela segunda vez. Estou muito agradecido.	[0.024387279525399208, 0.0950012058019638, 0.12180330604314804, -0.07149265706539154, -0.018444526940584183, ...]
  I have been blown away by this conference, and I want to thank all of you for the many nice comments about what I had to say the other night.	Eu fui muito aplaudido por esta conferência e quero agradecer a todos pelos muitos comentários delicados sobre o que eu tinha a dizer naquela noite.	[0.015005475841462612, 0.014678296633064747, 0.1311199963092804, 0.03133270516991615, 0.06942538917064667, ...]

• Loss: MSELoss

en-es

• Dataset: en-es
• Size: 9,990 evaluation samples
• Columns: english, non_english, and label
• Approximate statistics based on the first 1000 samples:

  	english	non_english	label
  type	string	string	list
  details	min: 4 tokens mean: 24.52 tokens max: 191 tokens	min: 4 tokens mean: 36.77 tokens max: 252 tokens	size: 384 elements

• Samples:

  english	non_english	label
  Thank you so much, Chris.	Muchas gracias Chris.	[0.026920655742287636, 0.053147971630096436, 0.14048898220062256, -0.10380183160305023, -0.041187822818756104, ...]
  And it's truly a great honor to have the opportunity to come to this stage twice; I'm extremely grateful.	Y es en verdad un gran honor tener la oportunidad de venir a este escenario por segunda vez. Estoy extremadamente agradecido.	[0.024387288838624954, 0.09500124305486679, 0.12180333584547043, -0.07149265706539154, -0.018444539979100227, ...]
  I have been blown away by this conference, and I want to thank all of you for the many nice comments about what I had to say the other night.	He quedado conmovido por esta conferencia, y deseo agradecer a todos ustedes sus amables comentarios acerca de lo que tenía que decir la otra noche.	[0.015005475841462612, 0.014678296633064747, 0.1311199963092804, 0.03133270516991615, 0.06942538917064667, ...]

• Loss: MSELoss

en-pt

• Dataset: en-pt
• Size: 9,992 evaluation samples
• Columns: english, non_english, and label
• Approximate statistics based on the first 1000 samples:

  	english	non_english	label
  type	string	string	list
  details	min: 4 tokens mean: 24.01 tokens max: 191 tokens	min: 5 tokens mean: 37.14 tokens max: 256 tokens	size: 384 elements

• Samples:

  english	non_english	label
  Thank you so much, Chris.	Muito obrigado, Chris.	[0.02692059800028801, 0.053147926926612854, 0.14048898220062256, -0.10380185395479202, -0.041187841445207596, ...]
  And it's truly a great honor to have the opportunity to come to this stage twice; I'm extremely grateful.	É realmente uma grande honra ter a oportunidade de pisar este palco pela segunda vez. Estou muito agradecido.	[0.024387234821915627, 0.09500119835138321, 0.12180334329605103, -0.07149267196655273, -0.018444577232003212, ...]
  I have been blown away by this conference, and I want to thank all of you for the many nice comments about what I had to say the other night.	Fiquei muito impressionado com esta conferência e quero agradecer a todos os imensos comentários simpáticos sobre o que eu tinha a dizer naquela noite.	[0.015005475841462612, 0.014678296633064747, 0.1311199963092804, 0.03133270516991615, 0.06942538917064667, ...]

• Loss: MSELoss

Training Hyperparameters

Non-Default Hyperparameters

• eval_strategy: steps
• per_device_train_batch_size: 64
• per_device_eval_batch_size: 64
• gradient_accumulation_steps: 16
• num_train_epochs: 6
• warmup_ratio: 0.15
• bf16: 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: 64
• per_device_eval_batch_size: 64
• per_gpu_train_batch_size: None
• per_gpu_eval_batch_size: None
• gradient_accumulation_steps: 16
• eval_accumulation_steps: None
• torch_empty_cache_steps: None
• learning_rate: 5e-05
• weight_decay: 0.0
• adam_beta1: 0.9
• adam_beta2: 0.999
• adam_epsilon: 1e-08
• max_grad_norm: 1.0
• num_train_epochs: 6
• max_steps: -1
• lr_scheduler_type: linear
• lr_scheduler_kwargs: {}
• warmup_ratio: 0.15
• 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: True
• fp16: False
• 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: False
• resume_from_checkpoint: None
• hub_model_id: None
• hub_strategy: every_save
• hub_private_repo: False
• hub_always_push: False
• gradient_checkpointing: False
• gradient_checkpointing_kwargs: None
• include_inputs_for_metrics: False
• include_for_metrics: []
• 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
• use_liger_kernel: False
• eval_use_gather_object: False
• average_tokens_across_devices: False
• prompts: None
• batch_sampler: batch_sampler
• multi_dataset_batch_sampler: proportional

Training Logs

Click to expand

Epoch	Step	Training Loss	en-pt-br loss	en-es loss	en-pt loss	en-pt-br_negative_mse	en-pt-br_mean_accuracy	en-es_negative_mse	en-es_mean_accuracy	sts17-es-en-test_spearman_cosine	en-pt_negative_mse	en-pt_mean_accuracy
0.0146	100	0.0033	-	-	-	-	-	-	-	-	-	-
0.0291	200	0.0031	-	-	-	-	-	-	-	-	-	-
0.0437	300	0.0028	-	-	-	-	-	-	-	-	-	-
0.0583	400	0.0027	-	-	-	-	-	-	-	-	-	-
0.0728	500	0.0026	-	-	-	-	-	-	-	-	-	-
0.0874	600	0.0025	-	-	-	-	-	-	-	-	-	-
0.1019	700	0.0024	-	-	-	-	-	-	-	-	-	-
0.1165	800	0.0024	-	-	-	-	-	-	-	-	-	-
0.1311	900	0.0023	-	-	-	-	-	-	-	-	-	-
0.1456	1000	0.0022	-	-	-	-	-	-	-	-	-	-
0.1602	1100	0.0022	-	-	-	-	-	-	-	-	-	-
0.1748	1200	0.0021	-	-	-	-	-	-	-	-	-	-
0.1893	1300	0.0021	-	-	-	-	-	-	-	-	-	-
0.2039	1400	0.0021	-	-	-	-	-	-	-	-	-	-
0.2185	1500	0.002	-	-	-	-	-	-	-	-	-	-
0.2330	1600	0.002	-	-	-	-	-	-	-	-	-	-
0.2476	1700	0.0019	-	-	-	-	-	-	-	-	-	-
0.2622	1800	0.0019	-	-	-	-	-	-	-	-	-	-
0.2767	1900	0.0019	-	-	-	-	-	-	-	-	-	-
0.2913	2000	0.0018	0.0017	0.0017	0.0017	-0.2294	0.7319	-0.2300	0.6270	0.2838	-0.2356	0.5901
0.3058	2100	0.0018	-	-	-	-	-	-	-	-	-	-
0.3204	2200	0.0018	-	-	-	-	-	-	-	-	-	-
0.3350	2300	0.0017	-	-	-	-	-	-	-	-	-	-
0.3495	2400	0.0017	-	-	-	-	-	-	-	-	-	-
0.3641	2500	0.0017	-	-	-	-	-	-	-	-	-	-
0.3787	2600	0.0017	-	-	-	-	-	-	-	-	-	-
0.3932	2700	0.0017	-	-	-	-	-	-	-	-	-	-
0.4078	2800	0.0016	-	-	-	-	-	-	-	-	-	-
0.4224	2900	0.0016	-	-	-	-	-	-	-	-	-	-
0.4369	3000	0.0016	-	-	-	-	-	-	-	-	-	-
0.4515	3100	0.0016	-	-	-	-	-	-	-	-	-	-
0.4660	3200	0.0015	-	-	-	-	-	-	-	-	-	-
0.4806	3300	0.0015	-	-	-	-	-	-	-	-	-	-
0.4952	3400	0.0015	-	-	-	-	-	-	-	-	-	-
0.5097	3500	0.0015	-	-	-	-	-	-	-	-	-	-
0.5243	3600	0.0015	-	-	-	-	-	-	-	-	-	-
0.5389	3700	0.0015	-	-	-	-	-	-	-	-	-	-
0.5534	3800	0.0014	-	-	-	-	-	-	-	-	-	-
0.5680	3900	0.0014	-	-	-	-	-	-	-	-	-	-
0.5826	4000	0.0014	0.0012	0.0013	0.0013	-0.1733	0.9214	-0.1805	0.8074	0.4249	-0.1861	0.7836
0.5971	4100	0.0014	-	-	-	-	-	-	-	-	-	-
0.6117	4200	0.0014	-	-	-	-	-	-	-	-	-	-
0.6263	4300	0.0014	-	-	-	-	-	-	-	-	-	-
0.6408	4400	0.0014	-	-	-	-	-	-	-	-	-	-
0.6554	4500	0.0013	-	-	-	-	-	-	-	-	-	-
0.6699	4600	0.0013	-	-	-	-	-	-	-	-	-	-
0.6845	4700	0.0013	-	-	-	-	-	-	-	-	-	-
0.6991	4800	0.0013	-	-	-	-	-	-	-	-	-	-
0.7136	4900	0.0013	-	-	-	-	-	-	-	-	-	-
0.7282	5000	0.0013	-	-	-	-	-	-	-	-	-	-
0.7428	5100	0.0013	-	-	-	-	-	-	-	-	-	-
0.7573	5200	0.0013	-	-	-	-	-	-	-	-	-	-
0.7719	5300	0.0013	-	-	-	-	-	-	-	-	-	-
0.7865	5400	0.0013	-	-	-	-	-	-	-	-	-	-
0.8010	5500	0.0012	-	-	-	-	-	-	-	-	-	-
0.8156	5600	0.0012	-	-	-	-	-	-	-	-	-	-
0.8301	5700	0.0012	-	-	-	-	-	-	-	-	-	-
0.8447	5800	0.0012	-	-	-	-	-	-	-	-	-	-
0.8593	5900	0.0012	-	-	-	-	-	-	-	-	-	-
0.8738	6000	0.0012	0.0010	0.0010	0.0011	-0.1443	0.9617	-0.1538	0.8627	0.5948	-0.1587	0.8420
0.8884	6100	0.0012	-	-	-	-	-	-	-	-	-	-
0.9030	6200	0.0012	-	-	-	-	-	-	-	-	-	-
0.9175	6300	0.0012	-	-	-	-	-	-	-	-	-	-
0.9321	6400	0.0012	-	-	-	-	-	-	-	-	-	-
0.9467	6500	0.0012	-	-	-	-	-	-	-	-	-	-
0.9612	6600	0.0012	-	-	-	-	-	-	-	-	-	-
0.9758	6700	0.0012	-	-	-	-	-	-	-	-	-	-
0.9904	6800	0.0011	-	-	-	-	-	-	-	-	-	-
1.0049	6900	0.0011	-	-	-	-	-	-	-	-	-	-
1.0195	7000	0.0011	-	-	-	-	-	-	-	-	-	-
1.0340	7100	0.0011	-	-	-	-	-	-	-	-	-	-
1.0486	7200	0.0011	-	-	-	-	-	-	-	-	-	-
1.0632	7300	0.0011	-	-	-	-	-	-	-	-	-	-
1.0777	7400	0.0011	-	-	-	-	-	-	-	-	-	-
1.0923	7500	0.0011	-	-	-	-	-	-	-	-	-	-
1.1069	7600	0.0011	-	-	-	-	-	-	-	-	-	-
1.1214	7700	0.0011	-	-	-	-	-	-	-	-	-	-
1.1360	7800	0.0011	-	-	-	-	-	-	-	-	-	-
1.1506	7900	0.0011	-	-	-	-	-	-	-	-	-	-
1.1651	8000	0.0011	0.0009	0.0009	0.0010	-0.1298	0.9713	-0.1396	0.8814	0.6558	-0.1442	0.8606
1.1797	8100	0.0011	-	-	-	-	-	-	-	-	-	-
1.1942	8200	0.0011	-	-	-	-	-	-	-	-	-	-
1.2088	8300	0.0011	-	-	-	-	-	-	-	-	-	-
1.2234	8400	0.0011	-	-	-	-	-	-	-	-	-	-
1.2379	8500	0.0011	-	-	-	-	-	-	-	-	-	-
1.2525	8600	0.0011	-	-	-	-	-	-	-	-	-	-
1.2671	8700	0.0011	-	-	-	-	-	-	-	-	-	-
1.2816	8800	0.0011	-	-	-	-	-	-	-	-	-	-
1.2962	8900	0.0011	-	-	-	-	-	-	-	-	-	-
1.3108	9000	0.001	-	-	-	-	-	-	-	-	-	-
1.3253	9100	0.001	-	-	-	-	-	-	-	-	-	-
1.3399	9200	0.001	-	-	-	-	-	-	-	-	-	-
1.3545	9300	0.001	-	-	-	-	-	-	-	-	-	-
1.3690	9400	0.001	-	-	-	-	-	-	-	-	-	-
1.3836	9500	0.001	-	-	-	-	-	-	-	-	-	-
1.3981	9600	0.001	-	-	-	-	-	-	-	-	-	-
1.4127	9700	0.001	-	-	-	-	-	-	-	-	-	-
1.4273	9800	0.001	-	-	-	-	-	-	-	-	-	-
1.4418	9900	0.001	-	-	-	-	-	-	-	-	-	-
1.4564	10000	0.001	0.0008	0.0009	0.0009	-0.1218	0.9733	-0.1318	0.8898	0.6796	-0.1361	0.8698
1.4710	10100	0.001	-	-	-	-	-	-	-	-	-	-
1.4855	10200	0.001	-	-	-	-	-	-	-	-	-	-
1.5001	10300	0.001	-	-	-	-	-	-	-	-	-	-
1.5147	10400	0.001	-	-	-	-	-	-	-	-	-	-
1.5292	10500	0.001	-	-	-	-	-	-	-	-	-	-
1.5438	10600	0.001	-	-	-	-	-	-	-	-	-	-
1.5583	10700	0.001	-	-	-	-	-	-	-	-	-	-
1.5729	10800	0.001	-	-	-	-	-	-	-	-	-	-
1.5875	10900	0.001	-	-	-	-	-	-	-	-	-	-
1.6020	11000	0.001	-	-	-	-	-	-	-	-	-	-
1.6166	11100	0.001	-	-	-	-	-	-	-	-	-	-
1.6312	11200	0.001	-	-	-	-	-	-	-	-	-	-
1.6457	11300	0.001	-	-	-	-	-	-	-	-	-	-
1.6603	11400	0.001	-	-	-	-	-	-	-	-	-	-
1.6749	11500	0.001	-	-	-	-	-	-	-	-	-	-
1.6894	11600	0.001	-	-	-	-	-	-	-	-	-	-
1.7040	11700	0.001	-	-	-	-	-	-	-	-	-	-
1.7186	11800	0.001	-	-	-	-	-	-	-	-	-	-
1.7331	11900	0.001	-	-	-	-	-	-	-	-	-	-
1.7477	12000	0.001	0.0008	0.0008	0.0009	-0.1165	0.9763	-0.1265	0.8942	0.7026	-0.1309	0.8737
1.7622	12100	0.001	-	-	-	-	-	-	-	-	-	-
1.7768	12200	0.001	-	-	-	-	-	-	-	-	-	-
1.7914	12300	0.001	-	-	-	-	-	-	-	-	-	-
1.8059	12400	0.001	-	-	-	-	-	-	-	-	-	-
1.8205	12500	0.001	-	-	-	-	-	-	-	-	-	-
1.8351	12600	0.001	-	-	-	-	-	-	-	-	-	-
1.8496	12700	0.001	-	-	-	-	-	-	-	-	-	-
1.8642	12800	0.001	-	-	-	-	-	-	-	-	-	-
1.8788	12900	0.001	-	-	-	-	-	-	-	-	-	-
1.8933	13000	0.001	-	-	-	-	-	-	-	-	-	-
1.9079	13100	0.001	-	-	-	-	-	-	-	-	-	-
1.9224	13200	0.001	-	-	-	-	-	-	-	-	-	-
1.9370	13300	0.001	-	-	-	-	-	-	-	-	-	-
1.9516	13400	0.001	-	-	-	-	-	-	-	-	-	-
1.9661	13500	0.001	-	-	-	-	-	-	-	-	-	-
1.9807	13600	0.001	-	-	-	-	-	-	-	-	-	-
1.9953	13700	0.0009	-	-	-	-	-	-	-	-	-	-
2.0098	13800	0.0009	-	-	-	-	-	-	-	-	-	-
2.0244	13900	0.001	-	-	-	-	-	-	-	-	-	-
2.0390	14000	0.0009	0.0007	0.0008	0.0008	-0.1125	0.9788	-0.1230	0.8989	0.7158	-0.1273	0.8771
2.0535	14100	0.0009	-	-	-	-	-	-	-	-	-	-
2.0681	14200	0.0009	-	-	-	-	-	-	-	-	-	-
2.0827	14300	0.0009	-	-	-	-	-	-	-	-	-	-
2.0972	14400	0.0009	-	-	-	-	-	-	-	-	-	-
2.1118	14500	0.0009	-	-	-	-	-	-	-	-	-	-
2.1263	14600	0.0009	-	-	-	-	-	-	-	-	-	-
2.1409	14700	0.0009	-	-	-	-	-	-	-	-	-	-
2.1555	14800	0.0009	-	-	-	-	-	-	-	-	-	-
2.1700	14900	0.0009	-	-	-	-	-	-	-	-	-	-
2.1846	15000	0.0009	-	-	-	-	-	-	-	-	-	-
2.1992	15100	0.0009	-	-	-	-	-	-	-	-	-	-
2.2137	15200	0.0009	-	-	-	-	-	-	-	-	-	-
2.2283	15300	0.0009	-	-	-	-	-	-	-	-	-	-
2.2429	15400	0.0009	-	-	-	-	-	-	-	-	-	-
2.2574	15500	0.0009	-	-	-	-	-	-	-	-	-	-
2.2720	15600	0.0009	-	-	-	-	-	-	-	-	-	-
2.2865	15700	0.0009	-	-	-	-	-	-	-	-	-	-
2.3011	15800	0.0009	-	-	-	-	-	-	-	-	-	-
2.3157	15900	0.0009	-	-	-	-	-	-	-	-	-	-
2.3302	16000	0.0009	0.0007	0.0008	0.0008	-0.1100	0.9793	-0.1203	0.9016	0.7288	-0.1246	0.8797
2.3448	16100	0.0009	-	-	-	-	-	-	-	-	-	-
2.3594	16200	0.0009	-	-	-	-	-	-	-	-	-	-
2.3739	16300	0.0009	-	-	-	-	-	-	-	-	-	-
2.3885	16400	0.0009	-	-	-	-	-	-	-	-	-	-
2.4031	16500	0.0009	-	-	-	-	-	-	-	-	-	-
2.4176	16600	0.0009	-	-	-	-	-	-	-	-	-	-
2.4322	16700	0.0009	-	-	-	-	-	-	-	-	-	-
2.4468	16800	0.0009	-	-	-	-	-	-	-	-	-	-
2.4613	16900	0.0009	-	-	-	-	-	-	-	-	-	-
2.4759	17000	0.0009	-	-	-	-	-	-	-	-	-	-
2.4904	17100	0.0009	-	-	-	-	-	-	-	-	-	-
2.5050	17200	0.0009	-	-	-	-	-	-	-	-	-	-
2.5196	17300	0.0009	-	-	-	-	-	-	-	-	-	-
2.5341	17400	0.0009	-	-	-	-	-	-	-	-	-	-
2.5487	17500	0.0009	-	-	-	-	-	-	-	-	-	-
2.5633	17600	0.0009	-	-	-	-	-	-	-	-	-	-
2.5778	17700	0.0009	-	-	-	-	-	-	-	-	-	-
2.5924	17800	0.0009	-	-	-	-	-	-	-	-	-	-
2.6070	17900	0.0009	-	-	-	-	-	-	-	-	-	-
2.6215	18000	0.0009	0.0007	0.0008	0.0008	-0.1077	0.9798	-0.1182	0.9034	0.7356	-0.1224	0.8820
2.6361	18100	0.0009	-	-	-	-	-	-	-	-	-	-
2.6506	18200	0.0009	-	-	-	-	-	-	-	-	-	-
2.6652	18300	0.0009	-	-	-	-	-	-	-	-	-	-
2.6798	18400	0.0009	-	-	-	-	-	-	-	-	-	-
2.6943	18500	0.0009	-	-	-	-	-	-	-	-	-	-
2.7089	18600	0.0009	-	-	-	-	-	-	-	-	-	-
2.7235	18700	0.0009	-	-	-	-	-	-	-	-	-	-
2.7380	18800	0.0009	-	-	-	-	-	-	-	-	-	-
2.7526	18900	0.0009	-	-	-	-	-	-	-	-	-	-
2.7672	19000	0.0009	-	-	-	-	-	-	-	-	-	-
2.7817	19100	0.0009	-	-	-	-	-	-	-	-	-	-
2.7963	19200	0.0009	-	-	-	-	-	-	-	-	-	-
2.8109	19300	0.0009	-	-	-	-	-	-	-	-	-	-
2.8254	19400	0.0009	-	-	-	-	-	-	-	-	-	-
2.8400	19500	0.0009	-	-	-	-	-	-	-	-	-	-
2.8545	19600	0.0009	-	-	-	-	-	-	-	-	-	-
2.8691	19700	0.0009	-	-	-	-	-	-	-	-	-	-
2.8837	19800	0.0009	-	-	-	-	-	-	-	-	-	-
2.8982	19900	0.0009	-	-	-	-	-	-	-	-	-	-
2.9128	20000	0.0009	0.0007	0.0008	0.0008	-0.1058	0.9808	-0.1165	0.9047	0.7414	-0.1208	0.8830
2.9274	20100	0.0009	-	-	-	-	-	-	-	-	-	-
2.9419	20200	0.0009	-	-	-	-	-	-	-	-	-	-
2.9565	20300	0.0009	-	-	-	-	-	-	-	-	-	-
2.9711	20400	0.0009	-	-	-	-	-	-	-	-	-	-
2.9856	20500	0.0009	-	-	-	-	-	-	-	-	-	-
3.0002	20600	0.0009	-	-	-	-	-	-	-	-	-	-
3.0147	20700	0.0009	-	-	-	-	-	-	-	-	-	-
3.0293	20800	0.0009	-	-	-	-	-	-	-	-	-	-
3.0439	20900	0.0009	-	-	-	-	-	-	-	-	-	-
3.0584	21000	0.0009	-	-	-	-	-	-	-	-	-	-
3.0730	21100	0.0009	-	-	-	-	-	-	-	-	-	-
3.0876	21200	0.0009	-	-	-	-	-	-	-	-	-	-
3.1021	21300	0.0009	-	-	-	-	-	-	-	-	-	-
3.1167	21400	0.0009	-	-	-	-	-	-	-	-	-	-
3.1313	21500	0.0009	-	-	-	-	-	-	-	-	-	-
3.1458	21600	0.0009	-	-	-	-	-	-	-	-	-	-
3.1604	21700	0.0009	-	-	-	-	-	-	-	-	-	-
3.1749	21800	0.0009	-	-	-	-	-	-	-	-	-	-
3.1895	21900	0.0009	-	-	-	-	-	-	-	-	-	-
3.2041	22000	0.0009	0.0007	0.0008	0.0008	-0.1045	0.9803	-0.1152	0.9054	0.7456	-0.1194	0.8843
3.2186	22100	0.0009	-	-	-	-	-	-	-	-	-	-
3.2332	22200	0.0009	-	-	-	-	-	-	-	-	-	-
3.2478	22300	0.0009	-	-	-	-	-	-	-	-	-	-
3.2623	22400	0.0009	-	-	-	-	-	-	-	-	-	-
3.2769	22500	0.0009	-	-	-	-	-	-	-	-	-	-
3.2915	22600	0.0009	-	-	-	-	-	-	-	-	-	-
3.3060	22700	0.0009	-	-	-	-	-	-	-	-	-	-
3.3206	22800	0.0009	-	-	-	-	-	-	-	-	-	-
3.3352	22900	0.0009	-	-	-	-	-	-	-	-	-	-
3.3497	23000	0.0009	-	-	-	-	-	-	-	-	-	-
3.3643	23100	0.0009	-	-	-	-	-	-	-	-	-	-
3.3788	23200	0.0009	-	-	-	-	-	-	-	-	-	-
3.3934	23300	0.0009	-	-	-	-	-	-	-	-	-	-
3.4080	23400	0.0009	-	-	-	-	-	-	-	-	-	-
3.4225	23500	0.0009	-	-	-	-	-	-	-	-	-	-
3.4371	23600	0.0009	-	-	-	-	-	-	-	-	-	-
3.4517	23700	0.0009	-	-	-	-	-	-	-	-	-	-
3.4662	23800	0.0009	-	-	-	-	-	-	-	-	-	-
3.4808	23900	0.0009	-	-	-	-	-	-	-	-	-	-
3.4954	24000	0.0009	0.0007	0.0007	0.0008	-0.1031	0.9819	-0.1141	0.9057	0.7522	-0.1183	0.8850
3.5099	24100	0.0009	-	-	-	-	-	-	-	-	-	-
3.5245	24200	0.0009	-	-	-	-	-	-	-	-	-	-
3.5390	24300	0.0009	-	-	-	-	-	-	-	-	-	-
3.5536	24400	0.0009	-	-	-	-	-	-	-	-	-	-
3.5682	24500	0.0009	-	-	-	-	-	-	-	-	-	-
3.5827	24600	0.0009	-	-	-	-	-	-	-	-	-	-
3.5973	24700	0.0009	-	-	-	-	-	-	-	-	-	-
3.6119	24800	0.0009	-	-	-	-	-	-	-	-	-	-
3.6264	24900	0.0009	-	-	-	-	-	-	-	-	-	-
3.6410	25000	0.0009	-	-	-	-	-	-	-	-	-	-
3.6556	25100	0.0009	-	-	-	-	-	-	-	-	-	-
3.6701	25200	0.0009	-	-	-	-	-	-	-	-	-	-
3.6847	25300	0.0009	-	-	-	-	-	-	-	-	-	-
3.6993	25400	0.0009	-	-	-	-	-	-	-	-	-	-
3.7138	25500	0.0009	-	-	-	-	-	-	-	-	-	-
3.7284	25600	0.0009	-	-	-	-	-	-	-	-	-	-
3.7429	25700	0.0009	-	-	-	-	-	-	-	-	-	-
3.7575	25800	0.0009	-	-	-	-	-	-	-	-	-	-
3.7721	25900	0.0009	-	-	-	-	-	-	-	-	-	-
3.7866	26000	0.0009	0.0007	0.0007	0.0008	-0.1023	0.9824	-0.1130	0.9070	0.7516	-0.1173	0.8856
3.8012	26100	0.0009	-	-	-	-	-	-	-	-	-	-
3.8158	26200	0.0009	-	-	-	-	-	-	-	-	-	-
3.8303	26300	0.0009	-	-	-	-	-	-	-	-	-	-
3.8449	26400	0.0009	-	-	-	-	-	-	-	-	-	-
3.8595	26500	0.0009	-	-	-	-	-	-	-	-	-	-
3.8740	26600	0.0009	-	-	-	-	-	-	-	-	-	-
3.8886	26700	0.0009	-	-	-	-	-	-	-	-	-	-
3.9031	26800	0.0009	-	-	-	-	-	-	-	-	-	-
3.9177	26900	0.0009	-	-	-	-	-	-	-	-	-	-
3.9323	27000	0.0009	-	-	-	-	-	-	-	-	-	-
3.9468	27100	0.0009	-	-	-	-	-	-	-	-	-	-
3.9614	27200	0.0009	-	-	-	-	-	-	-	-	-	-
3.9760	27300	0.0009	-	-	-	-	-	-	-	-	-	-
3.9905	27400	0.0009	-	-	-	-	-	-	-	-	-	-
4.0051	27500	0.0009	-	-	-	-	-	-	-	-	-	-
4.0197	27600	0.0009	-	-	-	-	-	-	-	-	-	-
4.0342	27700	0.0009	-	-	-	-	-	-	-	-	-	-
4.0488	27800	0.0009	-	-	-	-	-	-	-	-	-	-
4.0634	27900	0.0009	-	-	-	-	-	-	-	-	-	-
4.0779	28000	0.0009	0.0007	0.0007	0.0008	-0.1015	0.9834	-0.1123	0.9072	0.7539	-0.1165	0.8861
4.0925	28100	0.0009	-	-	-	-	-	-	-	-	-	-
4.1070	28200	0.0009	-	-	-	-	-	-	-	-	-	-
4.1216	28300	0.0009	-	-	-	-	-	-	-	-	-	-
4.1362	28400	0.0009	-	-	-	-	-	-	-	-	-	-
4.1507	28500	0.0009	-	-	-	-	-	-	-	-	-	-
4.1653	28600	0.0009	-	-	-	-	-	-	-	-	-	-
4.1799	28700	0.0009	-	-	-	-	-	-	-	-	-	-
4.1944	28800	0.0009	-	-	-	-	-	-	-	-	-	-
4.2090	28900	0.0009	-	-	-	-	-	-	-	-	-	-
4.2236	29000	0.0009	-	-	-	-	-	-	-	-	-	-
4.2381	29100	0.0009	-	-	-	-	-	-	-	-	-	-
4.2527	29200	0.0009	-	-	-	-	-	-	-	-	-	-
4.2672	29300	0.0009	-	-	-	-	-	-	-	-	-	-
4.2818	29400	0.0009	-	-	-	-	-	-	-	-	-	-
4.2964	29500	0.0009	-	-	-	-	-	-	-	-	-	-
4.3109	29600	0.0009	-	-	-	-	-	-	-	-	-	-
4.3255	29700	0.0009	-	-	-	-	-	-	-	-	-	-
4.3401	29800	0.0009	-	-	-	-	-	-	-	-	-	-
4.3546	29900	0.0009	-	-	-	-	-	-	-	-	-	-
4.3692	30000	0.0009	0.0007	0.0007	0.0007	-0.1007	0.9829	-0.1117	0.9073	0.7578	-0.1159	0.8862
4.3838	30100	0.0009	-	-	-	-	-	-	-	-	-	-
4.3983	30200	0.0009	-	-	-	-	-	-	-	-	-	-
4.4129	30300	0.0009	-	-	-	-	-	-	-	-	-	-
4.4275	30400	0.0009	-	-	-	-	-	-	-	-	-	-
4.4420	30500	0.0009	-	-	-	-	-	-	-	-	-	-
4.4566	30600	0.0009	-	-	-	-	-	-	-	-	-	-
4.4711	30700	0.0009	-	-	-	-	-	-	-	-	-	-
4.4857	30800	0.0009	-	-	-	-	-	-	-	-	-	-
4.5003	30900	0.0009	-	-	-	-	-	-	-	-	-	-
4.5148	31000	0.0009	-	-	-	-	-	-	-	-	-	-
4.5294	31100	0.0009	-	-	-	-	-	-	-	-	-	-
4.5440	31200	0.0009	-	-	-	-	-	-	-	-	-	-
4.5585	31300	0.0009	-	-	-	-	-	-	-	-	-	-
4.5731	31400	0.0009	-	-	-	-	-	-	-	-	-	-
4.5877	31500	0.0009	-	-	-	-	-	-	-	-	-	-
4.6022	31600	0.0008	-	-	-	-	-	-	-	-	-	-
4.6168	31700	0.0009	-	-	-	-	-	-	-	-	-	-
4.6313	31800	0.0008	-	-	-	-	-	-	-	-	-	-
4.6459	31900	0.0008	-	-	-	-	-	-	-	-	-	-
4.6605	32000	0.0008	0.0007	0.0007	0.0007	-0.1003	0.9834	-0.1112	0.9076	0.7577	-0.1154	0.8868
4.6750	32100	0.0009	-	-	-	-	-	-	-	-	-	-
4.6896	32200	0.0009	-	-	-	-	-	-	-	-	-	-
4.7042	32300	0.0008	-	-	-	-	-	-	-	-	-	-
4.7187	32400	0.0009	-	-	-	-	-	-	-	-	-	-
4.7333	32500	0.0008	-	-	-	-	-	-	-	-	-	-
4.7479	32600	0.0008	-	-	-	-	-	-	-	-	-	-
4.7624	32700	0.0008	-	-	-	-	-	-	-	-	-	-
4.7770	32800	0.0008	-	-	-	-	-	-	-	-	-	-
4.7916	32900	0.0008	-	-	-	-	-	-	-	-	-	-
4.8061	33000	0.0008	-	-	-	-	-	-	-	-	-	-
4.8207	33100	0.0008	-	-	-	-	-	-	-	-	-	-
4.8352	33200	0.0008	-	-	-	-	-	-	-	-	-	-
4.8498	33300	0.0008	-	-	-	-	-	-	-	-	-	-
4.8644	33400	0.0008	-	-	-	-	-	-	-	-	-	-
4.8789	33500	0.0008	-	-	-	-	-	-	-	-	-	-
4.8935	33600	0.0008	-	-	-	-	-	-	-	-	-	-
4.9081	33700	0.0008	-	-	-	-	-	-	-	-	-	-
4.9226	33800	0.0008	-	-	-	-	-	-	-	-	-	-
4.9372	33900	0.0008	-	-	-	-	-	-	-	-	-	-
4.9518	34000	0.0008	0.0007	0.0007	0.0007	-0.0999	0.9834	-0.1107	0.9078	0.7570	-0.1150	0.8871
4.9663	34100	0.0008	-	-	-	-	-	-	-	-	-	-
4.9809	34200	0.0008	-	-	-	-	-	-	-	-	-	-
4.9954	34300	0.0008	-	-	-	-	-	-	-	-	-	-
5.0100	34400	0.0008	-	-	-	-	-	-	-	-	-	-
5.0246	34500	0.0008	-	-	-	-	-	-	-	-	-	-
5.0391	34600	0.0008	-	-	-	-	-	-	-	-	-	-
5.0537	34700	0.0008	-	-	-	-	-	-	-	-	-	-
5.0683	34800	0.0008	-	-	-	-	-	-	-	-	-	-
5.0828	34900	0.0008	-	-	-	-	-	-	-	-	-	-
5.0974	35000	0.0008	-	-	-	-	-	-	-	-	-	-
5.1120	35100	0.0008	-	-	-	-	-	-	-	-	-	-
5.1265	35200	0.0008	-	-	-	-	-	-	-	-	-	-
5.1411	35300	0.0008	-	-	-	-	-	-	-	-	-	-
5.1557	35400	0.0008	-	-	-	-	-	-	-	-	-	-
5.1702	35500	0.0008	-	-	-	-	-	-	-	-	-	-
5.1848	35600	0.0008	-	-	-	-	-	-	-	-	-	-
5.1993	35700	0.0008	-	-	-	-	-	-	-	-	-	-
5.2139	35800	0.0008	-	-	-	-	-	-	-	-	-	-
5.2285	35900	0.0008	-	-	-	-	-	-	-	-	-	-
5.2430	36000	0.0008	0.0007	0.0007	0.0007	-0.0995	0.9824	-0.1104	0.9085	0.7588	-0.1147	0.8865
5.2576	36100	0.0008	-	-	-	-	-	-	-	-	-	-
5.2722	36200	0.0008	-	-	-	-	-	-	-	-	-	-
5.2867	36300	0.0008	-	-	-	-	-	-	-	-	-	-
5.3013	36400	0.0008	-	-	-	-	-	-	-	-	-	-
5.3159	36500	0.0008	-	-	-	-	-	-	-	-	-	-
5.3304	36600	0.0008	-	-	-	-	-	-	-	-	-	-
5.3450	36700	0.0008	-	-	-	-	-	-	-	-	-	-
5.3595	36800	0.0008	-	-	-	-	-	-	-	-	-	-
5.3741	36900	0.0008	-	-	-	-	-	-	-	-	-	-
5.3887	37000	0.0008	-	-	-	-	-	-	-	-	-	-
5.4032	37100	0.0008	-	-	-	-	-	-	-	-	-	-
5.4178	37200	0.0008	-	-	-	-	-	-	-	-	-	-
5.4324	37300	0.0008	-	-	-	-	-	-	-	-	-	-
5.4469	37400	0.0008	-	-	-	-	-	-	-	-	-	-
5.4615	37500	0.0008	-	-	-	-	-	-	-	-	-	-
5.4761	37600	0.0008	-	-	-	-	-	-	-	-	-	-
5.4906	37700	0.0008	-	-	-	-	-	-	-	-	-	-
5.5052	37800	0.0008	-	-	-	-	-	-	-	-	-	-
5.5198	37900	0.0008	-	-	-	-	-	-	-	-	-	-
5.5343	38000	0.0008	0.0007	0.0007	0.0007	-0.0993	0.9829	-0.1102	0.9085	0.7598	-0.1144	0.8871
5.5489	38100	0.0008	-	-	-	-	-	-	-	-	-	-
5.5634	38200	0.0008	-	-	-	-	-	-	-	-	-	-
5.5780	38300	0.0008	-	-	-	-	-	-	-	-	-	-
5.5926	38400	0.0008	-	-	-	-	-	-	-	-	-	-
5.6071	38500	0.0008	-	-	-	-	-	-	-	-	-	-
5.6217	38600	0.0008	-	-	-	-	-	-	-	-	-	-
5.6363	38700	0.0008	-	-	-	-	-	-	-	-	-	-
5.6508	38800	0.0008	-	-	-	-	-	-	-	-	-	-
5.6654	38900	0.0008	-	-	-	-	-	-	-	-	-	-
5.6800	39000	0.0008	-	-	-	-	-	-	-	-	-	-
5.6945	39100	0.0008	-	-	-	-	-	-	-	-	-	-
5.7091	39200	0.0008	-	-	-	-	-	-	-	-	-	-
5.7236	39300	0.0008	-	-	-	-	-	-	-	-	-	-
5.7382	39400	0.0008	-	-	-	-	-	-	-	-	-	-
5.7528	39500	0.0008	-	-	-	-	-	-	-	-	-	-
5.7673	39600	0.0008	-	-	-	-	-	-	-	-	-	-
5.7819	39700	0.0008	-	-	-	-	-	-	-	-	-	-
5.7965	39800	0.0008	-	-	-	-	-	-	-	-	-	-
5.8110	39900	0.0008	-	-	-	-	-	-	-	-	-	-
5.8256	40000	0.0008	0.0007	0.0007	0.0007	-0.0991	0.9829	-0.1100	0.9080	0.7603	-0.1143	0.8870
5.8402	40100	0.0008	-	-	-	-	-	-	-	-	-	-
5.8547	40200	0.0008	-	-	-	-	-	-	-	-	-	-
5.8693	40300	0.0008	-	-	-	-	-	-	-	-	-	-
5.8839	40400	0.0008	-	-	-	-	-	-	-	-	-	-
5.8984	40500	0.0008	-	-	-	-	-	-	-	-	-	-
5.9130	40600	0.0008	-	-	-	-	-	-	-	-	-	-
5.9275	40700	0.0008	-	-	-	-	-	-	-	-	-	-
5.9421	40800	0.0008	-	-	-	-	-	-	-	-	-	-
5.9567	40900	0.0008	-	-	-	-	-	-	-	-	-	-
5.9712	41000	0.0008	-	-	-	-	-	-	-	-	-	-
5.9858	41100	0.0008	-	-	-	-	-	-	-	-	-	-

Framework Versions

• Python: 3.9.20
• Sentence Transformers: 3.3.0
• Transformers: 4.46.2
• PyTorch: 2.5.1+cu121
• Accelerate: 1.1.1
• Datasets: 3.1.0
• Tokenizers: 0.20.3

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",
}