SentenceTransformer based on intfloat/multilingual-e5-base

This is a sentence-transformers model finetuned from intfloat/multilingual-e5-base on the grag-go-idf-pos-neg 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: intfloat/multilingual-e5-base
Maximum Sequence Length: 512 tokens
Output Dimensionality: 768 dimensions
Similarity Function: Cosine Similarity
Training Dataset:
- grag-go-idf-pos-neg

Model Sources

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

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: XLMRobertaModel 
  (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})
  (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("Lettria/idf-chunk_embedder-contrastive-after_epoch_4")
# Run inference
sentences = [
    'Procédures et démarches: Dépôt du dossier de candidature sur la plateforme des aides régionales (mesdemarches.iledefrance.fr).\nBénéficiaires: Collectivité ou institution - Communes de < 2000 hab, Collectivité ou institution - Communes de 2000 à 10 000 hab, Collectivité ou institution - Communes de 10 000 à 20 000 hab, Collectivité ou institution - Communes de > 20 000 hab, Collectivité ou institution - EPCI, Collectivité ou institution - EPT / Métropole du Grand Paris, Collectivité ou institution - Département, Collectivité ou institution - Bailleurs sociaux, Collectivité ou institution - Autre (GIP, copropriété, EPA...)\nPrécision sure les bénéficiaires: Toutes les structures de droit public ou de droit privé',
    '[Collectivité ou institution - Communes de < 2000 hab] (collectivité)',
    "[petites entreprises innovantes franciliennes](bénéficiaire) --- INCLUT ---> [Professionnel - Créateur d'entreprise](bénéficiaire)",
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 768]

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

Evaluation

Metrics

Semantic Similarity

Dataset: EmbeddingSimEval
Evaluated with EmbeddingSimilarityEvaluator

Metric	Value
pearson_cosine	0.4192
spearman_cosine	0.4147

Binary Classification

Dataset: BinaryClassifEval
Evaluated with BinaryClassificationEvaluator

Metric	Value
cosine_accuracy	0.8189
cosine_accuracy_threshold	0.8742
cosine_f1	0.8977
cosine_f1_threshold	0.8425
cosine_precision	0.8168
cosine_recall	0.9962
cosine_ap	0.938

Training Details

Training Dataset

grag-go-idf-pos-neg

Dataset: grag-go-idf-pos-neg at ecbf53b
Size: 6,260 training samples
Columns: sentence1, sentence2, and label
Approximate statistics based on the first 1000 samples:
sentence1 sentence2 label
type string string int
details
min: 16 tokens
mean: 192.75 tokens
max: 414 tokens

min: 8 tokens
mean: 24.08 tokens
max: 79 tokens

0: ~15.70%
1: ~84.30%

	sentence1	sentence2	label
type	string	string	int
details	min: 16 tokens mean: 192.75 tokens max: 414 tokens	min: 8 tokens mean: 24.08 tokens max: 79 tokens	0: ~15.70% 1: ~84.30%

Samples:

sentence1	sentence2	label
Procédures et démarches: Les porteurs de projet peuvent déposer leurs dossiers de candidature toute l’année sur la plateforme des aides régionales mesdemarches.iledefrance.fr. Après examen par les services de la Région, les élus du Conseil régional désignent les initiatives lauréates et le montant de la dotation régionale prévisionnelle. Bénéficiaires: Collectivité ou institution - Autre (GIP, copropriété, EPA...), Collectivité ou institution - Bailleurs sociaux, Collectivité ou institution - Communes de 10 000 à 20 000 hab, Collectivité ou institution - Communes de 2000 à 10 000 hab, Collectivité ou institution - Communes de < 2000 hab, Collectivité ou institution - Communes de > 20 000 hab, Collectivité ou institution - Département, Collectivité ou institution - EPCI, Collectivité ou institution - EPT / Métropole du Grand Paris, Collectivité ou institution - Office de tourisme intercommunal, Association - Régie par la loi de 1901, Établissement d'enseignement secondaire, Établissemen...	`[dotation régionale prévisionnelle] (inferred)`	`1`
`Type de project: Pour l'investissement, les dépenses éligibles concernent les aménagements et les rénovations de bâtiments, les constructions et les acquisitions de locaux ainsi que les gros travaux immobiliers.Pour l'équipement, les dépenses éligibles portent sur l'acquisition, la mise en conformité et le renouvellement des équipements destinés à un usage pédagogique, administratif ou destiné aux étudiants.`	`investissement --- CONCERNE ---> gros travaux immobiliers`	`1`
`. Pour les demandes avec devis, transmettez votre demande de versement avec les factures acquittées (dans un délai maximal d'un an). Les factures indiquent un n° de chèque, un règlement CB, un virement,... Le versement prend la forme d'un paiement unique ou d’un paiement en 2 fois. Les dépenses prises en compte en HT portent sur une période maximale de 12 mois.`	`DIM --- ASSURER ---> financement`	`0`

Loss: ContrastiveLoss with these parameters:

{
    "distance_metric": "SiameseDistanceMetric.COSINE_DISTANCE",
    "margin": 0.5,
    "size_average": true
}

Evaluation Dataset

grag-go-idf-pos-neg

Dataset: grag-go-idf-pos-neg at ecbf53b
Size: 1,662 evaluation samples
Columns: sentence1, sentence2, and label
Approximate statistics based on the first 1000 samples:
sentence1 sentence2 label
type string string int
details
min: 24 tokens
mean: 178.38 tokens
max: 394 tokens

min: 8 tokens
mean: 25.03 tokens
max: 136 tokens

0: ~19.60%
1: ~80.40%

	sentence1	sentence2	label
type	string	string	int
details	min: 24 tokens mean: 178.38 tokens max: 394 tokens	min: 8 tokens mean: 25.03 tokens max: 136 tokens	0: ~19.60% 1: ~80.40%

Samples:

sentence1	sentence2	label
Type de project: Le Fonds régional pour le tourisme est destiné aux actions ayant l'un de ces objectifs : La création, l’adaptation et le développement de l’offre d’activités et de loisirs ainsi que le renforcement de la sécurisation des sites touristiques et des visiteurs,La digitalisation de l’offre touristique pour accélérer la transformation numérique et favoriser l’innovation,La création d’offres d’hébergements touristiques durables contribuant à l’enrichissement de l’offre touristique régionale,Le soutien aux évènements gastronomiques d’envergure régionale. Afin que les professionnels du tourisme s’adaptent et contribuent à la transition durable de la destination Paris Île-de-France, l’aide régionale est attribuée sur la base de critères d’éco-conditionnalité.	`Fonds régional pour le tourisme --- DESTINÉ ---> professionnels du tourisme`	`1`
Type de project: Les projets éligibles doivent être basés sur un projet de développement pluriannuel élaboré par chaque structure bénéficiaire concernée. Le projet de développement s’inscrit dans les orientations de sa fédération.Les formations doivent être professionnalisantes, diplômantes ou continues, en ce qui concerne l’encadrement éducatif et technique et les dirigeants bénévoles et officiels.Une attention particulière est portée sur les formations sur les thématiques de la prévention contre toutes violences, de discrimination et de radicalisation.	`dépôt des dossiers --- DÉLAI ---> Commission`	`0`
Type de project: Les thématiques abordées, au titre du programme, comprennent la santé numérique et les risques de dépendance, la protection des données personnelles et la prévention des situations de harcèlement et de cyberharcèlement ; les interventions questionnent aussi les aspects numériques de la vie affective et sexuelle et son corollaire de risques tels que le "sexting", le "Revenge porn", le chantage sexuel et l'impact de la pornographie sur les jeunes. A la demande des établissements, des focus thématiques peuvent être réalisés sur d'autres sujets comme la prévention des phénomènes de prostitution des mineurs, les problématiques liées aux jeux d'argent et de hasard en ligne ou encore la lutte contre la désinformation à travers une approche d'éducation aux médias et à l'information. Les établissements bénéficiaires peuvent choisir jusqu'à deux thématiques qu'ils identifient comme prioritaires.	`[sexting] (risque)`	`1`

Loss: ContrastiveLoss with these parameters:

{
    "distance_metric": "SiameseDistanceMetric.COSINE_DISTANCE",
    "margin": 0.5,
    "size_average": true
}

Training Hyperparameters

Non-Default Hyperparameters

eval_strategy: epoch
per_device_train_batch_size: 4
per_device_eval_batch_size: 4
gradient_accumulation_steps: 8
num_train_epochs: 10
warmup_steps: 626

All Hyperparameters

Click to expand

overwrite_output_dir: False
do_predict: False
eval_strategy: epoch
prediction_loss_only: True
per_device_train_batch_size: 4
per_device_eval_batch_size: 4
per_gpu_train_batch_size: None
per_gpu_eval_batch_size: None
gradient_accumulation_steps: 8
eval_accumulation_steps: None
torch_empty_cache_steps: None
learning_rate: 5e-05
weight_decay: 0.0
adam_beta1: 0.9
adam_beta2: 0.999
adam_epsilon: 1e-08
max_grad_norm: 1.0
num_train_epochs: 10
max_steps: -1
lr_scheduler_type: linear
lr_scheduler_kwargs: {}
warmup_ratio: 0.0
warmup_steps: 626
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: False
fp16_opt_level: O1
half_precision_backend: auto
bf16_full_eval: False
fp16_full_eval: False
tf32: None
local_rank: 0
ddp_backend: None
tpu_num_cores: None
tpu_metrics_debug: False
debug: []
dataloader_drop_last: False
dataloader_num_workers: 0
dataloader_prefetch_factor: None
past_index: -1
disable_tqdm: False
remove_unused_columns: True
label_names: None
load_best_model_at_end: False
ignore_data_skip: False
fsdp: []
fsdp_min_num_params: 0
fsdp_config: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
fsdp_transformer_layer_cls_to_wrap: None
accelerator_config: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}
deepspeed: None
label_smoothing_factor: 0.0
optim: adamw_torch
optim_args: None
adafactor: False
group_by_length: False
length_column_name: length
ddp_find_unused_parameters: None
ddp_bucket_cap_mb: None
ddp_broadcast_buffers: False
dataloader_pin_memory: True
dataloader_persistent_workers: False
skip_memory_metrics: True
use_legacy_prediction_loop: False
push_to_hub: False
resume_from_checkpoint: None
hub_model_id: None
hub_strategy: every_save
hub_private_repo: False
hub_always_push: False
gradient_checkpointing: False
gradient_checkpointing_kwargs: None
include_inputs_for_metrics: False
eval_do_concat_batches: True
fp16_backend: auto
push_to_hub_model_id: None
push_to_hub_organization: None
mp_parameters:
auto_find_batch_size: False
full_determinism: False
torchdynamo: None
ray_scope: last
ddp_timeout: 1800
torch_compile: False
torch_compile_backend: None
torch_compile_mode: None
dispatch_batches: None
split_batches: None
include_tokens_per_second: False
include_num_input_tokens_seen: False
neftune_noise_alpha: None
optim_target_modules: None
batch_eval_metrics: False
eval_on_start: False
use_liger_kernel: False
eval_use_gather_object: False
prompts: None
batch_sampler: batch_sampler
multi_dataset_batch_sampler: proportional

Training Logs

Click to expand

Epoch	Step	Training Loss	Validation Loss	EmbeddingSimEval_spearman_cosine	BinaryClassifEval_cosine_ap
0.0051	1	0.0194	-	-	-
0.0102	2	0.0198	-	-	-
0.0153	3	0.0146	-	-	-
0.0204	4	0.017	-	-	-
0.0256	5	0.0193	-	-	-
0.0307	6	0.0164	-	-	-
0.0358	7	0.0188	-	-	-
0.0409	8	0.0185	-	-	-
0.0460	9	0.0168	-	-	-
0.0511	10	0.0148	-	-	-
0.0562	11	0.0149	-	-	-
0.0613	12	0.018	-	-	-
0.0665	13	0.0149	-	-	-
0.0716	14	0.0189	-	-	-
0.0767	15	0.0206	-	-	-
0.0818	16	0.0138	-	-	-
0.0869	17	0.0193	-	-	-
0.0920	18	0.0169	-	-	-
0.0971	19	0.014	-	-	-
0.1022	20	0.0151	-	-	-
0.1073	21	0.0157	-	-	-
0.1125	22	0.0127	-	-	-
0.1176	23	0.0159	-	-	-
0.1227	24	0.0184	-	-	-
0.1278	25	0.0188	-	-	-
0.1329	26	0.0191	-	-	-
0.1380	27	0.012	-	-	-
0.1431	28	0.0142	-	-	-
0.1482	29	0.0131	-	-	-
0.1534	30	0.0153	-	-	-
0.1585	31	0.0123	-	-	-
0.1636	32	0.0127	-	-	-
0.1687	33	0.0186	-	-	-
0.1738	34	0.0112	-	-	-
0.1789	35	0.0149	-	-	-
0.1840	36	0.0174	-	-	-
0.1891	37	0.0115	-	-	-
0.1942	38	0.0106	-	-	-
0.1994	39	0.0138	-	-	-
0.2045	40	0.0161	-	-	-
0.2096	41	0.0134	-	-	-
0.2147	42	0.0138	-	-	-
0.2198	43	0.0083	-	-	-
0.2249	44	0.0094	-	-	-
0.2300	45	0.0097	-	-	-
0.2351	46	0.012	-	-	-
0.2403	47	0.0131	-	-	-
0.2454	48	0.0146	-	-	-
0.2505	49	0.0162	-	-	-
0.2556	50	0.0113	-	-	-
0.2607	51	0.0111	-	-	-
0.2658	52	0.0099	-	-	-
0.2709	53	0.0128	-	-	-
0.2760	54	0.0072	-	-	-
0.2812	55	0.0118	-	-	-
0.2863	56	0.0069	-	-	-
0.2914	57	0.0143	-	-	-
0.2965	58	0.0129	-	-	-
0.3016	59	0.0103	-	-	-
0.3067	60	0.0187	-	-	-
0.3118	61	0.0128	-	-	-
0.3169	62	0.0138	-	-	-
0.3220	63	0.021	-	-	-
0.3272	64	0.0142	-	-	-
0.3323	65	0.0144	-	-	-
0.3374	66	0.0164	-	-	-
0.3425	67	0.0115	-	-	-
0.3476	68	0.0122	-	-	-
0.3527	69	0.0125	-	-	-
0.3578	70	0.0119	-	-	-
0.3629	71	0.0098	-	-	-
0.3681	72	0.0112	-	-	-
0.3732	73	0.011	-	-	-
0.3783	74	0.0142	-	-	-
0.3834	75	0.0106	-	-	-
0.3885	76	0.0186	-	-	-
0.3936	77	0.011	-	-	-
0.3987	78	0.0125	-	-	-
0.4038	79	0.0115	-	-	-
0.4089	80	0.0155	-	-	-
0.4141	81	0.0093	-	-	-
0.4192	82	0.017	-	-	-
0.4243	83	0.0106	-	-	-
0.4294	84	0.0115	-	-	-
0.4345	85	0.0105	-	-	-
0.4396	86	0.0105	-	-	-
0.4447	87	0.0117	-	-	-
0.4498	88	0.0104	-	-	-
0.4550	89	0.0093	-	-	-
0.4601	90	0.0125	-	-	-
0.4652	91	0.012	-	-	-
0.4703	92	0.0077	-	-	-
0.4754	93	0.0095	-	-	-
0.4805	94	0.0087	-	-	-
0.4856	95	0.0072	-	-	-
0.4907	96	0.0142	-	-	-
0.4958	97	0.0053	-	-	-
0.5010	98	0.0072	-	-	-
0.5061	99	0.0096	-	-	-
0.5112	100	0.0082	-	-	-
0.5163	101	0.0053	-	-	-
0.5214	102	0.0072	-	-	-
0.5265	103	0.007	-	-	-
0.5316	104	0.0088	-	-	-
0.5367	105	0.0084	-	-	-
0.5419	106	0.0057	-	-	-
0.5470	107	0.0092	-	-	-
0.5521	108	0.0074	-	-	-
0.5572	109	0.0043	-	-	-
0.5623	110	0.0092	-	-	-
0.5674	111	0.0114	-	-	-
0.5725	112	0.0094	-	-	-
0.5776	113	0.0073	-	-	-
0.5827	114	0.0103	-	-	-
0.5879	115	0.0091	-	-	-
0.5930	116	0.0064	-	-	-
0.5981	117	0.011	-	-	-
0.6032	118	0.0085	-	-	-
0.6083	119	0.0061	-	-	-
0.6134	120	0.0036	-	-	-
0.6185	121	0.0087	-	-	-
0.6236	122	0.0072	-	-	-
0.6288	123	0.0028	-	-	-
0.6339	124	0.0116	-	-	-
0.6390	125	0.0156	-	-	-
0.6441	126	0.0048	-	-	-
0.6492	127	0.0049	-	-	-
0.6543	128	0.0048	-	-	-
0.6594	129	0.0021	-	-	-
0.6645	130	0.0085	-	-	-
0.6696	131	0.0058	-	-	-
0.6748	132	0.0067	-	-	-
0.6799	133	0.0162	-	-	-
0.6850	134	0.0056	-	-	-
0.6901	135	0.0035	-	-	-
0.6952	136	0.0069	-	-	-
0.7003	137	0.0018	-	-	-
0.7054	138	0.0026	-	-	-
0.7105	139	0.0111	-	-	-
0.7157	140	0.0041	-	-	-
0.7208	141	0.0098	-	-	-
0.7259	142	0.0045	-	-	-
0.7310	143	0.0059	-	-	-
0.7361	144	0.0068	-	-	-
0.7412	145	0.0065	-	-	-
0.7463	146	0.0085	-	-	-
0.7514	147	0.0077	-	-	-
0.7565	148	0.0047	-	-	-
0.7617	149	0.005	-	-	-
0.7668	150	0.0031	-	-	-
0.7719	151	0.0042	-	-	-
0.7770	152	0.0054	-	-	-
0.7821	153	0.0021	-	-	-
0.7872	154	0.004	-	-	-
0.7923	155	0.0027	-	-	-
0.7974	156	0.0033	-	-	-
0.8026	157	0.0044	-	-	-
0.8077	158	0.0063	-	-	-
0.8128	159	0.0078	-	-	-
0.8179	160	0.0046	-	-	-
0.8230	161	0.0076	-	-	-
0.8281	162	0.0136	-	-	-
0.8332	163	0.0048	-	-	-
0.8383	164	0.0049	-	-	-
0.8435	165	0.0048	-	-	-
0.8486	166	0.0064	-	-	-
0.8537	167	0.0038	-	-	-
0.8588	168	0.0087	-	-	-
0.8639	169	0.0067	-	-	-
0.8690	170	0.0011	-	-	-
0.8741	171	0.0067	-	-	-
0.8792	172	0.0054	-	-	-
0.8843	173	0.0069	-	-	-
0.8895	174	0.0084	-	-	-
0.8946	175	0.0038	-	-	-
0.8997	176	0.0029	-	-	-
0.9048	177	0.002	-	-	-
0.9099	178	0.0073	-	-	-
0.9150	179	0.0069	-	-	-
0.9201	180	0.0042	-	-	-
0.9252	181	0.0037	-	-	-
0.9304	182	0.0034	-	-	-
0.9355	183	0.0038	-	-	-
0.9406	184	0.0038	-	-	-
0.9457	185	0.007	-	-	-
0.9508	186	0.0019	-	-	-
0.9559	187	0.0073	-	-	-
0.9610	188	0.0054	-	-	-
0.9661	189	0.0082	-	-	-
0.9712	190	0.0058	-	-	-
0.9764	191	0.0028	-	-	-
0.9815	192	0.0036	-	-	-
0.9866	193	0.0046	-	-	-
0.9917	194	0.0066	-	-	-
0.9968	195	0.0056	0.0152	0.4893	0.9557
1.0019	196	0.0084	-	-	-
1.0070	197	0.002	-	-	-
1.0121	198	0.0053	-	-	-
1.0173	199	0.0035	-	-	-
1.0224	200	0.0037	-	-	-
1.0275	201	0.0068	-	-	-
1.0326	202	0.0014	-	-	-
1.0377	203	0.0023	-	-	-
1.0428	204	0.0047	-	-	-
1.0479	205	0.004	-	-	-
1.0530	206	0.0031	-	-	-
1.0581	207	0.0014	-	-	-
1.0633	208	0.0011	-	-	-
1.0684	209	0.0035	-	-	-
1.0735	210	0.0019	-	-	-
1.0786	211	0.0071	-	-	-
1.0837	212	0.0048	-	-	-
1.0888	213	0.0019	-	-	-
1.0939	214	0.0013	-	-	-
1.0990	215	0.0021	-	-	-
1.1042	216	0.0097	-	-	-
1.1093	217	0.0054	-	-	-
1.1144	218	0.0037	-	-	-
1.1195	219	0.006	-	-	-
1.1246	220	0.0053	-	-	-
1.1297	221	0.0051	-	-	-
1.1348	222	0.0076	-	-	-
1.1399	223	0.0017	-	-	-
1.1450	224	0.0147	-	-	-
1.1502	225	0.0045	-	-	-
1.1553	226	0.0034	-	-	-
1.1604	227	0.0029	-	-	-
1.1655	228	0.0032	-	-	-
1.1706	229	0.0072	-	-	-
1.1757	230	0.0067	-	-	-
1.1808	231	0.0075	-	-	-
1.1859	232	0.0072	-	-	-
1.1911	233	0.0024	-	-	-
1.1962	234	0.0033	-	-	-
1.2013	235	0.0025	-	-	-
1.2064	236	0.0019	-	-	-
1.2115	237	0.0011	-	-	-
1.2166	238	0.0033	-	-	-
1.2217	239	0.0051	-	-	-
1.2268	240	0.0017	-	-	-
1.2319	241	0.0027	-	-	-
1.2371	242	0.0023	-	-	-
1.2422	243	0.0043	-	-	-
1.2473	244	0.0054	-	-	-
1.2524	245	0.0033	-	-	-
1.2575	246	0.0029	-	-	-
1.2626	247	0.0046	-	-	-
1.2677	248	0.0018	-	-	-
1.2728	249	0.0017	-	-	-
1.2780	250	0.0009	-	-	-
1.2831	251	0.0062	-	-	-
1.2882	252	0.0062	-	-	-
1.2933	253	0.0048	-	-	-
1.2984	254	0.0017	-	-	-
1.3035	255	0.0008	-	-	-
1.3086	256	0.0029	-	-	-
1.3137	257	0.0008	-	-	-
1.3188	258	0.0027	-	-	-
1.3240	259	0.0032	-	-	-
1.3291	260	0.0025	-	-	-
1.3342	261	0.0042	-	-	-
1.3393	262	0.0034	-	-	-
1.3444	263	0.0016	-	-	-
1.3495	264	0.0025	-	-	-
1.3546	265	0.0049	-	-	-
1.3597	266	0.0009	-	-	-
1.3649	267	0.001	-	-	-
1.3700	268	0.0019	-	-	-
1.3751	269	0.001	-	-	-
1.3802	270	0.0058	-	-	-
1.3853	271	0.0079	-	-	-
1.3904	272	0.0053	-	-	-
1.3955	273	0.0028	-	-	-
1.4006	274	0.0016	-	-	-
1.4058	275	0.0019	-	-	-
1.4109	276	0.0031	-	-	-
1.4160	277	0.0013	-	-	-
1.4211	278	0.0012	-	-	-
1.4262	279	0.0037	-	-	-
1.4313	280	0.0014	-	-	-
1.4364	281	0.0037	-	-	-
1.4415	282	0.0009	-	-	-
1.4466	283	0.0012	-	-	-
1.4518	284	0.001	-	-	-
1.4569	285	0.005	-	-	-
1.4620	286	0.004	-	-	-
1.4671	287	0.0038	-	-	-
1.4722	288	0.0019	-	-	-
1.4773	289	0.0023	-	-	-
1.4824	290	0.0037	-	-	-
1.4875	291	0.0043	-	-	-
1.4927	292	0.0012	-	-	-
1.4978	293	0.0018	-	-	-
1.5029	294	0.0016	-	-	-
1.5080	295	0.0014	-	-	-
1.5131	296	0.0022	-	-	-
1.5182	297	0.0025	-	-	-
1.5233	298	0.0014	-	-	-
1.5284	299	0.0041	-	-	-
1.5335	300	0.0039	-	-	-
1.5387	301	0.0013	-	-	-
1.5438	302	0.0023	-	-	-
1.5489	303	0.0041	-	-	-
1.5540	304	0.0019	-	-	-
1.5591	305	0.0041	-	-	-
1.5642	306	0.0035	-	-	-
1.5693	307	0.0009	-	-	-
1.5744	308	0.001	-	-	-
1.5796	309	0.0038	-	-	-
1.5847	310	0.0006	-	-	-
1.5898	311	0.0017	-	-	-
1.5949	312	0.0043	-	-	-
1.6	313	0.0014	-	-	-
1.6051	314	0.0018	-	-	-
1.6102	315	0.0022	-	-	-
1.6153	316	0.0007	-	-	-
1.6204	317	0.0016	-	-	-
1.6256	318	0.0075	-	-	-
1.6307	319	0.0005	-	-	-
1.6358	320	0.0025	-	-	-
1.6409	321	0.0006	-	-	-
1.6460	322	0.0024	-	-	-
1.6511	323	0.0025	-	-	-
1.6562	324	0.0011	-	-	-
1.6613	325	0.0011	-	-	-
1.6665	326	0.0022	-	-	-
1.6716	327	0.0021	-	-	-
1.6767	328	0.0007	-	-	-
1.6818	329	0.0035	-	-	-
1.6869	330	0.0006	-	-	-
1.6920	331	0.0037	-	-	-
1.6971	332	0.0016	-	-	-
1.7022	333	0.0026	-	-	-
1.7073	334	0.0035	-	-	-
1.7125	335	0.0006	-	-	-
1.7176	336	0.0009	-	-	-
1.7227	337	0.0041	-	-	-
1.7278	338	0.0007	-	-	-
1.7329	339	0.0013	-	-	-
1.7380	340	0.0081	-	-	-
1.7431	341	0.0021	-	-	-
1.7482	342	0.003	-	-	-
1.7534	343	0.0033	-	-	-
1.7585	344	0.0015	-	-	-
1.7636	345	0.0028	-	-	-
1.7687	346	0.0025	-	-	-
1.7738	347	0.0033	-	-	-
1.7789	348	0.0019	-	-	-
1.7840	349	0.0052	-	-	-
1.7891	350	0.0022	-	-	-
1.7942	351	0.005	-	-	-
1.7994	352	0.0042	-	-	-
1.8045	353	0.0017	-	-	-
1.8096	354	0.0017	-	-	-
1.8147	355	0.0037	-	-	-
1.8198	356	0.004	-	-	-
1.8249	357	0.001	-	-	-
1.8300	358	0.0022	-	-	-
1.8351	359	0.003	-	-	-
1.8403	360	0.0006	-	-	-
1.8454	361	0.0009	-	-	-
1.8505	362	0.0009	-	-	-
1.8556	363	0.001	-	-	-
1.8607	364	0.0013	-	-	-
1.8658	365	0.004	-	-	-
1.8709	366	0.0033	-	-	-
1.8760	367	0.0016	-	-	-
1.8812	368	0.0038	-	-	-
1.8863	369	0.0007	-	-	-
1.8914	370	0.0003	-	-	-
1.8965	371	0.0007	-	-	-
1.9016	372	0.001	-	-	-
1.9067	373	0.0029	-	-	-
1.9118	374	0.0046	-	-	-
1.9169	375	0.0004	-	-	-
1.9220	376	0.0005	-	-	-
1.9272	377	0.0002	-	-	-
1.9323	378	0.0022	-	-	-
1.9374	379	0.0025	-	-	-
1.9425	380	0.0004	-	-	-
1.9476	381	0.0043	-	-	-
1.9527	382	0.0015	-	-	-
1.9578	383	0.0012	-	-	-
1.9629	384	0.0014	-	-	-
1.9681	385	0.0031	-	-	-
1.9732	386	0.0006	-	-	-
1.9783	387	0.0035	-	-	-
1.9834	388	0.0062	-	-	-
1.9885	389	0.0022	-	-	-
1.9936	390	0.0027	-	-	-
1.9987	391	0.0014	0.0157	0.4887	0.9564
2.0038	392	0.0025	-	-	-
2.0089	393	0.0021	-	-	-
2.0141	394	0.0012	-	-	-
2.0192	395	0.0025	-	-	-
2.0243	396	0.0014	-	-	-
2.0294	397	0.0006	-	-	-
2.0345	398	0.0044	-	-	-
2.0396	399	0.0006	-	-	-
2.0447	400	0.0008	-	-	-
2.0498	401	0.0017	-	-	-
2.0550	402	0.0007	-	-	-
2.0601	403	0.001	-	-	-
2.0652	404	0.0008	-	-	-
2.0703	405	0.001	-	-	-
2.0754	406	0.0013	-	-	-
2.0805	407	0.0008	-	-	-
2.0856	408	0.0003	-	-	-
2.0907	409	0.0005	-	-	-
2.0958	410	0.0003	-	-	-
2.1010	411	0.0009	-	-	-
2.1061	412	0.0002	-	-	-
2.1112	413	0.0007	-	-	-
2.1163	414	0.0024	-	-	-
2.1214	415	0.0018	-	-	-
2.1265	416	0.0024	-	-	-
2.1316	417	0.001	-	-	-
2.1367	418	0.0023	-	-	-
2.1419	419	0.0003	-	-	-
2.1470	420	0.004	-	-	-
2.1521	421	0.0004	-	-	-
2.1572	422	0.0005	-	-	-
2.1623	423	0.0008	-	-	-
2.1674	424	0.0014	-	-	-
2.1725	425	0.0031	-	-	-
2.1776	426	0.0007	-	-	-
2.1827	427	0.0022	-	-	-
2.1879	428	0.0011	-	-	-
2.1930	429	0.0006	-	-	-
2.1981	430	0.0015	-	-	-
2.2032	431	0.0028	-	-	-
2.2083	432	0.0013	-	-	-
2.2134	433	0.0002	-	-	-
2.2185	434	0.0043	-	-	-
2.2236	435	0.0028	-	-	-
2.2288	436	0.0013	-	-	-
2.2339	437	0.0013	-	-	-
2.2390	438	0.0003	-	-	-
2.2441	439	0.0015	-	-	-
2.2492	440	0.0014	-	-	-
2.2543	441	0.0008	-	-	-
2.2594	442	0.0041	-	-	-
2.2645	443	0.0009	-	-	-
2.2696	444	0.0012	-	-	-
2.2748	445	0.001	-	-	-
2.2799	446	0.001	-	-	-
2.2850	447	0.0012	-	-	-
2.2901	448	0.0009	-	-	-
2.2952	449	0.0005	-	-	-
2.3003	450	0.0018	-	-	-
2.3054	451	0.0019	-	-	-
2.3105	452	0.0002	-	-	-
2.3157	453	0.0021	-	-	-
2.3208	454	0.0004	-	-	-
2.3259	455	0.0007	-	-	-
2.3310	456	0.0034	-	-	-
2.3361	457	0.0004	-	-	-
2.3412	458	0.0006	-	-	-
2.3463	459	0.001	-	-	-
2.3514	460	0.0019	-	-	-
2.3565	461	0.0005	-	-	-
2.3617	462	0.0015	-	-	-
2.3668	463	0.0067	-	-	-
2.3719	464	0.0047	-	-	-
2.3770	465	0.0019	-	-	-
2.3821	466	0.001	-	-	-
2.3872	467	0.0005	-	-	-
2.3923	468	0.0013	-	-	-
2.3974	469	0.0011	-	-	-
2.4026	470	0.0013	-	-	-
2.4077	471	0.0017	-	-	-
2.4128	472	0.0005	-	-	-
2.4179	473	0.0006	-	-	-
2.4230	474	0.0005	-	-	-
2.4281	475	0.0015	-	-	-
2.4332	476	0.0012	-	-	-
2.4383	477	0.0013	-	-	-
2.4435	478	0.0047	-	-	-
2.4486	479	0.0005	-	-	-
2.4537	480	0.0006	-	-	-
2.4588	481	0.0016	-	-	-
2.4639	482	0.003	-	-	-
2.4690	483	0.0002	-	-	-
2.4741	484	0.0013	-	-	-
2.4792	485	0.0004	-	-	-
2.4843	486	0.005	-	-	-
2.4895	487	0.001	-	-	-
2.4946	488	0.0007	-	-	-
2.4997	489	0.002	-	-	-
2.5048	490	0.0018	-	-	-
2.5099	491	0.0019	-	-	-
2.5150	492	0.0009	-	-	-
2.5201	493	0.001	-	-	-
2.5252	494	0.0012	-	-	-
2.5304	495	0.0006	-	-	-
2.5355	496	0.0008	-	-	-
2.5406	497	0.0003	-	-	-
2.5457	498	0.0017	-	-	-
2.5508	499	0.0011	-	-	-
2.5559	500	0.0007	-	-	-
2.5610	501	0.0019	-	-	-
2.5661	502	0.0016	-	-	-
2.5712	503	0.0054	-	-	-
2.5764	504	0.0012	-	-	-
2.5815	505	0.0014	-	-	-
2.5866	506	0.0031	-	-	-
2.5917	507	0.0023	-	-	-
2.5968	508	0.0017	-	-	-
2.6019	509	0.0017	-	-	-
2.6070	510	0.0008	-	-	-
2.6121	511	0.0007	-	-	-
2.6173	512	0.001	-	-	-
2.6224	513	0.0005	-	-	-
2.6275	514	0.0005	-	-	-
2.6326	515	0.0007	-	-	-
2.6377	516	0.0005	-	-	-
2.6428	517	0.0014	-	-	-
2.6479	518	0.0034	-	-	-
2.6530	519	0.0004	-	-	-
2.6581	520	0.001	-	-	-
2.6633	521	0.0008	-	-	-
2.6684	522	0.0043	-	-	-
2.6735	523	0.0005	-	-	-
2.6786	524	0.0004	-	-	-
2.6837	525	0.001	-	-	-
2.6888	526	0.0004	-	-	-
2.6939	527	0.0008	-	-	-
2.6990	528	0.0009	-	-	-
2.7042	529	0.0002	-	-	-
2.7093	530	0.0034	-	-	-
2.7144	531	0.002	-	-	-
2.7195	532	0.0012	-	-	-
2.7246	533	0.0015	-	-	-
2.7297	534	0.0007	-	-	-
2.7348	535	0.0001	-	-	-
2.7399	536	0.0018	-	-	-
2.7450	537	0.0005	-	-	-
2.7502	538	0.0016	-	-	-
2.7553	539	0.0007	-	-	-
2.7604	540	0.0018	-	-	-
2.7655	541	0.0025	-	-	-
2.7706	542	0.0004	-	-	-
2.7757	543	0.0028	-	-	-
2.7808	544	0.0036	-	-	-
2.7859	545	0.0033	-	-	-
2.7911	546	0.0032	-	-	-
2.7962	547	0.0009	-	-	-
2.8013	548	0.0007	-	-	-
2.8064	549	0.0021	-	-	-
2.8115	550	0.001	-	-	-
2.8166	551	0.0008	-	-	-
2.8217	552	0.0022	-	-	-
2.8268	553	0.0008	-	-	-
2.8319	554	0.0005	-	-	-
2.8371	555	0.0005	-	-	-
2.8422	556	0.0006	-	-	-
2.8473	557	0.0021	-	-	-
2.8524	558	0.0007	-	-	-
2.8575	559	0.0018	-	-	-
2.8626	560	0.0057	-	-	-
2.8677	561	0.0034	-	-	-
2.8728	562	0.0016	-	-	-
2.8780	563	0.0032	-	-	-
2.8831	564	0.0028	-	-	-
2.8882	565	0.0011	-	-	-
2.8933	566	0.0023	-	-	-
2.8984	567	0.0033	-	-	-
2.9035	568	0.0026	-	-	-
2.9086	569	0.002	-	-	-
2.9137	570	0.0008	-	-	-
2.9188	571	0.0012	-	-	-
2.9240	572	0.0024	-	-	-
2.9291	573	0.0022	-	-	-
2.9342	574	0.0012	-	-	-
2.9393	575	0.0029	-	-	-
2.9444	576	0.0009	-	-	-
2.9495	577	0.0004	-	-	-
2.9546	578	0.0009	-	-	-
2.9597	579	0.0005	-	-	-
2.9649	580	0.0007	-	-	-
2.9700	581	0.0005	-	-	-
2.9751	582	0.0008	-	-	-
2.9802	583	0.0007	-	-	-
2.9853	584	0.0025	-	-	-
2.9904	585	0.0013	-	-	-
2.9955	586	0.0004	0.0188	0.4553	0.9505
3.0006	587	0.0008	-	-	-
3.0058	588	0.0003	-	-	-
3.0109	589	0.0005	-	-	-
3.0160	590	0.0002	-	-	-
3.0211	591	0.0004	-	-	-
3.0262	592	0.0003	-	-	-
3.0313	593	0.0004	-	-	-
3.0364	594	0.0005	-	-	-
3.0415	595	0.0007	-	-	-
3.0466	596	0.0003	-	-	-
3.0518	597	0.001	-	-	-
3.0569	598	0.0001	-	-	-
3.0620	599	0.0004	-	-	-
3.0671	600	0.0003	-	-	-
3.0722	601	0.0025	-	-	-
3.0773	602	0.0002	-	-	-
3.0824	603	0.0001	-	-	-
3.0875	604	0.0001	-	-	-
3.0927	605	0.0006	-	-	-
3.0978	606	0.001	-	-	-
3.1029	607	0.0015	-	-	-
3.1080	608	0.0003	-	-	-
3.1131	609	0.0011	-	-	-
3.1182	610	0.0005	-	-	-
3.1233	611	0.0006	-	-	-
3.1284	612	0.0002	-	-	-
3.1335	613	0.0006	-	-	-
3.1387	614	0.0008	-	-	-
3.1438	615	0.0003	-	-	-
3.1489	616	0.0033	-	-	-
3.1540	617	0.0004	-	-	-
3.1591	618	0.0005	-	-	-
3.1642	619	0.0019	-	-	-
3.1693	620	0.0019	-	-	-
3.1744	621	0.0005	-	-	-
3.1796	622	0.0027	-	-	-
3.1847	623	0.0004	-	-	-
3.1898	624	0.0005	-	-	-
3.1949	625	0.0007	-	-	-
3.2	626	0.002	-	-	-
3.2051	627	0.0012	-	-	-
3.2102	628	0.0005	-	-	-
3.2153	629	0.0008	-	-	-
3.2204	630	0.0003	-	-	-
3.2256	631	0.0004	-	-	-
3.2307	632	0.0002	-	-	-
3.2358	633	0.0016	-	-	-
3.2409	634	0.0006	-	-	-
3.2460	635	0.0057	-	-	-
3.2511	636	0.0003	-	-	-
3.2562	637	0.0007	-	-	-
3.2613	638	0.0003	-	-	-
3.2665	639	0.0002	-	-	-
3.2716	640	0.0004	-	-	-
3.2767	641	0.0006	-	-	-
3.2818	642	0.0001	-	-	-
3.2869	643	0.0016	-	-	-
3.2920	644	0.004	-	-	-
3.2971	645	0.0038	-	-	-
3.3022	646	0.0008	-	-	-
3.3073	647	0.0023	-	-	-
3.3125	648	0.0029	-	-	-
3.3176	649	0.0005	-	-	-
3.3227	650	0.004	-	-	-
3.3278	651	0.0016	-	-	-
3.3329	652	0.0007	-	-	-
3.3380	653	0.001	-	-	-
3.3431	654	0.0005	-	-	-
3.3482	655	0.0011	-	-	-
3.3534	656	0.0017	-	-	-
3.3585	657	0.0014	-	-	-
3.3636	658	0.0008	-	-	-
3.3687	659	0.001	-	-	-
3.3738	660	0.0006	-	-	-
3.3789	661	0.001	-	-	-
3.3840	662	0.0006	-	-	-
3.3891	663	0.0005	-	-	-
3.3942	664	0.0004	-	-	-
3.3994	665	0.0008	-	-	-
3.4045	666	0.0005	-	-	-
3.4096	667	0.0002	-	-	-
3.4147	668	0.001	-	-	-
3.4198	669	0.004	-	-	-
3.4249	670	0.001	-	-	-
3.4300	671	0.0015	-	-	-
3.4351	672	0.0004	-	-	-
3.4403	673	0.0004	-	-	-
3.4454	674	0.0004	-	-	-
3.4505	675	0.0003	-	-	-
3.4556	676	0.0005	-	-	-
3.4607	677	0.0001	-	-	-
3.4658	678	0.0002	-	-	-
3.4709	679	0.0004	-	-	-
3.4760	680	0.0001	-	-	-
3.4812	681	0.0002	-	-	-
3.4863	682	0.0011	-	-	-
3.4914	683	0.0002	-	-	-
3.4965	684	0.0015	-	-	-
3.5016	685	0.0033	-	-	-
3.5067	686	0.0021	-	-	-
3.5118	687	0.0014	-	-	-
3.5169	688	0.0001	-	-	-
3.5220	689	0.0002	-	-	-
3.5272	690	0.0003	-	-	-
3.5323	691	0.0012	-	-	-
3.5374	692	0.0001	-	-	-
3.5425	693	0.0014	-	-	-
3.5476	694	0.0023	-	-	-
3.5527	695	0.001	-	-	-
3.5578	696	0.0004	-	-	-
3.5629	697	0.0018	-	-	-
3.5681	698	0.0036	-	-	-
3.5732	699	0.0007	-	-	-
3.5783	700	0.002	-	-	-
3.5834	701	0.0029	-	-	-
3.5885	702	0.001	-	-	-
3.5936	703	0.001	-	-	-
3.5987	704	0.0005	-	-	-
3.6038	705	0.0008	-	-	-
3.6089	706	0.0006	-	-	-
3.6141	707	0.0006	-	-	-
3.6192	708	0.0006	-	-	-
3.6243	709	0.0006	-	-	-
3.6294	710	0.0042	-	-	-
3.6345	711	0.0009	-	-	-
3.6396	712	0.0005	-	-	-
3.6447	713	0.001	-	-	-
3.6498	714	0.0005	-	-	-
3.6550	715	0.0003	-	-	-
3.6601	716	0.0011	-	-	-
3.6652	717	0.0012	-	-	-
3.6703	718	0.0004	-	-	-
3.6754	719	0.0005	-	-	-
3.6805	720	0.0023	-	-	-
3.6856	721	0.0011	-	-	-
3.6907	722	0.0003	-	-	-
3.6958	723	0.0007	-	-	-
3.7010	724	0.0005	-	-	-
3.7061	725	0.0002	-	-	-
3.7112	726	0.0018	-	-	-
3.7163	727	0.0004	-	-	-
3.7214	728	0.0042	-	-	-
3.7265	729	0.0006	-	-	-
3.7316	730	0.0003	-	-	-
3.7367	731	0.0008	-	-	-
3.7419	732	0.0011	-	-	-
3.7470	733	0.0005	-	-	-
3.7521	734	0.004	-	-	-
3.7572	735	0.0004	-	-	-
3.7623	736	0.0002	-	-	-
3.7674	737	0.0007	-	-	-
3.7725	738	0.0004	-	-	-
3.7776	739	0.0005	-	-	-
3.7827	740	0.0004	-	-	-
3.7879	741	0.0004	-	-	-
3.7930	742	0.0003	-	-	-
3.7981	743	0.0011	-	-	-
3.8032	744	0.0002	-	-	-
3.8083	745	0.0021	-	-	-
3.8134	746	0.0001	-	-	-
3.8185	747	0.0002	-	-	-
3.8236	748	0.0014	-	-	-
3.8288	749	0.0002	-	-	-
3.8339	750	0.0002	-	-	-
3.8390	751	0.0001	-	-	-
3.8441	752	0.0003	-	-	-
3.8492	753	0.0002	-	-	-
3.8543	754	0.0009	-	-	-
3.8594	755	0.0002	-	-	-
3.8645	756	0.0005	-	-	-
3.8696	757	0.0005	-	-	-
3.8748	758	0.0003	-	-	-
3.8799	759	0.0009	-	-	-
3.8850	760	0.0004	-	-	-
3.8901	761	0.0003	-	-	-
3.8952	762	0.001	-	-	-
3.9003	763	0.0004	-	-	-
3.9054	764	0.0004	-	-	-
3.9105	765	0.0002	-	-	-
3.9157	766	0.0001	-	-	-
3.9208	767	0.0023	-	-	-
3.9259	768	0.0002	-	-	-
3.9310	769	0.0004	-	-	-
3.9361	770	0.0006	-	-	-
3.9412	771	0.0016	-	-	-
3.9463	772	0.0002	-	-	-
3.9514	773	0.0003	-	-	-
3.9565	774	0.0029	-	-	-
3.9617	775	0.0018	-	-	-
3.9668	776	0.0009	-	-	-
3.9719	777	0.0012	-	-	-
3.9770	778	0.0006	-	-	-
3.9821	779	0.0037	-	-	-
3.9872	780	0.001	-	-	-
3.9923	781	0.0014	-	-	-
3.9974	782	0.001	0.0192	0.4314	0.9432
4.0026	783	0.0004	-	-	-
4.0077	784	0.0002	-	-	-
4.0128	785	0.0006	-	-	-
4.0179	786	0.0009	-	-	-
4.0230	787	0.0003	-	-	-
4.0281	788	0.0005	-	-	-
4.0332	789	0.0009	-	-	-
4.0383	790	0.0006	-	-	-
4.0435	791	0.0014	-	-	-
4.0486	792	0.0003	-	-	-
4.0537	793	0.0004	-	-	-
4.0588	794	0.0004	-	-	-
4.0639	795	0.0005	-	-	-
4.0690	796	0.0015	-	-	-
4.0741	797	0.0004	-	-	-
4.0792	798	0.0007	-	-	-
4.0843	799	0.0002	-	-	-
4.0895	800	0.0003	-	-	-
4.0946	801	0.0002	-	-	-
4.0997	802	0.0009	-	-	-
4.1048	803	0.0003	-	-	-
4.1099	804	0.0009	-	-	-
4.1150	805	0.0006	-	-	-
4.1201	806	0.0002	-	-	-
4.1252	807	0.0006	-	-	-
4.1304	808	0.0004	-	-	-
4.1355	809	0.0003	-	-	-
4.1406	810	0.0009	-	-	-
4.1457	811	0.0006	-	-	-
4.1508	812	0.0002	-	-	-
4.1559	813	0.0021	-	-	-
4.1610	814	0.0006	-	-	-
4.1661	815	0.0006	-	-	-
4.1712	816	0.0003	-	-	-
4.1764	817	0.0002	-	-	-
4.1815	818	0.0003	-	-	-
4.1866	819	0.0006	-	-	-
4.1917	820	0.0005	-	-	-
4.1968	821	0.0007	-	-	-
4.2019	822	0.0005	-	-	-
4.2070	823	0.0001	-	-	-
4.2121	824	0.0004	-	-	-
4.2173	825	0.0006	-	-	-
4.2224	826	0.0015	-	-	-
4.2275	827	0.0015	-	-	-
4.2326	828	0.0008	-	-	-
4.2377	829	0.0006	-	-	-
4.2428	830	0.0008	-	-	-
4.2479	831	0.0008	-	-	-
4.2530	832	0.0002	-	-	-
4.2581	833	0.0005	-	-	-
4.2633	834	0.0003	-	-	-
4.2684	835	0.0005	-	-	-
4.2735	836	0.0003	-	-	-
4.2786	837	0.0004	-	-	-
4.2837	838	0.0007	-	-	-
4.2888	839	0.0004	-	-	-
4.2939	840	0.0004	-	-	-
4.2990	841	0.0003	-	-	-
4.3042	842	0.0003	-	-	-
4.3093	843	0.0002	-	-	-
4.3144	844	0.0004	-	-	-
4.3195	845	0.0007	-	-	-
4.3246	846	0.0002	-	-	-
4.3297	847	0.0005	-	-	-
4.3348	848	0.0002	-	-	-
4.3399	849	0.0003	-	-	-
4.3450	850	0.0002	-	-	-
4.3502	851	0.0006	-	-	-
4.3553	852	0.0002	-	-	-
4.3604	853	0.0001	-	-	-
4.3655	854	0.0001	-	-	-
4.3706	855	0.0003	-	-	-
4.3757	856	0.0015	-	-	-
4.3808	857	0.0002	-	-	-
4.3859	858	0.0006	-	-	-
4.3911	859	0.0002	-	-	-
4.3962	860	0.0021	-	-	-
4.4013	861	0.0003	-	-	-
4.4064	862	0.0006	-	-	-
4.4115	863	0.0005	-	-	-
4.4166	864	0.0051	-	-	-
4.4217	865	0.0011	-	-	-
4.4268	866	0.0002	-	-	-
4.4319	867	0.0003	-	-	-
4.4371	868	0.0005	-	-	-
4.4422	869	0.0001	-	-	-
4.4473	870	0.0002	-	-	-
4.4524	871	0.0003	-	-	-
4.4575	872	0.0001	-	-	-
4.4626	873	0.0007	-	-	-
4.4677	874	0.0003	-	-	-
4.4728	875	0.0016	-	-	-
4.4780	876	0.0002	-	-	-
4.4831	877	0.0003	-	-	-
4.4882	878	0.0003	-	-	-
4.4933	879	0.0004	-	-	-
4.4984	880	0.0003	-	-	-
4.5035	881	0.0001	-	-	-
4.5086	882	0.0001	-	-	-
4.5137	883	0.0005	-	-	-
4.5188	884	0.0001	-	-	-
4.5240	885	0.0004	-	-	-
4.5291	886	0.0005	-	-	-
4.5342	887	0.0012	-	-	-
4.5393	888	0.0015	-	-	-
4.5444	889	0.0002	-	-	-
4.5495	890	0.0007	-	-	-
4.5546	891	0.0018	-	-	-
4.5597	892	0.0004	-	-	-
4.5649	893	0.0003	-	-	-
4.5700	894	0.0002	-	-	-
4.5751	895	0.0004	-	-	-
4.5802	896	0.0024	-	-	-
4.5853	897	0.0043	-	-	-
4.5904	898	0.0001	-	-	-
4.5955	899	0.0001	-	-	-
4.6006	900	0.0005	-	-	-
4.6058	901	0.0002	-	-	-
4.6109	902	0.0003	-	-	-
4.6160	903	0.0012	-	-	-
4.6211	904	0.0004	-	-	-
4.6262	905	0.0004	-	-	-
4.6313	906	0.0004	-	-	-
4.6364	907	0.0006	-	-	-
4.6415	908	0.0006	-	-	-
4.6466	909	0.0007	-	-	-
4.6518	910	0.0009	-	-	-
4.6569	911	0.0008	-	-	-
4.6620	912	0.0029	-	-	-
4.6671	913	0.0006	-	-	-
4.6722	914	0.0005	-	-	-
4.6773	915	0.0031	-	-	-
4.6824	916	0.0004	-	-	-
4.6875	917	0.0005	-	-	-
4.6927	918	0.0005	-	-	-
4.6978	919	0.0005	-	-	-
4.7029	920	0.0007	-	-	-
4.7080	921	0.001	-	-	-
4.7131	922	0.0004	-	-	-
4.7182	923	0.0004	-	-	-
4.7233	924	0.0008	-	-	-
4.7284	925	0.0003	-	-	-
4.7335	926	0.0003	-	-	-
4.7387	927	0.0002	-	-	-
4.7438	928	0.0003	-	-	-
4.7489	929	0.0005	-	-	-
4.7540	930	0.0006	-	-	-
4.7591	931	0.0006	-	-	-
4.7642	932	0.0002	-	-	-
4.7693	933	0.0003	-	-	-
4.7744	934	0.0002	-	-	-
4.7796	935	0.0002	-	-	-
4.7847	936	0.0016	-	-	-
4.7898	937	0.0002	-	-	-
4.7949	938	0.0002	-	-	-
4.8	939	0.0003	-	-	-
4.8051	940	0.0001	-	-	-
4.8102	941	0.0	-	-	-
4.8153	942	0.0001	-	-	-
4.8204	943	0.0007	-	-	-
4.8256	944	0.0002	-	-	-
4.8307	945	0.0005	-	-	-
4.8358	946	0.0004	-	-	-
4.8409	947	0.0001	-	-	-
4.8460	948	0.0003	-	-	-
4.8511	949	0.0001	-	-	-
4.8562	950	0.0002	-	-	-
4.8613	951	0.0001	-	-	-
4.8665	952	0.0009	-	-	-
4.8716	953	0.0001	-	-	-
4.8767	954	0.0002	-	-	-
4.8818	955	0.0011	-	-	-
4.8869	956	0.0038	-	-	-
4.8920	957	0.0002	-	-	-
4.8971	958	0.0025	-	-	-
4.9022	959	0.001	-	-	-
4.9073	960	0.0003	-	-	-
4.9125	961	0.0001	-	-	-
4.9176	962	0.0024	-	-	-
4.9227	963	0.0044	-	-	-
4.9278	964	0.0001	-	-	-
4.9329	965	0.001	-	-	-
4.9380	966	0.0003	-	-	-
4.9431	967	0.0004	-	-	-
4.9482	968	0.0002	-	-	-
4.9534	969	0.0002	-	-	-
4.9585	970	0.0002	-	-	-
4.9636	971	0.0005	-	-	-
4.9687	972	0.0009	-	-	-
4.9738	973	0.0014	-	-	-
4.9789	974	0.0008	-	-	-
4.9840	975	0.0003	-	-	-
4.9891	976	0.0005	-	-	-
4.9942	977	0.0004	-	-	-
4.9994	978	0.0002	0.0198	0.4147	0.9380

Framework Versions

Python: 3.11.9
Sentence Transformers: 3.3.1
Transformers: 4.45.2
PyTorch: 2.4.1+cu121
Accelerate: 1.2.1
Datasets: 3.2.0
Tokenizers: 0.20.3

Citation

BibTeX

Sentence Transformers

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

ContrastiveLoss

@inproceedings{hadsell2006dimensionality,
    author={Hadsell, R. and Chopra, S. and LeCun, Y.},
    booktitle={2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'06)},
    title={Dimensionality Reduction by Learning an Invariant Mapping},
    year={2006},
    volume={2},
    number={},
    pages={1735-1742},
    doi={10.1109/CVPR.2006.100}
}

Lettria
/

idf-go_embedder-contrastive-after_epoch_4

SentenceTransformer based on intfloat/multilingual-e5-base

Model Details

Model Description

Model Sources

Full Model Architecture

Usage

Direct Usage (Sentence Transformers)

Evaluation

Metrics

Semantic Similarity

Binary Classification

Training Details

Training Dataset

grag-go-idf-pos-neg

Evaluation Dataset

grag-go-idf-pos-neg

Training Hyperparameters

Non-Default Hyperparameters

All Hyperparameters

Training Logs

Framework Versions

Citation

BibTeX

Sentence Transformers

ContrastiveLoss

Model tree for Lettria/idf-go_embedder-contrastive-after_epoch_4

Evaluation results