Hugging Face's logo

anhtld
/
VN-Law-Embedding

Sentence Similarity
sentence-transformers
Safetensors
Vietnamese
xlm-roberta
feature-extraction
Generated from Trainer
dataset_size:15709
loss:MatryoshkaLoss
loss:MultipleNegativesRankingLoss
Eval Results (legacy)
text-embeddings-inference
Model card Files
xet
Community

VN-Law Embedding Improved

This is a sentence-transformers model finetuned from truro7/vn-law-embedding 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: truro7/vn-law-embedding
  • Maximum Sequence Length: 512 tokens
  • Output Dimensionality: 768 dimensions
  • Similarity Function: Cosine Similarity
  • Training Dataset:
    • json
  • Language: vi
  • License: apache-2.0

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': 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("VN-Law-Embedding")
# Run inference
sentences = [
    '{"question": "Người sử dụng lao động có phải thiết lập cơ chế và thực hiện đối thoại, trao đổi với người lao động và tổ chức đại diện người lao động không?"},',
    '{"answer": "Có. Luật pháp Việt Nam quy định rõ ràng rằng người sử dụng lao động **phải** thiết lập cơ chế và thực hiện đối thoại, trao đổi với người lao động và tổ chức đại diện người lao động tại cơ sở.\n\n**Căn cứ pháp lý chính:**\n\n* **Bộ luật Lao động 2019:**  Điều 63 và Điều 64 quy định chi tiết về đối thoại tại nơi làm việc.\n\n**Nội dung chính của quy định này:**\n\n* **Đối thoại định kỳ:** Người sử dụng lao động phải tổ chức đối thoại định kỳ với người lao động và tổ chức đại diện người lao động (nếu có).  Thời gian đối thoại định kỳ được quy định cụ thể trong Bộ luật Lao động và các văn bản hướng dẫn.\n* **Đối thoại khi có yêu cầu:**  Ngoài đối thoại định kỳ, người sử dụng lao động cũng phải đối thoại khi có yêu cầu từ người lao động hoặc tổ chức đại diện người lao động.\n* **Nội dung đối thoại:**  Nội dung đối thoại rất rộng, bao gồm nhiều vấn đề liên quan đến quan hệ lao động, như:\n    * Tình hình sản xuất, kinh doanh của doanh nghiệp.\n    * Việc thực hiện hợp đồng lao động, thỏa ước lao động tập thể, nội quy lao động, quy chế và các cam kết, thỏa thuận khác tại nơi làm việc.\n    * Điều kiện làm việc.\n    * Yêu cầu của người lao động, tổ chức đại diện người lao động đối với người sử dụng lao động.\n    * Các nội dung khác mà hai bên quan tâm.\n* **Mục đích của đối thoại:**\n    * Tăng cường sự hiểu biết giữa người sử dụng lao động và người lao động.\n    * Xây dựng quan hệ lao động hài hòa, ổn định và tiến bộ.\n    * Ngăn ngừa và giải quyết các tranh chấp lao động.\n    * Thực hiện dân chủ tại nơi làm việc.\n\n**Tổ chức đại diện người lao động:**\n\n* Tổ chức đại diện người lao động có thể là Công đoàn cơ sở hoặc tổ chức của người lao động tại doanh nghiệp (nếu được thành lập hợp pháp theo quy định của pháp luật).\n* Vai trò của tổ chức đại diện người lao động rất quan trọng trong đối thoại, trao đổi, bảo vệ quyền và lợi ích hợp pháp, chính đáng của người lao động.\n\n**Tóm lại:**\n\nViệc thiết lập cơ chế và thực hiện đối thoại, trao đổi với người lao động và tổ chức đại diện người lao động là **nghĩa vụ pháp lý** của người sử dụng lao động tại Việt Nam. Đây là một công cụ quan trọng để xây dựng quan hệ lao động tốt đẹp, đảm bảo quyền lợi của người lao động và sự phát triển bền vững của doanh nghiệp.\n\nĐể có thông tin chi tiết và chính xác nhất, bạn nên tham khảo trực tiếp **Bộ luật Lao động 2019** và các văn bản hướng dẫn liên quan."}',
    'Theo quy định pháp luật hiện hành của Việt Nam, **không có quy định bắt buộc** trọng tài viên lao động phải tham gia một khóa đào tạo cụ thể nào trước khi hành nghề.\n\nTuy nhiên, để trở thành một trọng tài viên lao động có năng lực và chuyên nghiệp, việc tham gia các khóa đào tạo, bồi dưỡng kiến thức và kỹ năng về pháp luật lao động, kỹ năng giải quyết tranh chấp, kỹ năng trọng tài là **rất quan trọng và được khuyến khích.**\n\n**Giải thích chi tiết hơn:**\n\n* **Pháp luật không quy định bắt buộc:**  Hiện tại, Luật Hòa giải, đối thoại tại Tòa án và các văn bản pháp luật liên quan đến trọng tài lao động không quy định cụ thể về việc trọng tài viên lao động phải có chứng chỉ hay hoàn thành khóa đào tạo nào.  Điều kiện để trở thành Trọng tài viên lao động thường tập trung vào kinh nghiệm, kiến thức và uy tín trong lĩnh vực lao động.\n\n* **Khuyến khích đào tạo để nâng cao năng lực:** Mặc dù không bắt buộc, nhưng việc tham gia các khóa đào tạo mang lại nhiều lợi ích thiết thực cho trọng tài viên lao động:\n    * **Cập nhật kiến thức pháp luật:** Pháp luật lao động liên tục thay đổi và phát triển. Các khóa đào tạo giúp trọng tài viên cập nhật những quy định mới nhất, đảm bảo áp dụng pháp luật chính xác trong quá trình giải quyết tranh chấp.\n    * **Nâng cao kỹ năng chuyên môn:** Các khóa đào tạo thường trang bị các kỹ năng cần thiết cho trọng tài viên như:\n        * **Kỹ năng hòa giải, thương lượng:**  Giúp trọng tài viên hướng dẫn các bên tranh chấp tìm ra giải pháp hòa bình, tự nguyện.\n        * **Kỹ năng điều hành phiên họp trọng tài:** Đảm bảo phiên họp diễn ra hiệu quả, công bằng và đúng trình tự.\n        * **Kỹ năng phân tích, đánh giá chứng cứ:**  Giúp trọng tài viên đưa ra phán quyết khách quan, dựa trên cơ sở pháp lý và chứng cứ xác thực.\n        * **Kỹ năng soạn thảo phán quyết trọng tài:**  Đảm bảo phán quyết rõ ràng, dễ hiểu, có tính khả thi và tuân thủ pháp luật.\n    * **Mở rộng mạng lưới chuyên môn:** Các khóa đào tạo là cơ hội để trọng tài viên gặp gỡ, trao đổi kinh nghiệm với các đồng nghiệp, chuyên gia trong lĩnh vực lao động.\n    * **Nâng cao uy tín cá nhân:** Việc có chứng chỉ đào tạo hoặc tham gia các khóa học uy tín có thể giúp trọng tài viên nâng cao uy tín và được các bên tranh chấp tin tưởng hơn.\n\n**Các loại hình đào tạo mà trọng tài viên lao động có thể tham gia:**\n\n* **Khóa đào tạo do các Trung tâm Trọng tài Lao động tổ chức:**  Các trung tâm trọng tài thường xuyên tổ chức các khóa đào tạo chuyên sâu về trọng tài lao động, mời các chuyên gia, luật sư, thẩm phán có kinh nghiệm giảng dạy.\n* **Khóa đào tạo do các trường đại học, viện nghiên cứu tổ chức:**  Các cơ sở đào tạo này có thể tổ chức các khóa học ngắn hạn, dài hạn về pháp luật lao động, giải quyết tranh chấp, kỹ năng trọng tài.\n* **Hội thảo, hội nghị chuyên đề:**  Tham gia các sự kiện này giúp trọng tài viên cập nhật thông tin mới nhất về pháp luật lao động và xu hướng giải quyết tranh chấp.\n\n**Tóm lại:**\n\nMặc dù không bắt buộc, việc tham gia các khóa đào tạo là **hết sức cần thiết và có lợi** cho trọng tài viên lao động.  Nó giúp nâng cao năng lực chuyên môn, kiến thức pháp luật, kỹ năng giải quyết tranh chấp, từ đó góp phần vào việc giải quyết tranh chấp lao động một cách hiệu quả, công bằng và đúng pháp luật.  Để trở thành một trọng tài viên lao động giỏi, việc **tự giác học hỏi, trau dồi kiến thức và kỹ năng một cách liên tục** là điều quan trọng hơn cả.',
]
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

Information Retrieval

Metric dim_768 dim_512 dim_256 dim_128
cosine_accuracy@1 0.8396 0.8419 0.8425 0.8391
cosine_accuracy@3 0.9639 0.9645 0.9651 0.9616
cosine_accuracy@5 0.9857 0.9874 0.9863 0.9863
cosine_accuracy@10 0.9977 0.9977 0.9977 0.9971
cosine_precision@1 0.8396 0.8419 0.8425 0.8391
cosine_precision@3 0.3213 0.3215 0.3217 0.3205
cosine_precision@5 0.1971 0.1975 0.1973 0.1973
cosine_precision@10 0.0998 0.0998 0.0998 0.0997
cosine_recall@1 0.8396 0.8419 0.8425 0.8391
cosine_recall@3 0.9639 0.9645 0.9651 0.9616
cosine_recall@5 0.9857 0.9874 0.9863 0.9863
cosine_recall@10 0.9977 0.9977 0.9977 0.9971
cosine_ndcg@10 0.9268 0.9282 0.9283 0.926
cosine_mrr@10 0.9031 0.9049 0.905 0.9022
cosine_map@100 0.9032 0.9051 0.9052 0.9023

Training Details

Training Dataset

json

  • Dataset: json
  • Size: 15,709 training samples
  • Columns: anchor and positive
  • Approximate statistics based on the first 1000 samples:
    anchor positive
    type string string
    details
    • min: 19 tokens
    • mean: 35.09 tokens
    • max: 94 tokens
    • min: 22 tokens
    • mean: 495.92 tokens
    • max: 512 tokens
  • Samples:
    anchor positive
    {"question": "Trường hợp người lao động nước ngoài bị mất giấy phép lao động, phải làm gì để được cấp lại?"} Để được cấp lại giấy phép lao động (GPLĐ) khi bị mất, người lao động nước ngoài tại Việt Nam cần thực hiện các bước sau:

    1. Báo cáo mất giấy phép lao động:

    * Báo cáo cho người sử dụng lao động: Ngay khi phát hiện mất GPLĐ, bạn cần báo cáo ngay lập tức cho người sử dụng lao động của mình. Họ sẽ cần biết để hỗ trợ bạn trong quá trình xin cấp lại.
    * Không bắt buộc báo công an: Theo quy định hiện hành của Việt Nam, không bắt buộc phải báo cáo mất GPLĐ với cơ quan công an. Tuy nhiên, việc này có thể hữu ích trong trường hợp bạn cần chứng minh việc mất giấy tờ và tránh các rủi ro pháp lý liên quan đến việc giấy tờ bị lợi dụng.

    2. Chuẩn bị hồ sơ xin cấp lại giấy phép lao động:

    Hồ sơ xin cấp lại GPLĐ về cơ bản tương tự như hồ sơ xin cấp mới, tuy nhiên có một số điểm khác biệt. Bạn cần chuẩn bị các giấy tờ sau:

    * Văn bản đề nghị cấp lại giấy phép lao động: Theo mẫu do Bộ Lao động - Thương binh và Xã hội quy định (Mẫu số 11/PLI Phụ lục I Nghị định 152/2020/NĐ-CP). Vă...
    {"question": "Doanh nghiệp cho thuê lại có phải báo cáo số lao động bị trả lại cho cơ quan lao động không?"}{"question": "Trong trường hợp nào Chủ tịch Ủy ban nhân dân cấp tỉnh có quyền quyết định hoãn cuộc đình công?"} {"answer": "Doanh nghiệp cho thuê lại lao động có nghĩa vụ báo cáo số lượng lao động bị trả lại cho cơ quan quản lý nhà nước về lao động.

    Cụ thể, theo quy định của pháp luật Việt Nam (ví dụ như Nghị định 145/2020/NĐ-CP hướng dẫn Bộ luật Lao động), doanh nghiệp cho thuê lại lao động phải thực hiện chế độ báo cáo định kỳ về tình hình hoạt động cho thuê lại lao động, trong đó bao gồm cả số lượng lao động đã cho thuê và số lượng lao động bị trả lại.

    Việc báo cáo này nhằm mục đích:

    * Quản lý nhà nước về thị trường lao động: Cơ quan quản lý lao động cần nắm bắt thông tin về biến động lao động để có chính sách điều chỉnh thị trường lao động phù hợp.
    * Thống kê và phân tích tình hình sử dụng lao động: Giúp cơ quan chức năng đánh giá được hiệu quả hoạt động của doanh nghiệp cho thuê lại và tình hình sử dụng lao động trong các ngành nghề, lĩnh vực khác nhau.
    * Bảo vệ quyền lợi của người lao động: Việc báo cáo giúp cơ quan lao động nắm bắt được tình hình lao động bị trả lại,...
    {"question": "Doanh nghiệp có thể làm gì để kết nối cung và cầu lao động một cách hiệu quả hơn?"} Để doanh nghiệp kết nối cung và cầu lao động một cách hiệu quả hơn, họ có thể thực hiện nhiều biện pháp khác nhau, tập trung vào việc hiểu rõ thị trường lao động, thu hút ứng viên phù hợp, và tối ưu hóa quy trình tuyển dụng. Dưới đây là một số gợi ý chi tiết:

    1. Hiểu rõ thị trường lao động và nhu cầu tuyển dụng:

    * Phân tích nhu cầu nhân lực: Xác định rõ số lượng, kỹ năng, kinh nghiệm cần thiết cho từng vị trí và phòng ban trong ngắn hạn và dài hạn. Dự báo nhu cầu dựa trên kế hoạch kinh doanh và chiến lược phát triển của doanh nghiệp.
    * Nghiên cứu thị trường lao động: Tìm hiểu về tình hình cung - cầu lao động trong ngành và khu vực địa lý liên quan. Xác định mức lương, phúc lợi, và các yếu tố thu hút ứng viên phổ biến trên thị trường.
    * Phân khúc ứng viên mục tiêu: Xác định rõ đối tượng ứng viên mà doanh nghiệp muốn thu hút (sinh viên mới ra trường, chuyên gia có kinh nghiệm, lao động phổ thông, v.v.). Hiểu rõ nhu cầu, mong muốn và kênh tìm việc ưa thích của từng ...
  • Loss: MatryoshkaLoss with these parameters:
    {
    "loss": "MultipleNegativesRankingLoss",
    "matryoshka_dims": [
        768,
        512,
        256,
        128
    ],
    "matryoshka_weights": [
        1,
        1,
        1,
        1
    ],
    "n_dims_per_step": -1
}

Training Hyperparameters

Non-Default Hyperparameters

  • eval_strategy: epoch
  • per_device_train_batch_size: 72
  • per_device_eval_batch_size: 32
  • gradient_accumulation_steps: 4
  • learning_rate: 2e-05
  • weight_decay: 0.01
  • num_train_epochs: 100
  • lr_scheduler_type: cosine_with_restarts
  • warmup_ratio: 0.1
  • bf16: True
  • tf32: True
  • load_best_model_at_end: True
  • optim: adamw_torch_fused
  • push_to_hub: True
  • hub_model_id: VN-Law-Embedding
  • batch_sampler: no_duplicates

All Hyperparameters

Click to expand
  • overwrite_output_dir: False
  • do_predict: False
  • eval_strategy: epoch
  • prediction_loss_only: True
  • per_device_train_batch_size: 72
  • per_device_eval_batch_size: 32
  • per_gpu_train_batch_size: None
  • per_gpu_eval_batch_size: None
  • gradient_accumulation_steps: 4
  • eval_accumulation_steps: None
  • learning_rate: 2e-05
  • weight_decay: 0.01
  • adam_beta1: 0.9
  • adam_beta2: 0.999
  • adam_epsilon: 1e-08
  • max_grad_norm: 1.0
  • num_train_epochs: 100
  • max_steps: -1
  • lr_scheduler_type: cosine_with_restarts
  • 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: True
  • fp16: False
  • fp16_opt_level: O1
  • half_precision_backend: auto
  • bf16_full_eval: False
  • fp16_full_eval: False
  • tf32: True
  • 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: True
  • resume_from_checkpoint: None
  • hub_model_id: VN-Law-Embedding
  • 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

Training Logs

Click to expand
Epoch Step Training Loss dim_768_cosine_ndcg@10 dim_512_cosine_ndcg@10 dim_256_cosine_ndcg@10 dim_128_cosine_ndcg@10
0.1826 10 1.1661 - - - -
0.3653 20 1.2164 - - - -
0.5479 30 0.915 - - - -
0.7306 40 0.8548 - - - -
0.9132 50 0.672 - - - -
0.9863 54 - 0.7404 0.7371 0.7302 0.7118
1.0959 60 0.4671 - - - -
1.2785 70 0.3227 - - - -
1.4612 80 0.2632 - - - -
1.6438 90 0.2659 - - - -
1.8265 100 0.1884 - - - -
1.9909 109 - 0.8416 0.8407 0.8370 0.8250
2.0091 110 0.1432 - - - -
2.1918 120 0.129 - - - -
2.3744 130 0.1226 - - - -
2.5571 140 0.0952 - - - -
2.7397 150 0.0854 - - - -
2.9224 160 0.0969 - - - -
2.9954 164 - 0.8797 0.8775 0.8783 0.8653
3.1050 170 0.0883 - - - -
3.2877 180 0.0761 - - - -
3.4703 190 0.0623 - - - -
3.6530 200 0.0614 - - - -
3.8356 210 0.0387 - - - -
4.0 219 - 0.8911 0.8890 0.8896 0.8817
4.0183 220 0.0392 - - - -
4.2009 230 0.0514 - - - -
4.3836 240 0.0409 - - - -
4.5662 250 0.0341 - - - -
4.7489 260 0.033 - - - -
4.9315 270 0.0346 - - - -
4.9863 273 - 0.8981 0.8985 0.8942 0.8898
5.1142 280 0.0231 - - - -
5.2968 290 0.0222 - - - -
5.4795 300 0.0234 - - - -
5.6621 310 0.027 - - - -
5.8447 320 0.0437 - - - -
5.9909 328 - 0.9022 0.9021 0.9038 0.8994
6.0274 330 0.0308 - - - -
6.2100 340 0.0295 - - - -
6.3927 350 0.023 - - - -
6.5753 360 0.0283 - - - -
6.7580 370 0.0266 - - - -
6.9406 380 0.0292 - - - -
6.9954 383 - 0.9068 0.9068 0.9067 0.9028
7.1233 390 0.0156 - - - -
7.3059 400 0.0142 - - - -
7.4886 410 0.0234 - - - -
7.6712 420 0.0137 - - - -
7.8539 430 0.0191 - - - -
8.0 438 - 0.9106 0.9096 0.9095 0.9056
8.0365 440 0.023 - - - -
8.2192 450 0.0201 - - - -
8.4018 460 0.0249 - - - -
8.5845 470 0.0177 - - - -
8.7671 480 0.0161 - - - -
8.9498 490 0.0156 - - - -
8.9863 492 - 0.9130 0.9131 0.9147 0.9089
9.1324 500 0.0154 - - - -
9.3151 510 0.0153 - - - -
9.4977 520 0.014 - - - -
9.6804 530 0.0131 - - - -
9.8630 540 0.0167 - - - -
9.9909 547 - 0.9125 0.9149 0.9150 0.9088
10.0457 550 0.0173 - - - -
10.2283 560 0.0129 - - - -
10.4110 570 0.0108 - - - -
10.5936 580 0.0105 - - - -
10.7763 590 0.0206 - - - -
10.9589 600 0.0183 - - - -
10.9954 602 - 0.9141 0.9139 0.9132 0.9125
11.1416 610 0.0122 - - - -
11.3242 620 0.0164 - - - -
11.5068 630 0.0062 - - - -
11.6895 640 0.0129 - - - -
11.8721 650 0.0103 - - - -
12.0 657 - 0.9162 0.9174 0.9162 0.9149
12.0548 660 0.0125 - - - -
12.2374 670 0.0135 - - - -
12.4201 680 0.0066 - - - -
12.6027 690 0.0121 - - - -
12.7854 700 0.0124 - - - -
12.9680 710 0.0121 - - - -
12.9863 711 - 0.9158 0.9162 0.9166 0.9139
13.1507 720 0.0122 - - - -
13.3333 730 0.0127 - - - -
13.5160 740 0.0083 - - - -
13.6986 750 0.013 - - - -
13.8813 760 0.0068 - - - -
13.9909 766 - 0.9201 0.9203 0.9181 0.9177
14.0639 770 0.0081 - - - -
14.2466 780 0.0116 - - - -
14.4292 790 0.0109 - - - -
14.6119 800 0.0097 - - - -
14.7945 810 0.013 - - - -
14.9772 820 0.0119 - - - -
14.9954 821 - 0.9218 0.9221 0.9208 0.9191
15.1598 830 0.0058 - - - -
15.3425 840 0.0159 - - - -
15.5251 850 0.0096 - - - -
15.7078 860 0.0126 - - - -
15.8904 870 0.0075 - - - -
16.0 876 - 0.9218 0.9209 0.9196 0.9175
16.0731 880 0.0092 - - - -
16.2557 890 0.0071 - - - -
16.4384 900 0.0105 - - - -
16.6210 910 0.0113 - - - -
16.8037 920 0.009 - - - -
16.9863 930 0.0136 0.9188 0.9187 0.9181 0.9183
17.1689 940 0.0103 - - - -
17.3516 950 0.0148 - - - -
17.5342 960 0.0096 - - - -
17.7169 970 0.0076 - - - -
17.8995 980 0.0144 - - - -
17.9909 985 - 0.9209 0.9216 0.9194 0.9190
18.0822 990 0.0177 - - - -
18.2648 1000 0.0127 - - - -
18.4475 1010 0.0063 - - - -
18.6301 1020 0.0079 - - - -
18.8128 1030 0.008 - - - -
18.9954 1040 0.0128 0.9231 0.9205 0.9210 0.9219
19.1781 1050 0.0114 - - - -
19.3607 1060 0.0077 - - - -
19.5434 1070 0.0107 - - - -
19.7260 1080 0.0062 - - - -
19.9087 1090 0.0052 - - - -
20.0 1095 - 0.9171 0.9195 0.9187 0.9187
20.0913 1100 0.0095 - - - -
20.2740 1110 0.0132 - - - -
20.4566 1120 0.0127 - - - -
20.6393 1130 0.0079 - - - -
20.8219 1140 0.0121 - - - -
20.9863 1149 - 0.9214 0.9207 0.9209 0.9213
21.0046 1150 0.007 - - - -
21.1872 1160 0.0097 - - - -
21.3699 1170 0.012 - - - -
21.5525 1180 0.0062 - - - -
21.7352 1190 0.0102 - - - -
21.9178 1200 0.0072 - - - -
21.9909 1204 - 0.9202 0.9212 0.9189 0.9184
22.1005 1210 0.0068 - - - -
22.2831 1220 0.0086 - - - -
22.4658 1230 0.0142 - - - -
22.6484 1240 0.0178 - - - -
22.8311 1250 0.006 - - - -
22.9954 1259 - 0.9201 0.9193 0.9199 0.9207
23.0137 1260 0.0073 - - - -
23.1963 1270 0.0085 - - - -
23.3790 1280 0.0057 - - - -
23.5616 1290 0.0082 - - - -
23.7443 1300 0.0077 - - - -
23.9269 1310 0.0099 - - - -
24.0 1314 - 0.9230 0.9236 0.9217 0.9204
24.1096 1320 0.0059 - - - -
24.2922 1330 0.0083 - - - -
24.4749 1340 0.0064 - - - -
24.6575 1350 0.005 - - - -
24.8402 1360 0.0074 - - - -
24.9863 1368 - 0.9202 0.9200 0.9196 0.9219
25.0228 1370 0.0093 - - - -
25.2055 1380 0.0059 - - - -
25.3881 1390 0.0063 - - - -
25.5708 1400 0.0059 - - - -
25.7534 1410 0.0077 - - - -
25.9361 1420 0.0058 - - - -
25.9909 1423 - 0.9203 0.9204 0.9187 0.9172
26.1187 1430 0.0043 - - - -
26.3014 1440 0.0076 - - - -
26.4840 1450 0.0066 - - - -
26.6667 1460 0.0055 - - - -
26.8493 1470 0.0045 - - - -
26.9954 1478 - 0.9242 0.9231 0.9221 0.9199
27.0320 1480 0.0115 - - - -
27.2146 1490 0.0041 - - - -
27.3973 1500 0.0057 - - - -
27.5799 1510 0.0063 - - - -
27.7626 1520 0.0059 - - - -
27.9452 1530 0.017 - - - -
28.0 1533 - 0.9226 0.9217 0.9194 0.9173
28.1279 1540 0.0067 - - - -
28.3105 1550 0.0053 - - - -
28.4932 1560 0.0105 - - - -
28.6758 1570 0.0041 - - - -
28.8584 1580 0.0036 - - - -
28.9863 1587 - 0.9213 0.9218 0.9207 0.9172
29.0411 1590 0.0054 - - - -
29.2237 1600 0.0101 - - - -
29.4064 1610 0.01 - - - -
29.5890 1620 0.0049 - - - -
29.7717 1630 0.0065 - - - -
29.9543 1640 0.006 - - - -
29.9909 1642 - 0.9226 0.9226 0.9199 0.9214
30.1370 1650 0.0076 - - - -
30.3196 1660 0.0055 - - - -
30.5023 1670 0.0048 - - - -
30.6849 1680 0.0067 - - - -
30.8676 1690 0.0059 - - - -
30.9954 1697 - 0.9222 0.9213 0.9209 0.9213
31.0502 1700 0.0059 - - - -
31.2329 1710 0.0088 - - - -
31.4155 1720 0.0074 - - - -
31.5982 1730 0.0166 - - - -
31.7808 1740 0.0069 - - - -
31.9635 1750 0.007 - - - -
32.0 1752 - 0.9239 0.9256 0.9239 0.9223
32.1461 1760 0.0096 - - - -
32.3288 1770 0.0056 - - - -
32.5114 1780 0.0112 - - - -
32.6941 1790 0.0066 - - - -
32.8767 1800 0.009 - - - -
32.9863 1806 - 0.9260 0.9238 0.9237 0.9225
33.0594 1810 0.0063 - - - -
33.2420 1820 0.007 - - - -
33.4247 1830 0.0058 - - - -
33.6073 1840 0.0062 - - - -
33.7900 1850 0.0114 - - - -
33.9726 1860 0.0068 - - - -
33.9909 1861 - 0.9237 0.9229 0.9227 0.9205
34.1553 1870 0.0028 - - - -
34.3379 1880 0.0085 - - - -
34.5205 1890 0.0088 - - - -
34.7032 1900 0.0089 - - - -
34.8858 1910 0.0065 - - - -
34.9954 1916 - 0.9233 0.9224 0.9228 0.9209
35.0685 1920 0.0108 - - - -
35.2511 1930 0.0078 - - - -
35.4338 1940 0.0053 - - - -
35.6164 1950 0.0032 - - - -
35.7991 1960 0.0101 - - - -
35.9817 1970 0.0044 - - - -
36.0 1971 - 0.9228 0.9209 0.9202 0.9198
36.1644 1980 0.0036 - - - -
36.3470 1990 0.0081 - - - -
36.5297 2000 0.0049 - - - -
36.7123 2010 0.0039 - - - -
36.8950 2020 0.0052 - - - -
36.9863 2025 - 0.9225 0.9214 0.9202 0.9195
37.0776 2030 0.0052 - - - -
37.2603 2040 0.0092 - - - -
37.4429 2050 0.0129 - - - -
37.6256 2060 0.0034 - - - -
37.8082 2070 0.0092 - - - -
37.9909 2080 0.0058 0.9242 0.9239 0.9223 0.9245
38.1735 2090 0.0052 - - - -
38.3562 2100 0.0091 - - - -
38.5388 2110 0.007 - - - -
38.7215 2120 0.006 - - - -
38.9041 2130 0.0051 - - - -
38.9954 2135 - 0.9244 0.9238 0.9242 0.9239
39.0868 2140 0.0033 - - - -
39.2694 2150 0.0065 - - - -
39.4521 2160 0.0066 - - - -
39.6347 2170 0.0031 - - - -
39.8174 2180 0.0039 - - - -
40.0 2190 0.0081 0.9228 0.9236 0.9257 0.9236
40.1826 2200 0.0099 - - - -
40.3653 2210 0.005 - - - -
40.5479 2220 0.0056 - - - -
40.7306 2230 0.0071 - - - -
40.9132 2240 0.0098 - - - -
40.9863 2244 - 0.9265 0.9258 0.9248 0.9254
41.0959 2250 0.006 - - - -
41.2785 2260 0.0035 - - - -
41.4612 2270 0.0028 - - - -
41.6438 2280 0.0067 - - - -
41.8265 2290 0.0017 - - - -
41.9909 2299 - 0.9235 0.9236 0.9217 0.9201
42.0091 2300 0.0077 - - - -
42.1918 2310 0.0025 - - - -
42.3744 2320 0.0039 - - - -
42.5571 2330 0.0033 - - - -
42.7397 2340 0.003 - - - -
42.9224 2350 0.0051 - - - -
42.9954 2354 - 0.9232 0.9255 0.9244 0.9237
43.1050 2360 0.0055 - - - -
43.2877 2370 0.0048 - - - -
43.4703 2380 0.0043 - - - -
43.6530 2390 0.0042 - - - -
43.8356 2400 0.0032 - - - -
44.0 2409 - 0.9221 0.9223 0.9224 0.9214
44.0183 2410 0.0059 - - - -
44.2009 2420 0.0038 - - - -
44.3836 2430 0.0069 - - - -
44.5662 2440 0.002 - - - -
44.7489 2450 0.0073 - - - -
44.9315 2460 0.0041 - - - -
44.9863 2463 - 0.9240 0.9244 0.9252 0.9247
45.1142 2470 0.0027 - - - -
45.2968 2480 0.0047 - - - -
45.4795 2490 0.0057 - - - -
45.6621 2500 0.0037 - - - -
45.8447 2510 0.0021 - - - -
45.9909 2518 - 0.9244 0.9253 0.9253 0.9241
46.0274 2520 0.0033 - - - -
46.2100 2530 0.003 - - - -
46.3927 2540 0.0032 - - - -
46.5753 2550 0.0028 - - - -
46.7580 2560 0.0045 - - - -
46.9406 2570 0.0031 - - - -
46.9954 2573 - 0.9236 0.9264 0.9259 0.9240
47.1233 2580 0.0028 - - - -
47.3059 2590 0.0031 - - - -
47.4886 2600 0.0036 - - - -
47.6712 2610 0.0055 - - - -
47.8539 2620 0.0051 - - - -
48.0 2628 - 0.9238 0.9246 0.9237 0.9232
48.0365 2630 0.0049 - - - -
48.2192 2640 0.0061 - - - -
48.4018 2650 0.0065 - - - -
48.5845 2660 0.0044 - - - -
48.7671 2670 0.0029 - - - -
48.9498 2680 0.0037 - - - -
48.9863 2682 - 0.9253 0.9242 0.9260 0.9213
49.1324 2690 0.007 - - - -
49.3151 2700 0.0036 - - - -
49.4977 2710 0.0053 - - - -
49.6804 2720 0.0061 - - - -
49.8630 2730 0.0034 - - - -
49.9909 2737 - 0.9255 0.9249 0.9249 0.9248
50.0457 2740 0.0041 - - - -
50.2283 2750 0.0048 - - - -
50.4110 2760 0.0027 - - - -
50.5936 2770 0.0036 - - - -
50.7763 2780 0.0057 - - - -
50.9589 2790 0.003 - - - -
50.9954 2792 - 0.9272 0.9253 0.9252 0.9260
51.1416 2800 0.0073 - - - -
51.3242 2810 0.0059 - - - -
51.5068 2820 0.0039 - - - -
51.6895 2830 0.0054 - - - -
51.8721 2840 0.0042 - - - -
52.0 2847 - 0.9246 0.9233 0.9230 0.9216
52.0548 2850 0.0039 - - - -
52.2374 2860 0.0046 - - - -
52.4201 2870 0.0048 - - - -
52.6027 2880 0.0042 - - - -
52.7854 2890 0.003 - - - -
52.9680 2900 0.0028 - - - -
52.9863 2901 - 0.9234 0.9236 0.9241 0.9237
53.1507 2910 0.0054 - - - -
53.3333 2920 0.0037 - - - -
53.5160 2930 0.005 - - - -
53.6986 2940 0.0023 - - - -
53.8813 2950 0.0072 - - - -
53.9909 2956 - 0.9259 0.9268 0.9262 0.9261
54.0639 2960 0.0056 - - - -
54.2466 2970 0.0053 - - - -
54.4292 2980 0.0042 - - - -
54.6119 2990 0.0024 - - - -
54.7945 3000 0.0024 - - - -
54.9772 3010 0.006 - - - -
54.9954 3011 - 0.9255 0.9256 0.9263 0.9253
55.1598 3020 0.0043 - - - -
55.3425 3030 0.0058 - - - -
55.5251 3040 0.004 - - - -
55.7078 3050 0.0032 - - - -
55.8904 3060 0.009 - - - -
56.0 3066 - 0.9272 0.9249 0.9254 0.9243
56.0731 3070 0.0023 - - - -
56.2557 3080 0.0062 - - - -
56.4384 3090 0.0068 - - - -
56.6210 3100 0.0066 - - - -
56.8037 3110 0.0041 - - - -
56.9863 3120 0.0066 0.9272 0.9276 0.9279 0.9269
57.1689 3130 0.005 - - - -
57.3516 3140 0.0081 - - - -
57.5342 3150 0.006 - - - -
57.7169 3160 0.0053 - - - -
57.8995 3170 0.0074 - - - -
57.9909 3175 - 0.9267 0.9270 0.9246 0.9260
58.0822 3180 0.0035 - - - -
58.2648 3190 0.0072 - - - -
58.4475 3200 0.0049 - - - -
58.6301 3210 0.0033 - - - -
58.8128 3220 0.0035 - - - -
58.9954 3230 0.0057 0.9250 0.9244 0.9238 0.9235
59.1781 3240 0.0033 - - - -
59.3607 3250 0.0016 - - - -
59.5434 3260 0.0033 - - - -
59.7260 3270 0.0043 - - - -
59.9087 3280 0.0026 - - - -
60.0 3285 - 0.9257 0.9252 0.9240 0.9246
60.0913 3290 0.0087 - - - -
60.2740 3300 0.0063 - - - -
60.4566 3310 0.0021 - - - -
60.6393 3320 0.0021 - - - -
60.8219 3330 0.0063 - - - -
60.9863 3339 - 0.9255 0.9263 0.9258 0.9252
61.0046 3340 0.0035 - - - -
61.1872 3350 0.0029 - - - -
61.3699 3360 0.0027 - - - -
61.5525 3370 0.0048 - - - -
61.7352 3380 0.0061 - - - -
61.9178 3390 0.0037 - - - -
61.9909 3394 - 0.9269 0.9266 0.9256 0.9261
62.1005 3400 0.0076 - - - -
62.2831 3410 0.002 - - - -
62.4658 3420 0.0024 - - - -
62.6484 3430 0.0025 - - - -
62.8311 3440 0.0043 - - - -
62.9954 3449 - 0.9256 0.9243 0.9244 0.9249
63.0137 3450 0.0027 - - - -
63.1963 3460 0.0028 - - - -
63.3790 3470 0.004 - - - -
63.5616 3480 0.0019 - - - -
63.7443 3490 0.0039 - - - -
63.9269 3500 0.0018 - - - -
64.0 3504 - 0.9256 0.9253 0.9247 0.9256
64.1096 3510 0.0059 - - - -
64.2922 3520 0.007 - - - -
64.4749 3530 0.0054 - - - -
64.6575 3540 0.0028 - - - -
64.8402 3550 0.0061 - - - -
64.9863 3558 - 0.9263 0.9258 0.9255 0.9266
65.0228 3560 0.0016 - - - -
65.2055 3570 0.0057 - - - -
65.3881 3580 0.0039 - - - -
65.5708 3590 0.004 - - - -
65.7534 3600 0.006 - - - -
65.9361 3610 0.0037 - - - -
65.9909 3613 - 0.9263 0.9269 0.9259 0.9257
66.1187 3620 0.0028 - - - -
66.3014 3630 0.0034 - - - -
66.4840 3640 0.0053 - - - -
66.6667 3650 0.0035 - - - -
66.8493 3660 0.0069 - - - -
66.9954 3668 - 0.9277 0.9277 0.9270 0.9262
67.0320 3670 0.0044 - - - -
67.2146 3680 0.0069 - - - -
67.3973 3690 0.0062 - - - -
67.5799 3700 0.0026 - - - -
67.7626 3710 0.0056 - - - -
67.9452 3720 0.0044 - - - -
68.0 3723 - 0.9282 0.9284 0.9274 0.9277
68.1279 3730 0.0062 - - - -
68.3105 3740 0.0066 - - - -
68.4932 3750 0.002 - - - -
68.6758 3760 0.0017 - - - -
68.8584 3770 0.0055 - - - -
68.9863 3777 - 0.9275 0.9281 0.9268 0.9261
69.0411 3780 0.0051 - - - -
69.2237 3790 0.0035 - - - -
69.4064 3800 0.0034 - - - -
69.5890 3810 0.007 - - - -
69.7717 3820 0.0028 - - - -
69.9543 3830 0.0032 - - - -
69.9909 3832 - 0.9277 0.9277 0.9266 0.9275
70.1370 3840 0.0058 - - - -
70.3196 3850 0.0056 - - - -
70.5023 3860 0.0017 - - - -
70.6849 3870 0.0111 - - - -
70.8676 3880 0.0032 - - - -
70.9954 3887 - 0.9282 0.9267 0.9273 0.9280
71.0502 3890 0.0012 - - - -
71.2329 3900 0.0042 - - - -
71.4155 3910 0.0062 - - - -
71.5982 3920 0.004 - - - -
71.7808 3930 0.0042 - - - -
71.9635 3940 0.0024 - - - -
72.0 3942 - 0.9281 0.9271 0.9257 0.9253
72.1461 3950 0.0025 - - - -
72.3288 3960 0.0031 - - - -
72.5114 3970 0.0051 - - - -
72.6941 3980 0.0021 - - - -
72.8767 3990 0.0086 - - - -
72.9863 3996 - 0.9270 0.9270 0.9258 0.9259
73.0594 4000 0.0029 - - - -
73.2420 4010 0.0044 - - - -
73.4247 4020 0.0055 - - - -
73.6073 4030 0.0032 - - - -
73.7900 4040 0.0043 - - - -
73.9726 4050 0.0016 - - - -
73.9909 4051 - 0.9287 0.9274 0.9261 0.9269
74.1553 4060 0.0014 - - - -
74.3379 4070 0.0015 - - - -
74.5205 4080 0.0067 - - - -
74.7032 4090 0.0009 - - - -
74.8858 4100 0.005 - - - -
74.9954 4106 - 0.9286 0.9276 0.9265 0.9260
75.0685 4110 0.0056 - - - -
75.2511 4120 0.0022 - - - -
75.4338 4130 0.0039 - - - -
75.6164 4140 0.0091 - - - -
75.7991 4150 0.006 - - - -
75.9817 4160 0.0047 - - - -
76.0 4161 - 0.9282 0.9291 0.9275 0.9258
76.1644 4170 0.0022 - - - -
76.3470 4180 0.0013 - - - -
76.5297 4190 0.0014 - - - -
76.7123 4200 0.0043 - - - -
76.8950 4210 0.0027 - - - -
76.9863 4215 - 0.9276 0.9273 0.9270 0.9254
77.0776 4220 0.003 - - - -
77.2603 4230 0.0041 - - - -
77.4429 4240 0.0046 - - - -
77.6256 4250 0.0039 - - - -
77.8082 4260 0.0052 - - - -
77.9909 4270 0.004 0.9270 0.9265 0.9268 0.9244
78.1735 4280 0.0014 - - - -
78.3562 4290 0.0025 - - - -
78.5388 4300 0.0016 - - - -
78.7215 4310 0.0052 - - - -
78.9041 4320 0.0037 - - - -
78.9954 4325 - 0.9274 0.9267 0.9273 0.9255
79.0868 4330 0.0046 - - - -
79.2694 4340 0.004 - - - -
79.4521 4350 0.002 - - - -
79.6347 4360 0.0063 - - - -
79.8174 4370 0.0022 - - - -
80.0 4380 0.0054 0.9289 0.928 0.927 0.9252
80.1826 4390 0.0032 - - - -
80.3653 4400 0.0043 - - - -
80.5479 4410 0.0014 - - - -
80.7306 4420 0.0011 - - - -
80.9132 4430 0.0025 - - - -
80.9863 4434 - 0.9280 0.9285 0.9270 0.9258
81.0959 4440 0.005 - - - -
81.2785 4450 0.0042 - - - -
81.4612 4460 0.006 - - - -
81.6438 4470 0.0035 - - - -
81.8265 4480 0.0034 - - - -
81.9909 4489 - 0.9270 0.9263 0.9266 0.9244
82.0091 4490 0.0032 - - - -
82.1918 4500 0.0073 - - - -
82.3744 4510 0.0035 - - - -
82.5571 4520 0.0042 - - - -
82.7397 4530 0.0044 - - - -
82.9224 4540 0.0041 - - - -
82.9954 4544 - 0.9274 0.9264 0.9273 0.9244
83.1050 4550 0.0044 - - - -
83.2877 4560 0.0023 - - - -
83.4703 4570 0.0031 - - - -
83.6530 4580 0.0038 - - - -
83.8356 4590 0.0045 - - - -
84.0 4599 - 0.9275 0.9262 0.9274 0.9265
84.0183 4600 0.0027 - - - -
84.2009 4610 0.0062 - - - -
84.3836 4620 0.002 - - - -
84.5662 4630 0.0011 - - - -
84.7489 4640 0.0053 - - - -
84.9315 4650 0.0012 - - - -
84.9863 4653 - 0.9271 0.9260 0.9270 0.9259
85.1142 4660 0.0016 - - - -
85.2968 4670 0.0021 - - - -
85.4795 4680 0.0072 - - - -
85.6621 4690 0.0063 - - - -
85.8447 4700 0.0014 - - - -
85.9909 4708 - 0.9275 0.9280 0.9279 0.9247
86.0274 4710 0.0026 - - - -
86.2100 4720 0.0035 - - - -
86.3927 4730 0.0059 - - - -
86.5753 4740 0.003 - - - -
86.7580 4750 0.0022 - - - -
86.9406 4760 0.0016 - - - -
86.9954 4763 - 0.9266 0.9277 0.9272 0.9253
87.1233 4770 0.0108 - - - -
87.3059 4780 0.0031 - - - -
87.4886 4790 0.0034 - - - -
87.6712 4800 0.0046 - - - -
87.8539 4810 0.0048 - - - -
88.0 4818 - 0.9270 0.9281 0.9273 0.9254
88.0365 4820 0.0054 - - - -
88.2192 4830 0.0048 - - - -
88.4018 4840 0.0047 - - - -
88.5845 4850 0.0023 - - - -
88.7671 4860 0.0034 - - - -
88.9498 4870 0.0099 - - - -
88.9863 4872 - 0.9266 0.9278 0.9275 0.9264
89.1324 4880 0.0018 - - - -
89.3151 4890 0.0052 - - - -
89.4977 4900 0.0027 - - - -
89.6804 4910 0.0027 - - - -
89.8630 4920 0.0032 - - - -
89.9909 4927 - 0.9273 0.9278 0.9276 0.9253
90.0457 4930 0.0028 - - - -
90.2283 4940 0.0056 - - - -
90.4110 4950 0.0043 - - - -
90.5936 4960 0.0029 - - - -
90.7763 4970 0.0048 - - - -
90.9589 4980 0.0016 - - - -
90.9954 4982 - 0.9267 0.9286 0.9277 0.9260
91.1416 4990 0.0028 - - - -
91.3242 5000 0.0017 - - - -
91.5068 5010 0.0033 - - - -
91.6895 5020 0.0025 - - - -
91.8721 5030 0.0021 - - - -
92.0 5037 - 0.9273 0.9279 0.9276 0.9254
92.0548 5040 0.0017 - - - -
92.2374 5050 0.001 - - - -
92.4201 5060 0.0012 - - - -
92.6027 5070 0.0011 - - - -
92.7854 5080 0.0041 - - - -
92.9680 5090 0.0041 - - - -
92.9863 5091 - 0.9265 0.9273 0.9277 0.9258
93.1507 5100 0.0046 - - - -
93.3333 5110 0.0042 - - - -
93.5160 5120 0.0063 - - - -
93.6986 5130 0.0096 - - - -
93.8813 5140 0.0014 - - - -
93.9909 5146 - 0.9273 0.9280 0.9277 0.9256
94.0639 5150 0.0015 - - - -
94.2466 5160 0.0058 - - - -
94.4292 5170 0.0017 - - - -
94.6119 5180 0.0043 - - - -
94.7945 5190 0.0041 - - - -
94.9772 5200 0.0017 - - - -
94.9954 5201 - 0.9271 0.9286 0.9281 0.9252
95.1598 5210 0.0017 - - - -
95.3425 5220 0.002 - - - -
95.5251 5230 0.0022 - - - -
95.7078 5240 0.0021 - - - -
95.8904 5250 0.0032 - - - -
96.0 5256 - 0.9269 0.9280 0.9277 0.9260
96.0731 5260 0.003 - - - -
96.2557 5270 0.0025 - - - -
96.4384 5280 0.0036 - - - -
96.6210 5290 0.0033 - - - -
96.8037 5300 0.0044 - - - -
96.9863 5310 0.0046 0.9278 0.9282 0.9276 0.9255
97.1689 5320 0.0037 - - - -
97.3516 5330 0.0081 - - - -
97.5342 5340 0.0087 - - - -
97.7169 5350 0.0036 - - - -
97.8995 5360 0.0041 - - - -
97.9909 5365 - 0.9268 0.9276 0.9274 0.9261
98.0822 5370 0.0045 - - - -
98.2648 5380 0.0039 - - - -
98.4475 5390 0.0024 - - - -
98.6301 5400 0.0012 0.9268 0.9282 0.9283 0.9260
  • The bold row denotes the saved checkpoint.

Framework Versions

  • Python: 3.10.16
  • Sentence Transformers: 3.4.1
  • Transformers: 4.41.2
  • PyTorch: 2.1.2+cu121
  • Accelerate: 1.4.0
  • Datasets: 2.19.1
  • 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",
}

MatryoshkaLoss 

@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 

@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}
}
Downloads last month
250
Safetensors
Model size
0.3B params
Tensor type
F32
·
Inference Providers NEW
Sentence Similarity
This model isn't deployed by any Inference Provider. 🙋 Ask for provider support

Model tree for anhtld/VN-Law-Embedding

Base model

intfloat/multilingual-e5-base
Finetuned
contextboxai/halong_embedding
Finetuned
truro7/vn-law-embedding
Finetuned
(7)
this model

Papers for anhtld/VN-Law-Embedding

Evaluation results