Hugging Face's logo

lemon-mint
/
mMiniLMv2-L12-H384-Distilled-Iter12-final

Sentence Similarity
sentence-transformers
Safetensors
xlm-roberta
feature-extraction
Generated from Trainer
dataset_size:480616
loss:MSELoss
Eval Results
text-embeddings-inference
Inference Endpoints
Model card Files Community
mMiniLMv2-L12-H384-Distilled-Iter12-final / README.md
lemon-mint's picture
lemon-mint
Add new SentenceTransformer model.
1cbab8e verified
preview code
|
raw
history blame contribute delete
147 kB
metadata
base_model: lemon-mint/mMiniLMv2-L12-H384-Distilled-Iter11-final
datasets: []
language: []
library_name: sentence-transformers
metrics:
  - pearson_cosine
  - spearman_cosine
  - pearson_manhattan
  - spearman_manhattan
  - pearson_euclidean
  - spearman_euclidean
  - pearson_dot
  - spearman_dot
  - pearson_max
  - spearman_max
  - cosine_accuracy@1
  - cosine_accuracy@3
  - cosine_accuracy@5
  - cosine_accuracy@10
  - cosine_precision@1
  - cosine_precision@3
  - cosine_precision@5
  - cosine_precision@10
  - cosine_recall@1
  - cosine_recall@3
  - cosine_recall@5
  - cosine_recall@10
  - cosine_ndcg@10
  - cosine_mrr@10
  - cosine_map@100
  - dot_accuracy@1
  - dot_accuracy@3
  - dot_accuracy@5
  - dot_accuracy@10
  - dot_precision@1
  - dot_precision@3
  - dot_precision@5
  - dot_precision@10
  - dot_recall@1
  - dot_recall@3
  - dot_recall@5
  - dot_recall@10
  - dot_ndcg@10
  - dot_mrr@10
  - dot_map@100
pipeline_tag: sentence-similarity
tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - generated_from_trainer
  - dataset_size:480616
  - loss:MSELoss
widget:
  - source_sentence: 'query: 맨체스터 해운 운하 프로젝트를 위한 두 가지 계획은 무엇이었습니까?'
    sentences:
      - >-
        passage: 수업에 적극적으로 참여하는 것은 교사에게 당신의 동기와 호기심을 보여주는 중요한 방법입니다. 이는 교사가 학생에게
        더 많은 관심을 기울이도록 격려하는 효과를 가져옵니다. 수업에 적극적으로 참여하면 수업 내용을 더 깊이 이해할 수 있으며,
        교사와의 소통을 원활하게 할 수 있습니다.


        수업 시간에는 교사의 말에 귀 기울이고 중요한 내용을 꼼꼼하게 적어두는 것이 중요합니다. 또한 토론과 그룹 활동에 참여하고 질문을
        통해 궁금한 점을 해결하는 적극적인 태도를 보여주세요. 이를 통해 교사는 학생이 수업에 적극적인 태도를 가지고 있으며, 학습에
        진지하게 임한다는 것을 알 수 있습니다.
      - >-
        passage: Water is a precious resource, so it's important to conserve it.


        Reduce water waste by taking shorter showers, ideally no longer than
        five minutes. Install a low-flow showerhead to further decrease water
        consumption while maintaining adequate pressure.
      - >-
        passage: 어수선함은 스트레스, 무질서, 생산성 저하로 이어질 수 있습니다. 반면 깔끔함은 집중력, 정신 건강, 삶의 질
        향상에 도움이 될 수 있습니다. 이 포괄적인 가이드는 명확한 단계, 유용한 팁, 실용적인 통찰력을 통해 어수선한 습관을 깔끔한
        습관으로 바꾸는 과정을 안내합니다.


        첫 번째 단계는 현재 습관을 파악하는 것입니다. 일상 생활을 분석하고 무질서로 인해 어수선해지거나 작업이 미완료되는 영역을
        파악합니다. 흔한 예로는 어수선한 작업 공간, 쌓인 빨래, 미루어둔 심부름, 과도하게 채워진 냉장고 등이 있습니다. 이러한 패턴을
        이해하는 것은 효과적으로 해결하는 데 매우 중요합니다.


        핵심 팁: 습관을 바꾸는 데는 시간이 걸린다는 것을 기억하십시오. 이 과정 전반에 걸쳐 자신에게 인내심을 가지십시오.
  - source_sentence: 'query: 부틀 전쟁 기념비에 어떤 특별한 점이 있습니까?'
    sentences:
      - >-
        query: What type of companies are single-entry bookkeeping best suited
        for?
      - >-
        passage: 오토바이 브레이크 블리딩은 숙련된 기술을 요구하는 작업입니다. 부상 위험을 최소화하고 안전하게 작업을 진행하려면
        다음 안전 지침을 숙지해야 합니다.


        1. 작업 중에는 항상 장갑과 안전 고글을 착용하십시오. 유압 유체와 도구를 취급할 때는 눈이나 입에 닿지 않도록 주의해야
        합니다. 유압 유체는 피부 자극을 유발할 수 있습니다.

        2. 작업을 시작하기 전에 작업 공간을 환기시켜 유압 브레이크 유체에서 나오는 유해한 연기를 흡입하지 않도록 하십시오.

        3. 오토바이를 작업대 또는 패드 스탠드에 안전하게 고정시키고, 모든 도구를 정리하여 실수로 떨어뜨리거나 미끄러지지 않도록
        주의하십시오.

        4. 사용한 유압 유체는 현지 규정에 따라 적절히 처리해야 합니다.
      - >-
        passage: 에키노칵투스는 황금 술통 선인장 (Echinocactus grusonii)과 할머니 선인장
        (Echinocactus polycephalus)과 같은 여러 인기 종을 포함하는 선인장 속입니다. 이 선인장들은 독특한 모양,
        아름다운 가시와 낮은 관리 요구 사항으로 유명합니다. 그러나 번창하려면 여전히 적절한 관리가 필요합니다. 이 가이드는
        에키노칵투스를 관리하는 방법에 대한 자세한 단계를 제공하여 건강과 장수를 보장합니다.


        첫째, 적합한 화분과 흙을 선택하는 것이 중요합니다. 과도한 수분으로 인한 뿌리 부패를 방지하기 위해 배수구가 있는 테라코타 또는
        무광택 도자기 화분을 선택하십시오. 화분은 선인장의 현재 크기보다 약간만 크게 해야 합니다. 너무 큰 화분은 물이 고인 흙으로
        이어질 수 있습니다.


        흙은 배수가 잘 되는 선인장 혼합물을 선택하거나 펄라이트, 거친 모래, 피트모스 또는 퇴비를 같은 비율로 섞어서 직접 만들 수
        있습니다. 이 혼합물은 식물의 뿌리에 적절한 통기와 배수를 제공하면서도 약간의 수분을 유지합니다.
  - source_sentence: 'query: Why did Kerouac not publish "The Sea Is My Brother"?'
    sentences:
      - 'query: 미국 독립 전쟁에서 게릴라 전쟁이 사용된 가장 유명한 사례는 무엇입니까?'
      - 'query: Who were some artists who died in October 1996?'
      - 'query: Hypericum terrae-firmae는 어떤 형태의 식물인가요?'
  - source_sentence: 'query: 조지 매시 터널의 길이는 얼마나 되나요?'
    sentences:
      - >-
        passage: 주식 투자를 위한 목표와 투자 대상을 정했다면, 이제 매매 전략을 개발해야 합니다. 재정 목표, 시간 제약, 위험
        감수 수준에 맞는 전략을 세우세요. 단기 매매(데이트레이딩 또는 스윙 트레이딩)에 집중할지, 장기 투자(장기 보유 전략)에
        집중할지 결정하십시오. 또한 포지션 진입 및 청산을 위한 목표 가격을 설정하십시오.


        감정적인 의사 결정은 종종 투자 결과를 악화시킵니다. 시장 변동성 동안 감정을 관리하기 위한 규칙을 정하고 사전에 정의한 매매
        전략을 고수하십시오.
      - >-
        query: Why was the 1999 Le Mans Fuji 1000km race not part of the JGTC
        season?
      - >-
        passage: Tibia is a popular massively multiplayer online role-playing
        game (MMORPG) with various aspects that allow players to engage in
        different playstyles. One such playstyle is being a player killer (PK),
        where you hunt other characters instead of monsters. This guide will
        provide an in-depth explanation of becoming a PK in Tibia while ensuring
        clarity, practicality, and adherence to essential tips and guidelines.
        Please note that engaging in PKing can have consequences, including
        losing items upon death or account bans if rules are violated. Proceed
        at your own risk.


        The first step in becoming a PK in Tibia is to understand the basics of
        the game. Learn about character creation, skills, spells, equipment, and
        the user interface. Spend time exploring the game's features, completing
        quests, and understanding its mechanics. A solid foundation in these
        areas will be beneficial when transitioning into PKing.
  - source_sentence: 'query: 오스트리아의 총리는 어떻게 선출되나요?'
    sentences:
      - 'query: What battle did Castle get injured in?'
      - >-
        query: How many stories did the first building of St. Stephen's Church
        have?
      - >-
        passage: 가족 구성원을 내쫓는 것은 모든 당사자에게 심각한 감정적 결과를 초래할 수 있는 극단적인 조치이므로 신중하게
        고려해야 합니다. 이 가이드는 내쫓는 것이 무엇을 의미하는지 그리고 상황에 맞는 선택인지 이해하는 데 도움이 되는 포괄적인 단계를
        제공합니다. 이 기사는 가족 구성원을 내쫓는 것을 옹호하거나 권장하지 않으며 사용자의 요청에 따라 정보를 제공합니다.


        내쫓는 것을 고려하는 첫 번째 단계는 가족 구성원을 내쫓고 싶은 이유를 평가하는 것입니다. 일반적인 이유로는 지속적인
        학대(신체적, 정신적 또는 재정적), 중독 문제, 심각한 성격 차이 또는 유해한 행동이 있습니다. 치료사, 상담사 또는 신뢰할 수
        있는 종교 지도자와 같은 전문가의 조언을 구하여 대안적인 관점과 대처 전략을 제공받을 수 있습니다. 내쫓는 것이 근본적인 문제를
        해결하지 못하고 오히려 악화될 수 있다는 점을 기억하십시오.
model-index:
  - name: >-
      SentenceTransformer based on
      lemon-mint/mMiniLMv2-L12-H384-Distilled-Iter11-final
    results:
      - task:
          type: semantic-similarity
          name: Semantic Similarity
        dataset:
          name: sts dev
          type: sts-dev
        metrics:
          - type: pearson_cosine
            value: 0.7842546893200867
            name: Pearson Cosine
          - type: spearman_cosine
            value: 0.7917116487346876
            name: Spearman Cosine
          - type: pearson_manhattan
            value: 0.7898916079720373
            name: Pearson Manhattan
          - type: spearman_manhattan
            value: 0.7910888301816695
            name: Spearman Manhattan
          - type: pearson_euclidean
            value: 0.7904666983590452
            name: Pearson Euclidean
          - type: spearman_euclidean
            value: 0.7917116487346876
            name: Spearman Euclidean
          - type: pearson_dot
            value: 0.7842546935611145
            name: Pearson Dot
          - type: spearman_dot
            value: 0.7917116487346876
            name: Spearman Dot
          - type: pearson_max
            value: 0.7904666983590452
            name: Pearson Max
          - type: spearman_max
            value: 0.7917116487346876
            name: Spearman Max
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: Ko StrategyQA dev
          type: Ko-StrategyQA-dev
        metrics:
          - type: cosine_accuracy@1
            value: 0.47635135135135137
            name: Cosine Accuracy@1
          - type: cosine_accuracy@3
            value: 0.6233108108108109
            name: Cosine Accuracy@3
          - type: cosine_accuracy@5
            value: 0.6858108108108109
            name: Cosine Accuracy@5
          - type: cosine_accuracy@10
            value: 0.7263513513513513
            name: Cosine Accuracy@10
          - type: cosine_precision@1
            value: 0.47635135135135137
            name: Cosine Precision@1
          - type: cosine_precision@3
            value: 0.27815315315315314
            name: Cosine Precision@3
          - type: cosine_precision@5
            value: 0.19797297297297298
            name: Cosine Precision@5
          - type: cosine_precision@10
            value: 0.11233108108108109
            name: Cosine Precision@10
          - type: cosine_recall@1
            value: 0.30356338481338485
            name: Cosine Recall@1
          - type: cosine_recall@3
            value: 0.48588320463320456
            name: Cosine Recall@3
          - type: cosine_recall@5
            value: 0.5615307271557272
            name: Cosine Recall@5
          - type: cosine_recall@10
            value: 0.6275217181467181
            name: Cosine Recall@10
          - type: cosine_ndcg@10
            value: 0.5339919109688704
            name: Cosine Ndcg@10
          - type: cosine_mrr@10
            value: 0.5620790433290432
            name: Cosine Mrr@10
          - type: cosine_map@100
            value: 0.48197989758767446
            name: Cosine Map@100
          - type: dot_accuracy@1
            value: 0.47635135135135137
            name: Dot Accuracy@1
          - type: dot_accuracy@3
            value: 0.6233108108108109
            name: Dot Accuracy@3
          - type: dot_accuracy@5
            value: 0.6858108108108109
            name: Dot Accuracy@5
          - type: dot_accuracy@10
            value: 0.7263513513513513
            name: Dot Accuracy@10
          - type: dot_precision@1
            value: 0.47635135135135137
            name: Dot Precision@1
          - type: dot_precision@3
            value: 0.27815315315315314
            name: Dot Precision@3
          - type: dot_precision@5
            value: 0.19797297297297298
            name: Dot Precision@5
          - type: dot_precision@10
            value: 0.11233108108108109
            name: Dot Precision@10
          - type: dot_recall@1
            value: 0.30356338481338485
            name: Dot Recall@1
          - type: dot_recall@3
            value: 0.48588320463320456
            name: Dot Recall@3
          - type: dot_recall@5
            value: 0.5615307271557272
            name: Dot Recall@5
          - type: dot_recall@10
            value: 0.6275217181467181
            name: Dot Recall@10
          - type: dot_ndcg@10
            value: 0.5339919109688704
            name: Dot Ndcg@10
          - type: dot_mrr@10
            value: 0.5620790433290432
            name: Dot Mrr@10
          - type: dot_map@100
            value: 0.48197989758767446
            name: Dot Map@100
      - task:
          type: semantic-similarity
          name: Semantic Similarity
        dataset:
          name: sts test
          type: sts-test
        metrics:
          - type: pearson_cosine
            value: 0.7120621529416492
            name: Pearson Cosine
          - type: spearman_cosine
            value: 0.714291604968088
            name: Spearman Cosine
          - type: pearson_manhattan
            value: 0.7236162123367763
            name: Pearson Manhattan
          - type: spearman_manhattan
            value: 0.7139844146464364
            name: Spearman Manhattan
          - type: pearson_euclidean
            value: 0.7236232398995261
            name: Pearson Euclidean
          - type: spearman_euclidean
            value: 0.714291604968088
            name: Spearman Euclidean
          - type: pearson_dot
            value: 0.7120621594492764
            name: Pearson Dot
          - type: spearman_dot
            value: 0.714291604968088
            name: Spearman Dot
          - type: pearson_max
            value: 0.7236232398995261
            name: Pearson Max
          - type: spearman_max
            value: 0.714291604968088
            name: Spearman Max

SentenceTransformer based on lemon-mint/mMiniLMv2-L12-H384-Distilled-Iter11-final

This is a sentence-transformers model finetuned from lemon-mint/mMiniLMv2-L12-H384-Distilled-Iter11-final. 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 Sources

Full Model Architecture 

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: XLMRobertaModel 
  (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("lemon-mint/mMiniLMv2-L12-H384-Distilled-Iter12-final")
# Run inference
sentences = [
    'query: 오스트리아의 총리는 어떻게 선출되나요?',
    'query: What battle did Castle get injured in?',
    "query: How many stories did the first building of St. Stephen's Church have?",
]
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

Semantic Similarity

Metric Value
pearson_cosine 0.7843
spearman_cosine 0.7917
pearson_manhattan 0.7899
spearman_manhattan 0.7911
pearson_euclidean 0.7905
spearman_euclidean 0.7917
pearson_dot 0.7843
spearman_dot 0.7917
pearson_max 0.7905
spearman_max 0.7917

Information Retrieval

Metric Value
cosine_accuracy@1 0.4764
cosine_accuracy@3 0.6233
cosine_accuracy@5 0.6858
cosine_accuracy@10 0.7264
cosine_precision@1 0.4764
cosine_precision@3 0.2782
cosine_precision@5 0.198
cosine_precision@10 0.1123
cosine_recall@1 0.3036
cosine_recall@3 0.4859
cosine_recall@5 0.5615
cosine_recall@10 0.6275
cosine_ndcg@10 0.534
cosine_mrr@10 0.5621
cosine_map@100 0.482
dot_accuracy@1 0.4764
dot_accuracy@3 0.6233
dot_accuracy@5 0.6858
dot_accuracy@10 0.7264
dot_precision@1 0.4764
dot_precision@3 0.2782
dot_precision@5 0.198
dot_precision@10 0.1123
dot_recall@1 0.3036
dot_recall@3 0.4859
dot_recall@5 0.5615
dot_recall@10 0.6275
dot_ndcg@10 0.534
dot_mrr@10 0.5621
dot_map@100 0.482

Semantic Similarity

Metric Value
pearson_cosine 0.7121
spearman_cosine 0.7143
pearson_manhattan 0.7236
spearman_manhattan 0.714
pearson_euclidean 0.7236
spearman_euclidean 0.7143
pearson_dot 0.7121
spearman_dot 0.7143
pearson_max 0.7236
spearman_max 0.7143

Training Details

Training Hyperparameters

Non-Default Hyperparameters

  • eval_strategy: steps
  • per_device_train_batch_size: 52
  • per_device_eval_batch_size: 4
  • learning_rate: 0.0001
  • num_train_epochs: 1
  • warmup_ratio: 0.05
  • fp16: True
  • push_to_hub: True
  • hub_model_id: lemon-mint/mMiniLMv2-L12-H384-Distilled-Iter12
  • hub_strategy: checkpoint
  • hub_private_repo: True

All Hyperparameters

Click to expand
  • overwrite_output_dir: False
  • do_predict: False
  • eval_strategy: steps
  • prediction_loss_only: True
  • per_device_train_batch_size: 52
  • per_device_eval_batch_size: 4
  • per_gpu_train_batch_size: None
  • per_gpu_eval_batch_size: None
  • gradient_accumulation_steps: 1
  • eval_accumulation_steps: None
  • learning_rate: 0.0001
  • weight_decay: 0.0
  • adam_beta1: 0.9
  • adam_beta2: 0.999
  • adam_epsilon: 1e-08
  • max_grad_norm: 1.0
  • num_train_epochs: 1
  • max_steps: -1
  • lr_scheduler_type: linear
  • lr_scheduler_kwargs: {}
  • warmup_ratio: 0.05
  • warmup_steps: 0
  • log_level: passive
  • log_level_replica: warning
  • log_on_each_node: True
  • logging_nan_inf_filter: True
  • save_safetensors: True
  • save_on_each_node: False
  • save_only_model: False
  • restore_callback_states_from_checkpoint: False
  • no_cuda: False
  • use_cpu: False
  • use_mps_device: False
  • seed: 42
  • data_seed: None
  • jit_mode_eval: False
  • use_ipex: False
  • bf16: False
  • fp16: True
  • fp16_opt_level: O1
  • half_precision_backend: auto
  • bf16_full_eval: False
  • fp16_full_eval: False
  • tf32: None
  • local_rank: 0
  • ddp_backend: None
  • tpu_num_cores: None
  • tpu_metrics_debug: False
  • debug: []
  • dataloader_drop_last: False
  • dataloader_num_workers: 0
  • dataloader_prefetch_factor: None
  • past_index: -1
  • disable_tqdm: False
  • remove_unused_columns: True
  • label_names: None
  • load_best_model_at_end: False
  • ignore_data_skip: False
  • fsdp: []
  • fsdp_min_num_params: 0
  • fsdp_config: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
  • fsdp_transformer_layer_cls_to_wrap: None
  • accelerator_config: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}
  • deepspeed: None
  • label_smoothing_factor: 0.0
  • optim: adamw_torch
  • optim_args: None
  • adafactor: False
  • group_by_length: False
  • length_column_name: length
  • ddp_find_unused_parameters: None
  • ddp_bucket_cap_mb: None
  • ddp_broadcast_buffers: False
  • dataloader_pin_memory: True
  • dataloader_persistent_workers: False
  • skip_memory_metrics: True
  • use_legacy_prediction_loop: False
  • push_to_hub: True
  • resume_from_checkpoint: None
  • hub_model_id: lemon-mint/mMiniLMv2-L12-H384-Distilled-Iter12
  • hub_strategy: checkpoint
  • hub_private_repo: True
  • hub_always_push: False
  • gradient_checkpointing: False
  • gradient_checkpointing_kwargs: None
  • include_inputs_for_metrics: False
  • eval_do_concat_batches: True
  • fp16_backend: auto
  • push_to_hub_model_id: None
  • push_to_hub_organization: None
  • mp_parameters:
  • auto_find_batch_size: False
  • full_determinism: False
  • torchdynamo: None
  • ray_scope: last
  • ddp_timeout: 1800
  • torch_compile: False
  • torch_compile_backend: None
  • torch_compile_mode: None
  • dispatch_batches: None
  • split_batches: None
  • include_tokens_per_second: False
  • include_num_input_tokens_seen: False
  • neftune_noise_alpha: None
  • optim_target_modules: None
  • batch_eval_metrics: False
  • eval_on_start: False
  • batch_sampler: batch_sampler
  • multi_dataset_batch_sampler: proportional

Training Logs

Click to expand
Epoch Step Training Loss loss Ko-StrategyQA-dev_cosine_map@100 sts-dev_spearman_cosine sts-test_spearman_cosine
0 0 - - 0.4732 0.7833 -
0.0011 10 0.0008 - - - -
0.0022 20 0.0007 - - - -
0.0032 30 0.0007 - - - -
0.0043 40 0.0007 - - - -
0.0054 50 0.0007 - - - -
0.0065 60 0.0007 - - - -
0.0076 70 0.0007 - - - -
0.0087 80 0.0007 - - - -
0.0097 90 0.0007 - - - -
0.0108 100 0.0007 - - - -
0.0119 110 0.0007 - - - -
0.0130 120 0.0007 - - - -
0.0141 130 0.0007 - - - -
0.0151 140 0.0007 - - - -
0.0162 150 0.0007 - - - -
0.0173 160 0.0007 - - - -
0.0184 170 0.0007 - - - -
0.0195 180 0.0007 - - - -
0.0206 190 0.0007 - - - -
0.0216 200 0.0007 - - - -
0.0227 210 0.0007 - - - -
0.0238 220 0.0007 - - - -
0.0249 230 0.0007 - - - -
0.0260 240 0.0007 - - - -
0.0270 250 0.0007 - - - -
0.0281 260 0.0007 - - - -
0.0292 270 0.0007 - - - -
0.0303 280 0.0007 - - - -
0.0314 290 0.0007 - - - -
0.0325 300 0.0007 - - - -
0.0335 310 0.0007 - - - -
0.0346 320 0.0007 - - - -
0.0357 330 0.0007 - - - -
0.0368 340 0.0007 - - - -
0.0379 350 0.0007 - - - -
0.0389 360 0.0007 - - - -
0.0400 370 0.0007 - - - -
0.0411 380 0.0007 - - - -
0.0422 390 0.0007 - - - -
0.0433 400 0.0007 - - - -
0.0444 410 0.0007 - - - -
0.0454 420 0.0007 - - - -
0.0465 430 0.0007 - - - -
0.0476 440 0.0007 - - - -
0.0487 450 0.0007 - - - -
0.0498 460 0.0007 - - - -
0.0508 470 0.0008 - - - -
0.0519 480 0.0007 - - - -
0.0530 490 0.0007 - - - -
0.0541 500 0.0007 - - - -
0.0552 510 0.0007 - - - -
0.0563 520 0.0007 - - - -
0.0573 530 0.0007 - - - -
0.0584 540 0.0007 - - - -
0.0595 550 0.0007 - - - -
0.0606 560 0.0007 - - - -
0.0617 570 0.0007 - - - -
0.0628 580 0.0007 - - - -
0.0638 590 0.0007 - - - -
0.0649 600 0.0007 - - - -
0.0660 610 0.0008 - - - -
0.0671 620 0.0007 - - - -
0.0682 630 0.0007 - - - -
0.0692 640 0.0007 - - - -
0.0703 650 0.0007 - - - -
0.0714 660 0.0007 - - - -
0.0725 670 0.0007 - - - -
0.0736 680 0.0007 - - - -
0.0747 690 0.0007 - - - -
0.0757 700 0.0007 - - - -
0.0768 710 0.0007 - - - -
0.0779 720 0.0007 - - - -
0.0790 730 0.0007 - - - -
0.0801 740 0.0007 - - - -
0.0811 750 0.0007 - - - -
0.0822 760 0.0007 - - - -
0.0833 770 0.0007 - - - -
0.0844 780 0.0007 - - - -
0.0855 790 0.0007 - - - -
0.0866 800 0.0007 - - - -
0.0876 810 0.0007 - - - -
0.0887 820 0.0007 - - - -
0.0898 830 0.0007 - - - -
0.0909 840 0.0007 - - - -
0.0920 850 0.0007 - - - -
0.0930 860 0.0007 - - - -
0.0941 870 0.0007 - - - -
0.0952 880 0.0007 - - - -
0.0963 890 0.0007 - - - -
0.0974 900 0.0007 - - - -
0.0985 910 0.0007 - - - -
0.0995 920 0.0007 - - - -
0.1006 930 0.0007 - - - -
0.1017 940 0.0007 - - - -
0.1028 950 0.0007 - - - -
0.1039 960 0.0007 - - - -
0.1049 970 0.0007 - - - -
0.1060 980 0.0007 - - - -
0.1071 990 0.0007 - - - -
0.1082 1000 0.0007 0.0007 0.4594 0.7819 -
0.1093 1010 0.0007 - - - -
0.1104 1020 0.0007 - - - -
0.1114 1030 0.0007 - - - -
0.1125 1040 0.0007 - - - -
0.1136 1050 0.0007 - - - -
0.1147 1060 0.0007 - - - -
0.1158 1070 0.0007 - - - -
0.1168 1080 0.0007 - - - -
0.1179 1090 0.0007 - - - -
0.1190 1100 0.0007 - - - -
0.1201 1110 0.0007 - - - -
0.1212 1120 0.0007 - - - -
0.1223 1130 0.0008 - - - -
0.1233 1140 0.0007 - - - -
0.1244 1150 0.0007 - - - -
0.1255 1160 0.0007 - - - -
0.1266 1170 0.0007 - - - -
0.1277 1180 0.0007 - - - -
0.1287 1190 0.0007 - - - -
0.1298 1200 0.0007 - - - -
0.1309 1210 0.0007 - - - -
0.1320 1220 0.0007 - - - -
0.1331 1230 0.0007 - - - -
0.1342 1240 0.0007 - - - -
0.1352 1250 0.0007 - - - -
0.1363 1260 0.0007 - - - -
0.1374 1270 0.0007 - - - -
0.1385 1280 0.0007 - - - -
0.1396 1290 0.0007 - - - -
0.1406 1300 0.0007 - - - -
0.1417 1310 0.0007 - - - -
0.1428 1320 0.0007 - - - -
0.1439 1330 0.0007 - - - -
0.1450 1340 0.0007 - - - -
0.1461 1350 0.0007 - - - -
0.1471 1360 0.0007 - - - -
0.1482 1370 0.0007 - - - -
0.1493 1380 0.0007 - - - -
0.1504 1390 0.0007 - - - -
0.1515 1400 0.0007 - - - -
0.1525 1410 0.0007 - - - -
0.1536 1420 0.0007 - - - -
0.1547 1430 0.0007 - - - -
0.1558 1440 0.0007 - - - -
0.1569 1450 0.0007 - - - -
0.1580 1460 0.0007 - - - -
0.1590 1470 0.0007 - - - -
0.1601 1480 0.0007 - - - -
0.1612 1490 0.0007 - - - -
0.1623 1500 0.0007 - - - -
0.1634 1510 0.0007 - - - -
0.1644 1520 0.0007 - - - -
0.1655 1530 0.0007 - - - -
0.1666 1540 0.0007 - - - -
0.1677 1550 0.0007 - - - -
0.1688 1560 0.0007 - - - -
0.1699 1570 0.0007 - - - -
0.1709 1580 0.0007 - - - -
0.1720 1590 0.0007 - - - -
0.1731 1600 0.0007 - - - -
0.1742 1610 0.0007 - - - -
0.1753 1620 0.0007 - - - -
0.1763 1630 0.0007 - - - -
0.1774 1640 0.0007 - - - -
0.1785 1650 0.0007 - - - -
0.1796 1660 0.0007 - - - -
0.1807 1670 0.0007 - - - -
0.1818 1680 0.0007 - - - -
0.1828 1690 0.0007 - - - -
0.1839 1700 0.0007 - - - -
0.1850 1710 0.0007 - - - -
0.1861 1720 0.0007 - - - -
0.1872 1730 0.0007 - - - -
0.1883 1740 0.0007 - - - -
0.1893 1750 0.0007 - - - -
0.1904 1760 0.0007 - - - -
0.1915 1770 0.0007 - - - -
0.1926 1780 0.0007 - - - -
0.1937 1790 0.0007 - - - -
0.1947 1800 0.0007 - - - -
0.1958 1810 0.0007 - - - -
0.1969 1820 0.0007 - - - -
0.1980 1830 0.0007 - - - -
0.1991 1840 0.0007 - - - -
0.2002 1850 0.0007 - - - -
0.2012 1860 0.0007 - - - -
0.2023 1870 0.0007 - - - -
0.2034 1880 0.0007 - - - -
0.2045 1890 0.0007 - - - -
0.2056 1900 0.0007 - - - -
0.2066 1910 0.0007 - - - -
0.2077 1920 0.0007 - - - -
0.2088 1930 0.0007 - - - -
0.2099 1940 0.0007 - - - -
0.2110 1950 0.0007 - - - -
0.2121 1960 0.0007 - - - -
0.2131 1970 0.0007 - - - -
0.2142 1980 0.0007 - - - -
0.2153 1990 0.0007 - - - -
0.2164 2000 0.0007 0.0007 0.4659 0.7861 -
0.2175 2010 0.0007 - - - -
0.2185 2020 0.0007 - - - -
0.2196 2030 0.0007 - - - -
0.2207 2040 0.0007 - - - -
0.2218 2050 0.0007 - - - -
0.2229 2060 0.0007 - - - -
0.2240 2070 0.0007 - - - -
0.2250 2080 0.0007 - - - -
0.2261 2090 0.0007 - - - -
0.2272 2100 0.0007 - - - -
0.2283 2110 0.0007 - - - -
0.2294 2120 0.0007 - - - -
0.2304 2130 0.0007 - - - -
0.2315 2140 0.0007 - - - -
0.2326 2150 0.0007 - - - -
0.2337 2160 0.0007 - - - -
0.2348 2170 0.0007 - - - -
0.2359 2180 0.0007 - - - -
0.2369 2190 0.0007 - - - -
0.2380 2200 0.0007 - - - -
0.2391 2210 0.0007 - - - -
0.2402 2220 0.0007 - - - -
0.2413 2230 0.0007 - - - -
0.2423 2240 0.0007 - - - -
0.2434 2250 0.0007 - - - -
0.2445 2260 0.0007 - - - -
0.2456 2270 0.0007 - - - -
0.2467 2280 0.0007 - - - -
0.2478 2290 0.0007 - - - -
0.2488 2300 0.0007 - - - -
0.2499 2310 0.0007 - - - -
0.2510 2320 0.0007 - - - -
0.2521 2330 0.0007 - - - -
0.2532 2340 0.0007 - - - -
0.2542 2350 0.0007 - - - -
0.2553 2360 0.0007 - - - -
0.2564 2370 0.0007 - - - -
0.2575 2380 0.0007 - - - -
0.2586 2390 0.0007 - - - -
0.2597 2400 0.0007 - - - -
0.2607 2410 0.0007 - - - -
0.2618 2420 0.0007 - - - -
0.2629 2430 0.0007 - - - -
0.2640 2440 0.0007 - - - -
0.2651 2450 0.0007 - - - -
0.2661 2460 0.0007 - - - -
0.2672 2470 0.0007 - - - -
0.2683 2480 0.0007 - - - -
0.2694 2490 0.0007 - - - -
0.2705 2500 0.0007 - - - -
0.2716 2510 0.0007 - - - -
0.2726 2520 0.0007 - - - -
0.2737 2530 0.0007 - - - -
0.2748 2540 0.0007 - - - -
0.2759 2550 0.0007 - - - -
0.2770 2560 0.0007 - - - -
0.2780 2570 0.0007 - - - -
0.2791 2580 0.0007 - - - -
0.2802 2590 0.0007 - - - -
0.2813 2600 0.0007 - - - -
0.2824 2610 0.0007 - - - -
0.2835 2620 0.0007 - - - -
0.2845 2630 0.0007 - - - -
0.2856 2640 0.0007 - - - -
0.2867 2650 0.0007 - - - -
0.2878 2660 0.0007 - - - -
0.2889 2670 0.0007 - - - -
0.2899 2680 0.0007 - - - -
0.2910 2690 0.0007 - - - -
0.2921 2700 0.0007 - - - -
0.2932 2710 0.0007 - - - -
0.2943 2720 0.0007 - - - -
0.2954 2730 0.0007 - - - -
0.2964 2740 0.0007 - - - -
0.2975 2750 0.0007 - - - -
0.2986 2760 0.0007 - - - -
0.2997 2770 0.0007 - - - -
0.3008 2780 0.0007 - - - -
0.3019 2790 0.0007 - - - -
0.3029 2800 0.0007 - - - -
0.3040 2810 0.0007 - - - -
0.3051 2820 0.0007 - - - -
0.3062 2830 0.0007 - - - -
0.3073 2840 0.0007 - - - -
0.3083 2850 0.0007 - - - -
0.3094 2860 0.0007 - - - -
0.3105 2870 0.0007 - - - -
0.3116 2880 0.0007 - - - -
0.3127 2890 0.0007 - - - -
0.3138 2900 0.0007 - - - -
0.3148 2910 0.0007 - - - -
0.3159 2920 0.0007 - - - -
0.3170 2930 0.0007 - - - -
0.3181 2940 0.0007 - - - -
0.3192 2950 0.0007 - - - -
0.3202 2960 0.0007 - - - -
0.3213 2970 0.0007 - - - -
0.3224 2980 0.0007 - - - -
0.3235 2990 0.0007 - - - -
0.3246 3000 0.0007 0.0007 0.4743 0.7858 -
0.3257 3010 0.0007 - - - -
0.3267 3020 0.0007 - - - -
0.3278 3030 0.0007 - - - -
0.3289 3040 0.0007 - - - -
0.3300 3050 0.0007 - - - -
0.3311 3060 0.0007 - - - -
0.3321 3070 0.0007 - - - -
0.3332 3080 0.0007 - - - -
0.3343 3090 0.0007 - - - -
0.3354 3100 0.0007 - - - -
0.3365 3110 0.0007 - - - -
0.3376 3120 0.0007 - - - -
0.3386 3130 0.0007 - - - -
0.3397 3140 0.0007 - - - -
0.3408 3150 0.0007 - - - -
0.3419 3160 0.0007 - - - -
0.3430 3170 0.0007 - - - -
0.3440 3180 0.0007 - - - -
0.3451 3190 0.0007 - - - -
0.3462 3200 0.0007 - - - -
0.3473 3210 0.0007 - - - -
0.3484 3220 0.0007 - - - -
0.3495 3230 0.0007 - - - -
0.3505 3240 0.0007 - - - -
0.3516 3250 0.0007 - - - -
0.3527 3260 0.0007 - - - -
0.3538 3270 0.0007 - - - -
0.3549 3280 0.0007 - - - -
0.3559 3290 0.0007 - - - -
0.3570 3300 0.0007 - - - -
0.3581 3310 0.0007 - - - -
0.3592 3320 0.0007 - - - -
0.3603 3330 0.0007 - - - -
0.3614 3340 0.0007 - - - -
0.3624 3350 0.0007 - - - -
0.3635 3360 0.0007 - - - -
0.3646 3370 0.0007 - - - -
0.3657 3380 0.0007 - - - -
0.3668 3390 0.0007 - - - -
0.3678 3400 0.0007 - - - -
0.3689 3410 0.0007 - - - -
0.3700 3420 0.0007 - - - -
0.3711 3430 0.0007 - - - -
0.3722 3440 0.0007 - - - -
0.3733 3450 0.0008 - - - -
0.3743 3460 0.0007 - - - -
0.3754 3470 0.0007 - - - -
0.3765 3480 0.0007 - - - -
0.3776 3490 0.0007 - - - -
0.3787 3500 0.0007 - - - -
0.3797 3510 0.0007 - - - -
0.3808 3520 0.0007 - - - -
0.3819 3530 0.0007 - - - -
0.3830 3540 0.0007 - - - -
0.3841 3550 0.0007 - - - -
0.3852 3560 0.0007 - - - -
0.3862 3570 0.0007 - - - -
0.3873 3580 0.0007 - - - -
0.3884 3590 0.0007 - - - -
0.3895 3600 0.0007 - - - -
0.3906 3610 0.0007 - - - -
0.3916 3620 0.0007 - - - -
0.3927 3630 0.0007 - - - -
0.3938 3640 0.0007 - - - -
0.3949 3650 0.0007 - - - -
0.3960 3660 0.0007 - - - -
0.3971 3670 0.0007 - - - -
0.3981 3680 0.0007 - - - -
0.3992 3690 0.0007 - - - -
0.4003 3700 0.0007 - - - -
0.4014 3710 0.0007 - - - -
0.4025 3720 0.0007 - - - -
0.4035 3730 0.0007 - - - -
0.4046 3740 0.0007 - - - -
0.4057 3750 0.0007 - - - -
0.4068 3760 0.0007 - - - -
0.4079 3770 0.0007 - - - -
0.4090 3780 0.0007 - - - -
0.4100 3790 0.0007 - - - -
0.4111 3800 0.0007 - - - -
0.4122 3810 0.0007 - - - -
0.4133 3820 0.0007 - - - -
0.4144 3830 0.0007 - - - -
0.4154 3840 0.0007 - - - -
0.4165 3850 0.0007 - - - -
0.4176 3860 0.0007 - - - -
0.4187 3870 0.0007 - - - -
0.4198 3880 0.0007 - - - -
0.4209 3890 0.0007 - - - -
0.4219 3900 0.0007 - - - -
0.4230 3910 0.0007 - - - -
0.4241 3920 0.0007 - - - -
0.4252 3930 0.0007 - - - -
0.4263 3940 0.0007 - - - -
0.4274 3950 0.0007 - - - -
0.4284 3960 0.0007 - - - -
0.4295 3970 0.0007 - - - -
0.4306 3980 0.0007 - - - -
0.4317 3990 0.0007 - - - -
0.4328 4000 0.0007 0.0007 0.4722 0.7869 -
0.4338 4010 0.0007 - - - -
0.4349 4020 0.0007 - - - -
0.4360 4030 0.0007 - - - -
0.4371 4040 0.0007 - - - -
0.4382 4050 0.0007 - - - -
0.4393 4060 0.0007 - - - -
0.4403 4070 0.0007 - - - -
0.4414 4080 0.0007 - - - -
0.4425 4090 0.0007 - - - -
0.4436 4100 0.0007 - - - -
0.4447 4110 0.0007 - - - -
0.4457 4120 0.0007 - - - -
0.4468 4130 0.0007 - - - -
0.4479 4140 0.0007 - - - -
0.4490 4150 0.0007 - - - -
0.4501 4160 0.0007 - - - -
0.4512 4170 0.0007 - - - -
0.4522 4180 0.0007 - - - -
0.4533 4190 0.0007 - - - -
0.4544 4200 0.0007 - - - -
0.4555 4210 0.0007 - - - -
0.4566 4220 0.0007 - - - -
0.4576 4230 0.0007 - - - -
0.4587 4240 0.0007 - - - -
0.4598 4250 0.0007 - - - -
0.4609 4260 0.0007 - - - -
0.4620 4270 0.0007 - - - -
0.4631 4280 0.0007 - - - -
0.4641 4290 0.0007 - - - -
0.4652 4300 0.0007 - - - -
0.4663 4310 0.0007 - - - -
0.4674 4320 0.0007 - - - -
0.4685 4330 0.0007 - - - -
0.4695 4340 0.0007 - - - -
0.4706 4350 0.0007 - - - -
0.4717 4360 0.0007 - - - -
0.4728 4370 0.0007 - - - -
0.4739 4380 0.0007 - - - -
0.4750 4390 0.0007 - - - -
0.4760 4400 0.0007 - - - -
0.4771 4410 0.0007 - - - -
0.4782 4420 0.0007 - - - -
0.4793 4430 0.0007 - - - -
0.4804 4440 0.0007 - - - -
0.4814 4450 0.0007 - - - -
0.4825 4460 0.0007 - - - -
0.4836 4470 0.0007 - - - -
0.4847 4480 0.0007 - - - -
0.4858 4490 0.0007 - - - -
0.4869 4500 0.0007 - - - -
0.4879 4510 0.0007 - - - -
0.4890 4520 0.0007 - - - -
0.4901 4530 0.0007 - - - -
0.4912 4540 0.0007 - - - -
0.4923 4550 0.0007 - - - -
0.4933 4560 0.0007 - - - -
0.4944 4570 0.0007 - - - -
0.4955 4580 0.0007 - - - -
0.4966 4590 0.0007 - - - -
0.4977 4600 0.0007 - - - -
0.4988 4610 0.0007 - - - -
0.4998 4620 0.0007 - - - -
0.5009 4630 0.0007 - - - -
0.5020 4640 0.0007 - - - -
0.5031 4650 0.0007 - - - -
0.5042 4660 0.0007 - - - -
0.5052 4670 0.0007 - - - -
0.5063 4680 0.0007 - - - -
0.5074 4690 0.0007 - - - -
0.5085 4700 0.0007 - - - -
0.5096 4710 0.0007 - - - -
0.5107 4720 0.0007 - - - -
0.5117 4730 0.0007 - - - -
0.5128 4740 0.0007 - - - -
0.5139 4750 0.0007 - - - -
0.5150 4760 0.0007 - - - -
0.5161 4770 0.0007 - - - -
0.5171 4780 0.0007 - - - -
0.5182 4790 0.0007 - - - -
0.5193 4800 0.0007 - - - -
0.5204 4810 0.0007 - - - -
0.5215 4820 0.0007 - - - -
0.5226 4830 0.0007 - - - -
0.5236 4840 0.0007 - - - -
0.5247 4850 0.0007 - - - -
0.5258 4860 0.0007 - - - -
0.5269 4870 0.0007 - - - -
0.5280 4880 0.0007 - - - -
0.5290 4890 0.0007 - - - -
0.5301 4900 0.0007 - - - -
0.5312 4910 0.0007 - - - -
0.5323 4920 0.0007 - - - -
0.5334 4930 0.0007 - - - -
0.5345 4940 0.0007 - - - -
0.5355 4950 0.0007 - - - -
0.5366 4960 0.0007 - - - -
0.5377 4970 0.0007 - - - -
0.5388 4980 0.0007 - - - -
0.5399 4990 0.0007 - - - -
0.5409 5000 0.0007 0.0007 0.4719 0.7905 -
0.5420 5010 0.0007 - - - -
0.5431 5020 0.0007 - - - -
0.5442 5030 0.0007 - - - -
0.5453 5040 0.0007 - - - -
0.5464 5050 0.0007 - - - -
0.5474 5060 0.0007 - - - -
0.5485 5070 0.0007 - - - -
0.5496 5080 0.0007 - - - -
0.5507 5090 0.0007 - - - -
0.5518 5100 0.0007 - - - -
0.5529 5110 0.0007 - - - -
0.5539 5120 0.0007 - - - -
0.5550 5130 0.0007 - - - -
0.5561 5140 0.0007 - - - -
0.5572 5150 0.0007 - - - -
0.5583 5160 0.0007 - - - -
0.5593 5170 0.0007 - - - -
0.5604 5180 0.0007 - - - -
0.5615 5190 0.0007 - - - -
0.5626 5200 0.0007 - - - -
0.5637 5210 0.0007 - - - -
0.5648 5220 0.0007 - - - -
0.5658 5230 0.0007 - - - -
0.5669 5240 0.0007 - - - -
0.5680 5250 0.0007 - - - -
0.5691 5260 0.0007 - - - -
0.5702 5270 0.0007 - - - -
0.5712 5280 0.0007 - - - -
0.5723 5290 0.0007 - - - -
0.5734 5300 0.0007 - - - -
0.5745 5310 0.0007 - - - -
0.5756 5320 0.0007 - - - -
0.5767 5330 0.0007 - - - -
0.5777 5340 0.0007 - - - -
0.5788 5350 0.0007 - - - -
0.5799 5360 0.0007 - - - -
0.5810 5370 0.0007 - - - -
0.5821 5380 0.0007 - - - -
0.5831 5390 0.0007 - - - -
0.5842 5400 0.0007 - - - -
0.5853 5410 0.0007 - - - -
0.5864 5420 0.0007 - - - -
0.5875 5430 0.0007 - - - -
0.5886 5440 0.0007 - - - -
0.5896 5450 0.0007 - - - -
0.5907 5460 0.0007 - - - -
0.5918 5470 0.0007 - - - -
0.5929 5480 0.0007 - - - -
0.5940 5490 0.0007 - - - -
0.5950 5500 0.0007 - - - -
0.5961 5510 0.0007 - - - -
0.5972 5520 0.0007 - - - -
0.5983 5530 0.0007 - - - -
0.5994 5540 0.0007 - - - -
0.6005 5550 0.0007 - - - -
0.6015 5560 0.0007 - - - -
0.6026 5570 0.0007 - - - -
0.6037 5580 0.0007 - - - -
0.6048 5590 0.0007 - - - -
0.6059 5600 0.0007 - - - -
0.6069 5610 0.0007 - - - -
0.6080 5620 0.0007 - - - -
0.6091 5630 0.0007 - - - -
0.6102 5640 0.0007 - - - -
0.6113 5650 0.0007 - - - -
0.6124 5660 0.0007 - - - -
0.6134 5670 0.0007 - - - -
0.6145 5680 0.0007 - - - -
0.6156 5690 0.0007 - - - -
0.6167 5700 0.0007 - - - -
0.6178 5710 0.0007 - - - -
0.6188 5720 0.0007 - - - -
0.6199 5730 0.0007 - - - -
0.6210 5740 0.0007 - - - -
0.6221 5750 0.0007 - - - -
0.6232 5760 0.0007 - - - -
0.6243 5770 0.0007 - - - -
0.6253 5780 0.0007 - - - -
0.6264 5790 0.0007 - - - -
0.6275 5800 0.0007 - - - -
0.6286 5810 0.0007 - - - -
0.6297 5820 0.0007 - - - -
0.6307 5830 0.0007 - - - -
0.6318 5840 0.0007 - - - -
0.6329 5850 0.0007 - - - -
0.6340 5860 0.0007 - - - -
0.6351 5870 0.0007 - - - -
0.6362 5880 0.0007 - - - -
0.6372 5890 0.0007 - - - -
0.6383 5900 0.0007 - - - -
0.6394 5910 0.0007 - - - -
0.6405 5920 0.0007 - - - -
0.6416 5930 0.0007 - - - -
0.6426 5940 0.0007 - - - -
0.6437 5950 0.0007 - - - -
0.6448 5960 0.0007 - - - -
0.6459 5970 0.0007 - - - -
0.6470 5980 0.0007 - - - -
0.6481 5990 0.0007 - - - -
0.6491 6000 0.0007 0.0006 0.4761 0.7885 -
0.6502 6010 0.0007 - - - -
0.6513 6020 0.0007 - - - -
0.6524 6030 0.0007 - - - -
0.6535 6040 0.0007 - - - -
0.6545 6050 0.0007 - - - -
0.6556 6060 0.0007 - - - -
0.6567 6070 0.0007 - - - -
0.6578 6080 0.0007 - - - -
0.6589 6090 0.0007 - - - -
0.6600 6100 0.0007 - - - -
0.6610 6110 0.0007 - - - -
0.6621 6120 0.0007 - - - -
0.6632 6130 0.0007 - - - -
0.6643 6140 0.0007 - - - -
0.6654 6150 0.0007 - - - -
0.6665 6160 0.0007 - - - -
0.6675 6170 0.0007 - - - -
0.6686 6180 0.0007 - - - -
0.6697 6190 0.0007 - - - -
0.6708 6200 0.0007 - - - -
0.6719 6210 0.0007 - - - -
0.6729 6220 0.0007 - - - -
0.6740 6230 0.0007 - - - -
0.6751 6240 0.0007 - - - -
0.6762 6250 0.0007 - - - -
0.6773 6260 0.0007 - - - -
0.6784 6270 0.0007 - - - -
0.6794 6280 0.0007 - - - -
0.6805 6290 0.0007 - - - -
0.6816 6300 0.0007 - - - -
0.6827 6310 0.0007 - - - -
0.6838 6320 0.0007 - - - -
0.6848 6330 0.0007 - - - -
0.6859 6340 0.0007 - - - -
0.6870 6350 0.0007 - - - -
0.6881 6360 0.0007 - - - -
0.6892 6370 0.0007 - - - -
0.6903 6380 0.0007 - - - -
0.6913 6390 0.0007 - - - -
0.6924 6400 0.0007 - - - -
0.6935 6410 0.0007 - - - -
0.6946 6420 0.0007 - - - -
0.6957 6430 0.0007 - - - -
0.6967 6440 0.0007 - - - -
0.6978 6450 0.0007 - - - -
0.6989 6460 0.0007 - - - -
0.7000 6470 0.0007 - - - -
0.7011 6480 0.0007 - - - -
0.7022 6490 0.0007 - - - -
0.7032 6500 0.0007 - - - -
0.7043 6510 0.0007 - - - -
0.7054 6520 0.0007 - - - -
0.7065 6530 0.0007 - - - -
0.7076 6540 0.0007 - - - -
0.7086 6550 0.0007 - - - -
0.7097 6560 0.0007 - - - -
0.7108 6570 0.0007 - - - -
0.7119 6580 0.0007 - - - -
0.7130 6590 0.0007 - - - -
0.7141 6600 0.0007 - - - -
0.7151 6610 0.0007 - - - -
0.7162 6620 0.0007 - - - -
0.7173 6630 0.0007 - - - -
0.7184 6640 0.0007 - - - -
0.7195 6650 0.0007 - - - -
0.7205 6660 0.0007 - - - -
0.7216 6670 0.0007 - - - -
0.7227 6680 0.0007 - - - -
0.7238 6690 0.0007 - - - -
0.7249 6700 0.0007 - - - -
0.7260 6710 0.0007 - - - -
0.7270 6720 0.0007 - - - -
0.7281 6730 0.0007 - - - -
0.7292 6740 0.0007 - - - -
0.7303 6750 0.0007 - - - -
0.7314 6760 0.0007 - - - -
0.7324 6770 0.0007 - - - -
0.7335 6780 0.0007 - - - -
0.7346 6790 0.0007 - - - -
0.7357 6800 0.0007 - - - -
0.7368 6810 0.0007 - - - -
0.7379 6820 0.0007 - - - -
0.7389 6830 0.0007 - - - -
0.7400 6840 0.0007 - - - -
0.7411 6850 0.0007 - - - -
0.7422 6860 0.0007 - - - -
0.7433 6870 0.0007 - - - -
0.7443 6880 0.0007 - - - -
0.7454 6890 0.0007 - - - -
0.7465 6900 0.0007 - - - -
0.7476 6910 0.0007 - - - -
0.7487 6920 0.0007 - - - -
0.7498 6930 0.0007 - - - -
0.7508 6940 0.0007 - - - -
0.7519 6950 0.0007 - - - -
0.7530 6960 0.0007 - - - -
0.7541 6970 0.0007 - - - -
0.7552 6980 0.0007 - - - -
0.7562 6990 0.0007 - - - -
0.7573 7000 0.0007 0.0006 0.4788 0.7901 -
0.7584 7010 0.0007 - - - -
0.7595 7020 0.0007 - - - -
0.7606 7030 0.0007 - - - -
0.7617 7040 0.0007 - - - -
0.7627 7050 0.0007 - - - -
0.7638 7060 0.0007 - - - -
0.7649 7070 0.0007 - - - -
0.7660 7080 0.0007 - - - -
0.7671 7090 0.0007 - - - -
0.7681 7100 0.0007 - - - -
0.7692 7110 0.0007 - - - -
0.7703 7120 0.0007 - - - -
0.7714 7130 0.0007 - - - -
0.7725 7140 0.0007 - - - -
0.7736 7150 0.0007 - - - -
0.7746 7160 0.0007 - - - -
0.7757 7170 0.0007 - - - -
0.7768 7180 0.0007 - - - -
0.7779 7190 0.0007 - - - -
0.7790 7200 0.0007 - - - -
0.7800 7210 0.0007 - - - -
0.7811 7220 0.0007 - - - -
0.7822 7230 0.0007 - - - -
0.7833 7240 0.0007 - - - -
0.7844 7250 0.0007 - - - -
0.7855 7260 0.0007 - - - -
0.7865 7270 0.0007 - - - -
0.7876 7280 0.0007 - - - -
0.7887 7290 0.0007 - - - -
0.7898 7300 0.0007 - - - -
0.7909 7310 0.0007 - - - -
0.7920 7320 0.0007 - - - -
0.7930 7330 0.0006 - - - -
0.7941 7340 0.0007 - - - -
0.7952 7350 0.0007 - - - -
0.7963 7360 0.0007 - - - -
0.7974 7370 0.0007 - - - -
0.7984 7380 0.0007 - - - -
0.7995 7390 0.0007 - - - -
0.8006 7400 0.0007 - - - -
0.8017 7410 0.0007 - - - -
0.8028 7420 0.0007 - - - -
0.8039 7430 0.0007 - - - -
0.8049 7440 0.0007 - - - -
0.8060 7450 0.0007 - - - -
0.8071 7460 0.0007 - - - -
0.8082 7470 0.0007 - - - -
0.8093 7480 0.0007 - - - -
0.8103 7490 0.0007 - - - -
0.8114 7500 0.0007 - - - -
0.8125 7510 0.0007 - - - -
0.8136 7520 0.0007 - - - -
0.8147 7530 0.0007 - - - -
0.8158 7540 0.0007 - - - -
0.8168 7550 0.0007 - - - -
0.8179 7560 0.0007 - - - -
0.8190 7570 0.0007 - - - -
0.8201 7580 0.0007 - - - -
0.8212 7590 0.0007 - - - -
0.8222 7600 0.0007 - - - -
0.8233 7610 0.0007 - - - -
0.8244 7620 0.0007 - - - -
0.8255 7630 0.0007 - - - -
0.8266 7640 0.0007 - - - -
0.8277 7650 0.0007 - - - -
0.8287 7660 0.0007 - - - -
0.8298 7670 0.0007 - - - -
0.8309 7680 0.0007 - - - -
0.8320 7690 0.0007 - - - -
0.8331 7700 0.0007 - - - -
0.8341 7710 0.0007 - - - -
0.8352 7720 0.0007 - - - -
0.8363 7730 0.0007 - - - -
0.8374 7740 0.0007 - - - -
0.8385 7750 0.0007 - - - -
0.8396 7760 0.0007 - - - -
0.8406 7770 0.0007 - - - -
0.8417 7780 0.0007 - - - -
0.8428 7790 0.0007 - - - -
0.8439 7800 0.0007 - - - -
0.8450 7810 0.0007 - - - -
0.8460 7820 0.0007 - - - -
0.8471 7830 0.0007 - - - -
0.8482 7840 0.0007 - - - -
0.8493 7850 0.0007 - - - -
0.8504 7860 0.0007 - - - -
0.8515 7870 0.0007 - - - -
0.8525 7880 0.0007 - - - -
0.8536 7890 0.0007 - - - -
0.8547 7900 0.0007 - - - -
0.8558 7910 0.0007 - - - -
0.8569 7920 0.0007 - - - -
0.8579 7930 0.0007 - - - -
0.8590 7940 0.0007 - - - -
0.8601 7950 0.0007 - - - -
0.8612 7960 0.0007 - - - -
0.8623 7970 0.0007 - - - -
0.8634 7980 0.0007 - - - -
0.8644 7990 0.0007 - - - -
0.8655 8000 0.0007 0.0006 0.4814 0.7918 -
0.8666 8010 0.0007 - - - -
0.8677 8020 0.0007 - - - -
0.8688 8030 0.0007 - - - -
0.8698 8040 0.0007 - - - -
0.8709 8050 0.0007 - - - -
0.8720 8060 0.0007 - - - -
0.8731 8070 0.0007 - - - -
0.8742 8080 0.0007 - - - -
0.8753 8090 0.0007 - - - -
0.8763 8100 0.0007 - - - -
0.8774 8110 0.0007 - - - -
0.8785 8120 0.0007 - - - -
0.8796 8130 0.0007 - - - -
0.8807 8140 0.0007 - - - -
0.8817 8150 0.0007 - - - -
0.8828 8160 0.0007 - - - -
0.8839 8170 0.0007 - - - -
0.8850 8180 0.0007 - - - -
0.8861 8190 0.0007 - - - -
0.8872 8200 0.0007 - - - -
0.8882 8210 0.0007 - - - -
0.8893 8220 0.0007 - - - -
0.8904 8230 0.0007 - - - -
0.8915 8240 0.0007 - - - -
0.8926 8250 0.0007 - - - -
0.8936 8260 0.0007 - - - -
0.8947 8270 0.0007 - - - -
0.8958 8280 0.0007 - - - -
0.8969 8290 0.0007 - - - -
0.8980 8300 0.0007 - - - -
0.8991 8310 0.0007 - - - -
0.9001 8320 0.0007 - - - -
0.9012 8330 0.0007 - - - -
0.9023 8340 0.0007 - - - -
0.9034 8350 0.0007 - - - -
0.9045 8360 0.0007 - - - -
0.9056 8370 0.0007 - - - -
0.9066 8380 0.0007 - - - -
0.9077 8390 0.0007 - - - -
0.9088 8400 0.0007 - - - -
0.9099 8410 0.0007 - - - -
0.9110 8420 0.0007 - - - -
0.9120 8430 0.0007 - - - -
0.9131 8440 0.0007 - - - -
0.9142 8450 0.0007 - - - -
0.9153 8460 0.0007 - - - -
0.9164 8470 0.0007 - - - -
0.9175 8480 0.0006 - - - -
0.9185 8490 0.0007 - - - -
0.9196 8500 0.0007 - - - -
0.9207 8510 0.0007 - - - -
0.9218 8520 0.0007 - - - -
0.9229 8530 0.0007 - - - -
0.9239 8540 0.0007 - - - -
0.9250 8550 0.0007 - - - -
0.9261 8560 0.0007 - - - -
0.9272 8570 0.0007 - - - -
0.9283 8580 0.0007 - - - -
0.9294 8590 0.0007 - - - -
0.9304 8600 0.0007 - - - -
0.9315 8610 0.0007 - - - -
0.9326 8620 0.0007 - - - -
0.9337 8630 0.0007 - - - -
0.9348 8640 0.0007 - - - -
0.9358 8650 0.0007 - - - -
0.9369 8660 0.0007 - - - -
0.9380 8670 0.0007 - - - -
0.9391 8680 0.0007 - - - -
0.9402 8690 0.0007 - - - -
0.9413 8700 0.0007 - - - -
0.9423 8710 0.0007 - - - -
0.9434 8720 0.0007 - - - -
0.9445 8730 0.0007 - - - -
0.9456 8740 0.0007 - - - -
0.9467 8750 0.0007 - - - -
0.9477 8760 0.0007 - - - -
0.9488 8770 0.0007 - - - -
0.9499 8780 0.0007 - - - -
0.9510 8790 0.0007 - - - -
0.9521 8800 0.0007 - - - -
0.9532 8810 0.0007 - - - -
0.9542 8820 0.0007 - - - -
0.9553 8830 0.0007 - - - -
0.9564 8840 0.0007 - - - -
0.9575 8850 0.0007 - - - -
0.9586 8860 0.0007 - - - -
0.9596 8870 0.0007 - - - -
0.9607 8880 0.0007 - - - -
0.9618 8890 0.0007 - - - -
0.9629 8900 0.0007 - - - -
0.9640 8910 0.0007 - - - -
0.9651 8920 0.0007 - - - -
0.9661 8930 0.0007 - - - -
0.9672 8940 0.0007 - - - -
0.9683 8950 0.0007 - - - -
0.9694 8960 0.0007 - - - -
0.9705 8970 0.0007 - - - -
0.9715 8980 0.0007 - - - -
0.9726 8990 0.0007 - - - -
0.9737 9000 0.0007 0.0006 0.4822 0.7917 -
0.9748 9010 0.0007 - - - -
0.9759 9020 0.0007 - - - -
0.9770 9030 0.0007 - - - -
0.9780 9040 0.0007 - - - -
0.9791 9050 0.0007 - - - -
0.9802 9060 0.0007 - - - -
0.9813 9070 0.0007 - - - -
0.9824 9080 0.0007 - - - -
0.9834 9090 0.0007 - - - -
0.9845 9100 0.0007 - - - -
0.9856 9110 0.0007 - - - -
0.9867 9120 0.0007 - - - -
0.9878 9130 0.0007 - - - -
0.9889 9140 0.0007 - - - -
0.9899 9150 0.0007 - - - -
0.9910 9160 0.0007 - - - -
0.9921 9170 0.0007 - - - -
0.9932 9180 0.0007 - - - -
0.9943 9190 0.0007 - - - -
0.9953 9200 0.0007 - - - -
0.9964 9210 0.0007 - - - -
0.9975 9220 0.0007 - - - -
0.9986 9230 0.0007 - - - -
0.9997 9240 0.0007 - - - -
1.0 9243 - - 0.4820 - 0.7143

Framework Versions

  • Python: 3.10.12
  • Sentence Transformers: 3.0.1
  • Transformers: 4.42.3
  • PyTorch: 2.1.1+cu121
  • Accelerate: 0.32.1
  • Datasets: 2.20.0
  • Tokenizers: 0.19.1

Citation

BibTeX

Sentence Transformers 

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

MSELoss 

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