Add new SentenceTransformer model

b19f1b8 verified about 2 months ago

137 kB

	---
	tags:
	- sentence-transformers
	- sentence-similarity
	- feature-extraction
	- generated_from_trainer
	- dataset_size:10200
	- loss:MatryoshkaLoss
	- loss:MultipleNegativesRankingLoss
	base_model: google-bert/bert-base-multilingual-uncased
	widget:
	- source_sentence: 1.500.000 ( một triệu năm trăm_nghìn ) đồng / giấy_phép ( theo
	quy_định tại khoản b điều 4 thông_tư số 143 / 2016 / tt - btc ngày 26 / 9 / 2016
	của bộ tài_chính , có hiệu_lực thi_hành kể từ ngày 01 / 01 / 2017 ) .
	sentences:
	- 'phí lệ_phí của thủ_tục : thủ_tục cấp lại giấy_phép thành_lập văn_phòng đại_diện
	của thương_nhân nước_ngoài tại việt_nam là bao_nhiêu ?'
	- khi nào người giải_quyết tố_cáo tạm đình_chỉ việc giải_quyết tố_cáo ?
	- người điều_khiển , người đi trên phương_tiện , phương_tiện xuất_cảnh , nhập_cảnh
	qua cửa_khẩu biên_giới đất_liền phải thực_hiện thủ_tục biên_phòng điện_tử như
	thế_nào ?
	- source_sentence: "bước 1 : tổ_chức sử_dụng đất chuẩn_bị hồ_sơ theo quy_định của\
	\ pháp_luật ; \n bước 2 : tổ_chức sử_dụng đất nộp hồ_sơ tại bộ_phận hành_chính\
	\ công về tài_nguyên và môi_trường của ban quản_lý khu kinh_tế quảng_ninh tại\
	\ trung_tâm phục_vụ hành_chính công tỉnh ; \n bước 3 : cán_bộ bộ_phận hành_chính\
	\ công về tài_nguyên và môi_trường kiểm_tra hồ_sơ và trao giấy tiếp_nhận hồ_sơ\
	\ cho nhà đầu_tư ; \n bước 4 : tổ_chức sử_dụng đất căn_cứ thời_gian ghi trên giấy\
	\ tiếp_nhận hồ_sơ đến trung_tâm phục_vụ hành_chính công_nhận kết_quả ."
	sentences:
	- khiếu_nại quyết_định kỷ_luật cán_bộ , công_chức được thực_hiện trong trường_hợp
	nào ?
	- 'trình_tự thực_hiện của thủ_tục : thủ_tục miễn , giảm tiền thuê đất trong khu
	kinh_tế ( trừ khu kinh_tế vân_đồn ) là gì ?'
	- trường_hợp đã hết thời_hiệu yêu_cầu thi_hành án , đề_nghị khôi_phục thời_hiệu
	thi_hành án cần những thủ_tục gì ?
	- source_sentence: "theo quy_định tại nghị_định số 91 / 2017 / nđ - cp ngày 31 / 7\
	\ / 2017 của chính_phủ quy_định chi_tiết thi_hành luật sửa_đổi , bổ_sung một_số\
	\ điều của luật thi_đua , khen_thưởng năm 2013 : \n trong thời_hạn 20 ngày_ngày\
	\ làm_việc ( 30 ngày làm_việc đối_với trường_hợp phải lấy ý_kiến hiệp y ) kể từ\
	\ ngày nhận đủ hồ_sơ theo quy_định , trưởng ban ban thi_đua - khen_thưởng trung_ương\
	\ trình thủ_tướng chính_phủ xem_xét , quyết_định ; \n sau khi nhận được quyết_định\
	\ khen_thưởng của thủ_tướng chính_phủ , trong thời_hạn 10 ngày làm_việc , ban\
	\ thi_đua - khen_thưởng trung_ương sao quyết_định và thông_báo kết_quả khen_thưởng\
	\ cho bộ , ban , ngành , tỉnh , đoàn_thể trung_ương trình khen_thưởng ; \n sau\
	\ khi nhận được quyết_định khen_thưởng của cấp có thẩm_quyền , trong thời_hạn\
	\ 10 ngày làm_việc , cơ_quan trình khen_thưởng thông_báo và gửi kết_quả khen_thưởng\
	\ cho các trường_hợp được khen_thưởng ; \n đối_với các trường_hợp không đủ điều_kiện\
	\ , tiêu_chuẩn , hồ_sơ theo quy_định , trong thời_hạn 10ngày làm_việc kể từ ngày\
	\ nhận đủ hồ_sơ theo quy_định , ban thi_đua - khen_thưởng trung_ương thông_báo\
	\ bằng văn_bản cho bộ , ban , ngành , tỉnh , đoàn_thể trung_ương trình khen_thưởng\
	\ ."
	sentences:
	- yêu_cầu về xác_nhận quá_trình thực_hành trong cấp chứng_chỉ hành_nghề khám chữa
	bệnh là gì ?
	- đề_nghị cho biết thời_hạn thực_hiện thủ_tục tặng_thưởng " cờ thi_đua của chính_phủ
	" về thành_tích thi_đua theo đợt hoặc chuyên_đề
	- vợ_chồng tôi năm nay được 38 tuổi , nghề_nghiệp là nông_dân . vợ_chồng tôi muốn
	tham_gia bhxh tự_nguyện để khi về già có lương hưu . vậy vợ_chồng tôi có được
	đóng bhxh không ?
	- source_sentence: theo quy_định tại điểm c khoản 1 điều 211 luật doanh_nghiệp , trường_hợp_doanh_nghiệp
	ngừng hoạt_động_kinh_doanh 01 năm mà không thông_báo với cơ_quan đăng_ký kinh_doanh
	và cơ_quan thuế thì doanh_nghiệp thuộc trường_hợp bị thu_hồi giấy chứng_nhận đăng_ký
	doanh_nghiệp . - trình_tự , thủ_tục thu_hồi giấy chứng_nhận đăng_ký doanh_nghiệp
	thực_hiện theo quy_định tại khoản 3 điều 63 nghị_định số 78 / 2015 / nđ - cp được
	sửa_đổi , bổ_sung tại khoản 20 điều 1 nghị_định số 108 / 2018 / nđ - cp sửa_đổi
	, bổ_sung một_số điều của nghị_định số 78 / 2015 / nđ - cp. theo đó , phòng đăng_ký
	kinh_doanh thông_báo bằng văn_bản về hành_vi vi_phạm và yêu_cầu người đại_diện
	theo pháp_luật của doanh_nghiệp đến trụ_sở của phòng để giải_trình . sau 10 ngày
	làm_việc , kể từ ngày kết_thúc thời_hạn hẹn trong thông_báo mà người được yêu_cầu
	không đến hoặc nội_dung giải_trình không được chấp_thuận thì phòng đăng_ký kinh_doanh
	ra quyết_định thu_hồi giấy chứng_nhận đăng_ký doanh_nghiệp . - như_vậy , theo
	quy_định nêu trên việc công_ty ngừng hoạt_động_kinh_doanh 01 năm mà không thông_báo
	với cơ_quan đăng_ký kinh_doanh và cơ_quan thuế là vi_phạm_quy_định pháp_luật và
	thuộc một trong các trường_hợp bị thu_hồi giấy chứng_nhận đăng_ký doanh_nghiệp
	.
	sentences:
	- thủ_tục và hồ_sơ xin phép chuyển_đổi mục_đích sử_dụng , di_dời , tháo_dỡ ?
	- thời_gian đăng_ký hoạt_động của chi_nhánh của tổ_chức trọng_tài nước_ngoài tại
	việt_nam được quy_định như thế_nào ?
	- công_ty tnhh xyz ngừng hoạt_động_kinh_doanh 01 năm mà không thông_báo với cơ_quan
	đăng_ký kinh_doanh và cơ_quan thuế ? trong trường_hợp này , công_ty bị thu_hồi
	giấy chứng_nhận đăng_ký doanh_nghiệp thì có đúng quy_định pháp_luật hiện_hành
	không ?
	- source_sentence: 'thời_hạn giải_quyết việc gia_hạn thời_gian học_tập cho lưu học_sinh
	để hoàn_thành khóa học như sau : tối_đa 20 ngày làm_việc kể từ ngày nhận đủ hồ_sơ
	hợp_lệ .'
	sentences:
	- tôi muốn hỏi về gia_hạn thời_gian học_tập cho lưu học_sinh để hoàn_thành khóa
	học , có thời_hạn giải_quyết như thế_nào ?
	- thành_phần hồ_sơ giải_quyết chế_độ hỗ_trợ đối_với người việt_nam có công với cách_mạng
	quy_định tại nghị_định số 102 / 2018 / nđ - cp ngày 20 / 7 / 2018 của chính_phủ
	về chế_độ hỗ_trợ và một_số chế_độ đãi_ngộ khác đối_với người việt_nam có công
	với cách_mạng , người tham_gia kháng_chiến , chiến_tranh bảo_vệ tổ_quốc và làm
	nhiệm_vụ quốc_tế đang định_cư ở nước_ngoài ( nghị_định số 102 / 2018 / nđ - cp
	) , bao_gồm những giấy_tờ gì ?
	- nhiệm_vụ thiết_kế bvtc gồm nội_dung gì ? đơn_vị lập và thẩm_quyền phê_duyệt nhiệm_vụ
	thiết_kế bvtc ?
	pipeline_tag: sentence-similarity
	library_name: sentence-transformers
	metrics:
	- 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
	model-index:
	- name: SentenceTransformer based on google-bert/bert-base-multilingual-uncased
	results:
	- task:
	type: information-retrieval
	name: Information Retrieval
	dataset:
	name: dim 768
	type: dim_768
	metrics:
	- type: cosine_accuracy@1
	value: 0.36596119929453264
	name: Cosine Accuracy@1
	- type: cosine_accuracy@3
	value: 0.5158730158730159
	name: Cosine Accuracy@3
	- type: cosine_accuracy@5
	value: 0.5758377425044092
	name: Cosine Accuracy@5
	- type: cosine_accuracy@10
	value: 0.6472663139329806
	name: Cosine Accuracy@10
	- type: cosine_precision@1
	value: 0.36596119929453264
	name: Cosine Precision@1
	- type: cosine_precision@3
	value: 0.17195767195767195
	name: Cosine Precision@3
	- type: cosine_precision@5
	value: 0.11516754850088186
	name: Cosine Precision@5
	- type: cosine_precision@10
	value: 0.06472663139329807
	name: Cosine Precision@10
	- type: cosine_recall@1
	value: 0.36596119929453264
	name: Cosine Recall@1
	- type: cosine_recall@3
	value: 0.5158730158730159
	name: Cosine Recall@3
	- type: cosine_recall@5
	value: 0.5758377425044092
	name: Cosine Recall@5
	- type: cosine_recall@10
	value: 0.6472663139329806
	name: Cosine Recall@10
	- type: cosine_ndcg@10
	value: 0.5026374509875217
	name: Cosine Ndcg@10
	- type: cosine_mrr@10
	value: 0.4569843369446545
	name: Cosine Mrr@10
	- type: cosine_map@100
	value: 0.46503470305707717
	name: Cosine Map@100
	- task:
	type: information-retrieval
	name: Information Retrieval
	dataset:
	name: dim 512
	type: dim_512
	metrics:
	- type: cosine_accuracy@1
	value: 0.35978835978835977
	name: Cosine Accuracy@1
	- type: cosine_accuracy@3
	value: 0.5114638447971781
	name: Cosine Accuracy@3
	- type: cosine_accuracy@5
	value: 0.572310405643739
	name: Cosine Accuracy@5
	- type: cosine_accuracy@10
	value: 0.6463844797178131
	name: Cosine Accuracy@10
	- type: cosine_precision@1
	value: 0.35978835978835977
	name: Cosine Precision@1
	- type: cosine_precision@3
	value: 0.17048794826572602
	name: Cosine Precision@3
	- type: cosine_precision@5
	value: 0.11446208112874781
	name: Cosine Precision@5
	- type: cosine_precision@10
	value: 0.06463844797178131
	name: Cosine Precision@10
	- type: cosine_recall@1
	value: 0.35978835978835977
	name: Cosine Recall@1
	- type: cosine_recall@3
	value: 0.5114638447971781
	name: Cosine Recall@3
	- type: cosine_recall@5
	value: 0.572310405643739
	name: Cosine Recall@5
	- type: cosine_recall@10
	value: 0.6463844797178131
	name: Cosine Recall@10
	- type: cosine_ndcg@10
	value: 0.4990479615870262
	name: Cosine Ndcg@10
	- type: cosine_mrr@10
	value: 0.4525086783684665
	name: Cosine Mrr@10
	- type: cosine_map@100
	value: 0.46031484217582513
	name: Cosine Map@100
	- task:
	type: information-retrieval
	name: Information Retrieval
	dataset:
	name: dim 256
	type: dim_256
	metrics:
	- type: cosine_accuracy@1
	value: 0.3562610229276896
	name: Cosine Accuracy@1
	- type: cosine_accuracy@3
	value: 0.5008818342151675
	name: Cosine Accuracy@3
	- type: cosine_accuracy@5
	value: 0.5705467372134039
	name: Cosine Accuracy@5
	- type: cosine_accuracy@10
	value: 0.6340388007054674
	name: Cosine Accuracy@10
	- type: cosine_precision@1
	value: 0.3562610229276896
	name: Cosine Precision@1
	- type: cosine_precision@3
	value: 0.16696061140505583
	name: Cosine Precision@3
	- type: cosine_precision@5
	value: 0.11410934744268078
	name: Cosine Precision@5
	- type: cosine_precision@10
	value: 0.06340388007054674
	name: Cosine Precision@10
	- type: cosine_recall@1
	value: 0.3562610229276896
	name: Cosine Recall@1
	- type: cosine_recall@3
	value: 0.5008818342151675
	name: Cosine Recall@3
	- type: cosine_recall@5
	value: 0.5705467372134039
	name: Cosine Recall@5
	- type: cosine_recall@10
	value: 0.6340388007054674
	name: Cosine Recall@10
	- type: cosine_ndcg@10
	value: 0.4910876635434036
	name: Cosine Ndcg@10
	- type: cosine_mrr@10
	value: 0.44584033201758033
	name: Cosine Mrr@10
	- type: cosine_map@100
	value: 0.4540008313748189
	name: Cosine Map@100
	- task:
	type: information-retrieval
	name: Information Retrieval
	dataset:
	name: dim 128
	type: dim_128
	metrics:
	- type: cosine_accuracy@1
	value: 0.3324514991181658
	name: Cosine Accuracy@1
	- type: cosine_accuracy@3
	value: 0.4929453262786596
	name: Cosine Accuracy@3
	- type: cosine_accuracy@5
	value: 0.5529100529100529
	name: Cosine Accuracy@5
	- type: cosine_accuracy@10
	value: 0.6199294532627866
	name: Cosine Accuracy@10
	- type: cosine_precision@1
	value: 0.3324514991181658
	name: Cosine Precision@1
	- type: cosine_precision@3
	value: 0.16431510875955319
	name: Cosine Precision@3
	- type: cosine_precision@5
	value: 0.11058201058201059
	name: Cosine Precision@5
	- type: cosine_precision@10
	value: 0.06199294532627866
	name: Cosine Precision@10
	- type: cosine_recall@1
	value: 0.3324514991181658
	name: Cosine Recall@1
	- type: cosine_recall@3
	value: 0.4929453262786596
	name: Cosine Recall@3
	- type: cosine_recall@5
	value: 0.5529100529100529
	name: Cosine Recall@5
	- type: cosine_recall@10
	value: 0.6199294532627866
	name: Cosine Recall@10
	- type: cosine_ndcg@10
	value: 0.4743373753360554
	name: Cosine Ndcg@10
	- type: cosine_mrr@10
	value: 0.4280125836342765
	name: Cosine Mrr@10
	- type: cosine_map@100
	value: 0.4368508420359741
	name: Cosine Map@100
	- task:
	type: information-retrieval
	name: Information Retrieval
	dataset:
	name: dim 64
	type: dim_64
	metrics:
	- type: cosine_accuracy@1
	value: 0.3201058201058201
	name: Cosine Accuracy@1
	- type: cosine_accuracy@3
	value: 0.4691358024691358
	name: Cosine Accuracy@3
	- type: cosine_accuracy@5
	value: 0.5211640211640212
	name: Cosine Accuracy@5
	- type: cosine_accuracy@10
	value: 0.5978835978835979
	name: Cosine Accuracy@10
	- type: cosine_precision@1
	value: 0.3201058201058201
	name: Cosine Precision@1
	- type: cosine_precision@3
	value: 0.15637860082304525
	name: Cosine Precision@3
	- type: cosine_precision@5
	value: 0.10423280423280423
	name: Cosine Precision@5
	- type: cosine_precision@10
	value: 0.059788359788359786
	name: Cosine Precision@10
	- type: cosine_recall@1
	value: 0.3201058201058201
	name: Cosine Recall@1
	- type: cosine_recall@3
	value: 0.4691358024691358
	name: Cosine Recall@3
	- type: cosine_recall@5
	value: 0.5211640211640212
	name: Cosine Recall@5
	- type: cosine_recall@10
	value: 0.5978835978835979
	name: Cosine Recall@10
	- type: cosine_ndcg@10
	value: 0.45497989006136275
	name: Cosine Ndcg@10
	- type: cosine_mrr@10
	value: 0.40980025755157995
	name: Cosine Mrr@10
	- type: cosine_map@100
	value: 0.4185301282471701
	name: Cosine Map@100
	---

	# SentenceTransformer based on google-bert/bert-base-multilingual-uncased

	This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [google-bert/bert-base-multilingual-uncased](https://huggingface.co/google-bert/bert-base-multilingual-uncased) on the json dataset. 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: [google-bert/bert-base-multilingual-uncased](https://huggingface.co/google-bert/bert-base-multilingual-uncased) <!-- at revision 7cbf9a625e29989f6b9c6c2fa68234c304f7e38f -->
	- Maximum Sequence Length: 512 tokens
	- Output Dimensionality: 768 dimensions
	- Similarity Function: Cosine Similarity
	- Training Dataset:
	- json
	<!-- - Language: Unknown -->
	<!-- - License: Unknown -->

	### Model Sources

	- Documentation: [Sentence Transformers Documentation](https://sbert.net)
	- Repository: [Sentence Transformers on GitHub](https://github.com/UKPLab/sentence-transformers)
	- Hugging Face: [Sentence Transformers on Hugging Face](https://huggingface.co/models?library=sentence-transformers)

	### 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:

	```bash
	pip install -U sentence-transformers
	```

	Then you can load this model and run inference.
	```python
	from sentence_transformers import SentenceTransformer

	# Download from the 🤗 Hub
	model = SentenceTransformer("anhtuansh/bert-base-multilingual-uncased-Financial-Matryoshka-2e-11k")
	# Run inference
	sentences = [
	'thời_hạn giải_quyết việc gia_hạn thời_gian học_tập cho lưu học_sinh để hoàn_thành khóa học như sau : tối_đa 20 ngày làm_việc kể từ ngày nhận đủ hồ_sơ hợp_lệ .',
	'tôi muốn hỏi về gia_hạn thời_gian học_tập cho lưu học_sinh để hoàn_thành khóa học , có thời_hạn giải_quyết như thế_nào ?',
	'thành_phần hồ_sơ giải_quyết chế_độ hỗ_trợ đối_với người việt_nam có công với cách_mạng quy_định tại nghị_định số 102 / 2018 / nđ - cp ngày 20 / 7 / 2018 của chính_phủ về chế_độ hỗ_trợ và một_số chế_độ đãi_ngộ khác đối_với người việt_nam có công với cách_mạng , người tham_gia kháng_chiến , chiến_tranh bảo_vệ tổ_quốc và làm nhiệm_vụ quốc_tế đang định_cư ở nước_ngoài ( nghị_định số 102 / 2018 / nđ - cp ) , bao_gồm những giấy_tờ gì ?',
	]
	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]
	```

	<!--
	### Direct Usage (Transformers)

	<details><summary>Click to see the direct usage in Transformers</summary>

	</details>
	-->

	<!--
	### Downstream Usage (Sentence Transformers)

	You can finetune this model on your own dataset.

	<details><summary>Click to expand</summary>

	</details>
	-->

	<!--
	### Out-of-Scope Use

	List how the model may foreseeably be misused and address what users ought not to do with the model.
	-->

	## Evaluation

	### Metrics

	#### Information Retrieval

	* Datasets: `dim_768`, `dim_512`, `dim_256`, `dim_128` and `dim_64`
	* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)

	\| Metric \| dim_768 \| dim_512 \| dim_256 \| dim_128 \| dim_64 \|
	\|:--------------------\|:-----------\|:----------\|:-----------\|:-----------\|:----------\|
	\| cosine_accuracy@1 \| 0.366 \| 0.3598 \| 0.3563 \| 0.3325 \| 0.3201 \|
	\| cosine_accuracy@3 \| 0.5159 \| 0.5115 \| 0.5009 \| 0.4929 \| 0.4691 \|
	\| cosine_accuracy@5 \| 0.5758 \| 0.5723 \| 0.5705 \| 0.5529 \| 0.5212 \|
	\| cosine_accuracy@10 \| 0.6473 \| 0.6464 \| 0.634 \| 0.6199 \| 0.5979 \|
	\| cosine_precision@1 \| 0.366 \| 0.3598 \| 0.3563 \| 0.3325 \| 0.3201 \|
	\| cosine_precision@3 \| 0.172 \| 0.1705 \| 0.167 \| 0.1643 \| 0.1564 \|
	\| cosine_precision@5 \| 0.1152 \| 0.1145 \| 0.1141 \| 0.1106 \| 0.1042 \|
	\| cosine_precision@10 \| 0.0647 \| 0.0646 \| 0.0634 \| 0.062 \| 0.0598 \|
	\| cosine_recall@1 \| 0.366 \| 0.3598 \| 0.3563 \| 0.3325 \| 0.3201 \|
	\| cosine_recall@3 \| 0.5159 \| 0.5115 \| 0.5009 \| 0.4929 \| 0.4691 \|
	\| cosine_recall@5 \| 0.5758 \| 0.5723 \| 0.5705 \| 0.5529 \| 0.5212 \|
	\| cosine_recall@10 \| 0.6473 \| 0.6464 \| 0.634 \| 0.6199 \| 0.5979 \|
	\| cosine_ndcg@10 \| 0.5026 \| 0.499 \| 0.4911 \| 0.4743 \| 0.455 \|
	\| cosine_mrr@10 \| 0.457 \| 0.4525 \| 0.4458 \| 0.428 \| 0.4098 \|
	\| cosine_map@100 \| 0.465 \| 0.4603 \| 0.454 \| 0.4369 \| 0.4185 \|

	<!--
	## Bias, Risks and Limitations

	What are the known or foreseeable issues stemming from this model? You could also flag here known failure cases or weaknesses of the model.
	-->

	<!--
	### Recommendations

	What are recommendations with respect to the foreseeable issues? For example, filtering explicit content.
	-->

	## Training Details

	### Training Dataset

	#### json

	* Dataset: json
	* Size: 10,200 training samples
	* Columns: <code>positive</code> and <code>anchor</code>
	* Approximate statistics based on the first 1000 samples:
	\| \| positive \| anchor \|
	\|:--------\|:------------------------------------------------------------------------------------\|:----------------------------------------------------------------------------------\|
	\| type \| string \| string \|
	\| details \| <ul><li>min: 4 tokens</li><li>mean: 222.47 tokens</li><li>max: 512 tokens</li></ul> \| <ul><li>min: 8 tokens</li><li>mean: 46.3 tokens</li><li>max: 328 tokens</li></ul> \|
	* Samples:
	\| positive \| anchor \|
	\|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------\|:--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------\|
	\| <code>1 . thẩm_quyền cấp giấy_phép tổ_chức triển_lãm , hội_chợ xuất_bản_phẩm được quy_định cụ_thể như sau : - bộ thông_tin và truyền_thông cấp giấy_phép cho cơ_quan , tổ_chức ở trung_ương ; cơ_quan , tổ_chức , cá_nhân nước_ngoài ; - ủy_ban nhân_dân cấp tỉnh cấp giấy_phép cho cơ_quan , tổ_chức , cá_nhân có trụ_sở hoặc cư_trú tại địa_phương ; chi_nhánh , văn_phòng đại_diện , đơn_vị trực_thuộc cơ_quan , tổ_chức ở trung_ương đặt tại địa_phương . 2 . hồ_sơ bao_gồm : - đơn đề_nghị cấp giấy_phép trong đó ghi rõ mục_đích , thời_gian , địa_điểm và tên các đơn_vị tham_gia triển_lãm , hội_chợ ; - danh_mục xuất_bản_phẩm để triển_lãm , hội_chợ theo mẫu quy_định . ( quy_định tại khoản 2 , 3 điều 44 luật xuất_bản )</code> \| <code>hồ_sơ và thẩm_quyền cấp giấy_phép tổ_chức triển_lãm , hội_chợ xuất_bản_phẩm được quy_định cụ_thể như thế_nào ?</code> \|
	\| <code>- trường_hợp mất danh_mục và phiếu theo_dõi trừ lùi thì người khai hải_quan có hồ_sơ đề_nghị cơ_quan hải_quan nơi cấp danh_mục lần đầu_đề_nghị cấp lại , bao_gồm : <br> + công_văn đề_nghị cấp lại danh_mục , phiếu theo_dõi trừ lùi trong đó nêu rõ : lý_do mất danh_mục , phiếu theo_dõi trừ lùi và cam_kết của người khai hải_quan về tính chính_xác của nội_dung khai_báo ; <br> + bảng kê toàn_bộ tờ khai hải_quan ( điện_tử hoặc giấy ) của số_lượng hàng_hóa đã nhập_khẩu theo danh_mục ; <br> + bản danh_mục và phiếu theo_dõi trừ lùi của cơ_quan hải_quan nơi làm thủ_tục nhập_khẩu lô hàng cuối_cùng trước khi thất_lạc ( 01 bản chụp có xác_nhận của cơ_quan hải_quan nơi nhập_khẩu ) . <br> - khi làm thủ_tục hải_quan , người khai hải_quan nộp , xuất_trình cho cơ_quan hải_quan nơi đăng_ký tờ khai hải_quan các hồ_sơ sau : <br> + hồ_sơ hải_quan theo quy_định hiện_hành ; <br> + danh_mục hàng_hóa và phiếu theo_dõi trừ lùi đã đăng_ký với cơ_quan hải_quan ( bản giao người khai hải_quan ) để cơ_quan hải_quan làm thủ_tục thực_hiện...</code> \| <code>trường_hợp tôi làm mất danh_mục và phiếu theo_dõi trừ lùi hàng_hóa_nhập_khẩu dung_môi n - hexan dùng trong sản_xuất khô_dầu đậu_tương và dầu thực_vật , cám gạo trích ly và dầu cám thì cần làm những thủ_tục gì ?</code> \|
	\| <code>thẩm_quyền cấp giấy chứng_nhận cơ_sở đủ điều_kiện đăng_kiểm tàu cá là : tổng_cục thủy_sản .</code> \| <code>thẩm_quyền cấp giấy chứng_nhận cơ_sở đủ điều_kiện đăng_kiểm tàu cá ?</code> \|
	* Loss: [<code>MatryoshkaLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#matryoshkaloss) with these parameters:
	```json
	{
	"loss": "MultipleNegativesRankingLoss",
	"matryoshka_dims": [
	768,
	512,
	256,
	128,
	64
	],
	"matryoshka_weights": [
	1,
	1,
	1,
	1,
	1
	],
	"n_dims_per_step": -1
	}
	```

	### Evaluation Dataset

	#### json

	* Dataset: json
	* Size: 1,134 evaluation samples
	* Columns: <code>positive</code> and <code>anchor</code>
	* Approximate statistics based on the first 1000 samples:
	\| \| positive \| anchor \|
	\|:--------\|:------------------------------------------------------------------------------------\|:-----------------------------------------------------------------------------------\|
	\| type \| string \| string \|
	\| details \| <ul><li>min: 4 tokens</li><li>mean: 224.45 tokens</li><li>max: 512 tokens</li></ul> \| <ul><li>min: 7 tokens</li><li>mean: 45.85 tokens</li><li>max: 512 tokens</li></ul> \|
	* Samples:
	\| positive \| anchor \|
	\|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------\|:------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------\|
	\| <code>việc thực_hiện thủ_tục tặng_thưởng bằng khen cấp bộ , ban , ngành , đoàn_thể trung_ương , tỉnh , thành_phố trực_thuộc trung_ương về thành_tích đột_xuất được tiến_hành như sau : <br> bước 1 . vụ , phòng , ban thi_đua – khen_thưởng các bộ , ngành , đoàn_thể trung_ương , tỉnh , thành_phố trực_thuộc trung_ương tiếp_nhận đề_nghị khen_thưởng của các đơn_vị thực thuộc . <br> bước 2 . thẩm_định hồ_sơ , xin ý_kiến các cơ_quan liên_quan , báo_cáo hội_đồng thi_đua khen_thưởng cùng cấp , tổng_hợp trình bộ_trưởng , thủ_trưởng đơn_vị , chủ_tịch ubnd tỉnh , thành_phố quyết_định khen_thưởng . <br> bước 3 . khi có quyết_định của bộ_trưởng , thủ_trưởng đơn_vị , chủ_tịch ubnd tỉnh , thành_phố trực_thuộc trung_ương ; vụ , phòng , ban thi_đua – khen_thưởng các bộ , ngành , đoàn_thể trung_ương , tỉnh , thành_phố trực_thuộc trung_ương thông_báo quyết_định , viết bằng , đóng_dấu và cấp_phát cho đơn_vị trình khen . <br> bước 4 . các trường_hợp không được khen_thưởng ( không đúng đối_tượng , không đủ tiêu_chuẩn , không đủ ...</code> \| <code>đề_nghị cho biết trình_tự thực_hiện thủ_tục tặng_thưởng bằng khen cấp bộ , ban , ngành , đoàn_thể trung_ương , tỉnh , thành_phố trực_thuộc trung_ương về thành_tích đột_xuất</code> \|
	\| <code>bông_thủy_tinh chống cháy là vật_liệu chống cháy , thuộc danh_mục phương_tiện pccc quy_định phụ_lục v nghị_định số 79 / 2014 / nđ - cp ngày 31 / 7 / 2014 quy_định chi_tiết thi_hành một_số điều của luật phòng cháy và chữa_cháy và luật sửa_đổi , bổ_sung một_số điều của luật phòng cháy và chữa_cháy . do đó , nếu đưa vào sử_dụng trong hạng_mục pccc của công_trình thì phải kiểm_định về pccc. tuy_nhiên , đối_với vật_liệu bông thủy_tinh cách_nhiệt chống cháy được các cơ_quan , tổ_chức , cá_nhân cần xem_xét tùy vào yêu_cầu cụ_thể của công_trình để đăng_ký kiểm_định “ tính nguy_hiểm cháy ” đối_với vật_liệu đó hoặc “ giới_hạn chịu_lửa ” của kết_cấu sử_dụng vật_liệu đó . thành_phần hồ_sơ đề_nghị kiểm_định được quy_định tại điểm a khoản 4 điều 18 thông_tư 66 / 2014 / tt - bca ngày 16 / 12 / 2014 quy_định chi_tiết thi_hành một_số điều của nghị_định số 79 / 2014 / nđ - cp ngày 31 / 7 / 2014 quy_định chi_tiết thi_hành một_số điều của luật phòng cháy và chữa_cháy và luật sửa_đổi , bổ_sung một_số điều ...</code> \| <code>bông_thủy_tinh cách_nhiệt chống cháy có phải kiểm_định không ? thành_phần hồ_sơ đề_nghị kiểm_định như thế_nào ?</code> \|
	\| <code>thẻ thường_trú không có thời_hạn nhưng định_kỳ 10 năm một lần , người nước_ngoài thường_trú phải đến nộp hồ_sơ tại phòng quản_lý xuất , nhập_cảnh công_an tỉnh , thành_phố trực_thuộc trung_ương để đề_nghị cấp đổi thẻ thường_trú .</code> \| <code>thẻ thường_trú có thời_hạn không ?</code> \|
	* Loss: [<code>MatryoshkaLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#matryoshkaloss) with these parameters:
	```json
	{
	"loss": "MultipleNegativesRankingLoss",
	"matryoshka_dims": [
	768,
	512,
	256,
	128,
	64
	],
	"matryoshka_weights": [
	1,
	1,
	1,
	1,
	1
	],
	"n_dims_per_step": -1
	}
	```

	### Training Hyperparameters
	#### Non-Default Hyperparameters

	- `eval_strategy`: epoch
	- `per_device_train_batch_size`: 2
	- `per_device_eval_batch_size`: 2
	- `gradient_accumulation_steps`: 2
	- `learning_rate`: 2e-05
	- `num_train_epochs`: 2
	- `lr_scheduler_type`: cosine
	- `warmup_ratio`: 0.1
	- `fp16`: True
	- `tf32`: False
	- `load_best_model_at_end`: True
	- `optim`: adamw_torch_fused
	- `batch_sampler`: no_duplicates

	#### All Hyperparameters
	<details><summary>Click to expand</summary>

	- `overwrite_output_dir`: False
	- `do_predict`: False
	- `eval_strategy`: epoch
	- `prediction_loss_only`: True
	- `per_device_train_batch_size`: 2
	- `per_device_eval_batch_size`: 2
	- `per_gpu_train_batch_size`: None
	- `per_gpu_eval_batch_size`: None
	- `gradient_accumulation_steps`: 2
	- `eval_accumulation_steps`: None
	- `learning_rate`: 2e-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`: 2
	- `max_steps`: -1
	- `lr_scheduler_type`: cosine
	- `lr_scheduler_kwargs`: {}
	- `warmup_ratio`: 0.1
	- `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`: False
	- `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`: True
	- `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_fused
	- `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
	- `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
	- `prompts`: None
	- `batch_sampler`: no_duplicates
	- `multi_dataset_batch_sampler`: proportional

	</details>

	### Training Logs
	<details><summary>Click to expand</summary>

	\| Epoch \| Step \| Training Loss \| Validation Loss \| dim_768_cosine_ndcg@10 \| dim_512_cosine_ndcg@10 \| dim_256_cosine_ndcg@10 \| dim_128_cosine_ndcg@10 \| dim_64_cosine_ndcg@10 \|
	\|:-------:\|:--------:\|:-------------:\|:---------------:\|:----------------------:\|:----------------------:\|:----------------------:\|:----------------------:\|:---------------------:\|
	\| 0 \| 0 \| - \| - \| 0.1142 \| 0.1121 \| 0.1063 \| 0.0864 \| 0.0664 \|
	\| 0.0039 \| 10 \| 2.1272 \| - \| - \| - \| - \| - \| - \|
	\| 0.0078 \| 20 \| 2.7179 \| - \| - \| - \| - \| - \| - \|
	\| 0.0118 \| 30 \| 3.6016 \| - \| - \| - \| - \| - \| - \|
	\| 0.0157 \| 40 \| 3.5717 \| - \| - \| - \| - \| - \| - \|
	\| 0.0196 \| 50 \| 2.6037 \| - \| - \| - \| - \| - \| - \|
	\| 0.0235 \| 60 \| 2.8018 \| - \| - \| - \| - \| - \| - \|
	\| 0.0275 \| 70 \| 2.1652 \| - \| - \| - \| - \| - \| - \|
	\| 0.0314 \| 80 \| 1.6236 \| - \| - \| - \| - \| - \| - \|
	\| 0.0353 \| 90 \| 1.6573 \| - \| - \| - \| - \| - \| - \|
	\| 0.0392 \| 100 \| 1.2079 \| - \| - \| - \| - \| - \| - \|
	\| 0.0431 \| 110 \| 2.0117 \| - \| - \| - \| - \| - \| - \|
	\| 0.0471 \| 120 \| 1.0142 \| - \| - \| - \| - \| - \| - \|
	\| 0.0510 \| 130 \| 1.9841 \| - \| - \| - \| - \| - \| - \|
	\| 0.0549 \| 140 \| 1.54 \| - \| - \| - \| - \| - \| - \|
	\| 0.0588 \| 150 \| 0.7082 \| - \| - \| - \| - \| - \| - \|
	\| 0.0627 \| 160 \| 1.5473 \| - \| - \| - \| - \| - \| - \|
	\| 0.0667 \| 170 \| 2.0173 \| - \| - \| - \| - \| - \| - \|
	\| 0.0706 \| 180 \| 1.2581 \| - \| - \| - \| - \| - \| - \|
	\| 0.0745 \| 190 \| 1.356 \| - \| - \| - \| - \| - \| - \|
	\| 0.0784 \| 200 \| 0.594 \| - \| - \| - \| - \| - \| - \|
	\| 0.0824 \| 210 \| 1.2715 \| - \| - \| - \| - \| - \| - \|
	\| 0.0863 \| 220 \| 0.9268 \| - \| - \| - \| - \| - \| - \|
	\| 0.0902 \| 230 \| 0.8259 \| - \| - \| - \| - \| - \| - \|
	\| 0.0941 \| 240 \| 0.9754 \| - \| - \| - \| - \| - \| - \|
	\| 0.0980 \| 250 \| 0.7284 \| - \| - \| - \| - \| - \| - \|
	\| 0.1020 \| 260 \| 0.9297 \| - \| - \| - \| - \| - \| - \|
	\| 0.1059 \| 270 \| 0.8948 \| - \| - \| - \| - \| - \| - \|
	\| 0.1098 \| 280 \| 2.5533 \| - \| - \| - \| - \| - \| - \|
	\| 0.1137 \| 290 \| 0.3432 \| - \| - \| - \| - \| - \| - \|
	\| 0.1176 \| 300 \| 1.6924 \| - \| - \| - \| - \| - \| - \|
	\| 0.1216 \| 310 \| 0.3037 \| - \| - \| - \| - \| - \| - \|
	\| 0.1255 \| 320 \| 1.623 \| - \| - \| - \| - \| - \| - \|
	\| 0.1294 \| 330 \| 0.353 \| - \| - \| - \| - \| - \| - \|
	\| 0.1333 \| 340 \| 0.312 \| - \| - \| - \| - \| - \| - \|
	\| 0.1373 \| 350 \| 0.7455 \| - \| - \| - \| - \| - \| - \|
	\| 0.1412 \| 360 \| 0.109 \| - \| - \| - \| - \| - \| - \|
	\| 0.1451 \| 370 \| 1.3957 \| - \| - \| - \| - \| - \| - \|
	\| 0.1490 \| 380 \| 0.2846 \| - \| - \| - \| - \| - \| - \|
	\| 0.1529 \| 390 \| 1.2292 \| - \| - \| - \| - \| - \| - \|
	\| 0.1569 \| 400 \| 0.4843 \| - \| - \| - \| - \| - \| - \|
	\| 0.1608 \| 410 \| 1.2574 \| - \| - \| - \| - \| - \| - \|
	\| 0.1647 \| 420 \| 0.4468 \| - \| - \| - \| - \| - \| - \|
	\| 0.1686 \| 430 \| 0.415 \| - \| - \| - \| - \| - \| - \|
	\| 0.1725 \| 440 \| 0.7332 \| - \| - \| - \| - \| - \| - \|
	\| 0.1765 \| 450 \| 1.4835 \| - \| - \| - \| - \| - \| - \|
	\| 0.1804 \| 460 \| 1.4661 \| - \| - \| - \| - \| - \| - \|
	\| 0.1843 \| 470 \| 0.3671 \| - \| - \| - \| - \| - \| - \|
	\| 0.1882 \| 480 \| 3.0964 \| - \| - \| - \| - \| - \| - \|
	\| 0.1922 \| 490 \| 0.913 \| - \| - \| - \| - \| - \| - \|
	\| 0.1961 \| 500 \| 0.1323 \| - \| - \| - \| - \| - \| - \|
	\| 0.2 \| 510 \| 0.8086 \| - \| - \| - \| - \| - \| - \|
	\| 0.2039 \| 520 \| 0.4529 \| - \| - \| - \| - \| - \| - \|
	\| 0.2078 \| 530 \| 0.1774 \| - \| - \| - \| - \| - \| - \|
	\| 0.2118 \| 540 \| 0.797 \| - \| - \| - \| - \| - \| - \|
	\| 0.2157 \| 550 \| 0.2524 \| - \| - \| - \| - \| - \| - \|
	\| 0.2196 \| 560 \| 0.207 \| - \| - \| - \| - \| - \| - \|
	\| 0.2235 \| 570 \| 0.7562 \| - \| - \| - \| - \| - \| - \|
	\| 0.2275 \| 580 \| 0.1603 \| - \| - \| - \| - \| - \| - \|
	\| 0.2314 \| 590 \| 0.2657 \| - \| - \| - \| - \| - \| - \|
	\| 0.2353 \| 600 \| 1.4791 \| - \| - \| - \| - \| - \| - \|
	\| 0.2392 \| 610 \| 1.1368 \| - \| - \| - \| - \| - \| - \|
	\| 0.2431 \| 620 \| 0.2383 \| - \| - \| - \| - \| - \| - \|
	\| 0.2471 \| 630 \| 2.3495 \| - \| - \| - \| - \| - \| - \|
	\| 0.2510 \| 640 \| 1.5067 \| - \| - \| - \| - \| - \| - \|
	\| 0.2549 \| 650 \| 0.5991 \| - \| - \| - \| - \| - \| - \|
	\| 0.2588 \| 660 \| 0.9257 \| - \| - \| - \| - \| - \| - \|
	\| 0.2627 \| 670 \| 0.3907 \| - \| - \| - \| - \| - \| - \|
	\| 0.2667 \| 680 \| 0.3422 \| - \| - \| - \| - \| - \| - \|
	\| 0.2706 \| 690 \| 0.4019 \| - \| - \| - \| - \| - \| - \|
	\| 0.2745 \| 700 \| 0.3157 \| - \| - \| - \| - \| - \| - \|
	\| 0.2784 \| 710 \| 0.7648 \| - \| - \| - \| - \| - \| - \|
	\| 0.2824 \| 720 \| 0.0429 \| - \| - \| - \| - \| - \| - \|
	\| 0.2863 \| 730 \| 0.221 \| - \| - \| - \| - \| - \| - \|
	\| 0.2902 \| 740 \| 1.6913 \| - \| - \| - \| - \| - \| - \|
	\| 0.2941 \| 750 \| 0.4995 \| - \| - \| - \| - \| - \| - \|
	\| 0.2980 \| 760 \| 0.2187 \| - \| - \| - \| - \| - \| - \|
	\| 0.3020 \| 770 \| 2.1805 \| - \| - \| - \| - \| - \| - \|
	\| 0.3059 \| 780 \| 0.8469 \| - \| - \| - \| - \| - \| - \|
	\| 0.3098 \| 790 \| 0.8086 \| - \| - \| - \| - \| - \| - \|
	\| 0.3137 \| 800 \| 0.8236 \| - \| - \| - \| - \| - \| - \|
	\| 0.3176 \| 810 \| 1.8549 \| - \| - \| - \| - \| - \| - \|
	\| 0.3216 \| 820 \| 0.0702 \| - \| - \| - \| - \| - \| - \|
	\| 0.3255 \| 830 \| 0.5274 \| - \| - \| - \| - \| - \| - \|
	\| 0.3294 \| 840 \| 0.5029 \| - \| - \| - \| - \| - \| - \|
	\| 0.3333 \| 850 \| 0.1853 \| - \| - \| - \| - \| - \| - \|
	\| 0.3373 \| 860 \| 0.8387 \| - \| - \| - \| - \| - \| - \|
	\| 0.3412 \| 870 \| 0.7113 \| - \| - \| - \| - \| - \| - \|
	\| 0.3451 \| 880 \| 1.5978 \| - \| - \| - \| - \| - \| - \|
	\| 0.3490 \| 890 \| 0.2484 \| - \| - \| - \| - \| - \| - \|
	\| 0.3529 \| 900 \| 0.2134 \| - \| - \| - \| - \| - \| - \|
	\| 0.3569 \| 910 \| 1.7625 \| - \| - \| - \| - \| - \| - \|
	\| 0.3608 \| 920 \| 0.1195 \| - \| - \| - \| - \| - \| - \|
	\| 0.3647 \| 930 \| 0.2668 \| - \| - \| - \| - \| - \| - \|
	\| 0.3686 \| 940 \| 0.1475 \| - \| - \| - \| - \| - \| - \|
	\| 0.3725 \| 950 \| 1.0588 \| - \| - \| - \| - \| - \| - \|
	\| 0.3765 \| 960 \| 1.0987 \| - \| - \| - \| - \| - \| - \|
	\| 0.3804 \| 970 \| 0.4968 \| - \| - \| - \| - \| - \| - \|
	\| 0.3843 \| 980 \| 0.3598 \| - \| - \| - \| - \| - \| - \|
	\| 0.3882 \| 990 \| 0.7375 \| - \| - \| - \| - \| - \| - \|
	\| 0.3922 \| 1000 \| 0.6851 \| - \| - \| - \| - \| - \| - \|
	\| 0.3961 \| 1010 \| 0.3182 \| - \| - \| - \| - \| - \| - \|
	\| 0.4 \| 1020 \| 0.5136 \| - \| - \| - \| - \| - \| - \|
	\| 0.4039 \| 1030 \| 0.2191 \| - \| - \| - \| - \| - \| - \|
	\| 0.4078 \| 1040 \| 0.5858 \| - \| - \| - \| - \| - \| - \|
	\| 0.4118 \| 1050 \| 0.3063 \| - \| - \| - \| - \| - \| - \|
	\| 0.4157 \| 1060 \| 0.4884 \| - \| - \| - \| - \| - \| - \|
	\| 0.4196 \| 1070 \| 0.7824 \| - \| - \| - \| - \| - \| - \|
	\| 0.4235 \| 1080 \| 1.0241 \| - \| - \| - \| - \| - \| - \|
	\| 0.4275 \| 1090 \| 0.5282 \| - \| - \| - \| - \| - \| - \|
	\| 0.4314 \| 1100 \| 0.5374 \| - \| - \| - \| - \| - \| - \|
	\| 0.4353 \| 1110 \| 0.4043 \| - \| - \| - \| - \| - \| - \|
	\| 0.4392 \| 1120 \| 0.6428 \| - \| - \| - \| - \| - \| - \|
	\| 0.4431 \| 1130 \| 0.7541 \| - \| - \| - \| - \| - \| - \|
	\| 0.4471 \| 1140 \| 0.8749 \| - \| - \| - \| - \| - \| - \|
	\| 0.4510 \| 1150 \| 0.9545 \| - \| - \| - \| - \| - \| - \|
	\| 0.4549 \| 1160 \| 0.9441 \| - \| - \| - \| - \| - \| - \|
	\| 0.4588 \| 1170 \| 1.1079 \| - \| - \| - \| - \| - \| - \|
	\| 0.4627 \| 1180 \| 1.2295 \| - \| - \| - \| - \| - \| - \|
	\| 0.4667 \| 1190 \| 0.1478 \| - \| - \| - \| - \| - \| - \|
	\| 0.4706 \| 1200 \| 0.7514 \| - \| - \| - \| - \| - \| - \|
	\| 0.4745 \| 1210 \| 0.3833 \| - \| - \| - \| - \| - \| - \|
	\| 0.4784 \| 1220 \| 0.2501 \| - \| - \| - \| - \| - \| - \|
	\| 0.4824 \| 1230 \| 0.291 \| - \| - \| - \| - \| - \| - \|
	\| 0.4863 \| 1240 \| 0.1128 \| - \| - \| - \| - \| - \| - \|
	\| 0.4902 \| 1250 \| 0.3923 \| - \| - \| - \| - \| - \| - \|
	\| 0.4941 \| 1260 \| 0.1326 \| - \| - \| - \| - \| - \| - \|
	\| 0.4980 \| 1270 \| 0.1342 \| - \| - \| - \| - \| - \| - \|
	\| 0.5020 \| 1280 \| 0.0171 \| - \| - \| - \| - \| - \| - \|
	\| 0.5059 \| 1290 \| 0.5538 \| - \| - \| - \| - \| - \| - \|
	\| 0.5098 \| 1300 \| 1.3057 \| - \| - \| - \| - \| - \| - \|
	\| 0.5137 \| 1310 \| 0.1238 \| - \| - \| - \| - \| - \| - \|
	\| 0.5176 \| 1320 \| 0.6994 \| - \| - \| - \| - \| - \| - \|
	\| 0.5216 \| 1330 \| 0.8147 \| - \| - \| - \| - \| - \| - \|
	\| 0.5255 \| 1340 \| 0.1377 \| - \| - \| - \| - \| - \| - \|
	\| 0.5294 \| 1350 \| 0.2077 \| - \| - \| - \| - \| - \| - \|
	\| 0.5333 \| 1360 \| 0.0201 \| - \| - \| - \| - \| - \| - \|
	\| 0.5373 \| 1370 \| 0.2541 \| - \| - \| - \| - \| - \| - \|
	\| 0.5412 \| 1380 \| 0.1829 \| - \| - \| - \| - \| - \| - \|
	\| 0.5451 \| 1390 \| 0.6058 \| - \| - \| - \| - \| - \| - \|
	\| 0.5490 \| 1400 \| 0.2766 \| - \| - \| - \| - \| - \| - \|
	\| 0.5529 \| 1410 \| 0.9366 \| - \| - \| - \| - \| - \| - \|
	\| 0.5569 \| 1420 \| 0.7336 \| - \| - \| - \| - \| - \| - \|
	\| 0.5608 \| 1430 \| 1.0151 \| - \| - \| - \| - \| - \| - \|
	\| 0.5647 \| 1440 \| 0.6978 \| - \| - \| - \| - \| - \| - \|
	\| 0.5686 \| 1450 \| 0.5009 \| - \| - \| - \| - \| - \| - \|
	\| 0.5725 \| 1460 \| 1.6258 \| - \| - \| - \| - \| - \| - \|
	\| 0.5765 \| 1470 \| 0.5966 \| - \| - \| - \| - \| - \| - \|
	\| 0.5804 \| 1480 \| 0.098 \| - \| - \| - \| - \| - \| - \|
	\| 0.5843 \| 1490 \| 0.5012 \| - \| - \| - \| - \| - \| - \|
	\| 0.5882 \| 1500 \| 0.2386 \| - \| - \| - \| - \| - \| - \|
	\| 0.5922 \| 1510 \| 1.0596 \| - \| - \| - \| - \| - \| - \|
	\| 0.5961 \| 1520 \| 0.126 \| - \| - \| - \| - \| - \| - \|
	\| 0.6 \| 1530 \| 0.0309 \| - \| - \| - \| - \| - \| - \|
	\| 0.6039 \| 1540 \| 0.3448 \| - \| - \| - \| - \| - \| - \|
	\| 0.6078 \| 1550 \| 1.0601 \| - \| - \| - \| - \| - \| - \|
	\| 0.6118 \| 1560 \| 0.8928 \| - \| - \| - \| - \| - \| - \|
	\| 0.6157 \| 1570 \| 0.2693 \| - \| - \| - \| - \| - \| - \|
	\| 0.6196 \| 1580 \| 0.3814 \| - \| - \| - \| - \| - \| - \|
	\| 0.6235 \| 1590 \| 1.2711 \| - \| - \| - \| - \| - \| - \|
	\| 0.6275 \| 1600 \| 0.1043 \| - \| - \| - \| - \| - \| - \|
	\| 0.6314 \| 1610 \| 0.9031 \| - \| - \| - \| - \| - \| - \|
	\| 0.6353 \| 1620 \| 0.5305 \| - \| - \| - \| - \| - \| - \|
	\| 0.6392 \| 1630 \| 0.8152 \| - \| - \| - \| - \| - \| - \|
	\| 0.6431 \| 1640 \| 0.5459 \| - \| - \| - \| - \| - \| - \|
	\| 0.6471 \| 1650 \| 0.2947 \| - \| - \| - \| - \| - \| - \|
	\| 0.6510 \| 1660 \| 0.1219 \| - \| - \| - \| - \| - \| - \|
	\| 0.6549 \| 1670 \| 0.5422 \| - \| - \| - \| - \| - \| - \|
	\| 0.6588 \| 1680 \| 0.1223 \| - \| - \| - \| - \| - \| - \|
	\| 0.6627 \| 1690 \| 0.0289 \| - \| - \| - \| - \| - \| - \|
	\| 0.6667 \| 1700 \| 0.624 \| - \| - \| - \| - \| - \| - \|
	\| 0.6706 \| 1710 \| 1.087 \| - \| - \| - \| - \| - \| - \|
	\| 0.6745 \| 1720 \| 0.0697 \| - \| - \| - \| - \| - \| - \|
	\| 0.6784 \| 1730 \| 0.9438 \| - \| - \| - \| - \| - \| - \|
	\| 0.6824 \| 1740 \| 0.0791 \| - \| - \| - \| - \| - \| - \|
	\| 0.6863 \| 1750 \| 0.6764 \| - \| - \| - \| - \| - \| - \|
	\| 0.6902 \| 1760 \| 0.9295 \| - \| - \| - \| - \| - \| - \|
	\| 0.6941 \| 1770 \| 0.676 \| - \| - \| - \| - \| - \| - \|
	\| 0.6980 \| 1780 \| 1.3104 \| - \| - \| - \| - \| - \| - \|
	\| 0.7020 \| 1790 \| 0.1949 \| - \| - \| - \| - \| - \| - \|
	\| 0.7059 \| 1800 \| 0.7918 \| - \| - \| - \| - \| - \| - \|
	\| 0.7098 \| 1810 \| 0.3263 \| - \| - \| - \| - \| - \| - \|
	\| 0.7137 \| 1820 \| 0.0536 \| - \| - \| - \| - \| - \| - \|
	\| 0.7176 \| 1830 \| 0.025 \| - \| - \| - \| - \| - \| - \|
	\| 0.7216 \| 1840 \| 0.0823 \| - \| - \| - \| - \| - \| - \|
	\| 0.7255 \| 1850 \| 1.5334 \| - \| - \| - \| - \| - \| - \|
	\| 0.7294 \| 1860 \| 0.357 \| - \| - \| - \| - \| - \| - \|
	\| 0.7333 \| 1870 \| 0.1143 \| - \| - \| - \| - \| - \| - \|
	\| 0.7373 \| 1880 \| 0.5497 \| - \| - \| - \| - \| - \| - \|
	\| 0.7412 \| 1890 \| 0.5172 \| - \| - \| - \| - \| - \| - \|
	\| 0.7451 \| 1900 \| 0.0774 \| - \| - \| - \| - \| - \| - \|
	\| 0.7490 \| 1910 \| 0.0101 \| - \| - \| - \| - \| - \| - \|
	\| 0.7529 \| 1920 \| 0.0051 \| - \| - \| - \| - \| - \| - \|
	\| 0.7569 \| 1930 \| 0.4136 \| - \| - \| - \| - \| - \| - \|
	\| 0.7608 \| 1940 \| 0.8398 \| - \| - \| - \| - \| - \| - \|
	\| 0.7647 \| 1950 \| 0.5656 \| - \| - \| - \| - \| - \| - \|
	\| 0.7686 \| 1960 \| 0.0341 \| - \| - \| - \| - \| - \| - \|
	\| 0.7725 \| 1970 \| 0.1693 \| - \| - \| - \| - \| - \| - \|
	\| 0.7765 \| 1980 \| 0.0532 \| - \| - \| - \| - \| - \| - \|
	\| 0.7804 \| 1990 \| 0.0195 \| - \| - \| - \| - \| - \| - \|
	\| 0.7843 \| 2000 \| 0.0035 \| - \| - \| - \| - \| - \| - \|
	\| 0.7882 \| 2010 \| 0.0412 \| - \| - \| - \| - \| - \| - \|
	\| 0.7922 \| 2020 \| 0.9465 \| - \| - \| - \| - \| - \| - \|
	\| 0.7961 \| 2030 \| 0.2679 \| - \| - \| - \| - \| - \| - \|
	\| 0.8 \| 2040 \| 1.0098 \| - \| - \| - \| - \| - \| - \|
	\| 0.8039 \| 2050 \| 0.0545 \| - \| - \| - \| - \| - \| - \|
	\| 0.8078 \| 2060 \| 0.0698 \| - \| - \| - \| - \| - \| - \|
	\| 0.8118 \| 2070 \| 0.2495 \| - \| - \| - \| - \| - \| - \|
	\| 0.8157 \| 2080 \| 0.0008 \| - \| - \| - \| - \| - \| - \|
	\| 0.8196 \| 2090 \| 0.2309 \| - \| - \| - \| - \| - \| - \|
	\| 0.8235 \| 2100 \| 0.8578 \| - \| - \| - \| - \| - \| - \|
	\| 0.8275 \| 2110 \| 0.1098 \| - \| - \| - \| - \| - \| - \|
	\| 0.8314 \| 2120 \| 0.2842 \| - \| - \| - \| - \| - \| - \|
	\| 0.8353 \| 2130 \| 0.0205 \| - \| - \| - \| - \| - \| - \|
	\| 0.8392 \| 2140 \| 1.088 \| - \| - \| - \| - \| - \| - \|
	\| 0.8431 \| 2150 \| 1.0634 \| - \| - \| - \| - \| - \| - \|
	\| 0.8471 \| 2160 \| 0.3956 \| - \| - \| - \| - \| - \| - \|
	\| 0.8510 \| 2170 \| 0.3667 \| - \| - \| - \| - \| - \| - \|
	\| 0.8549 \| 2180 \| 0.2953 \| - \| - \| - \| - \| - \| - \|
	\| 0.8588 \| 2190 \| 0.1474 \| - \| - \| - \| - \| - \| - \|
	\| 0.8627 \| 2200 \| 0.0294 \| - \| - \| - \| - \| - \| - \|
	\| 0.8667 \| 2210 \| 0.5283 \| - \| - \| - \| - \| - \| - \|
	\| 0.8706 \| 2220 \| 0.1189 \| - \| - \| - \| - \| - \| - \|
	\| 0.8745 \| 2230 \| 1.5684 \| - \| - \| - \| - \| - \| - \|
	\| 0.8784 \| 2240 \| 0.1407 \| - \| - \| - \| - \| - \| - \|
	\| 0.8824 \| 2250 \| 0.0072 \| - \| - \| - \| - \| - \| - \|
	\| 0.8863 \| 2260 \| 0.1416 \| - \| - \| - \| - \| - \| - \|
	\| 0.8902 \| 2270 \| 0.0073 \| - \| - \| - \| - \| - \| - \|
	\| 0.8941 \| 2280 \| 0.3063 \| - \| - \| - \| - \| - \| - \|
	\| 0.8980 \| 2290 \| 1.163 \| - \| - \| - \| - \| - \| - \|
	\| 0.9020 \| 2300 \| 1.0105 \| - \| - \| - \| - \| - \| - \|
	\| 0.9059 \| 2310 \| 0.3081 \| - \| - \| - \| - \| - \| - \|
	\| 0.9098 \| 2320 \| 0.8885 \| - \| - \| - \| - \| - \| - \|
	\| 0.9137 \| 2330 \| 0.6227 \| - \| - \| - \| - \| - \| - \|
	\| 0.9176 \| 2340 \| 0.162 \| - \| - \| - \| - \| - \| - \|
	\| 0.9216 \| 2350 \| 0.8446 \| - \| - \| - \| - \| - \| - \|
	\| 0.9255 \| 2360 \| 1.0671 \| - \| - \| - \| - \| - \| - \|
	\| 0.9294 \| 2370 \| 0.2389 \| - \| - \| - \| - \| - \| - \|
	\| 0.9333 \| 2380 \| 0.2388 \| - \| - \| - \| - \| - \| - \|
	\| 0.9373 \| 2390 \| 0.1551 \| - \| - \| - \| - \| - \| - \|
	\| 0.9412 \| 2400 \| 0.1235 \| - \| - \| - \| - \| - \| - \|
	\| 0.9451 \| 2410 \| 0.8217 \| - \| - \| - \| - \| - \| - \|
	\| 0.9490 \| 2420 \| 0.1481 \| - \| - \| - \| - \| - \| - \|
	\| 0.9529 \| 2430 \| 0.0845 \| - \| - \| - \| - \| - \| - \|
	\| 0.9569 \| 2440 \| 0.0885 \| - \| - \| - \| - \| - \| - \|
	\| 0.9608 \| 2450 \| 0.1161 \| - \| - \| - \| - \| - \| - \|
	\| 0.9647 \| 2460 \| 0.6158 \| - \| - \| - \| - \| - \| - \|
	\| 0.9686 \| 2470 \| 0.4698 \| - \| - \| - \| - \| - \| - \|
	\| 0.9725 \| 2480 \| 0.5941 \| - \| - \| - \| - \| - \| - \|
	\| 0.9765 \| 2490 \| 0.2422 \| - \| - \| - \| - \| - \| - \|
	\| 0.9804 \| 2500 \| 1.528 \| - \| - \| - \| - \| - \| - \|
	\| 0.9843 \| 2510 \| 0.2226 \| - \| - \| - \| - \| - \| - \|
	\| 0.9882 \| 2520 \| 0.4545 \| - \| - \| - \| - \| - \| - \|
	\| 0.9922 \| 2530 \| 0.1661 \| - \| - \| - \| - \| - \| - \|
	\| 0.9961 \| 2540 \| 0.287 \| - \| - \| - \| - \| - \| - \|
	\| 1.0 \| 2550 \| 0.003 \| 0.3010 \| 0.4441 \| 0.4368 \| 0.4245 \| 0.4124 \| 0.3880 \|
	\| 1.0039 \| 2560 \| 0.0626 \| - \| - \| - \| - \| - \| - \|
	\| 1.0078 \| 2570 \| 2.1369 \| - \| - \| - \| - \| - \| - \|
	\| 1.0118 \| 2580 \| 0.0423 \| - \| - \| - \| - \| - \| - \|
	\| 1.0157 \| 2590 \| 0.2237 \| - \| - \| - \| - \| - \| - \|
	\| 1.0196 \| 2600 \| 0.1188 \| - \| - \| - \| - \| - \| - \|
	\| 1.0235 \| 2610 \| 0.0587 \| - \| - \| - \| - \| - \| - \|
	\| 1.0275 \| 2620 \| 0.1598 \| - \| - \| - \| - \| - \| - \|
	\| 1.0314 \| 2630 \| 0.5759 \| - \| - \| - \| - \| - \| - \|
	\| 1.0353 \| 2640 \| 0.1303 \| - \| - \| - \| - \| - \| - \|
	\| 1.0392 \| 2650 \| 0.0122 \| - \| - \| - \| - \| - \| - \|
	\| 1.0431 \| 2660 \| 0.0801 \| - \| - \| - \| - \| - \| - \|
	\| 1.0471 \| 2670 \| 0.1918 \| - \| - \| - \| - \| - \| - \|
	\| 1.0510 \| 2680 \| 0.979 \| - \| - \| - \| - \| - \| - \|
	\| 1.0549 \| 2690 \| 0.1167 \| - \| - \| - \| - \| - \| - \|
	\| 1.0588 \| 2700 \| 0.0109 \| - \| - \| - \| - \| - \| - \|
	\| 1.0627 \| 2710 \| 2.6552 \| - \| - \| - \| - \| - \| - \|
	\| 1.0667 \| 2720 \| 0.3772 \| - \| - \| - \| - \| - \| - \|
	\| 1.0706 \| 2730 \| 0.1734 \| - \| - \| - \| - \| - \| - \|
	\| 1.0745 \| 2740 \| 0.121 \| - \| - \| - \| - \| - \| - \|
	\| 1.0784 \| 2750 \| 0.5071 \| - \| - \| - \| - \| - \| - \|
	\| 1.0824 \| 2760 \| 1.3621 \| - \| - \| - \| - \| - \| - \|
	\| 1.0863 \| 2770 \| 0.8395 \| - \| - \| - \| - \| - \| - \|
	\| 1.0902 \| 2780 \| 0.1566 \| - \| - \| - \| - \| - \| - \|
	\| 1.0941 \| 2790 \| 0.032 \| - \| - \| - \| - \| - \| - \|
	\| 1.0980 \| 2800 \| 0.0097 \| - \| - \| - \| - \| - \| - \|
	\| 1.1020 \| 2810 \| 0.1758 \| - \| - \| - \| - \| - \| - \|
	\| 1.1059 \| 2820 \| 0.5917 \| - \| - \| - \| - \| - \| - \|
	\| 1.1098 \| 2830 \| 2.2065 \| - \| - \| - \| - \| - \| - \|
	\| 1.1137 \| 2840 \| 0.0035 \| - \| - \| - \| - \| - \| - \|
	\| 1.1176 \| 2850 \| 0.7465 \| - \| - \| - \| - \| - \| - \|
	\| 1.1216 \| 2860 \| 0.0075 \| - \| - \| - \| - \| - \| - \|
	\| 1.1255 \| 2870 \| 0.8455 \| - \| - \| - \| - \| - \| - \|
	\| 1.1294 \| 2880 \| 0.0575 \| - \| - \| - \| - \| - \| - \|
	\| 1.1333 \| 2890 \| 0.0068 \| - \| - \| - \| - \| - \| - \|
	\| 1.1373 \| 2900 \| 0.0633 \| - \| - \| - \| - \| - \| - \|
	\| 1.1412 \| 2910 \| 0.0003 \| - \| - \| - \| - \| - \| - \|
	\| 1.1451 \| 2920 \| 0.4909 \| - \| - \| - \| - \| - \| - \|
	\| 1.1490 \| 2930 \| 0.2214 \| - \| - \| - \| - \| - \| - \|
	\| 1.1529 \| 2940 \| 0.5401 \| - \| - \| - \| - \| - \| - \|
	\| 1.1569 \| 2950 \| 0.1696 \| - \| - \| - \| - \| - \| - \|
	\| 1.1608 \| 2960 \| 0.0023 \| - \| - \| - \| - \| - \| - \|
	\| 1.1647 \| 2970 \| 0.0404 \| - \| - \| - \| - \| - \| - \|
	\| 1.1686 \| 2980 \| 0.0015 \| - \| - \| - \| - \| - \| - \|
	\| 1.1725 \| 2990 \| 0.0009 \| - \| - \| - \| - \| - \| - \|
	\| 1.1765 \| 3000 \| 0.1072 \| - \| - \| - \| - \| - \| - \|
	\| 1.1804 \| 3010 \| 0.3141 \| - \| - \| - \| - \| - \| - \|
	\| 1.1843 \| 3020 \| 0.0007 \| - \| - \| - \| - \| - \| - \|
	\| 1.1882 \| 3030 \| 0.8649 \| - \| - \| - \| - \| - \| - \|
	\| 1.1922 \| 3040 \| 0.0996 \| - \| - \| - \| - \| - \| - \|
	\| 1.1961 \| 3050 \| 0.0079 \| - \| - \| - \| - \| - \| - \|
	\| 1.2 \| 3060 \| 0.0245 \| - \| - \| - \| - \| - \| - \|
	\| 1.2039 \| 3070 \| 0.0096 \| - \| - \| - \| - \| - \| - \|
	\| 1.2078 \| 3080 \| 0.0586 \| - \| - \| - \| - \| - \| - \|
	\| 1.2118 \| 3090 \| 0.2943 \| - \| - \| - \| - \| - \| - \|
	\| 1.2157 \| 3100 \| 0.0173 \| - \| - \| - \| - \| - \| - \|
	\| 1.2196 \| 3110 \| 0.368 \| - \| - \| - \| - \| - \| - \|
	\| 1.2235 \| 3120 \| 0.0091 \| - \| - \| - \| - \| - \| - \|
	\| 1.2275 \| 3130 \| 0.0235 \| - \| - \| - \| - \| - \| - \|
	\| 1.2314 \| 3140 \| 0.0148 \| - \| - \| - \| - \| - \| - \|
	\| 1.2353 \| 3150 \| 0.1227 \| - \| - \| - \| - \| - \| - \|
	\| 1.2392 \| 3160 \| 0.1431 \| - \| - \| - \| - \| - \| - \|
	\| 1.2431 \| 3170 \| 0.0011 \| - \| - \| - \| - \| - \| - \|
	\| 1.2471 \| 3180 \| 0.4102 \| - \| - \| - \| - \| - \| - \|
	\| 1.2510 \| 3190 \| 0.5852 \| - \| - \| - \| - \| - \| - \|
	\| 1.2549 \| 3200 \| 0.0363 \| - \| - \| - \| - \| - \| - \|
	\| 1.2588 \| 3210 \| 0.0415 \| - \| - \| - \| - \| - \| - \|
	\| 1.2627 \| 3220 \| 0.0016 \| - \| - \| - \| - \| - \| - \|
	\| 1.2667 \| 3230 \| 0.1276 \| - \| - \| - \| - \| - \| - \|
	\| 1.2706 \| 3240 \| 0.0727 \| - \| - \| - \| - \| - \| - \|
	\| 1.2745 \| 3250 \| 0.0488 \| - \| - \| - \| - \| - \| - \|
	\| 1.2784 \| 3260 \| 0.1309 \| - \| - \| - \| - \| - \| - \|
	\| 1.2824 \| 3270 \| 0.0007 \| - \| - \| - \| - \| - \| - \|
	\| 1.2863 \| 3280 \| 0.0049 \| - \| - \| - \| - \| - \| - \|
	\| 1.2902 \| 3290 \| 0.0129 \| - \| - \| - \| - \| - \| - \|
	\| 1.2941 \| 3300 \| 0.3765 \| - \| - \| - \| - \| - \| - \|
	\| 1.2980 \| 3310 \| 0.0009 \| - \| - \| - \| - \| - \| - \|
	\| 1.3020 \| 3320 \| 0.1582 \| - \| - \| - \| - \| - \| - \|
	\| 1.3059 \| 3330 \| 0.0373 \| - \| - \| - \| - \| - \| - \|
	\| 1.3098 \| 3340 \| 0.002 \| - \| - \| - \| - \| - \| - \|
	\| 1.3137 \| 3350 \| 0.0514 \| - \| - \| - \| - \| - \| - \|
	\| 1.3176 \| 3360 \| 0.0571 \| - \| - \| - \| - \| - \| - \|
	\| 1.3216 \| 3370 \| 0.0 \| - \| - \| - \| - \| - \| - \|
	\| 1.3255 \| 3380 \| 0.2367 \| - \| - \| - \| - \| - \| - \|
	\| 1.3294 \| 3390 \| 0.0077 \| - \| - \| - \| - \| - \| - \|
	\| 1.3333 \| 3400 \| 0.0088 \| - \| - \| - \| - \| - \| - \|
	\| 1.3373 \| 3410 \| 0.0024 \| - \| - \| - \| - \| - \| - \|
	\| 1.3412 \| 3420 \| 0.0058 \| - \| - \| - \| - \| - \| - \|
	\| 1.3451 \| 3430 \| 0.5818 \| - \| - \| - \| - \| - \| - \|
	\| 1.3490 \| 3440 \| 0.0003 \| - \| - \| - \| - \| - \| - \|
	\| 1.3529 \| 3450 \| 0.0096 \| - \| - \| - \| - \| - \| - \|
	\| 1.3569 \| 3460 \| 0.0261 \| - \| - \| - \| - \| - \| - \|
	\| 1.3608 \| 3470 \| 0.0002 \| - \| - \| - \| - \| - \| - \|
	\| 1.3647 \| 3480 \| 0.0205 \| - \| - \| - \| - \| - \| - \|
	\| 1.3686 \| 3490 \| 0.0965 \| - \| - \| - \| - \| - \| - \|
	\| 1.3725 \| 3500 \| 0.4948 \| - \| - \| - \| - \| - \| - \|
	\| 1.3765 \| 3510 \| 0.1379 \| - \| - \| - \| - \| - \| - \|
	\| 1.3804 \| 3520 \| 0.021 \| - \| - \| - \| - \| - \| - \|
	\| 1.3843 \| 3530 \| 0.0243 \| - \| - \| - \| - \| - \| - \|
	\| 1.3882 \| 3540 \| 0.0019 \| - \| - \| - \| - \| - \| - \|
	\| 1.3922 \| 3550 \| 0.0053 \| - \| - \| - \| - \| - \| - \|
	\| 1.3961 \| 3560 \| 0.0005 \| - \| - \| - \| - \| - \| - \|
	\| 1.4 \| 3570 \| 0.001 \| - \| - \| - \| - \| - \| - \|
	\| 1.4039 \| 3580 \| 0.0025 \| - \| - \| - \| - \| - \| - \|
	\| 1.4078 \| 3590 \| 0.0012 \| - \| - \| - \| - \| - \| - \|
	\| 1.4118 \| 3600 \| 0.0053 \| - \| - \| - \| - \| - \| - \|
	\| 1.4157 \| 3610 \| 0.042 \| - \| - \| - \| - \| - \| - \|
	\| 1.4196 \| 3620 \| 0.0051 \| - \| - \| - \| - \| - \| - \|
	\| 1.4235 \| 3630 \| 0.0029 \| - \| - \| - \| - \| - \| - \|
	\| 1.4275 \| 3640 \| 0.2703 \| - \| - \| - \| - \| - \| - \|
	\| 1.4314 \| 3650 \| 0.0003 \| - \| - \| - \| - \| - \| - \|
	\| 1.4353 \| 3660 \| 0.0251 \| - \| - \| - \| - \| - \| - \|
	\| 1.4392 \| 3670 \| 0.0065 \| - \| - \| - \| - \| - \| - \|
	\| 1.4431 \| 3680 \| 0.0001 \| - \| - \| - \| - \| - \| - \|
	\| 1.4471 \| 3690 \| 0.0915 \| - \| - \| - \| - \| - \| - \|
	\| 1.4510 \| 3700 \| 0.0492 \| - \| - \| - \| - \| - \| - \|
	\| 1.4549 \| 3710 \| 0.0039 \| - \| - \| - \| - \| - \| - \|
	\| 1.4588 \| 3720 \| 0.0179 \| - \| - \| - \| - \| - \| - \|
	\| 1.4627 \| 3730 \| 0.3271 \| - \| - \| - \| - \| - \| - \|
	\| 1.4667 \| 3740 \| 0.0054 \| - \| - \| - \| - \| - \| - \|
	\| 1.4706 \| 3750 \| 0.1554 \| - \| - \| - \| - \| - \| - \|
	\| 1.4745 \| 3760 \| 0.0131 \| - \| - \| - \| - \| - \| - \|
	\| 1.4784 \| 3770 \| 0.0001 \| - \| - \| - \| - \| - \| - \|
	\| 1.4824 \| 3780 \| 0.2807 \| - \| - \| - \| - \| - \| - \|
	\| 1.4863 \| 3790 \| 0.0002 \| - \| - \| - \| - \| - \| - \|
	\| 1.4902 \| 3800 \| 0.0015 \| - \| - \| - \| - \| - \| - \|
	\| 1.4941 \| 3810 \| 0.0689 \| - \| - \| - \| - \| - \| - \|
	\| 1.4980 \| 3820 \| 0.2172 \| - \| - \| - \| - \| - \| - \|
	\| 1.5020 \| 3830 \| 0.0008 \| - \| - \| - \| - \| - \| - \|
	\| 1.5059 \| 3840 \| 0.0535 \| - \| - \| - \| - \| - \| - \|
	\| 1.5098 \| 3850 \| 0.0822 \| - \| - \| - \| - \| - \| - \|
	\| 1.5137 \| 3860 \| 0.0012 \| - \| - \| - \| - \| - \| - \|
	\| 1.5176 \| 3870 \| 0.0066 \| - \| - \| - \| - \| - \| - \|
	\| 1.5216 \| 3880 \| 0.0665 \| - \| - \| - \| - \| - \| - \|
	\| 1.5255 \| 3890 \| 0.0003 \| - \| - \| - \| - \| - \| - \|
	\| 1.5294 \| 3900 \| 0.0148 \| - \| - \| - \| - \| - \| - \|
	\| 1.5333 \| 3910 \| 0.0006 \| - \| - \| - \| - \| - \| - \|
	\| 1.5373 \| 3920 \| 0.8161 \| - \| - \| - \| - \| - \| - \|
	\| 1.5412 \| 3930 \| 0.0008 \| - \| - \| - \| - \| - \| - \|
	\| 1.5451 \| 3940 \| 0.1537 \| - \| - \| - \| - \| - \| - \|
	\| 1.5490 \| 3950 \| 0.1513 \| - \| - \| - \| - \| - \| - \|
	\| 1.5529 \| 3960 \| 0.0325 \| - \| - \| - \| - \| - \| - \|
	\| 1.5569 \| 3970 \| 0.1157 \| - \| - \| - \| - \| - \| - \|
	\| 1.5608 \| 3980 \| 0.0054 \| - \| - \| - \| - \| - \| - \|
	\| 1.5647 \| 3990 \| 0.0008 \| - \| - \| - \| - \| - \| - \|
	\| 1.5686 \| 4000 \| 0.0009 \| - \| - \| - \| - \| - \| - \|
	\| 1.5725 \| 4010 \| 0.0047 \| - \| - \| - \| - \| - \| - \|
	\| 1.5765 \| 4020 \| 0.0316 \| - \| - \| - \| - \| - \| - \|
	\| 1.5804 \| 4030 \| 0.0328 \| - \| - \| - \| - \| - \| - \|
	\| 1.5843 \| 4040 \| 0.0705 \| - \| - \| - \| - \| - \| - \|
	\| 1.5882 \| 4050 \| 0.0002 \| - \| - \| - \| - \| - \| - \|
	\| 1.5922 \| 4060 \| 0.0019 \| - \| - \| - \| - \| - \| - \|
	\| 1.5961 \| 4070 \| 0.0004 \| - \| - \| - \| - \| - \| - \|
	\| 1.6 \| 4080 \| 0.0002 \| - \| - \| - \| - \| - \| - \|
	\| 1.6039 \| 4090 \| 0.0069 \| - \| - \| - \| - \| - \| - \|
	\| 1.6078 \| 4100 \| 0.2099 \| - \| - \| - \| - \| - \| - \|
	\| 1.6118 \| 4110 \| 0.0251 \| - \| - \| - \| - \| - \| - \|
	\| 1.6157 \| 4120 \| 0.0628 \| - \| - \| - \| - \| - \| - \|
	\| 1.6196 \| 4130 \| 0.0003 \| - \| - \| - \| - \| - \| - \|
	\| 1.6235 \| 4140 \| 0.0096 \| - \| - \| - \| - \| - \| - \|
	\| 1.6275 \| 4150 \| 0.0 \| - \| - \| - \| - \| - \| - \|
	\| 1.6314 \| 4160 \| 0.0034 \| - \| - \| - \| - \| - \| - \|
	\| 1.6353 \| 4170 \| 0.0155 \| - \| - \| - \| - \| - \| - \|
	\| 1.6392 \| 4180 \| 0.0014 \| - \| - \| - \| - \| - \| - \|
	\| 1.6431 \| 4190 \| 0.001 \| - \| - \| - \| - \| - \| - \|
	\| 1.6471 \| 4200 \| 0.0015 \| - \| - \| - \| - \| - \| - \|
	\| 1.6510 \| 4210 \| 0.0418 \| - \| - \| - \| - \| - \| - \|
	\| 1.6549 \| 4220 \| 0.0012 \| - \| - \| - \| - \| - \| - \|
	\| 1.6588 \| 4230 \| 0.0037 \| - \| - \| - \| - \| - \| - \|
	\| 1.6627 \| 4240 \| 0.1429 \| - \| - \| - \| - \| - \| - \|
	\| 1.6667 \| 4250 \| 0.0915 \| - \| - \| - \| - \| - \| - \|
	\| 1.6706 \| 4260 \| 0.2274 \| - \| - \| - \| - \| - \| - \|
	\| 1.6745 \| 4270 \| 0.0011 \| - \| - \| - \| - \| - \| - \|
	\| 1.6784 \| 4280 \| 0.1131 \| - \| - \| - \| - \| - \| - \|
	\| 1.6824 \| 4290 \| 0.0184 \| - \| - \| - \| - \| - \| - \|
	\| 1.6863 \| 4300 \| 0.0031 \| - \| - \| - \| - \| - \| - \|
	\| 1.6902 \| 4310 \| 0.0264 \| - \| - \| - \| - \| - \| - \|
	\| 1.6941 \| 4320 \| 0.0022 \| - \| - \| - \| - \| - \| - \|
	\| 1.6980 \| 4330 \| 0.0098 \| - \| - \| - \| - \| - \| - \|
	\| 1.7020 \| 4340 \| 0.0155 \| - \| - \| - \| - \| - \| - \|
	\| 1.7059 \| 4350 \| 0.0032 \| - \| - \| - \| - \| - \| - \|
	\| 1.7098 \| 4360 \| 0.0076 \| - \| - \| - \| - \| - \| - \|
	\| 1.7137 \| 4370 \| 0.0006 \| - \| - \| - \| - \| - \| - \|
	\| 1.7176 \| 4380 \| 0.0015 \| - \| - \| - \| - \| - \| - \|
	\| 1.7216 \| 4390 \| 0.0027 \| - \| - \| - \| - \| - \| - \|
	\| 1.7255 \| 4400 \| 0.0131 \| - \| - \| - \| - \| - \| - \|
	\| 1.7294 \| 4410 \| 0.0014 \| - \| - \| - \| - \| - \| - \|
	\| 1.7333 \| 4420 \| 0.0004 \| - \| - \| - \| - \| - \| - \|
	\| 1.7373 \| 4430 \| 0.0057 \| - \| - \| - \| - \| - \| - \|
	\| 1.7412 \| 4440 \| 0.0016 \| - \| - \| - \| - \| - \| - \|
	\| 1.7451 \| 4450 \| 0.0 \| - \| - \| - \| - \| - \| - \|
	\| 1.7490 \| 4460 \| 0.0019 \| - \| - \| - \| - \| - \| - \|
	\| 1.7529 \| 4470 \| 0.0007 \| - \| - \| - \| - \| - \| - \|
	\| 1.7569 \| 4480 \| 0.0003 \| - \| - \| - \| - \| - \| - \|
	\| 1.7608 \| 4490 \| 0.0025 \| - \| - \| - \| - \| - \| - \|
	\| 1.7647 \| 4500 \| 0.0056 \| - \| - \| - \| - \| - \| - \|
	\| 1.7686 \| 4510 \| 0.0025 \| - \| - \| - \| - \| - \| - \|
	\| 1.7725 \| 4520 \| 0.0046 \| - \| - \| - \| - \| - \| - \|
	\| 1.7765 \| 4530 \| 0.019 \| - \| - \| - \| - \| - \| - \|
	\| 1.7804 \| 4540 \| 0.0007 \| - \| - \| - \| - \| - \| - \|
	\| 1.7843 \| 4550 \| 0.0001 \| - \| - \| - \| - \| - \| - \|
	\| 1.7882 \| 4560 \| 0.0004 \| - \| - \| - \| - \| - \| - \|
	\| 1.7922 \| 4570 \| 0.0031 \| - \| - \| - \| - \| - \| - \|
	\| 1.7961 \| 4580 \| 0.0307 \| - \| - \| - \| - \| - \| - \|
	\| 1.8 \| 4590 \| 0.516 \| - \| - \| - \| - \| - \| - \|
	\| 1.8039 \| 4600 \| 0.0002 \| - \| - \| - \| - \| - \| - \|
	\| 1.8078 \| 4610 \| 0.001 \| - \| - \| - \| - \| - \| - \|
	\| 1.8118 \| 4620 \| 0.0 \| - \| - \| - \| - \| - \| - \|
	\| 1.8157 \| 4630 \| 0.0002 \| - \| - \| - \| - \| - \| - \|
	\| 1.8196 \| 4640 \| 0.086 \| - \| - \| - \| - \| - \| - \|
	\| 1.8235 \| 4650 \| 0.0126 \| - \| - \| - \| - \| - \| - \|
	\| 1.8275 \| 4660 \| 0.0001 \| - \| - \| - \| - \| - \| - \|
	\| 1.8314 \| 4670 \| 0.0002 \| - \| - \| - \| - \| - \| - \|
	\| 1.8353 \| 4680 \| 0.0017 \| - \| - \| - \| - \| - \| - \|
	\| 1.8392 \| 4690 \| 0.0197 \| - \| - \| - \| - \| - \| - \|
	\| 1.8431 \| 4700 \| 0.0007 \| - \| - \| - \| - \| - \| - \|
	\| 1.8471 \| 4710 \| 0.0012 \| - \| - \| - \| - \| - \| - \|
	\| 1.8510 \| 4720 \| 0.0096 \| - \| - \| - \| - \| - \| - \|
	\| 1.8549 \| 4730 \| 0.002 \| - \| - \| - \| - \| - \| - \|
	\| 1.8588 \| 4740 \| 0.0027 \| - \| - \| - \| - \| - \| - \|
	\| 1.8627 \| 4750 \| 0.0015 \| - \| - \| - \| - \| - \| - \|
	\| 1.8667 \| 4760 \| 0.1923 \| - \| - \| - \| - \| - \| - \|
	\| 1.8706 \| 4770 \| 0.0044 \| - \| - \| - \| - \| - \| - \|
	\| 1.8745 \| 4780 \| 0.008 \| - \| - \| - \| - \| - \| - \|
	\| 1.8784 \| 4790 \| 0.0 \| - \| - \| - \| - \| - \| - \|
	\| 1.8824 \| 4800 \| 0.0005 \| - \| - \| - \| - \| - \| - \|
	\| 1.8863 \| 4810 \| 0.0008 \| - \| - \| - \| - \| - \| - \|
	\| 1.8902 \| 4820 \| 0.0051 \| - \| - \| - \| - \| - \| - \|
	\| 1.8941 \| 4830 \| 0.0009 \| - \| - \| - \| - \| - \| - \|
	\| 1.8980 \| 4840 \| 0.0076 \| - \| - \| - \| - \| - \| - \|
	\| 1.9020 \| 4850 \| 0.0357 \| - \| - \| - \| - \| - \| - \|
	\| 1.9059 \| 4860 \| 0.0201 \| - \| - \| - \| - \| - \| - \|
	\| 1.9098 \| 4870 \| 0.0031 \| - \| - \| - \| - \| - \| - \|
	\| 1.9137 \| 4880 \| 0.0363 \| - \| - \| - \| - \| - \| - \|
	\| 1.9176 \| 4890 \| 0.0066 \| - \| - \| - \| - \| - \| - \|
	\| 1.9216 \| 4900 \| 0.1219 \| - \| - \| - \| - \| - \| - \|
	\| 1.9255 \| 4910 \| 0.7874 \| - \| - \| - \| - \| - \| - \|
	\| 1.9294 \| 4920 \| 0.0065 \| - \| - \| - \| - \| - \| - \|
	\| 1.9333 \| 4930 \| 0.124 \| - \| - \| - \| - \| - \| - \|
	\| 1.9373 \| 4940 \| 0.0745 \| - \| - \| - \| - \| - \| - \|
	\| 1.9412 \| 4950 \| 0.0126 \| - \| - \| - \| - \| - \| - \|
	\| 1.9451 \| 4960 \| 0.0001 \| - \| - \| - \| - \| - \| - \|
	\| 1.9490 \| 4970 \| 0.0037 \| - \| - \| - \| - \| - \| - \|
	\| 1.9529 \| 4980 \| 0.0 \| - \| - \| - \| - \| - \| - \|
	\| 1.9569 \| 4990 \| 0.0001 \| - \| - \| - \| - \| - \| - \|
	\| 1.9608 \| 5000 \| 0.0006 \| - \| - \| - \| - \| - \| - \|
	\| 1.9647 \| 5010 \| 0.0095 \| - \| - \| - \| - \| - \| - \|
	\| 1.9686 \| 5020 \| 0.0004 \| - \| - \| - \| - \| - \| - \|
	\| 1.9725 \| 5030 \| 0.0778 \| - \| - \| - \| - \| - \| - \|
	\| 1.9765 \| 5040 \| 0.0013 \| - \| - \| - \| - \| - \| - \|
	\| 1.9804 \| 5050 \| 0.0159 \| - \| - \| - \| - \| - \| - \|
	\| 1.9843 \| 5060 \| 0.0106 \| - \| - \| - \| - \| - \| - \|
	\| 1.9882 \| 5070 \| 0.0034 \| - \| - \| - \| - \| - \| - \|
	\| 1.9922 \| 5080 \| 0.0262 \| - \| - \| - \| - \| - \| - \|
	\| 1.9961 \| 5090 \| 0.0213 \| - \| - \| - \| - \| - \| - \|
	\| 2.0 \| 5100 \| 0.0002 \| 0.232 \| 0.5026 \| 0.499 \| 0.4911 \| 0.4743 \| 0.455 \|

	* The bold row denotes the saved checkpoint.
	</details>

	### Framework Versions
	- Python: 3.10.14
	- Sentence Transformers: 3.3.1
	- Transformers: 4.41.2
	- PyTorch: 2.1.2+cu121
	- Accelerate: 0.29.3
	- Datasets: 2.19.1
	- Tokenizers: 0.19.1

	## Citation

	### BibTeX

	#### Sentence Transformers
	```bibtex
	@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",
	}
	```

	#### MatryoshkaLoss
	```bibtex
	@misc{kusupati2024matryoshka,
	title={Matryoshka Representation Learning},
	author={Aditya Kusupati and Gantavya Bhatt and Aniket Rege and Matthew Wallingford and Aditya Sinha and Vivek Ramanujan and William Howard-Snyder and Kaifeng Chen and Sham Kakade and Prateek Jain and Ali Farhadi},
	year={2024},
	eprint={2205.13147},
	archivePrefix={arXiv},
	primaryClass={cs.LG}
	}
	```

	#### MultipleNegativesRankingLoss
	```bibtex
	@misc{henderson2017efficient,
	title={Efficient Natural Language Response Suggestion for Smart Reply},
	author={Matthew Henderson and Rami Al-Rfou and Brian Strope and Yun-hsuan Sung and Laszlo Lukacs and Ruiqi Guo and Sanjiv Kumar and Balint Miklos and Ray Kurzweil},
	year={2017},
	eprint={1705.00652},
	archivePrefix={arXiv},
	primaryClass={cs.CL}
	}
	```

	<!--
	## Glossary

	Clearly define terms in order to be accessible across audiences.
	-->

	<!--
	## Model Card Authors

	Lists the people who create the model card, providing recognition and accountability for the detailed work that goes into its construction.
	-->

	<!--
	## Model Card Contact

	Provides a way for people who have updates to the Model Card, suggestions, or questions, to contact the Model Card authors.
	-->