File size: 337,505 Bytes
eb096f5 b915e42 eb096f5 b915e42 eb096f5 b915e42 eb096f5 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683 684 685 686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701 702 703 704 705 706 707 708 709 710 711 712 713 714 715 716 717 718 719 720 721 722 723 724 725 726 727 728 729 730 731 732 733 734 735 736 737 738 739 740 741 742 743 744 745 746 747 748 749 750 751 752 753 754 755 756 757 758 759 760 761 762 763 764 765 766 767 768 769 770 771 772 773 774 775 776 777 778 779 780 781 782 783 784 785 786 787 788 789 790 791 792 793 794 795 796 797 798 799 800 801 802 803 804 805 806 807 808 809 810 811 812 813 814 815 816 817 818 819 820 821 822 823 824 825 826 827 828 829 830 831 832 833 834 835 836 837 838 839 840 841 842 843 844 845 846 847 848 849 850 851 852 853 854 855 856 857 858 859 860 861 862 863 864 865 866 867 868 869 870 871 872 873 874 875 876 877 878 879 880 881 882 883 884 885 886 887 888 889 890 891 892 893 894 895 896 897 898 899 900 901 902 903 904 905 906 907 908 909 910 911 912 913 914 915 916 917 918 919 920 921 922 923 924 925 926 927 928 929 930 931 932 933 934 935 936 937 938 939 940 941 942 943 944 945 946 947 948 949 950 951 952 953 954 955 956 957 958 959 960 961 962 963 964 965 966 967 968 969 970 971 972 973 974 975 976 977 978 979 980 981 982 983 984 985 986 987 988 989 990 991 992 993 994 995 996 997 998 999 1000 1001 1002 1003 1004 1005 1006 1007 1008 1009 1010 1011 1012 1013 1014 1015 1016 1017 1018 1019 1020 1021 1022 1023 1024 1025 1026 1027 1028 1029 1030 1031 1032 1033 1034 1035 1036 1037 1038 1039 1040 1041 1042 1043 1044 1045 1046 1047 1048 1049 1050 1051 1052 1053 1054 1055 1056 1057 1058 1059 1060 1061 1062 1063 1064 1065 1066 1067 1068 1069 1070 1071 1072 1073 1074 1075 1076 1077 1078 1079 1080 1081 1082 1083 1084 1085 1086 1087 1088 1089 1090 1091 1092 1093 1094 1095 1096 1097 1098 1099 1100 1101 1102 1103 1104 1105 1106 1107 1108 1109 1110 1111 1112 1113 1114 1115 1116 1117 1118 1119 1120 1121 1122 1123 1124 1125 1126 1127 1128 1129 1130 1131 1132 1133 1134 1135 1136 1137 1138 1139 1140 1141 1142 1143 1144 1145 1146 1147 1148 1149 1150 1151 1152 1153 1154 1155 1156 1157 1158 1159 1160 1161 1162 1163 1164 1165 1166 1167 1168 1169 1170 1171 1172 1173 1174 1175 1176 1177 1178 1179 1180 1181 1182 1183 1184 1185 1186 1187 1188 1189 1190 1191 1192 1193 1194 1195 1196 1197 1198 1199 1200 1201 1202 1203 1204 1205 1206 1207 1208 1209 1210 1211 1212 1213 1214 1215 1216 1217 1218 1219 1220 1221 1222 1223 1224 1225 1226 1227 1228 1229 1230 1231 1232 1233 1234 1235 1236 1237 1238 1239 1240 1241 1242 1243 1244 1245 1246 1247 1248 1249 1250 1251 1252 1253 1254 1255 1256 1257 1258 1259 1260 1261 1262 1263 1264 1265 1266 1267 1268 1269 1270 1271 1272 1273 1274 1275 1276 1277 1278 1279 1280 1281 1282 1283 1284 1285 1286 1287 1288 1289 1290 1291 1292 1293 1294 1295 1296 1297 1298 1299 1300 1301 1302 1303 1304 1305 1306 1307 1308 1309 1310 1311 1312 1313 1314 1315 1316 1317 1318 1319 1320 1321 1322 1323 1324 1325 1326 1327 1328 1329 1330 1331 1332 1333 1334 1335 1336 1337 1338 1339 1340 1341 1342 1343 1344 1345 1346 1347 1348 1349 1350 1351 1352 1353 1354 1355 1356 1357 1358 1359 1360 1361 1362 1363 1364 1365 1366 1367 1368 1369 1370 1371 1372 1373 1374 1375 1376 1377 1378 1379 1380 1381 1382 1383 1384 1385 1386 1387 1388 1389 1390 1391 1392 1393 1394 1395 1396 1397 1398 1399 1400 1401 1402 1403 1404 1405 1406 1407 1408 1409 1410 1411 1412 1413 1414 1415 1416 1417 1418 1419 1420 1421 1422 1423 1424 1425 1426 1427 1428 1429 1430 1431 1432 1433 1434 1435 1436 1437 1438 1439 1440 1441 1442 1443 1444 1445 1446 1447 1448 1449 1450 1451 1452 1453 1454 1455 1456 1457 1458 1459 1460 1461 1462 1463 1464 1465 1466 1467 1468 1469 1470 1471 1472 1473 1474 1475 1476 1477 1478 1479 1480 1481 1482 1483 1484 1485 1486 1487 1488 1489 1490 1491 1492 1493 1494 1495 1496 1497 1498 1499 1500 1501 1502 1503 1504 1505 1506 1507 1508 1509 1510 1511 1512 1513 1514 1515 1516 1517 1518 1519 1520 1521 1522 1523 1524 1525 1526 1527 1528 1529 1530 1531 1532 1533 1534 1535 1536 1537 1538 1539 1540 1541 1542 1543 1544 1545 1546 1547 1548 1549 1550 1551 1552 1553 1554 1555 1556 1557 1558 1559 1560 1561 1562 1563 1564 1565 1566 1567 1568 1569 1570 1571 1572 1573 1574 1575 1576 1577 1578 1579 1580 1581 1582 1583 1584 1585 1586 1587 1588 1589 1590 1591 1592 1593 1594 1595 1596 1597 1598 1599 1600 1601 1602 1603 1604 1605 1606 1607 1608 1609 1610 1611 1612 1613 1614 1615 1616 1617 1618 1619 1620 1621 1622 1623 1624 1625 1626 1627 1628 1629 1630 1631 1632 1633 1634 1635 1636 1637 1638 1639 1640 1641 1642 1643 1644 1645 1646 1647 1648 1649 1650 1651 1652 1653 1654 1655 1656 1657 1658 1659 1660 1661 1662 1663 1664 1665 1666 1667 1668 1669 1670 1671 1672 1673 1674 1675 1676 1677 1678 1679 1680 1681 1682 1683 1684 1685 1686 1687 1688 1689 1690 1691 1692 1693 1694 1695 1696 1697 1698 1699 1700 1701 1702 1703 1704 1705 1706 1707 1708 1709 1710 1711 1712 1713 1714 1715 1716 1717 1718 1719 1720 1721 1722 1723 1724 1725 1726 1727 1728 1729 1730 1731 1732 1733 1734 1735 1736 1737 1738 1739 1740 1741 1742 1743 1744 1745 1746 1747 1748 1749 1750 1751 1752 1753 1754 1755 1756 1757 1758 1759 1760 1761 1762 1763 1764 1765 1766 1767 1768 1769 1770 1771 1772 1773 1774 1775 1776 1777 1778 1779 1780 1781 1782 1783 1784 1785 1786 1787 1788 1789 1790 1791 1792 1793 1794 1795 1796 1797 1798 1799 1800 1801 1802 1803 1804 1805 1806 1807 1808 1809 1810 1811 1812 1813 1814 1815 1816 1817 1818 1819 1820 1821 1822 1823 1824 1825 1826 1827 1828 1829 1830 1831 1832 1833 1834 1835 1836 1837 1838 1839 1840 1841 1842 1843 1844 1845 1846 1847 1848 1849 1850 1851 1852 1853 1854 1855 1856 1857 1858 1859 1860 1861 1862 1863 1864 1865 1866 1867 1868 1869 1870 1871 1872 1873 1874 1875 1876 1877 1878 1879 1880 1881 1882 1883 1884 1885 1886 1887 1888 1889 1890 1891 1892 1893 1894 1895 1896 1897 1898 1899 1900 1901 1902 1903 1904 1905 1906 1907 1908 1909 1910 1911 1912 1913 1914 1915 1916 1917 1918 1919 1920 1921 1922 1923 1924 1925 1926 1927 1928 1929 1930 1931 1932 1933 1934 1935 1936 1937 1938 1939 1940 1941 1942 1943 1944 1945 1946 1947 1948 1949 1950 1951 1952 1953 1954 1955 1956 1957 1958 1959 1960 1961 1962 1963 1964 1965 1966 1967 1968 1969 1970 1971 1972 1973 1974 1975 1976 1977 1978 1979 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028 2029 2030 2031 2032 2033 2034 2035 2036 2037 2038 2039 2040 2041 2042 2043 2044 2045 2046 2047 2048 2049 2050 2051 2052 2053 2054 2055 2056 2057 2058 2059 2060 2061 2062 2063 2064 2065 2066 2067 2068 2069 2070 2071 2072 2073 2074 2075 2076 2077 2078 2079 2080 2081 2082 2083 2084 2085 2086 2087 2088 2089 2090 2091 2092 2093 2094 2095 2096 2097 2098 2099 2100 2101 2102 2103 2104 2105 2106 2107 2108 2109 | ---
language:
- fr
license: apache-2.0
tags:
- sentence-transformers
- sparse-encoder
- sparse
- splade
- generated_from_trainer
- dataset_size:483497
- loss:SpladeLoss
- loss:SparseMarginMSELoss
- loss:FlopsLoss
base_model: almanach/camembert-base
widget:
- text: lequel des muscles abdominaux est le plus superficiel
- text: les systèmes pos ont-ils besoin d'internet
- text: L'indice de stress météorologique, ou WSI, est une mesure relative des conditions
météorologiques, souvent utilisée comme indicateur de confort. L'indice, un nombre
compris entre 0 et 100, représente le pourcentage de temps passé avec des températures
inférieures à la température actuelle, pour un lieu, un jour et une heure donnés.
- text: comment rendre les planchers de sous-sol lisses
- text: De quelle couleur est le sang. Le sang veineux (sauf dans les veines pulmonaires)
est pauvre en oxygène, de sorte que l'hémoglobine donne au sang une couleur rouge
foncé. Une fois que le sang a traversé les lits capillaires des poumons, le sang
sera rouge vif avec l'hémoglobine saturée d'oxygène gazeux.
datasets:
- arthurbresnu/msmarco-Qwen3-Reranker-0.6B-french
pipeline_tag: feature-extraction
library_name: sentence-transformers
metrics:
- 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
- query_active_dims
- query_sparsity_ratio
- corpus_active_dims
- corpus_sparsity_ratio
- pearson_cosine
- spearman_cosine
- active_dims
- sparsity_ratio
model-index:
- name: splade-camembert-base-v2
results:
- task:
type: sparse-information-retrieval
name: Sparse Information Retrieval
dataset:
name: NanoFrenchMSMARCO
type: NanoFrenchMSMARCO
metrics:
- type: dot_accuracy@1
value: 0.36
name: Dot Accuracy@1
- type: dot_accuracy@3
value: 0.56
name: Dot Accuracy@3
- type: dot_accuracy@5
value: 0.64
name: Dot Accuracy@5
- type: dot_accuracy@10
value: 0.82
name: Dot Accuracy@10
- type: dot_precision@1
value: 0.36
name: Dot Precision@1
- type: dot_precision@3
value: 0.18666666666666668
name: Dot Precision@3
- type: dot_precision@5
value: 0.128
name: Dot Precision@5
- type: dot_precision@10
value: 0.08199999999999999
name: Dot Precision@10
- type: dot_recall@1
value: 0.36
name: Dot Recall@1
- type: dot_recall@3
value: 0.56
name: Dot Recall@3
- type: dot_recall@5
value: 0.64
name: Dot Recall@5
- type: dot_recall@10
value: 0.82
name: Dot Recall@10
- type: dot_ndcg@10
value: 0.5672503034893386
name: Dot Ndcg@10
- type: dot_mrr@10
value: 0.48932539682539683
name: Dot Mrr@10
- type: dot_map@100
value: 0.4964516557112465
name: Dot Map@100
- type: query_active_dims
value: 97.19999694824219
name: Query Active Dims
- type: query_sparsity_ratio
value: 0.9969629746305814
name: Query Sparsity Ratio
- type: corpus_active_dims
value: 320.9422912597656
name: Corpus Active Dims
- type: corpus_sparsity_ratio
value: 0.9899721202543427
name: Corpus Sparsity Ratio
- type: dot_accuracy@1
value: 0.38
name: Dot Accuracy@1
- type: dot_accuracy@3
value: 0.58
name: Dot Accuracy@3
- type: dot_accuracy@5
value: 0.68
name: Dot Accuracy@5
- type: dot_accuracy@10
value: 0.8
name: Dot Accuracy@10
- type: dot_precision@1
value: 0.38
name: Dot Precision@1
- type: dot_precision@3
value: 0.19333333333333333
name: Dot Precision@3
- type: dot_precision@5
value: 0.136
name: Dot Precision@5
- type: dot_precision@10
value: 0.08
name: Dot Precision@10
- type: dot_recall@1
value: 0.38
name: Dot Recall@1
- type: dot_recall@3
value: 0.58
name: Dot Recall@3
- type: dot_recall@5
value: 0.68
name: Dot Recall@5
- type: dot_recall@10
value: 0.8
name: Dot Recall@10
- type: dot_ndcg@10
value: 0.57316494185967
name: Dot Ndcg@10
- type: dot_mrr@10
value: 0.5022619047619048
name: Dot Mrr@10
- type: dot_map@100
value: 0.5113980065685948
name: Dot Map@100
- type: query_active_dims
value: 93.54000091552734
name: Query Active Dims
- type: query_sparsity_ratio
value: 0.9970773316383212
name: Query Sparsity Ratio
- type: corpus_active_dims
value: 340.59747314453125
name: Corpus Active Dims
- type: corpus_sparsity_ratio
value: 0.9893579917780181
name: Corpus Sparsity Ratio
- task:
type: sparse-information-retrieval
name: Sparse Information Retrieval
dataset:
name: NanoFrenchNFCorpus
type: NanoFrenchNFCorpus
metrics:
- type: dot_accuracy@1
value: 0.38
name: Dot Accuracy@1
- type: dot_accuracy@3
value: 0.54
name: Dot Accuracy@3
- type: dot_accuracy@5
value: 0.56
name: Dot Accuracy@5
- type: dot_accuracy@10
value: 0.62
name: Dot Accuracy@10
- type: dot_precision@1
value: 0.38
name: Dot Precision@1
- type: dot_precision@3
value: 0.33333333333333326
name: Dot Precision@3
- type: dot_precision@5
value: 0.31200000000000006
name: Dot Precision@5
- type: dot_precision@10
value: 0.27
name: Dot Precision@10
- type: dot_recall@1
value: 0.024565149084599936
name: Dot Recall@1
- type: dot_recall@3
value: 0.048429838495373294
name: Dot Recall@3
- type: dot_recall@5
value: 0.07398906948015295
name: Dot Recall@5
- type: dot_recall@10
value: 0.1386804380914821
name: Dot Recall@10
- type: dot_ndcg@10
value: 0.3125775453054018
name: Dot Ndcg@10
- type: dot_mrr@10
value: 0.46341269841269833
name: Dot Mrr@10
- type: dot_map@100
value: 0.12624373866292496
name: Dot Map@100
- type: query_active_dims
value: 107.4000015258789
name: Query Active Dims
- type: query_sparsity_ratio
value: 0.9966442742844593
name: Query Sparsity Ratio
- type: corpus_active_dims
value: 411.68572998046875
name: Corpus Active Dims
- type: corpus_sparsity_ratio
value: 0.9871368308082965
name: Corpus Sparsity Ratio
- type: dot_accuracy@1
value: 0.42
name: Dot Accuracy@1
- type: dot_accuracy@3
value: 0.5
name: Dot Accuracy@3
- type: dot_accuracy@5
value: 0.56
name: Dot Accuracy@5
- type: dot_accuracy@10
value: 0.64
name: Dot Accuracy@10
- type: dot_precision@1
value: 0.42
name: Dot Precision@1
- type: dot_precision@3
value: 0.3133333333333333
name: Dot Precision@3
- type: dot_precision@5
value: 0.29600000000000004
name: Dot Precision@5
- type: dot_precision@10
value: 0.27399999999999997
name: Dot Precision@10
- type: dot_recall@1
value: 0.025143380377116945
name: Dot Recall@1
- type: dot_recall@3
value: 0.054455110237352056
name: Dot Recall@3
- type: dot_recall@5
value: 0.09253685233430252
name: Dot Recall@5
- type: dot_recall@10
value: 0.12288711045433186
name: Dot Recall@10
- type: dot_ndcg@10
value: 0.3151161614045225
name: Dot Ndcg@10
- type: dot_mrr@10
value: 0.4813015873015873
name: Dot Mrr@10
- type: dot_map@100
value: 0.12802106820878023
name: Dot Map@100
- type: query_active_dims
value: 103.80000305175781
name: Query Active Dims
- type: query_sparsity_ratio
value: 0.9967567566614042
name: Query Sparsity Ratio
- type: corpus_active_dims
value: 441.6481628417969
name: Corpus Active Dims
- type: corpus_sparsity_ratio
value: 0.9862006510594659
name: Corpus Sparsity Ratio
- task:
type: sparse-information-retrieval
name: Sparse Information Retrieval
dataset:
name: NanoFrenchNQ
type: NanoFrenchNQ
metrics:
- type: dot_accuracy@1
value: 0.32
name: Dot Accuracy@1
- type: dot_accuracy@3
value: 0.64
name: Dot Accuracy@3
- type: dot_accuracy@5
value: 0.66
name: Dot Accuracy@5
- type: dot_accuracy@10
value: 0.76
name: Dot Accuracy@10
- type: dot_precision@1
value: 0.32
name: Dot Precision@1
- type: dot_precision@3
value: 0.21333333333333332
name: Dot Precision@3
- type: dot_precision@5
value: 0.14400000000000002
name: Dot Precision@5
- type: dot_precision@10
value: 0.08199999999999999
name: Dot Precision@10
- type: dot_recall@1
value: 0.31
name: Dot Recall@1
- type: dot_recall@3
value: 0.6
name: Dot Recall@3
- type: dot_recall@5
value: 0.65
name: Dot Recall@5
- type: dot_recall@10
value: 0.74
name: Dot Recall@10
- type: dot_ndcg@10
value: 0.5328359660527703
name: Dot Ndcg@10
- type: dot_mrr@10
value: 0.4699126984126984
name: Dot Mrr@10
- type: dot_map@100
value: 0.46572477868807666
name: Dot Map@100
- type: query_active_dims
value: 111.55999755859375
name: Query Active Dims
- type: query_sparsity_ratio
value: 0.9965142947177443
name: Query Sparsity Ratio
- type: corpus_active_dims
value: 475.15411376953125
name: Corpus Active Dims
- type: corpus_sparsity_ratio
value: 0.9851537536706911
name: Corpus Sparsity Ratio
- type: dot_accuracy@1
value: 0.3
name: Dot Accuracy@1
- type: dot_accuracy@3
value: 0.64
name: Dot Accuracy@3
- type: dot_accuracy@5
value: 0.7
name: Dot Accuracy@5
- type: dot_accuracy@10
value: 0.76
name: Dot Accuracy@10
- type: dot_precision@1
value: 0.3
name: Dot Precision@1
- type: dot_precision@3
value: 0.21333333333333332
name: Dot Precision@3
- type: dot_precision@5
value: 0.15200000000000002
name: Dot Precision@5
- type: dot_precision@10
value: 0.08199999999999999
name: Dot Precision@10
- type: dot_recall@1
value: 0.29
name: Dot Recall@1
- type: dot_recall@3
value: 0.6
name: Dot Recall@3
- type: dot_recall@5
value: 0.69
name: Dot Recall@5
- type: dot_recall@10
value: 0.74
name: Dot Recall@10
- type: dot_ndcg@10
value: 0.5375748474117438
name: Dot Ndcg@10
- type: dot_mrr@10
value: 0.47516666666666657
name: Dot Mrr@10
- type: dot_map@100
value: 0.4707188202009631
name: Dot Map@100
- type: query_active_dims
value: 110.27999877929688
name: Query Active Dims
- type: query_sparsity_ratio
value: 0.9965542884305797
name: Query Sparsity Ratio
- type: corpus_active_dims
value: 506.67071533203125
name: Corpus Active Dims
- type: corpus_sparsity_ratio
value: 0.9841690137374776
name: Corpus Sparsity Ratio
- task:
type: sparse-nano-beir
name: Sparse Nano BEIR
dataset:
name: FrenchNanoBEIR mean
type: FrenchNanoBEIR_mean
metrics:
- type: dot_accuracy@1
value: 0.35333333333333333
name: Dot Accuracy@1
- type: dot_accuracy@3
value: 0.5800000000000001
name: Dot Accuracy@3
- type: dot_accuracy@5
value: 0.6200000000000001
name: Dot Accuracy@5
- type: dot_accuracy@10
value: 0.7333333333333334
name: Dot Accuracy@10
- type: dot_precision@1
value: 0.35333333333333333
name: Dot Precision@1
- type: dot_precision@3
value: 0.24444444444444438
name: Dot Precision@3
- type: dot_precision@5
value: 0.19466666666666668
name: Dot Precision@5
- type: dot_precision@10
value: 0.14466666666666664
name: Dot Precision@10
- type: dot_recall@1
value: 0.2315217163615333
name: Dot Recall@1
- type: dot_recall@3
value: 0.40280994616512444
name: Dot Recall@3
- type: dot_recall@5
value: 0.45466302316005097
name: Dot Recall@5
- type: dot_recall@10
value: 0.5662268126971607
name: Dot Recall@10
- type: dot_ndcg@10
value: 0.4708879382825035
name: Dot Ndcg@10
- type: dot_mrr@10
value: 0.47421693121693115
name: Dot Mrr@10
- type: dot_map@100
value: 0.3628067243540827
name: Dot Map@100
- type: query_active_dims
value: 105.38666534423828
name: Query Active Dims
- type: query_sparsity_ratio
value: 0.9967071812109284
name: Query Sparsity Ratio
- type: corpus_active_dims
value: 401.09131289117585
name: Corpus Active Dims
- type: corpus_sparsity_ratio
value: 0.9874678546198664
name: Corpus Sparsity Ratio
- type: dot_accuracy@1
value: 0.49648351648351646
name: Dot Accuracy@1
- type: dot_accuracy@3
value: 0.6690423861852433
name: Dot Accuracy@3
- type: dot_accuracy@5
value: 0.7583987441130299
name: Dot Accuracy@5
- type: dot_accuracy@10
value: 0.8260910518053375
name: Dot Accuracy@10
- type: dot_precision@1
value: 0.49648351648351646
name: Dot Precision@1
- type: dot_precision@3
value: 0.31164835164835164
name: Dot Precision@3
- type: dot_precision@5
value: 0.25071271585557303
name: Dot Precision@5
- type: dot_precision@10
value: 0.1776452119309262
name: Dot Precision@10
- type: dot_recall@1
value: 0.2775106435854442
name: Dot Recall@1
- type: dot_recall@3
value: 0.437530782043344
name: Dot Recall@3
- type: dot_recall@5
value: 0.5214228074903354
name: Dot Recall@5
- type: dot_recall@10
value: 0.5960608203941352
name: Dot Recall@10
- type: dot_ndcg@10
value: 0.5462725147946055
name: Dot Ndcg@10
- type: dot_mrr@10
value: 0.6034051979766266
name: Dot Mrr@10
- type: dot_map@100
value: 0.463521095059661
name: Dot Map@100
- type: query_active_dims
value: 183.74730585977
name: Query Active Dims
- type: query_sparsity_ratio
value: 0.994258793755358
name: Query Sparsity Ratio
- type: corpus_active_dims
value: 435.1348356166257
name: Corpus Active Dims
- type: corpus_sparsity_ratio
value: 0.9864041607368653
name: Corpus Sparsity Ratio
- task:
type: semantic-similarity
name: Semantic Similarity
dataset:
name: frenchSTS dev
type: frenchSTS-dev
metrics:
- type: pearson_cosine
value: 0.7288033933783795
name: Pearson Cosine
- type: spearman_cosine
value: 0.6906760527205718
name: Spearman Cosine
- type: active_dims
value: 163.7789306640625
name: Active Dims
- type: sparsity_ratio
value: 0.994882707993624
name: Sparsity Ratio
- task:
type: sparse-information-retrieval
name: Sparse Information Retrieval
dataset:
name: NanoFrenchClimateFEVER
type: NanoFrenchClimateFEVER
metrics:
- type: dot_accuracy@1
value: 0.18
name: Dot Accuracy@1
- type: dot_accuracy@3
value: 0.36
name: Dot Accuracy@3
- type: dot_accuracy@5
value: 0.5
name: Dot Accuracy@5
- type: dot_accuracy@10
value: 0.6
name: Dot Accuracy@10
- type: dot_precision@1
value: 0.18
name: Dot Precision@1
- type: dot_precision@3
value: 0.12666666666666665
name: Dot Precision@3
- type: dot_precision@5
value: 0.10800000000000001
name: Dot Precision@5
- type: dot_precision@10
value: 0.076
name: Dot Precision@10
- type: dot_recall@1
value: 0.075
name: Dot Recall@1
- type: dot_recall@3
value: 0.15733333333333333
name: Dot Recall@3
- type: dot_recall@5
value: 0.22966666666666669
name: Dot Recall@5
- type: dot_recall@10
value: 0.31133333333333335
name: Dot Recall@10
- type: dot_ndcg@10
value: 0.22526332464375717
name: Dot Ndcg@10
- type: dot_mrr@10
value: 0.2981904761904762
name: Dot Mrr@10
- type: dot_map@100
value: 0.16918567447635577
name: Dot Map@100
- type: query_active_dims
value: 299.0
name: Query Active Dims
- type: query_sparsity_ratio
value: 0.9906577097328543
name: Query Sparsity Ratio
- type: corpus_active_dims
value: 427.4809265136719
name: Corpus Active Dims
- type: corpus_sparsity_ratio
value: 0.9866433080295681
name: Corpus Sparsity Ratio
- task:
type: sparse-information-retrieval
name: Sparse Information Retrieval
dataset:
name: NanoFrenchDBPedia
type: NanoFrenchDBPedia
metrics:
- type: dot_accuracy@1
value: 0.68
name: Dot Accuracy@1
- type: dot_accuracy@3
value: 0.86
name: Dot Accuracy@3
- type: dot_accuracy@5
value: 0.92
name: Dot Accuracy@5
- type: dot_accuracy@10
value: 0.94
name: Dot Accuracy@10
- type: dot_precision@1
value: 0.68
name: Dot Precision@1
- type: dot_precision@3
value: 0.5800000000000001
name: Dot Precision@3
- type: dot_precision@5
value: 0.536
name: Dot Precision@5
- type: dot_precision@10
value: 0.484
name: Dot Precision@10
- type: dot_recall@1
value: 0.05824354525741762
name: Dot Recall@1
- type: dot_recall@3
value: 0.16112675620793346
name: Dot Recall@3
- type: dot_recall@5
value: 0.20990640365085567
name: Dot Recall@5
- type: dot_recall@10
value: 0.33848138160777524
name: Dot Recall@10
- type: dot_ndcg@10
value: 0.5830264831939957
name: Dot Ndcg@10
- type: dot_mrr@10
value: 0.7801904761904762
name: Dot Mrr@10
- type: dot_map@100
value: 0.43519800452823887
name: Dot Map@100
- type: query_active_dims
value: 107.30000305175781
name: Query Active Dims
- type: query_sparsity_ratio
value: 0.9966473987485781
name: Query Sparsity Ratio
- type: corpus_active_dims
value: 486.1007385253906
name: Corpus Active Dims
- type: corpus_sparsity_ratio
value: 0.9848117250890364
name: Corpus Sparsity Ratio
- task:
type: sparse-information-retrieval
name: Sparse Information Retrieval
dataset:
name: NanoFrenchFEVER
type: NanoFrenchFEVER
metrics:
- type: dot_accuracy@1
value: 0.7
name: Dot Accuracy@1
- type: dot_accuracy@3
value: 0.8
name: Dot Accuracy@3
- type: dot_accuracy@5
value: 0.92
name: Dot Accuracy@5
- type: dot_accuracy@10
value: 0.98
name: Dot Accuracy@10
- type: dot_precision@1
value: 0.7
name: Dot Precision@1
- type: dot_precision@3
value: 0.2866666666666666
name: Dot Precision@3
- type: dot_precision@5
value: 0.19599999999999998
name: Dot Precision@5
- type: dot_precision@10
value: 0.10399999999999998
name: Dot Precision@10
- type: dot_recall@1
value: 0.66
name: Dot Recall@1
- type: dot_recall@3
value: 0.7733333333333333
name: Dot Recall@3
- type: dot_recall@5
value: 0.8833333333333333
name: Dot Recall@5
- type: dot_recall@10
value: 0.9433333333333332
name: Dot Recall@10
- type: dot_ndcg@10
value: 0.8064811061401568
name: Dot Ndcg@10
- type: dot_mrr@10
value: 0.7833571428571431
name: Dot Mrr@10
- type: dot_map@100
value: 0.7547637721755369
name: Dot Map@100
- type: query_active_dims
value: 257.9800109863281
name: Query Active Dims
- type: query_sparsity_ratio
value: 0.9919393841279073
name: Query Sparsity Ratio
- type: corpus_active_dims
value: 648.0828857421875
name: Corpus Active Dims
- type: corpus_sparsity_ratio
value: 0.9797505737934015
name: Corpus Sparsity Ratio
- task:
type: sparse-information-retrieval
name: Sparse Information Retrieval
dataset:
name: NanoFrenchFiQA2018
type: NanoFrenchFiQA2018
metrics:
- type: dot_accuracy@1
value: 0.44
name: Dot Accuracy@1
- type: dot_accuracy@3
value: 0.54
name: Dot Accuracy@3
- type: dot_accuracy@5
value: 0.64
name: Dot Accuracy@5
- type: dot_accuracy@10
value: 0.74
name: Dot Accuracy@10
- type: dot_precision@1
value: 0.44
name: Dot Precision@1
- type: dot_precision@3
value: 0.26
name: Dot Precision@3
- type: dot_precision@5
value: 0.196
name: Dot Precision@5
- type: dot_precision@10
value: 0.12399999999999999
name: Dot Precision@10
- type: dot_recall@1
value: 0.23941269841269844
name: Dot Recall@1
- type: dot_recall@3
value: 0.38634920634920633
name: Dot Recall@3
- type: dot_recall@5
value: 0.4780634920634921
name: Dot Recall@5
- type: dot_recall@10
value: 0.5748968253968255
name: Dot Recall@10
- type: dot_ndcg@10
value: 0.47523676082303196
name: Dot Ndcg@10
- type: dot_mrr@10
value: 0.5264126984126984
name: Dot Mrr@10
- type: dot_map@100
value: 0.4049263221001773
name: Dot Map@100
- type: query_active_dims
value: 105.19999694824219
name: Query Active Dims
- type: query_sparsity_ratio
value: 0.9967130136869788
name: Query Sparsity Ratio
- type: corpus_active_dims
value: 393.1255798339844
name: Corpus Active Dims
- type: corpus_sparsity_ratio
value: 0.987716744888799
name: Corpus Sparsity Ratio
- task:
type: sparse-information-retrieval
name: Sparse Information Retrieval
dataset:
name: NanoFrenchHotpotQA
type: NanoFrenchHotpotQA
metrics:
- type: dot_accuracy@1
value: 0.8
name: Dot Accuracy@1
- type: dot_accuracy@3
value: 0.88
name: Dot Accuracy@3
- type: dot_accuracy@5
value: 0.94
name: Dot Accuracy@5
- type: dot_accuracy@10
value: 0.98
name: Dot Accuracy@10
- type: dot_precision@1
value: 0.8
name: Dot Precision@1
- type: dot_precision@3
value: 0.44666666666666655
name: Dot Precision@3
- type: dot_precision@5
value: 0.29999999999999993
name: Dot Precision@5
- type: dot_precision@10
value: 0.15599999999999997
name: Dot Precision@10
- type: dot_recall@1
value: 0.4
name: Dot Recall@1
- type: dot_recall@3
value: 0.67
name: Dot Recall@3
- type: dot_recall@5
value: 0.75
name: Dot Recall@5
- type: dot_recall@10
value: 0.78
name: Dot Recall@10
- type: dot_ndcg@10
value: 0.7469493660905022
name: Dot Ndcg@10
- type: dot_mrr@10
value: 0.8556666666666666
name: Dot Mrr@10
- type: dot_map@100
value: 0.68936235875885
name: Dot Map@100
- type: query_active_dims
value: 192.63999938964844
name: Query Active Dims
- type: query_sparsity_ratio
value: 0.9939809404971208
name: Query Sparsity Ratio
- type: corpus_active_dims
value: 552.5831298828125
name: Corpus Active Dims
- type: corpus_sparsity_ratio
value: 0.9827344749294543
name: Corpus Sparsity Ratio
- task:
type: sparse-information-retrieval
name: Sparse Information Retrieval
dataset:
name: NanoFrenchQuoraRetrieval
type: NanoFrenchQuoraRetrieval
metrics:
- type: dot_accuracy@1
value: 0.76
name: Dot Accuracy@1
- type: dot_accuracy@3
value: 0.88
name: Dot Accuracy@3
- type: dot_accuracy@5
value: 0.98
name: Dot Accuracy@5
- type: dot_accuracy@10
value: 0.98
name: Dot Accuracy@10
- type: dot_precision@1
value: 0.76
name: Dot Precision@1
- type: dot_precision@3
value: 0.3533333333333333
name: Dot Precision@3
- type: dot_precision@5
value: 0.23599999999999993
name: Dot Precision@5
- type: dot_precision@10
value: 0.12599999999999997
name: Dot Precision@10
- type: dot_recall@1
value: 0.674
name: Dot Recall@1
- type: dot_recall@3
value: 0.8413333333333333
name: Dot Recall@3
- type: dot_recall@5
value: 0.9346666666666666
name: Dot Recall@5
- type: dot_recall@10
value: 0.9553333333333334
name: Dot Recall@10
- type: dot_ndcg@10
value: 0.8580920235720106
name: Dot Ndcg@10
- type: dot_mrr@10
value: 0.8406666666666668
name: Dot Mrr@10
- type: dot_map@100
value: 0.8190792669432204
name: Dot Map@100
- type: query_active_dims
value: 107.86000061035156
name: Query Active Dims
- type: query_sparsity_ratio
value: 0.9966299015588079
name: Query Sparsity Ratio
- type: corpus_active_dims
value: 104.7621841430664
name: Corpus Active Dims
- type: corpus_sparsity_ratio
value: 0.9967266931997167
name: Corpus Sparsity Ratio
- task:
type: sparse-information-retrieval
name: Sparse Information Retrieval
dataset:
name: NanoFrenchSCIDOCS
type: NanoFrenchSCIDOCS
metrics:
- type: dot_accuracy@1
value: 0.38
name: Dot Accuracy@1
- type: dot_accuracy@3
value: 0.6
name: Dot Accuracy@3
- type: dot_accuracy@5
value: 0.66
name: Dot Accuracy@5
- type: dot_accuracy@10
value: 0.82
name: Dot Accuracy@10
- type: dot_precision@1
value: 0.38
name: Dot Precision@1
- type: dot_precision@3
value: 0.29333333333333333
name: Dot Precision@3
- type: dot_precision@5
value: 0.24
name: Dot Precision@5
- type: dot_precision@10
value: 0.17
name: Dot Precision@10
- type: dot_recall@1
value: 0.07866666666666668
name: Dot Recall@1
- type: dot_recall@3
value: 0.18066666666666667
name: Dot Recall@3
- type: dot_recall@5
value: 0.24566666666666667
name: Dot Recall@5
- type: dot_recall@10
value: 0.34766666666666673
name: Dot Recall@10
- type: dot_ndcg@10
value: 0.3312292792966583
name: Dot Ndcg@10
- type: dot_mrr@10
value: 0.513968253968254
name: Dot Mrr@10
- type: dot_map@100
value: 0.2513428631021372
name: Dot Map@100
- type: query_active_dims
value: 151.72000122070312
name: Query Active Dims
- type: query_sparsity_ratio
value: 0.9952594906664364
name: Query Sparsity Ratio
- type: corpus_active_dims
value: 413.0921630859375
name: Corpus Active Dims
- type: corpus_sparsity_ratio
value: 0.9870928866400269
name: Corpus Sparsity Ratio
- task:
type: sparse-information-retrieval
name: Sparse Information Retrieval
dataset:
name: NanoFrenchArguAna
type: NanoFrenchArguAna
metrics:
- type: dot_accuracy@1
value: 0.1
name: Dot Accuracy@1
- type: dot_accuracy@3
value: 0.4
name: Dot Accuracy@3
- type: dot_accuracy@5
value: 0.56
name: Dot Accuracy@5
- type: dot_accuracy@10
value: 0.68
name: Dot Accuracy@10
- type: dot_precision@1
value: 0.1
name: Dot Precision@1
- type: dot_precision@3
value: 0.13333333333333333
name: Dot Precision@3
- type: dot_precision@5
value: 0.11200000000000003
name: Dot Precision@5
- type: dot_precision@10
value: 0.068
name: Dot Precision@10
- type: dot_recall@1
value: 0.1
name: Dot Recall@1
- type: dot_recall@3
value: 0.4
name: Dot Recall@3
- type: dot_recall@5
value: 0.56
name: Dot Recall@5
- type: dot_recall@10
value: 0.68
name: Dot Recall@10
- type: dot_ndcg@10
value: 0.3878020730431033
name: Dot Ndcg@10
- type: dot_mrr@10
value: 0.2942619047619047
name: Dot Mrr@10
- type: dot_map@100
value: 0.30642444584641493
name: Dot Map@100
- type: query_active_dims
value: 528.760009765625
name: Query Active Dims
- type: query_sparsity_ratio
value: 0.9834788311274606
name: Query Sparsity Ratio
- type: corpus_active_dims
value: 484.57635498046875
name: Corpus Active Dims
- type: corpus_sparsity_ratio
value: 0.984859354632699
name: Corpus Sparsity Ratio
- task:
type: sparse-information-retrieval
name: Sparse Information Retrieval
dataset:
name: NanoFrenchSciFact
type: NanoFrenchSciFact
metrics:
- type: dot_accuracy@1
value: 0.6
name: Dot Accuracy@1
- type: dot_accuracy@3
value: 0.78
name: Dot Accuracy@3
- type: dot_accuracy@5
value: 0.84
name: Dot Accuracy@5
- type: dot_accuracy@10
value: 0.86
name: Dot Accuracy@10
- type: dot_precision@1
value: 0.6
name: Dot Precision@1
- type: dot_precision@3
value: 0.28
name: Dot Precision@3
- type: dot_precision@5
value: 0.18799999999999997
name: Dot Precision@5
- type: dot_precision@10
value: 0.09599999999999997
name: Dot Precision@10
- type: dot_recall@1
value: 0.575
name: Dot Recall@1
- type: dot_recall@3
value: 0.765
name: Dot Recall@3
- type: dot_recall@5
value: 0.83
name: Dot Recall@5
- type: dot_recall@10
value: 0.85
name: Dot Recall@10
- type: dot_ndcg@10
value: 0.731195750403338
name: Dot Ndcg@10
- type: dot_mrr@10
value: 0.6945238095238095
name: Dot Mrr@10
- type: dot_map@100
value: 0.6913556573450191
name: Dot Map@100
- type: query_active_dims
value: 231.9600067138672
name: Query Active Dims
- type: query_sparsity_ratio
value: 0.9927523822304681
name: Query Sparsity Ratio
- type: corpus_active_dims
value: 441.13531494140625
name: Corpus Active Dims
- type: corpus_sparsity_ratio
value: 0.9862166750526041
name: Corpus Sparsity Ratio
- task:
type: sparse-information-retrieval
name: Sparse Information Retrieval
dataset:
name: NanoFrenchTouche2020
type: NanoFrenchTouche2020
metrics:
- type: dot_accuracy@1
value: 0.7142857142857143
name: Dot Accuracy@1
- type: dot_accuracy@3
value: 0.8775510204081632
name: Dot Accuracy@3
- type: dot_accuracy@5
value: 0.9591836734693877
name: Dot Accuracy@5
- type: dot_accuracy@10
value: 0.9591836734693877
name: Dot Accuracy@10
- type: dot_precision@1
value: 0.7142857142857143
name: Dot Precision@1
- type: dot_precision@3
value: 0.5714285714285715
name: Dot Precision@3
- type: dot_precision@5
value: 0.563265306122449
name: Dot Precision@5
- type: dot_precision@10
value: 0.46938775510204084
name: Dot Precision@10
- type: dot_recall@1
value: 0.05217207589687473
name: Dot Recall@1
- type: dot_recall@3
value: 0.11830242710231433
name: Dot Recall@3
- type: dot_recall@5
value: 0.19465641599237601
name: Dot Recall@5
- type: dot_recall@10
value: 0.3048586809981585
name: Dot Recall@10
- type: dot_ndcg@10
value: 0.5304105744473808
name: Dot Ndcg@10
- type: dot_mrr@10
value: 0.7982993197278911
name: Dot Mrr@10
- type: dot_map@100
value: 0.39399797552130406
name: Dot Map@100
- type: query_active_dims
value: 96.93877410888672
name: Query Active Dims
- type: query_sparsity_ratio
value: 0.9969711365690084
name: Query Sparsity Ratio
- type: corpus_active_dims
value: 410.17596435546875
name: Corpus Active Dims
- type: corpus_sparsity_ratio
value: 0.987184003613327
name: Corpus Sparsity Ratio
---
# splade-camembert-base-v2
This is a [SPLADE Sparse Encoder](https://www.sbert.net/docs/sparse_encoder/usage/usage.html) model finetuned from [almanach/camembert-base](https://huggingface.co/almanach/camembert-base) on the [msmarco-qwen3-reranker-0.6_b-french](https://huggingface.co/datasets/arthurbresnu/msmarco-Qwen3-Reranker-0.6B-french) dataset using the [sentence-transformers](https://www.SBERT.net) library. It maps sentences & paragraphs to a 32005-dimensional sparse vector space and can be used for semantic search and sparse retrieval.
## Model Details
### Model Description
- **Model Type:** SPLADE Sparse Encoder
- **Base model:** [almanach/camembert-base](https://huggingface.co/almanach/camembert-base) <!-- at revision a75967561c78f2aa81cc41045378d3b4ee25af9e -->
- **Maximum Sequence Length:** 512 tokens
- **Output Dimensionality:** 32005 dimensions
- **Similarity Function:** Dot Product
- **Training Dataset:**
- [msmarco-qwen3-reranker-0.6_b-french](https://huggingface.co/datasets/arthurbresnu/msmarco-Qwen3-Reranker-0.6B-french)
- **Language:** fr
- **License:** apache-2.0
### Model Sources
- **Documentation:** [Sentence Transformers Documentation](https://sbert.net)
- **Documentation:** [Sparse Encoder Documentation](https://www.sbert.net/docs/sparse_encoder/usage/usage.html)
- **Repository:** [Sentence Transformers on GitHub](https://github.com/UKPLab/sentence-transformers)
- **Hugging Face:** [Sparse Encoders on Hugging Face](https://huggingface.co/models?library=sentence-transformers&other=sparse-encoder)
### Full Model Architecture
```
SparseEncoder(
(0): MLMTransformer({'max_seq_length': 512, 'do_lower_case': False, 'architecture': 'CamembertForMaskedLM'})
(1): SpladePooling({'pooling_strategy': 'max', 'activation_function': 'relu', 'word_embedding_dimension': 32005})
)
```
## Usage
### Direct Usage (Sentence Transformers)
First install the Sentence Transformers library:
```bash
pip install -U sentence-transformers
```
Then you can load this model and run inference.
```python
from sentence_transformers import SparseEncoder
# Download from the 🤗 Hub
model = SparseEncoder("arthurbresnu/splade-camembert-base-v2")
# Run inference
queries = [
"quel poison rend le sang rouge vif ?",
]
documents = [
"La décoloration rouge cerise de la peau et des muqueuses est un signe souvent cité d'intoxication au monoxyde de carbone (CO)x1Les dangers du monoxyde de carbone. N Engl J Med. 1995\xa0; 332\xa0:\xa0894.",
"SDStaff Hawk répond : Le sang est d'un rouge vif sous sa forme oxygénée (c'est-à-dire quittant les poumons), lorsque l'hémoglobine est liée à l'oxygène pour former l'oxyhémoglobine. C'est un rouge foncé sous sa forme désoxygénée (c'est-à-dire qui retourne aux poumons), lorsque l'hémoglobine est liée au dioxyde de carbone pour former la carboxyhémoglobine. Les veines apparaissent bleues parce que la lumière, pénétrant la peau, est absorbée et réfléchie vers l'œil. Étant donné que seules les longueurs d'onde d'énergie plus élevée peuvent le faire (les longueurs d'onde d'énergie plus faible n'ont tout simplement pas le *oomph*), seules les longueurs d'onde d'énergie plus élevées sont vues.",
'Les couleurs vives et accrocheuses de la grenouille venimeuse – les nuances de bleu, rouge, orange, jaune, vert et noir – sont également une forme de protection.',
]
query_embeddings = model.encode_query(queries)
document_embeddings = model.encode_document(documents)
print(query_embeddings.shape, document_embeddings.shape)
# [1, 32005] [3, 32005]
# Get the similarity scores for the embeddings
similarities = model.similarity(query_embeddings, document_embeddings)
print(similarities)
# tensor([[ 6.2209, 10.4989, 6.2333]])
```
<!--
### Direct Usage (Transformers)
<details><summary>Click to see the direct usage in Transformers</summary>
</details>
-->
<!--
### Downstream Usage (Sentence Transformers)
You can finetune this model on your own dataset.
<details><summary>Click to expand</summary>
</details>
-->
<!--
### Out-of-Scope Use
*List how the model may foreseeably be misused and address what users ought not to do with the model.*
-->
## Evaluation
### Metrics
#### Sparse Information Retrieval
* Datasets: `NanoFrenchMSMARCO`, `NanoFrenchNFCorpus`, `NanoFrenchNQ`, `NanoFrenchClimateFEVER`, `NanoFrenchDBPedia`, `NanoFrenchFEVER`, `NanoFrenchFiQA2018`, `NanoFrenchHotpotQA`, `NanoFrenchMSMARCO`, `NanoFrenchNFCorpus`, `NanoFrenchNQ`, `NanoFrenchQuoraRetrieval`, `NanoFrenchSCIDOCS`, `NanoFrenchArguAna`, `NanoFrenchSciFact` and `NanoFrenchTouche2020` from [this collection](https://huggingface.co/collections/CATIE-AQ/nanobeir-fr)
* Evaluated with [<code>SparseInformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sparse_encoder/evaluation.html#sentence_transformers.sparse_encoder.evaluation.SparseInformationRetrievalEvaluator)
| Metric | NanoFrenchMSMARCO | NanoFrenchNFCorpus | NanoFrenchNQ | NanoFrenchClimateFEVER | NanoFrenchDBPedia | NanoFrenchFEVER | NanoFrenchFiQA2018 | NanoFrenchHotpotQA | NanoFrenchQuoraRetrieval | NanoFrenchSCIDOCS | NanoFrenchArguAna | NanoFrenchSciFact | NanoFrenchTouche2020 |
|:----------------------|:------------------|:-------------------|:-------------|:-----------------------|:------------------|:----------------|:-------------------|:-------------------|:-------------------------|:------------------|:------------------|:------------------|:---------------------|
| dot_accuracy@1 | 0.38 | 0.42 | 0.3 | 0.18 | 0.68 | 0.7 | 0.44 | 0.8 | 0.76 | 0.38 | 0.1 | 0.6 | 0.7143 |
| dot_accuracy@3 | 0.58 | 0.5 | 0.64 | 0.36 | 0.86 | 0.8 | 0.54 | 0.88 | 0.88 | 0.6 | 0.4 | 0.78 | 0.8776 |
| dot_accuracy@5 | 0.68 | 0.56 | 0.7 | 0.5 | 0.92 | 0.92 | 0.64 | 0.94 | 0.98 | 0.66 | 0.56 | 0.84 | 0.9592 |
| dot_accuracy@10 | 0.8 | 0.64 | 0.76 | 0.6 | 0.94 | 0.98 | 0.74 | 0.98 | 0.98 | 0.82 | 0.68 | 0.86 | 0.9592 |
| dot_precision@1 | 0.38 | 0.42 | 0.3 | 0.18 | 0.68 | 0.7 | 0.44 | 0.8 | 0.76 | 0.38 | 0.1 | 0.6 | 0.7143 |
| dot_precision@3 | 0.1933 | 0.3133 | 0.2133 | 0.1267 | 0.58 | 0.2867 | 0.26 | 0.4467 | 0.3533 | 0.2933 | 0.1333 | 0.28 | 0.5714 |
| dot_precision@5 | 0.136 | 0.296 | 0.152 | 0.108 | 0.536 | 0.196 | 0.196 | 0.3 | 0.236 | 0.24 | 0.112 | 0.188 | 0.5633 |
| dot_precision@10 | 0.08 | 0.274 | 0.082 | 0.076 | 0.484 | 0.104 | 0.124 | 0.156 | 0.126 | 0.17 | 0.068 | 0.096 | 0.4694 |
| dot_recall@1 | 0.38 | 0.0251 | 0.29 | 0.075 | 0.0582 | 0.66 | 0.2394 | 0.4 | 0.674 | 0.0787 | 0.1 | 0.575 | 0.0522 |
| dot_recall@3 | 0.58 | 0.0545 | 0.6 | 0.1573 | 0.1611 | 0.7733 | 0.3863 | 0.67 | 0.8413 | 0.1807 | 0.4 | 0.765 | 0.1183 |
| dot_recall@5 | 0.68 | 0.0925 | 0.69 | 0.2297 | 0.2099 | 0.8833 | 0.4781 | 0.75 | 0.9347 | 0.2457 | 0.56 | 0.83 | 0.1947 |
| dot_recall@10 | 0.8 | 0.1229 | 0.74 | 0.3113 | 0.3385 | 0.9433 | 0.5749 | 0.78 | 0.9553 | 0.3477 | 0.68 | 0.85 | 0.3049 |
| **dot_ndcg@10** | **0.5732** | **0.3151** | **0.5376** | **0.2253** | **0.583** | **0.8065** | **0.4752** | **0.7469** | **0.8581** | **0.3312** | **0.3878** | **0.7312** | **0.5304** |
| dot_mrr@10 | 0.5023 | 0.4813 | 0.4752 | 0.2982 | 0.7802 | 0.7834 | 0.5264 | 0.8557 | 0.8407 | 0.514 | 0.2943 | 0.6945 | 0.7983 |
| dot_map@100 | 0.5114 | 0.128 | 0.4707 | 0.1692 | 0.4352 | 0.7548 | 0.4049 | 0.6894 | 0.8191 | 0.2513 | 0.3064 | 0.6914 | 0.394 |
| query_active_dims | 93.54 | 103.8 | 110.28 | 299.0 | 107.3 | 257.98 | 105.2 | 192.64 | 107.86 | 151.72 | 528.76 | 231.96 | 96.9388 |
| query_sparsity_ratio | 0.9971 | 0.9968 | 0.9966 | 0.9907 | 0.9966 | 0.9919 | 0.9967 | 0.994 | 0.9966 | 0.9953 | 0.9835 | 0.9928 | 0.997 |
| corpus_active_dims | 340.5975 | 441.6482 | 506.6707 | 427.4809 | 486.1007 | 648.0829 | 393.1256 | 552.5831 | 104.7622 | 413.0922 | 484.5764 | 441.1353 | 410.176 |
| corpus_sparsity_ratio | 0.9894 | 0.9862 | 0.9842 | 0.9866 | 0.9848 | 0.9798 | 0.9877 | 0.9827 | 0.9967 | 0.9871 | 0.9849 | 0.9862 | 0.9872 |
#### Sparse Nano BEIR
* Dataset: `FrenchNanoBEIR_mean`
* Evaluated with [<code>SparseNanoBEIREvaluator</code>](https://sbert.net/docs/package_reference/sparse_encoder/evaluation.html#sentence_transformers.sparse_encoder.evaluation.SparseNanoBEIREvaluator) with these parameters:
```json
{
"dataset_names": [
"msmarco",
"nfcorpus",
"nq"
]
}
```
| Metric | Value |
|:----------------------|:-----------|
| dot_accuracy@1 | 0.3533 |
| dot_accuracy@3 | 0.58 |
| dot_accuracy@5 | 0.62 |
| dot_accuracy@10 | 0.7333 |
| dot_precision@1 | 0.3533 |
| dot_precision@3 | 0.2444 |
| dot_precision@5 | 0.1947 |
| dot_precision@10 | 0.1447 |
| dot_recall@1 | 0.2315 |
| dot_recall@3 | 0.4028 |
| dot_recall@5 | 0.4547 |
| dot_recall@10 | 0.5662 |
| **dot_ndcg@10** | **0.4709** |
| dot_mrr@10 | 0.4742 |
| dot_map@100 | 0.3628 |
| query_active_dims | 105.3867 |
| query_sparsity_ratio | 0.9967 |
| corpus_active_dims | 401.0913 |
| corpus_sparsity_ratio | 0.9875 |
#### Semantic Similarity
* Dataset: `frenchSTS-dev`
* Evaluated with [<code>SparseEmbeddingSimilarityEvaluator</code>](https://sbert.net/docs/package_reference/sparse_encoder/evaluation.html#sentence_transformers.sparse_encoder.evaluation.SparseEmbeddingSimilarityEvaluator)
| Metric | Value |
|:--------------------|:-----------|
| pearson_cosine | 0.7288 |
| **spearman_cosine** | **0.6907** |
| active_dims | 163.7789 |
| sparsity_ratio | 0.9949 |
#### Sparse Nano BEIR
* Dataset: `FrenchNanoBEIR_mean`
* Evaluated with [<code>SparseNanoBEIREvaluator</code>](https://sbert.net/docs/package_reference/sparse_encoder/evaluation.html#sentence_transformers.sparse_encoder.evaluation.SparseNanoBEIREvaluator) with these parameters:
```json
{
"dataset_names": [
"climatefever",
"dbpedia",
"fever",
"fiqa2018",
"hotpotqa",
"msmarco",
"nfcorpus",
"nq",
"quoraretrieval",
"scidocs",
"arguana",
"scifact",
"touche2020"
]
}
```
| Metric | Value |
|:----------------------|:-----------|
| dot_accuracy@1 | 0.4965 |
| dot_accuracy@3 | 0.669 |
| dot_accuracy@5 | 0.7584 |
| dot_accuracy@10 | 0.8261 |
| dot_precision@1 | 0.4965 |
| dot_precision@3 | 0.3116 |
| dot_precision@5 | 0.2507 |
| dot_precision@10 | 0.1776 |
| dot_recall@1 | 0.2775 |
| dot_recall@3 | 0.4375 |
| dot_recall@5 | 0.5214 |
| dot_recall@10 | 0.5961 |
| **dot_ndcg@10** | **0.5463** |
| dot_mrr@10 | 0.6034 |
| dot_map@100 | 0.4635 |
| query_active_dims | 183.7473 |
| query_sparsity_ratio | 0.9943 |
| corpus_active_dims | 435.1348 |
| corpus_sparsity_ratio | 0.9864 |
<!--
## Bias, Risks and Limitations
*What are the known or foreseeable issues stemming from this model? You could also flag here known failure cases or weaknesses of the model.*
-->
<!--
### Recommendations
*What are recommendations with respect to the foreseeable issues? For example, filtering explicit content.*
-->
## Training Details
### Training Dataset
#### msmarco-qwen3-reranker-0.6_b-french
* Dataset: [msmarco-qwen3-reranker-0.6_b-french](https://huggingface.co/datasets/arthurbresnu/msmarco-Qwen3-Reranker-0.6B-french) at [0be06a4](https://huggingface.co/datasets/arthurbresnu/msmarco-Qwen3-Reranker-0.6B-french/tree/0be06a48784fb9bf994e0f9204a2126aa489e34e)
* Size: 483,497 training samples
* Columns: <code>query</code>, <code>positive</code>, <code>negative_1</code>, <code>negative_2</code>, <code>negative_3</code>, <code>negative_4</code>, <code>negative_5</code>, <code>negative_6</code>, <code>negative_7</code>, <code>negative_8</code>, and <code>score</code>
* Approximate statistics based on the first 1000 samples:
| | query | positive | negative_1 | negative_2 | negative_3 | negative_4 | negative_5 | negative_6 | negative_7 | negative_8 | score |
|:--------|:----------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:-----------------------------------|
| type | string | string | string | string | string | string | string | string | string | string | list |
| details | <ul><li>min: 4 tokens</li><li>mean: 11.88 tokens</li><li>max: 57 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 97.06 tokens</li><li>max: 342 tokens</li></ul> | <ul><li>min: 16 tokens</li><li>mean: 82.65 tokens</li><li>max: 383 tokens</li></ul> | <ul><li>min: 5 tokens</li><li>mean: 84.69 tokens</li><li>max: 264 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 84.7 tokens</li><li>max: 404 tokens</li></ul> | <ul><li>min: 19 tokens</li><li>mean: 86.36 tokens</li><li>max: 407 tokens</li></ul> | <ul><li>min: 15 tokens</li><li>mean: 86.79 tokens</li><li>max: 286 tokens</li></ul> | <ul><li>min: 13 tokens</li><li>mean: 86.67 tokens</li><li>max: 320 tokens</li></ul> | <ul><li>min: 19 tokens</li><li>mean: 88.65 tokens</li><li>max: 288 tokens</li></ul> | <ul><li>min: 16 tokens</li><li>mean: 85.17 tokens</li><li>max: 230 tokens</li></ul> | <ul><li>size: 9 elements</li></ul> |
* Samples:
| query | positive | negative_1 | negative_2 | negative_3 | negative_4 | negative_5 | negative_6 | negative_7 | negative_8 | score |
|:---------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------|
| <code>qu'est-ce que le clomifène</code> | <code>Utilisations de ce médicament. Le clomifène est utilisé comme médicament contre la fertilité chez certaines femmes incapables de devenir enceintes. Le clomifène agit probablement en modifiant l'équilibre hormonal du corps. Chez les femmes, cela provoque l'ovulation et prépare le corps à la grossesse.ses de ce médicament. Le clomifène est utilisé comme médicament contre la fertilité chez certaines femmes incapables de devenir enceintes. Le clomifène agit probablement en modifiant l'équilibre hormonal du corps. Chez les femmes, cela provoque l'ovulation et prépare le corps à la grossesse.</code> | <code>Le citrate de clomifène, une hormone synthétique couramment utilisée pour induire ou réguler l'ovulation, est la pilule de fertilité la plus souvent prescrite. Les noms de marque pour le citrate de clomifène incluent Clomid et Serophene. Le clomifène agit indirectement pour stimuler l'ovulation.</code> | <code>Parfois, le clomifène peut trop stimuler les ovaires, provoquant la libération de plusieurs ovules, ce qui peut entraîner des naissances multiples, telles que des jumeaux ou des triplés (voir Clomid et jumeaux). Le clomifène est l'un des médicaments de fertilité les moins chers et les plus faciles à utiliser. Cependant, cela ne fonctionnera pas pour tous les types d'infertilité. Votre fournisseur de soins de santé doit essayer de trouver la cause de votre infertilité avant d'essayer le clomifène.</code> | <code>Le citrate de clomifène offre deux avantages à l'athlète qui améliore ses performances, l'un étant le principal. Le plus souvent, ce SERM est utilisé à des fins de récupération post-cycle ; spécifiquement pour stimuler la production naturelle de testostérone qui a été supprimée en raison de l'utilisation de stéroïdes anabolisants.</code> | <code>SOPK et problèmes d'ovulation et traitement Clomid. Clomid (citrate de clomifène ou Serophene) est un médicament oral couramment utilisé pour le traitement de l'infertilité. Il est souvent administré pour tenter de provoquer l'ovulation chez les femmes qui ne développent pas et ne libèrent pas d'ovule (ovuler) d'elles-mêmes.</code> | <code>Indication : Clomid (citrate de clomifène) est souvent le premier choix pour traiter l'infertilité, car il est efficace et utilisé depuis plus de 40 ans.</code> | <code>Description de Clomid. 1 Clomid (comprimés de citrate de clomifène USP) est un stimulant ovulatoire non stéroïdien administré par voie orale désigné chimiquement sous le nom de citrate de 2-[p-(2-chloro-1,2-diphénylvinyl)phénoxy] triéthylamine (1:1). Il a la formule moléculaire de C26H28ClNO • C6H8O7 et un poids moléculaire de 598,09.</code> | <code>SOPK et problèmes d'ovulation et traitement Clomid. Clomid (citrate de clomifène ou Serophene) est un médicament oral couramment utilisé pour le traitement de l'infertilité. 1 Il est souvent administré pour tenter de provoquer l'ovulation chez les femmes qui ne développent pas et ne libèrent pas d'ovule (ovuler) d'elles-mêmes. Clomid est commencé au début du cycle menstruel et est pris pendant cinq jours, soit du 3e au 7e jour du cycle, soit du 5e au 9e jour. .</code> | <code>Clomid est pris sous forme de pilule. Ceci est différent des médicaments de fertilité plus forts, qui nécessitent une injection. Clomid est également très efficace, stimulant l'ovulation 80 pour cent du temps. Clomid peut également être commercialisé sous le nom Serophene, ou vous pouvez le voir vendu sous son nom générique, le citrate de clomifène. Remarque : Clomid peut également être utilisé comme traitement de l'infertilité masculine. Cet article se concentre sur le traitement Clomid chez les femmes.</code> | <code>[4.75390625, 6.9375, 3.92578125, 1.0400390625, 5.61328125, ...]</code> |
| <code>coût comptable typique pour l'entrepreneur informatique</code> | <code>Sur le marché actuel, nous avons vu des taux aussi bas que 50 £ + TVA, et aussi élevés que 180 £ + TVA pour les comptables contractuels dédiés . Il est intéressant de noter que le coût moyen de la comptabilité des sous-traitants n'a pas augmenté parallèlement à l'inflation au cours de la dernière décennie.</code> | <code>Alors, combien coûte un entrepreneur, entre 5 % et 25 % du coût total du projet, avec une moyenne allant de 10 à 15 %. compétences. La manière exacte dont un entrepreneur général facture un projet dépend du type de contrat que vous acceptez. Il existe trois types courants de contrats de coûts, à prix fixe, temps et matériaux et coût plus frais.</code> | <code>1 Les comptables facturent de 150 $ à 400 $ ou plus de l'heure, selon le type de travail, la taille de l'entreprise et son emplacement. 2 Vous paierez des taux inférieurs pour le travail de routine effectué par un associé moins expérimenté ou un employé moins formé, par exemple 30 $ à 50 $ pour les services de tenue de livres. 3 Le total des honoraires d'un comptable dépend du projet. Pour un démarrage simple, attendez-vous à un minimum de 0,5 à 1,5 heure de consultation (75 $ à 600 $) pour passer en revue la structure de votre entreprise et les questions fiscales de base.</code> | <code>Alors, combien coûte un entrepreneur, entre 5% et 25% du coût total du projet, avec une moyenne allant de 10 à 15%. La manière exacte dont un entrepreneur général facture un projet dépend du type de contrat que vous acceptez. Il existe trois types courants de contrats de coûts, à prix fixe, temps et matériaux et coût plus frais. Chaque type de contrat présente des avantages et des inconvénients à la fois pour le consommateur et pour l'entrepreneur.</code> | <code>1 Les comptables facturent de 150 $ à 400 $ ou plus de l'heure, selon le type de travail, la taille de l'entreprise et son emplacement. 2 Vous paierez des taux inférieurs pour le travail de routine effectué par un associé moins expérimenté ou un employé moins formé, par exemple 30 $ à 50 $ pour les services de tenue de livres. 3 Le total des honoraires d'un comptable dépend du projet.</code> | <code>le salaire moyen des frappes de saisie de données par heure le salaire moyen pour les frappes de saisie de données par heure est de 20 000 $</code> | <code>Les services de comptabilité coûtent généralement de 250 $ à 400 $ par mois, ou de 350 $ à 500 $ par trimestre. Taxes de vente et recs bancaires inclus. Nous effectuons tout le traitement, le dépôt et les dépôts fiscaux. 5 employés, paie aux deux semaines, dépôt direct, 135 $ par mois.</code> | <code>Moins c'est sous-traité, moins cher ce sera pour vous. Un comptable devrait être payé entre 15 $ et 18 $ de l'heure. Un comptable titulaire d'un diplôme de premier cycle (4 ans) devrait être payé environ 20 $ l'heure, mais cela dépend toujours de ce que vous lui demandez de faire. Un comptable avec un diplôme d'études supérieures (maîtrise) devrait être payé entre 25 $ et 30 $ de l'heure.</code> | <code>Payer par niveau d'expérience pour l'analyste du renseignement. Médiane de toutes les rémunérations (y compris les pourboires, les primes et les heures supplémentaires) par années d'expérience. Les analystes du renseignement avec beaucoup d'expérience ont tendance à bénéficier de revenus plus élevés.</code> | <code>[7.44921875, 3.271484375, 5.859375, 3.234375, 5.421875, ...]</code> |
| <code>qu'est-ce que mch sur un test sanguin</code> | <code>Ce que signifient les niveaux élevés. Les niveaux de MCH dans les tests sanguins sont considérés comme élevés s'ils sont de 35 ou plus. Un taux d'hémoglobine normal est considéré comme compris entre 26 et 33 picogrammes par globule rouge. Des taux élevés de MCH peuvent indiquer une anémie macrocytaire, qui peut être causée par un manque de vitamine B12. Les globules rouges acrocytaires sont gros et ont donc tendance à avoir un MCH plus élevé, tandis que les globules rouges microcytaires auraient une valeur inférieure. MCH est l'un des trois indices de globules rouges (MCHC et MCV sont les deux autres). Les mesures sont effectuées par machine et peuvent aider au diagnostic de problèmes médicaux.</code> | <code>MCH signifie hémoglobine corpusculaire moyenne. Il estime la quantité moyenne d'hémoglobine dans chaque globule rouge, mesurée en picogrammes (un trillionième de gramme). Les compteurs de cellules automatisés calculent la MCH, qui est signalée dans le cadre d'un test de numération globulaire complète (CBC). La MCH peut être faible en anémie ferriprive et élevée en anémie due à une carence en vitamine B12 ou en folate. D'autres formes d'anémie peuvent également rendre la MCH anormale. Les médecins n'utilisent l'HME qu'à titre d'information à l'appui, pas pour poser un diagnostic.</code> | <code>A. MCH signifie hémoglobine corpusculaire moyenne. Il estime la quantité moyenne d'hémoglobine dans chaque globule rouge, mesurée en picogrammes (un trillionième de gramme). Les compteurs de cellules automatisés calculent la MCH, qui est signalée dans le cadre d'un test de numération globulaire complète (CBC). La MCH peut être faible en anémie ferriprive et élevée en anémie due à une carence en vitamine B12 ou en folate. D'autres formes d'anémie peuvent également rendre la MCH anormale.</code> | <code>Le test utilisé pour déterminer la quantité d'hémoglobine dans le sang est connu sous le nom de test sanguin MCH. La forme complète de MCH est l'hémoglobine corpusculaire moyenne. Ce test est donc utilisé pour déterminer la quantité moyenne d'hémoglobine par globule rouge dans le corps. Les résultats du test sanguin MCH sont donc rapportés en picogrammes, une toute petite mesure du poids.</code> | <code>Un test sanguin MCH élevé indique qu'il y a un faible apport d'oxygène dans le sang, alors qu'un test sanguin MCH faible signifie que l'hémoglobine est trop faible dans les cellules, ce qui indique un manque de fer. Il est important que le fer soit maintenu à un certain niveau car trop ou trop peu de fer peut être dangereux pour votre corps.</code> | <code>diapositive 1 sur 7. Qu'est-ce que la SMI ? MCH est le sigle de Mean Corpuscular Hemoglobin. Tiré du latin, le terme fait référence à la quantité moyenne d'hémoglobine présente dans les globules rouges. Un test sanguin CBC (numération globulaire complète) peut être utilisé pour surveiller les niveaux de MCH dans le sang. Lab Tests Online explique que l'aspect MCH d'un test CBC est une mesure de la quantité moyenne d'hémoglobine transportant l'oxygène à l'intérieur d'un globule rouge. Les globules rouges macrocytaires sont gros et ont donc tendance à avoir une MCH plus élevée, tandis que les globules rouges microcytaires auraient une valeur inférieure.</code> | <code>Le test utilisé pour déterminer la quantité d'hémoglobine dans le sang est connu sous le nom de test sanguin MCH. La forme complète de MCH est l'hémoglobine corpusculaire moyenne. Ce test est donc utilisé pour déterminer la quantité moyenne d'hémoglobine par globule rouge dans le corps. Les résultats du test sanguin MCH sont donc rapportés en picogrammes, une toute petite mesure du poids. La plage normale du test sanguin MCH se situe entre 26 et 33 pg par cellule.</code> | <code>Un test MCHC est un test qui est effectué pour tester une personne pour l'anémie. Le MCHC dans un test MCHC signifie Concentration Corpusculaire Moyenne d'Hémoglobine. MCHC est le calcul de l'hémoglobine moyenne à l'intérieur d'un globule rouge. Un test MCHC peut être effectué avec un test MCV (Mean Corpuscular Volume). Les deux niveaux sont utilisés pour tester les personnes pour l'anémie. Le test MCHC est également connu sous le nom de test sanguin MCH qui teste les niveaux d'hémoglobine dans le sang. Le test MCHC peut être commandé dans le cadre d'une numération formule sanguine (CBC). Le CHC est mesuré en grammes par décilitre. Les lectures normales pour MCHC sont de 31 grammes par décilitre à 35 grammes par décilitre. Un test sanguin MCHC peut être demandé lorsqu'une personne montre des signes de fatigue ou de faiblesse, lorsqu'il y a une infection, qu'elle saigne ou qu'elle a des ecchymoses facilement ou lorsqu'il y a une inflammation.</code> | <code>Le test examine la quantité moyenne d'hémoglobine par globule rouge. Donc MCHC = la quantité d'hémoglobine présente dans chaque globule rouge. Un test sanguin MCHC peut être demandé pour une personne qui présente des signes de fatigue ou de faiblesse, lorsqu'il y a une infection, qu'elle saigne ou qu'elle a des ecchymoses facilement ou lorsqu'il y a une inflammation notable.</code> | <code>[6.44921875, 7.05078125, 7.2109375, 8.40625, 6.53515625, ...]</code> |
* Loss: [<code>SpladeLoss</code>](https://sbert.net/docs/package_reference/sparse_encoder/losses.html#spladeloss) with these parameters:
```json
{
"loss": "SparseMarginMSELoss",
"document_regularizer_weight": 0.1,
"query_regularizer_weight": 0.001
}
```
### Evaluation Dataset
#### msmarco-qwen3-reranker-0.6_b-french
* Dataset: [msmarco-qwen3-reranker-0.6_b-french](https://huggingface.co/datasets/arthurbresnu/msmarco-Qwen3-Reranker-0.6B-french) at [0be06a4](https://huggingface.co/datasets/arthurbresnu/msmarco-Qwen3-Reranker-0.6B-french/tree/0be06a48784fb9bf994e0f9204a2126aa489e34e)
* Size: 10,000 evaluation samples
* Columns: <code>query</code>, <code>positive</code>, <code>negative_1</code>, <code>negative_2</code>, <code>negative_3</code>, <code>negative_4</code>, <code>negative_5</code>, <code>negative_6</code>, <code>negative_7</code>, <code>negative_8</code>, and <code>score</code>
* Approximate statistics based on the first 1000 samples:
| | query | positive | negative_1 | negative_2 | negative_3 | negative_4 | negative_5 | negative_6 | negative_7 | negative_8 | score |
|:--------|:----------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:-----------------------------------|
| type | string | string | string | string | string | string | string | string | string | string | list |
| details | <ul><li>min: 4 tokens</li><li>mean: 11.79 tokens</li><li>max: 30 tokens</li></ul> | <ul><li>min: 20 tokens</li><li>mean: 98.71 tokens</li><li>max: 271 tokens</li></ul> | <ul><li>min: 13 tokens</li><li>mean: 83.87 tokens</li><li>max: 284 tokens</li></ul> | <ul><li>min: 13 tokens</li><li>mean: 83.19 tokens</li><li>max: 256 tokens</li></ul> | <ul><li>min: 17 tokens</li><li>mean: 85.99 tokens</li><li>max: 278 tokens</li></ul> | <ul><li>min: 14 tokens</li><li>mean: 84.73 tokens</li><li>max: 297 tokens</li></ul> | <ul><li>min: 16 tokens</li><li>mean: 88.16 tokens</li><li>max: 426 tokens</li></ul> | <ul><li>min: 20 tokens</li><li>mean: 83.38 tokens</li><li>max: 328 tokens</li></ul> | <ul><li>min: 14 tokens</li><li>mean: 86.38 tokens</li><li>max: 298 tokens</li></ul> | <ul><li>min: 13 tokens</li><li>mean: 84.92 tokens</li><li>max: 383 tokens</li></ul> | <ul><li>size: 9 elements</li></ul> |
* Samples:
| query | positive | negative_1 | negative_2 | negative_3 | negative_4 | negative_5 | negative_6 | negative_7 | negative_8 | score |
|:-------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------|
| <code>combien de personnes employées par shell</code> | <code>Shell dans le monde entier. Royal Dutch Shell a été fondée en 1907, bien que notre histoire remonte au début du XIXe siècle, dans un petit magasin à Londres où la famille Samuel vendait des coquillages. Aujourd'hui, Shell est l'une des principales sociétés énergétiques au monde, employant en moyenne 93 000 personnes et opérant dans plus de 70 pays. Notre siège social est à La Haye, aux Pays-Bas, et notre PDG est Ben van Beurden.</code> | <code>Afficher les informations sur les sources. Cette statistique montre le nombre d'employés de SeaWorld Entertainment, Inc. aux États-Unis, par type. En décembre 2016, SeaWorld employait 5 000 employés à temps plein et comptait environ 13 000 employés saisonniers pendant la haute saison d'exploitation.</code> | <code>Emplois, entreprises, personnes et articles pour le spécialiste de la paie de LinkedIn - membres d'Addus Homecare, Inc.. Informations sur les membres de Payroll Specialist - Addus Homecare, Inc. sur LinkedIn. Salaire médian 31 300 $.</code> | <code>En juillet 2014, il y avait 139 millions de personnes employées aux États-Unis. Ce nombre est en hausse de 209 000 salariés depuis juin et de 1,47 million depuis début 2014.</code> | <code>le salaire moyen des frappes de saisie de données par heure le salaire moyen pour les frappes de saisie de données par heure est de 20 000 $</code> | <code>Recherchez et examinez les emplois Plano Synergy. Apprenez-en plus sur une carrière chez Plano Synergy, y compris tous les emplois récents, les tendances d'embauche, les salaires, l'environnement de travail et plus encore. Trouvez des emplois Avis sur l'entreprise Trouvez des salaires Trouvez des CV Employeurs / Publiez une offre Téléchargez votre CV Connectez-vous</code> | <code>À partir de millions de données sur les salaires réels. 13 Données sur les salaires des spécialistes du support client. Le salaire moyen de Customer Support Specialist est de $59 032 S'identifier</code> | <code>À partir de millions de données sur les salaires réels. 1 Données salariales du PDG Ally. Le salaire moyen du PDG Ally est de 55 000 $ Salaire de départ détaillé du PDG Ally, salaire médian, échelle salariale, rapport de données sur les primes</code> | <code>Avantages et avantages de HelpSystems, notamment sa mutuelle et sa politique en matière de retraite et de congés. Signalé de manière anonyme par les employés de HelpSystems. Glassdoor utilise des cookies pour améliorer votre expérience sur le site.</code> | <code>[6.265625, -1.3671875, -6.91796875, 1.111328125, -7.96875, ...]</code> |
| <code>qu'est-ce qu'un lcsw</code> | <code>LCSW est un acronyme pour travailleur social clinique agréé, et les personnes portant ce titre sont des professionnels qualifiés qui répondent à certaines exigences et travaillent dans divers domaines. Le terme travailleur social n'est pas toujours synonyme de travailleur social clinique agréé.</code> | <code>LISW signifie que la personne est un travailleur social indépendant agréé. LCSW signifie que la personne est un travailleur social clinique agréé. Source(s) : Introduction au travail social 101 à l'Université du Nevada, Las Vega (UNLV) Dorothy K. · il y a 1 décennie.</code> | <code>Un LCSW est un travailleur social clinique agréé. Un LMHC est le plus récent ajout dans le domaine de la santé mentale. Ils sont très similaires et peuvent faire la plupart des mêmes choses à quelques exceptions près. Une chose à garder à l'esprit est que parce que la licence LMHC est si nouvelle, il y en a moins dans le domaine.n LCSW est une assistante sociale clinique agréée. Un LMHC est le plus récent ajout dans le domaine de la santé mentale. Ils sont très similaires et peuvent faire la plupart des mêmes choses à quelques exceptions près. Une chose à garder à l'esprit est qu'en raison de la nouveauté du LMHC, il y en a moins dans le domaine.</code> | <code>Le travailleur social clinique agréé ou LCSW est un sous-secteur du domaine du travail social. Ils travaillent avec les clients afin de les aider à faire face aux problèmes liés à leur santé mentale et émotionnelle. Cela pourrait être lié à la toxicomanie, à un traumatisme passé ou à une maladie mentale.</code> | <code>Travailleur social clinicien agréé | LCSW. Le travailleur social clinique agréé ou LCSW est un sous-secteur du domaine du travail social. Le LCSW travaille avec les clients afin d'aider à faire face aux problèmes de santé mentale et émotionnelle. Il existe une grande variété de spécialisations sur lesquelles le travailleur social clinique agréé peut se concentrer.</code> | <code>L'examen LMSW est un test informatisé contenant 170 questions à choix multiples conçues pour mesurer les compétences minimales dans quatre catégories de pratique du travail social : développement humain, diversité et comportement dans l'environnement. Évaluation et planification des interventions.</code> | <code>Le travailleur social clinique agréé, également connu sous le nom de LCSW, est une branche du travail social spécialisée dans la thérapie en santé mentale sous forme de conseil. Devenir un LCSW nécessite un niveau de formation important, notamment avoir obtenu une maîtrise en travail social (MSW) d'un programme accrédité par le Council on Social Work Education (CSWE).</code> | <code>une. Les conditions d'examen pour obtenir l'autorisation d'exercer en tant que LCSW comprennent la réussite de l'examen clinique de l'ASWB ou de l'examen clinique des travailleurs sociaux de l'État de Californie. Champ d'exercice-Limites. a. Dans la mesure où ils sont préparés par l'éducation et la formation, un LCSW peut s'engager dans tous les actes et pratiques définis comme la pratique du travail social clinique. Travail social certifié (CSW) : CSW désigne un travailleur social certifié agréé. Un CSW doit avoir une maîtrise.</code> | <code>Le client LTCM est un moyen pour les entreprises de rester en contact avec vous, leurs clients, de manière discrète et entièrement sous le contrôle des utilisateurs. C'est une application qui s'exécute silencieusement sur l'ordinateur. Les utilisateurs peuvent et doivent personnaliser le client pour qu'il corresponde à leurs préférences souhaitées.</code> | <code>[7.34375, 6.046875, 7.09765625, 6.46484375, 7.28515625, ...]</code> |
| <code>le thé oolong contient-il beaucoup de caféine ?</code> | <code>À poids donné, le thé contient plus de caféine que le café, mais cela ne veut pas dire qu'une portion habituelle de thé contient plus de caféine que le café car le thé est généralement infusé de manière faible. Certains types de thé, comme le thé oolong et le thé noir, contiennent plus de caféine que la plupart des autres thés. Parmi les six thés de base (vert, noir, jaune, blanc, oolong, foncé), le thé vert contient moins de caféine que le thé noir et le thé blanc en contient moins que le thé vert. Mais de nombreuses études ont révélé que la teneur en caféine varie davantage parmi les thés individuels que parmi les grandes catégories.</code> | <code>En fait, le thé oolong contient moins de caféine que le café et le thé noir. Une tasse de thé oolong ne contient qu'environ 1/3 de caféine d'une tasse de café. Selon une recherche menée par HICKS M.B, la caféine diminue chaque fois que les feuilles de thé passent par le processus d'infusion.</code> | <code>Le thé Oolong contient de la caféine. La caféine agit en stimulant le système nerveux central (SNC), le cœur et les muscles. Le thé Oolong contient également de la théophylline et de la théobromine, qui sont des produits chimiques similaires à la caféine. Trop de thé oolong, plus de cinq tasses par jour, peut provoquer des effets secondaires à cause de la caféine.</code> | <code>Le thé Oolong, fabriqué à partir de feuilles plus mûres, contient généralement moins de caféine que le thé vert. D'un autre côté, les feuilles mûres contiennent moins de théanine, un relaxant doux et naturel qui rend un thé beaucoup moins caféiné qu'il ne l'est en réalité. C'est en tout cas la théorie.</code> | <code>Le thé Oolong est un produit fabriqué à partir des feuilles, des bourgeons et des tiges de la plante Camellia sinensis. C'est la même plante qui est également utilisée pour faire du thé noir et du thé vert. La différence réside dans le traitement. Le thé Oolong est partiellement fermenté, le thé noir est entièrement fermenté et le thé vert n'est pas fermenté. Le thé Oolong est utilisé pour aiguiser les capacités de réflexion et améliorer la vigilance mentale. Il est également utilisé pour prévenir le cancer, la carie dentaire, l'ostéoporose et les maladies cardiaques. Cependant, ne buvez pas plus de 2 tasses de thé oolong par jour. Cette quantité de thé contient environ 200 mg de caféine. Trop de caféine pendant la grossesse peut provoquer un accouchement prématuré, un faible poids à la naissance et nuire au bébé.</code> | <code>Un rapport du Département des services nutritionnels fournit les plages de teneur en caféine suivantes pour une tasse de thé à base de feuilles en vrac : 1 Thé noir : 23 à 110 mg. 2 Thé Oolong : 12 - 55 mg. Thé vert : 8 - 36 mg.</code> | <code>Le thé Oolong est un produit fabriqué à partir des feuilles, des bourgeons et des tiges de la plante Camellia sinensis. C'est la même plante qui est également utilisée pour faire du thé noir et du thé vert. La différence réside dans le traitement. Le thé Oolong est partiellement fermenté, le thé noir est entièrement fermenté et le thé vert n'est pas fermenté. Le thé Oolong est utilisé pour aiguiser les capacités de réflexion et améliorer la vigilance mentale. Il est également utilisé pour prévenir le cancer, la carie dentaire, l'ostéoporose et les maladies cardiaques.</code> | <code>Effets du thé sur la santé – Caféine. Sous forme sèche, un kilogramme de thé noir contient deux fois plus de caféine qu'un kilogramme de café. Mais un kilogramme de thé noir fait environ 450 tasses de thé et un kilogramme de café fait environ 100 tasses de café, donc. Il y a moins de caféine dans une tasse de thé que dans une tasse de café. Les thés verts contiennent moins de caféine que les thés noirs et les thés blancs contiennent encore moins de caféine que les thés verts. Les thés Oolong se situent entre les thés noirs et verts. La tisane, parce qu'elle n'est pas fabriquée à partir du même théier, est naturellement sans caféine. Voici une représentation graphique de leur teneur respective en caféine.</code> | <code>La portion moyenne de 8 onces de thé noir infusé contient 14 à 70 mg de caféine. Cela se compare aux 24 à 45 mg de caféine contenus dans le thé vert. Un verre de 8 onces de thé glacé instantané préparé avec de l'eau contient 11 à 47 mg de caféine. La plupart des thés en bouteille prêts à boire contiennent de 5 à 40 mg de caféine. Tout comme le café, le thé décaféiné contient encore 5 à 10 mg de caféine par tasse.</code> | <code>[7.60546875, 8.78125, 9.109375, 8.609375, 7.984375, ...]</code> |
* Loss: [<code>SpladeLoss</code>](https://sbert.net/docs/package_reference/sparse_encoder/losses.html#spladeloss) with these parameters:
```json
{
"loss": "SparseMarginMSELoss",
"document_regularizer_weight": 0.1,
"query_regularizer_weight": 0.001
}
```
### Training Hyperparameters
#### Non-Default Hyperparameters
- `eval_strategy`: steps
- `per_device_train_batch_size`: 32
- `per_device_eval_batch_size`: 32
- `learning_rate`: 2e-05
- `num_train_epochs`: 10
- `warmup_ratio`: 0.05
- `save_safetensors`: False
- `bf16`: True
- `load_best_model_at_end`: True
#### All Hyperparameters
<details><summary>Click to expand</summary>
- `overwrite_output_dir`: False
- `do_predict`: False
- `eval_strategy`: steps
- `prediction_loss_only`: True
- `per_device_train_batch_size`: 32
- `per_device_eval_batch_size`: 32
- `per_gpu_train_batch_size`: None
- `per_gpu_eval_batch_size`: None
- `gradient_accumulation_steps`: 1
- `eval_accumulation_steps`: None
- `torch_empty_cache_steps`: None
- `learning_rate`: 2e-05
- `weight_decay`: 0.0
- `adam_beta1`: 0.9
- `adam_beta2`: 0.999
- `adam_epsilon`: 1e-08
- `max_grad_norm`: 1.0
- `num_train_epochs`: 10
- `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`: False
- `save_on_each_node`: False
- `save_only_model`: False
- `restore_callback_states_from_checkpoint`: False
- `no_cuda`: False
- `use_cpu`: False
- `use_mps_device`: False
- `seed`: 42
- `data_seed`: None
- `jit_mode_eval`: False
- `use_ipex`: False
- `bf16`: True
- `fp16`: False
- `fp16_opt_level`: O1
- `half_precision_backend`: auto
- `bf16_full_eval`: False
- `fp16_full_eval`: False
- `tf32`: None
- `local_rank`: 6
- `ddp_backend`: None
- `tpu_num_cores`: None
- `tpu_metrics_debug`: False
- `debug`: []
- `dataloader_drop_last`: True
- `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
- `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`: None
- `hub_always_push`: False
- `hub_revision`: None
- `gradient_checkpointing`: False
- `gradient_checkpointing_kwargs`: None
- `include_inputs_for_metrics`: False
- `include_for_metrics`: []
- `eval_do_concat_batches`: True
- `fp16_backend`: auto
- `push_to_hub_model_id`: None
- `push_to_hub_organization`: None
- `mp_parameters`:
- `auto_find_batch_size`: False
- `full_determinism`: False
- `torchdynamo`: None
- `ray_scope`: last
- `ddp_timeout`: 1800
- `torch_compile`: False
- `torch_compile_backend`: None
- `torch_compile_mode`: None
- `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
- `liger_kernel_config`: None
- `eval_use_gather_object`: False
- `average_tokens_across_devices`: False
- `prompts`: None
- `batch_sampler`: batch_sampler
- `multi_dataset_batch_sampler`: proportional
- `router_mapping`: {}
- `learning_rate_mapping`: {}
</details>
### Training Logs
<details><summary>Click to expand</summary>
| Epoch | Step | Training Loss | Validation Loss | NanoFrenchMSMARCO_dot_ndcg@10 | NanoFrenchNFCorpus_dot_ndcg@10 | NanoFrenchNQ_dot_ndcg@10 | FrenchNanoBEIR_mean_dot_ndcg@10 | frenchSTS-dev_spearman_cosine | NanoFrenchClimateFEVER_dot_ndcg@10 | NanoFrenchDBPedia_dot_ndcg@10 | NanoFrenchFEVER_dot_ndcg@10 | NanoFrenchFiQA2018_dot_ndcg@10 | NanoFrenchHotpotQA_dot_ndcg@10 | NanoFrenchQuoraRetrieval_dot_ndcg@10 | NanoFrenchSCIDOCS_dot_ndcg@10 | NanoFrenchArguAna_dot_ndcg@10 | NanoFrenchSciFact_dot_ndcg@10 | NanoFrenchTouche2020_dot_ndcg@10 |
|:-------:|:---------:|:-------------:|:---------------:|:-----------------------------:|:------------------------------:|:------------------------:|:-------------------------------:|:-----------------------------:|:----------------------------------:|:-----------------------------:|:---------------------------:|:------------------------------:|:------------------------------:|:------------------------------------:|:-----------------------------:|:-----------------------------:|:-----------------------------:|:--------------------------------:|
| 0.0265 | 50 | 20585153.28 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 0.0530 | 100 | 11265000.96 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 0.0794 | 150 | 2306957.76 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 0.1059 | 200 | 84727.93 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 0.1324 | 250 | 180.1091 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 0.1589 | 300 | 48.3599 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 0.1854 | 350 | 38.6951 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 0.2119 | 400 | 35.3894 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 0.2383 | 450 | 33.5967 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 0.2648 | 500 | 32.3302 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 0.2913 | 550 | 30.9431 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 0.3178 | 600 | 31.6018 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 0.3443 | 650 | 30.3047 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 0.3708 | 700 | 29.9156 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 0.3972 | 750 | 30.0303 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 0.4237 | 800 | 29.2744 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 0.4502 | 850 | 28.9374 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 0.4767 | 900 | 28.2462 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 0.5 | 944 | - | 26.5254 | 0.0358 | 0.0444 | 0.0388 | 0.0397 | 0.5166 | - | - | - | - | - | - | - | - | - | - |
| 0.5032 | 950 | 27.0688 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 0.5297 | 1000 | 24.0728 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 0.5561 | 1050 | 22.3726 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 0.5826 | 1100 | 21.433 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 0.6091 | 1150 | 19.8246 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 0.6356 | 1200 | 19.2238 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 0.6621 | 1250 | 18.3018 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 0.6886 | 1300 | 17.6265 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 0.7150 | 1350 | 17.0156 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 0.7415 | 1400 | 16.5841 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 0.7680 | 1450 | 16.1089 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 0.7945 | 1500 | 15.655 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 0.8210 | 1550 | 15.4634 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 0.8475 | 1600 | 15.161 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 0.8739 | 1650 | 15.0544 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 0.9004 | 1700 | 14.6081 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 0.9269 | 1750 | 15.0786 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 0.9534 | 1800 | 14.9494 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 0.9799 | 1850 | 14.4579 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 1.0 | 1888 | - | 14.3075 | 0.5355 | 0.3173 | 0.5006 | 0.4511 | 0.6189 | - | - | - | - | - | - | - | - | - | - |
| 1.0064 | 1900 | 14.3697 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 1.0328 | 1950 | 13.8919 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 1.0593 | 2000 | 13.6461 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 1.0858 | 2050 | 13.4206 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 1.1123 | 2100 | 13.3145 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 1.1388 | 2150 | 13.3614 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 1.1653 | 2200 | 13.5925 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 1.1917 | 2250 | 13.2236 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 1.2182 | 2300 | 13.0558 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 1.2447 | 2350 | 13.0191 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 1.2712 | 2400 | 12.8123 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 1.2977 | 2450 | 13.1506 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 1.3242 | 2500 | 12.5855 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 1.3506 | 2550 | 12.8401 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 1.3771 | 2600 | 12.7115 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 1.4036 | 2650 | 12.6968 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 1.4301 | 2700 | 12.7528 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 1.4566 | 2750 | 12.3611 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 1.4831 | 2800 | 12.462 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 1.5 | 2832 | - | 12.9295 | 0.5543 | 0.3243 | 0.4889 | 0.4559 | 0.6494 | - | - | - | - | - | - | - | - | - | - |
| 1.5095 | 2850 | 12.4375 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 1.5360 | 2900 | 12.3238 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 1.5625 | 2950 | 12.5061 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 1.5890 | 3000 | 12.0933 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 1.6155 | 3050 | 12.3678 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 1.6419 | 3100 | 12.2139 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 1.6684 | 3150 | 12.0209 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 1.6949 | 3200 | 12.1175 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 1.7214 | 3250 | 12.0454 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 1.7479 | 3300 | 12.2641 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 1.7744 | 3350 | 12.0314 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 1.8008 | 3400 | 12.0869 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 1.8273 | 3450 | 11.7578 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 1.8538 | 3500 | 11.6682 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 1.8803 | 3550 | 11.663 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 1.9068 | 3600 | 11.605 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 1.9333 | 3650 | 11.9347 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 1.9597 | 3700 | 11.8644 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 1.9862 | 3750 | 11.7347 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 2.0 | 3776 | - | 11.4723 | 0.5627 | 0.3087 | 0.5058 | 0.4591 | 0.6836 | - | - | - | - | - | - | - | - | - | - |
| 2.0127 | 3800 | 11.2564 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 2.0392 | 3850 | 11.121 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 2.0657 | 3900 | 11.1555 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 2.0922 | 3950 | 11.2267 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 2.1186 | 4000 | 11.1762 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 2.1451 | 4050 | 10.9489 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 2.1716 | 4100 | 10.8785 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 2.1981 | 4150 | 10.9404 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 2.2246 | 4200 | 10.6629 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 2.2511 | 4250 | 10.9971 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 2.2775 | 4300 | 10.7995 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 2.3040 | 4350 | 10.7151 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 2.3305 | 4400 | 10.8536 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 2.3570 | 4450 | 10.7067 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 2.3835 | 4500 | 10.5278 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 2.4100 | 4550 | 10.8879 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 2.4364 | 4600 | 10.6817 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 2.4629 | 4650 | 10.7279 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 2.4894 | 4700 | 10.7 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 2.5 | 4720 | - | 11.1667 | 0.5550 | 0.3122 | 0.5006 | 0.4559 | 0.6883 | - | - | - | - | - | - | - | - | - | - |
| 2.5159 | 4750 | 10.673 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 2.5424 | 4800 | 10.65 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 2.5689 | 4850 | 10.7306 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 2.5953 | 4900 | 10.5562 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 2.6218 | 4950 | 10.5366 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 2.6483 | 5000 | 10.343 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 2.6748 | 5050 | 10.5978 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 2.7013 | 5100 | 10.6023 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 2.7278 | 5150 | 10.4654 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 2.7542 | 5200 | 10.6042 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 2.7807 | 5250 | 10.3111 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 2.8072 | 5300 | 10.4856 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 2.8337 | 5350 | 10.4682 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 2.8602 | 5400 | 10.6341 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 2.8867 | 5450 | 10.2446 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 2.9131 | 5500 | 10.4203 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 2.9396 | 5550 | 10.2922 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 2.9661 | 5600 | 10.3565 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 2.9926 | 5650 | 10.3137 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 3.0 | 5664 | - | 10.6924 | 0.5612 | 0.3011 | 0.5067 | 0.4563 | 0.6900 | - | - | - | - | - | - | - | - | - | - |
| 3.0191 | 5700 | 9.9572 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 3.0456 | 5750 | 9.9094 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 3.0720 | 5800 | 9.7274 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 3.0985 | 5850 | 9.7687 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 3.125 | 5900 | 9.7412 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 3.1515 | 5950 | 9.821 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 3.1780 | 6000 | 9.9769 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 3.2044 | 6050 | 9.7785 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 3.2309 | 6100 | 9.8235 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 3.2574 | 6150 | 9.9859 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 3.2839 | 6200 | 9.7764 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 3.3104 | 6250 | 9.711 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 3.3369 | 6300 | 9.8058 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 3.3633 | 6350 | 9.6828 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 3.3898 | 6400 | 9.6186 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 3.4163 | 6450 | 9.7859 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 3.4428 | 6500 | 9.8609 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 3.4693 | 6550 | 9.66 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 3.4958 | 6600 | 9.6902 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 3.5 | 6608 | - | 10.3828 | 0.5686 | 0.3161 | 0.5154 | 0.4667 | 0.6925 | - | - | - | - | - | - | - | - | - | - |
| 3.5222 | 6650 | 9.8824 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 3.5487 | 6700 | 9.9114 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 3.5752 | 6750 | 9.72 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 3.6017 | 6800 | 9.6147 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 3.6282 | 6850 | 9.6893 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 3.6547 | 6900 | 9.6026 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 3.6811 | 6950 | 9.7258 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 3.7076 | 7000 | 9.6897 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 3.7341 | 7050 | 9.7605 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 3.7606 | 7100 | 9.8188 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 3.7871 | 7150 | 9.7393 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 3.8136 | 7200 | 9.6864 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 3.8400 | 7250 | 9.5516 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 3.8665 | 7300 | 9.7377 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 3.8930 | 7350 | 9.7195 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 3.9195 | 7400 | 9.6121 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 3.9460 | 7450 | 9.5348 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 3.9725 | 7500 | 9.7331 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 3.9989 | 7550 | 9.4919 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 4.0 | 7552 | - | 10.4966 | 0.5717 | 0.3125 | 0.5144 | 0.4662 | 0.6986 | - | - | - | - | - | - | - | - | - | - |
| 4.0254 | 7600 | 9.2328 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 4.0519 | 7650 | 9.1034 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 4.0784 | 7700 | 9.0662 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 4.1049 | 7750 | 9.1097 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 4.1314 | 7800 | 9.2953 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 4.1578 | 7850 | 9.0649 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 4.1843 | 7900 | 9.0018 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 4.2108 | 7950 | 9.2042 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 4.2373 | 8000 | 9.1724 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 4.2638 | 8050 | 9.3856 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 4.2903 | 8100 | 9.0011 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 4.3167 | 8150 | 9.1969 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 4.3432 | 8200 | 9.1748 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 4.3697 | 8250 | 9.2278 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 4.3962 | 8300 | 9.0954 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 4.4227 | 8350 | 9.1677 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 4.4492 | 8400 | 9.1277 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 4.4756 | 8450 | 9.0923 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 4.5 | 8496 | - | 10.2655 | 0.5452 | 0.3144 | 0.5188 | 0.4595 | 0.6893 | - | - | - | - | - | - | - | - | - | - |
| 4.5021 | 8500 | 8.9579 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 4.5286 | 8550 | 9.1938 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 4.5551 | 8600 | 8.9581 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 4.5816 | 8650 | 8.9727 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 4.6081 | 8700 | 9.1751 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 4.6345 | 8750 | 9.1457 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 4.6610 | 8800 | 9.1258 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 4.6875 | 8850 | 9.0139 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 4.7140 | 8900 | 9.1612 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 4.7405 | 8950 | 9.0908 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 4.7669 | 9000 | 9.2235 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 4.7934 | 9050 | 9.0383 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 4.8199 | 9100 | 9.0684 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 4.8464 | 9150 | 9.0305 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 4.8729 | 9200 | 9.1559 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 4.8994 | 9250 | 9.1019 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 4.9258 | 9300 | 9.0945 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 4.9523 | 9350 | 9.2617 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 4.9788 | 9400 | 9.1275 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 5.0 | 9440 | - | 10.2047 | 0.5741 | 0.3054 | 0.5114 | 0.4637 | 0.6940 | - | - | - | - | - | - | - | - | - | - |
| 5.0053 | 9450 | 9.0917 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 5.0318 | 9500 | 8.6781 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 5.0583 | 9550 | 8.7411 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 5.0847 | 9600 | 8.7691 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 5.1112 | 9650 | 8.7856 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 5.1377 | 9700 | 8.6335 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 5.1642 | 9750 | 8.6497 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 5.1907 | 9800 | 8.7253 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 5.2172 | 9850 | 8.6894 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 5.2436 | 9900 | 8.655 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 5.2701 | 9950 | 8.5979 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 5.2966 | 10000 | 8.8238 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 5.3231 | 10050 | 8.6513 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 5.3496 | 10100 | 8.5982 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 5.3761 | 10150 | 8.5238 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 5.4025 | 10200 | 8.6476 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 5.4290 | 10250 | 8.5382 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 5.4555 | 10300 | 8.6012 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 5.4820 | 10350 | 8.6721 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 5.5 | 10384 | - | 9.8953 | 0.5605 | 0.3006 | 0.5076 | 0.4562 | 0.6915 | - | - | - | - | - | - | - | - | - | - |
| 5.5085 | 10400 | 8.571 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 5.5350 | 10450 | 8.5379 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 5.5614 | 10500 | 8.7081 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 5.5879 | 10550 | 8.5968 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 5.6144 | 10600 | 8.6551 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 5.6409 | 10650 | 8.7252 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 5.6674 | 10700 | 8.6626 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 5.6939 | 10750 | 8.5618 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 5.7203 | 10800 | 8.5806 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 5.7468 | 10850 | 8.6908 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 5.7733 | 10900 | 8.7022 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 5.7998 | 10950 | 8.6895 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 5.8263 | 11000 | 8.5434 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 5.8528 | 11050 | 8.498 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 5.8792 | 11100 | 8.5912 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 5.9057 | 11150 | 8.592 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 5.9322 | 11200 | 8.4532 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 5.9587 | 11250 | 8.4555 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 5.9852 | 11300 | 8.4535 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 6.0 | 11328 | - | 10.2169 | 0.5648 | 0.3165 | 0.5345 | 0.4719 | 0.6920 | - | - | - | - | - | - | - | - | - | - |
| 6.0117 | 11350 | 8.4719 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 6.0381 | 11400 | 8.2625 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 6.0646 | 11450 | 8.2337 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 6.0911 | 11500 | 8.3047 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 6.1176 | 11550 | 8.0368 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 6.1441 | 11600 | 8.1572 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 6.1706 | 11650 | 8.2058 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 6.1970 | 11700 | 8.192 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 6.2235 | 11750 | 8.2659 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 6.25 | 11800 | 8.33 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 6.2765 | 11850 | 8.2533 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 6.3030 | 11900 | 8.2526 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 6.3294 | 11950 | 8.2337 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 6.3559 | 12000 | 8.1079 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 6.3824 | 12050 | 8.1821 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 6.4089 | 12100 | 8.1226 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 6.4354 | 12150 | 8.1514 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 6.4619 | 12200 | 8.1713 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 6.4883 | 12250 | 8.2378 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 6.5 | 12272 | - | 10.0649 | 0.5709 | 0.3053 | 0.5482 | 0.4748 | 0.6893 | - | - | - | - | - | - | - | - | - | - |
| 6.5148 | 12300 | 8.0695 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 6.5413 | 12350 | 8.1986 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 6.5678 | 12400 | 8.1587 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 6.5943 | 12450 | 8.2557 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 6.6208 | 12500 | 8.1228 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 6.6472 | 12550 | 8.279 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 6.6737 | 12600 | 8.2151 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 6.7002 | 12650 | 8.1151 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 6.7267 | 12700 | 8.1898 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 6.7532 | 12750 | 8.1375 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 6.7797 | 12800 | 8.1242 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 6.8061 | 12850 | 8.2169 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 6.8326 | 12900 | 8.1749 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 6.8591 | 12950 | 8.2333 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 6.8856 | 13000 | 8.1724 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 6.9121 | 13050 | 8.2678 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 6.9386 | 13100 | 8.1103 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 6.9650 | 13150 | 8.1765 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 6.9915 | 13200 | 8.2413 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| **7.0** | **13216** | **-** | **9.9677** | **0.5732** | **0.3151** | **0.5376** | **0.4753** | **0.6907** | **-** | **-** | **-** | **-** | **-** | **-** | **-** | **-** | **-** | **-** |
| 7.0180 | 13250 | 8.0602 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 7.0445 | 13300 | 7.9268 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 7.0710 | 13350 | 7.8492 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 7.0975 | 13400 | 7.873 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 7.1239 | 13450 | 7.8104 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 7.1504 | 13500 | 7.8069 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 7.1769 | 13550 | 7.8711 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 7.2034 | 13600 | 7.9415 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 7.2299 | 13650 | 7.8362 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 7.2564 | 13700 | 7.8548 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 7.2828 | 13750 | 8.0328 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 7.3093 | 13800 | 7.7839 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 7.3358 | 13850 | 8.0185 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 7.3623 | 13900 | 7.7499 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 7.3888 | 13950 | 7.7495 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 7.4153 | 14000 | 7.78 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 7.4417 | 14050 | 7.9537 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 7.4682 | 14100 | 7.7732 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 7.4947 | 14150 | 8.0151 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 7.5 | 14160 | - | 10.0770 | 0.5488 | 0.3023 | 0.5326 | 0.4612 | 0.6922 | - | - | - | - | - | - | - | - | - | - |
| 7.5212 | 14200 | 7.9773 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 7.5477 | 14250 | 7.8529 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 7.5742 | 14300 | 7.8516 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 7.6006 | 14350 | 7.8392 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 7.6271 | 14400 | 7.8694 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 7.6536 | 14450 | 7.81 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 7.6801 | 14500 | 7.8135 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 7.7066 | 14550 | 7.8381 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 7.7331 | 14600 | 7.8274 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 7.7595 | 14650 | 7.8996 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 7.7860 | 14700 | 7.9521 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 7.8125 | 14750 | 7.8602 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 7.8390 | 14800 | 7.7991 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 7.8655 | 14850 | 7.8749 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 7.8919 | 14900 | 7.8526 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 7.9184 | 14950 | 7.9223 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 7.9449 | 15000 | 7.8085 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 7.9714 | 15050 | 7.7155 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 7.9979 | 15100 | 7.7716 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 8.0 | 15104 | - | 9.6655 | 0.5645 | 0.3178 | 0.5260 | 0.4695 | 0.6834 | - | - | - | - | - | - | - | - | - | - |
| 8.0244 | 15150 | 7.676 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 8.0508 | 15200 | 7.6763 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 8.0773 | 15250 | 7.5887 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 8.1038 | 15300 | 7.6805 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 8.1303 | 15350 | 7.5132 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 8.1568 | 15400 | 7.667 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 8.1833 | 15450 | 7.6736 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 8.2097 | 15500 | 7.6701 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 8.2362 | 15550 | 7.6338 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 8.2627 | 15600 | 7.614 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 8.2892 | 15650 | 7.6809 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 8.3157 | 15700 | 7.5869 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 8.3422 | 15750 | 7.6026 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 8.3686 | 15800 | 7.591 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 8.3951 | 15850 | 7.6882 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 8.4216 | 15900 | 7.618 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 8.4481 | 15950 | 7.5739 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 8.4746 | 16000 | 7.6335 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 8.5 | 16048 | - | 9.7879 | 0.5581 | 0.3193 | 0.5175 | 0.4650 | 0.6900 | - | - | - | - | - | - | - | - | - | - |
| 8.5011 | 16050 | 7.5868 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 8.5275 | 16100 | 7.6953 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 8.5540 | 16150 | 7.7118 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 8.5805 | 16200 | 7.7616 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 8.6070 | 16250 | 7.6488 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 8.6335 | 16300 | 7.699 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 8.6600 | 16350 | 7.6458 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 8.6864 | 16400 | 7.6268 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 8.7129 | 16450 | 7.6369 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 8.7394 | 16500 | 7.6545 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 8.7659 | 16550 | 7.6275 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 8.7924 | 16600 | 7.6688 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 8.8189 | 16650 | 7.5292 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 8.8453 | 16700 | 7.55 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 8.8718 | 16750 | 7.5569 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 8.8983 | 16800 | 7.6241 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 8.9248 | 16850 | 7.6759 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 8.9513 | 16900 | 7.57 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 8.9778 | 16950 | 7.7519 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 9.0 | 16992 | - | 9.6003 | 0.5645 | 0.3059 | 0.5305 | 0.4669 | 0.6859 | - | - | - | - | - | - | - | - | - | - |
| 9.0042 | 17000 | 7.5168 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 9.0307 | 17050 | 7.411 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 9.0572 | 17100 | 7.4725 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 9.0837 | 17150 | 7.4097 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 9.1102 | 17200 | 7.4137 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 9.1367 | 17250 | 7.4579 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 9.1631 | 17300 | 7.574 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 9.1896 | 17350 | 7.5096 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 9.2161 | 17400 | 7.5514 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 9.2426 | 17450 | 7.4636 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 9.2691 | 17500 | 7.4688 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 9.2956 | 17550 | 7.4382 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 9.3220 | 17600 | 7.466 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 9.3485 | 17650 | 7.4373 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 9.375 | 17700 | 7.557 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 9.4015 | 17750 | 7.3284 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 9.4280 | 17800 | 7.4802 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 9.4544 | 17850 | 7.5567 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 9.4809 | 17900 | 7.4307 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 9.5 | 17936 | - | 9.6455 | 0.5686 | 0.3093 | 0.5271 | 0.4683 | 0.6879 | - | - | - | - | - | - | - | - | - | - |
| 9.5074 | 17950 | 7.4396 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 9.5339 | 18000 | 7.4247 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 9.5604 | 18050 | 7.3861 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 9.5869 | 18100 | 7.4271 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 9.6133 | 18150 | 7.4533 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 9.6398 | 18200 | 7.5677 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 9.6663 | 18250 | 7.4843 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 9.6928 | 18300 | 7.3962 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 9.7193 | 18350 | 7.4636 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 9.7458 | 18400 | 7.5062 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 9.7722 | 18450 | 7.3998 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 9.7987 | 18500 | 7.4292 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 9.8252 | 18550 | 7.4717 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 9.8517 | 18600 | 7.4908 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 9.8782 | 18650 | 7.5568 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 9.9047 | 18700 | 7.5348 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 9.9311 | 18750 | 7.5515 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 9.9576 | 18800 | 7.4388 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 9.9841 | 18850 | 7.5025 | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| 10.0 | 18880 | - | 9.6526 | 0.5673 | 0.3126 | 0.5328 | 0.4709 | 0.6870 | - | - | - | - | - | - | - | - | - | - |
| -1 | -1 | - | - | 0.5732 | 0.3151 | 0.5376 | 0.5463 | 0.6907 | 0.2253 | 0.5830 | 0.8065 | 0.4752 | 0.7469 | 0.8581 | 0.3312 | 0.3878 | 0.7312 | 0.5304 |
* The bold row denotes the saved checkpoint.
</details>
### Framework Versions
- Python: 3.13.3
- Sentence Transformers: 5.1.0.dev0
- Transformers: 4.53.1
- PyTorch: 2.7.1+cu126
- Accelerate: 1.8.1
- Datasets: 3.6.0
- Tokenizers: 0.21.2
## Citation
### BibTeX
#### Sentence Transformers
```bibtex
@inproceedings{reimers-2019-sentence-bert,
title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks",
author = "Reimers, Nils and Gurevych, Iryna",
booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing",
month = "11",
year = "2019",
publisher = "Association for Computational Linguistics",
url = "https://arxiv.org/abs/1908.10084",
}
```
#### SpladeLoss
```bibtex
@misc{formal2022distillationhardnegativesampling,
title={From Distillation to Hard Negative Sampling: Making Sparse Neural IR Models More Effective},
author={Thibault Formal and Carlos Lassance and Benjamin Piwowarski and Stéphane Clinchant},
year={2022},
eprint={2205.04733},
archivePrefix={arXiv},
primaryClass={cs.IR},
url={https://arxiv.org/abs/2205.04733},
}
```
#### SparseMarginMSELoss
```bibtex
@misc{hofstätter2021improving,
title={Improving Efficient Neural Ranking Models with Cross-Architecture Knowledge Distillation},
author={Sebastian Hofstätter and Sophia Althammer and Michael Schröder and Mete Sertkan and Allan Hanbury},
year={2021},
eprint={2010.02666},
archivePrefix={arXiv},
primaryClass={cs.IR}
}
```
#### FlopsLoss
```bibtex
@article{paria2020minimizing,
title={Minimizing flops to learn efficient sparse representations},
author={Paria, Biswajit and Yeh, Chih-Kuan and Yen, Ian EH and Xu, Ning and Ravikumar, Pradeep and P{'o}czos, Barnab{'a}s},
journal={arXiv preprint arXiv:2004.05665},
year={2020}
}
```
<!--
## Glossary
*Clearly define terms in order to be accessible across audiences.*
-->
<!--
## Model Card Authors
*Lists the people who create the model card, providing recognition and accountability for the detailed work that goes into its construction.*
-->
<!--
## Model Card Contact
*Provides a way for people who have updates to the Model Card, suggestions, or questions, to contact the Model Card authors.*
--> |