---
language:
- en
- multilingual
- ar
- bg
- ca
- cs
- da
- de
- el
- es
- et
- fa
- fi
- fr
- gl
- gu
- he
- hi
- hr
- hu
- hy
- id
- it
- ja
- ka
- ko
- ku
- lt
- lv
- mk
- mn
- mr
- ms
- my
- nb
- nl
- pl
- pt
- ro
- ru
- sk
- sl
- sq
- sr
- sv
- th
- tr
- uk
- ur
- vi
- zh
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:7030944
- loss:MSELoss
base_model: sentence-transformers/all-MiniLM-L6-v2
widget:
- source_sentence: We got off the exit, we found a Shoney's restaurant.
sentences:
- Nos alejamos de la salida, comenzamos a buscar un -- encontramos un restaurante
Shoney's.
- Podemos incorporar un elemento tal de inteligencia de adaptación al modelo suponiendo
que el cerebro de la mosca contiene no sólo un Actor, sino un grupo diferente
de células, una Crítica, que ofrece comentarios continuos sobre la elección del
Actor.
- Segundo, un esfuerzo diplomático internacional obstaculizado desde el principio
por el apoyo occidental a la independencia de Kosovo.
- source_sentence: And the USFDA has a jurisdictional problem.
sentences:
- E a FDA dos Estados Unidos tem um problema de jurisdição.
- Eu estimei que, atualmente no mundo, gastamos cerca de 106 vidas em média ensinando
as pessoas a calcular manualmente.
- Posso comprar aquele produto sem comprometer minha ética?
- source_sentence: In Sri Lanka, a decades-long civil war between the Tamil minority
and the Sinhala majority led to a bloody climax in 2009, after perhaps as many
as 100,000 people had been killed since 1983.
sentences:
- Portanto, temos de investir no desenvolvimento de líderes, líderes que tenham
as habilidades, visão e determinação para fazer a paz.
- No Sri Lanka, uma guerra civil de décadas entre a minoria tâmil e a maioria cingalesa
levou a um clímax sangrento em 2009, após cerca de 100 mil pessoas serem assassinadas
desde 1983.
- Nos anos 90, houve uma série de escândalos relativos à produção de bens de marca
nos EUA -- trabalho infantil, trabalho forçado, graves abusos de saúde e segurança
--
- source_sentence: The provisions in the agreement may be complex, but so is the underlying
conflict.
sentences:
- As saladas que você vê no McDonald's vêm desse trabalho -- eles terão uma salada
asiática. Na Pepsi, dois terços do crescimento de rendimento vieram de seus alimentos
saudáveis.
- Não apenas esta, mas conectados com as idéias que estão aqui, para fazê-las mais
coerentes.
- O disposto no acordo pode ser complexo, mas assim é o conflito subjacente.
- source_sentence: So what's the problem, why has this chasm opened up, and what can
we do to fix it?
sentences:
- '(Risos) Ela anotou o nosso pedido e foi atender um casal numa mesa próxima. Baixou
tanto a voz que tive de fazer um grande esforço para perceber o que ela disse:'
- Então qual é o problema? Por que se abriu este abismo, e o que podemos fazer para
o resolver?
- O que o design e a construção oferecem ao ensino público
datasets:
- sentence-transformers/parallel-sentences-talks
pipeline_tag: sentence-similarity
library_name: sentence-transformers
metrics:
- negative_mse
- src2trg_accuracy
- trg2src_accuracy
- mean_accuracy
- pearson_cosine
- spearman_cosine
model-index:
- name: SentenceTransformer based on sentence-transformers/all-MiniLM-L6-v2
results:
- task:
type: knowledge-distillation
name: Knowledge Distillation
dataset:
name: en pt br
type: en-pt-br
metrics:
- type: negative_mse
value: -0.09910417720675468
name: Negative Mse
- task:
type: translation
name: Translation
dataset:
name: en pt br
type: en-pt-br
metrics:
- type: src2trg_accuracy
value: 0.9858870967741935
name: Src2Trg Accuracy
- type: trg2src_accuracy
value: 0.9798387096774194
name: Trg2Src Accuracy
- type: mean_accuracy
value: 0.9828629032258065
name: Mean Accuracy
- task:
type: knowledge-distillation
name: Knowledge Distillation
dataset:
name: en es
type: en-es
metrics:
- type: negative_mse
value: -0.11002387618646026
name: Negative Mse
- task:
type: translation
name: Translation
dataset:
name: en es
type: en-es
metrics:
- type: src2trg_accuracy
value: 0.9114114114114115
name: Src2Trg Accuracy
- type: trg2src_accuracy
value: 0.9046046046046046
name: Trg2Src Accuracy
- type: mean_accuracy
value: 0.908008008008008
name: Mean Accuracy
- task:
type: semantic-similarity
name: Semantic Similarity
dataset:
name: sts17 es en test
type: sts17-es-en-test
metrics:
- type: pearson_cosine
value: 0.7503648543305256
name: Pearson Cosine
- type: spearman_cosine
value: 0.7603319152155739
name: Spearman Cosine
- task:
type: knowledge-distillation
name: Knowledge Distillation
dataset:
name: en pt
type: en-pt
metrics:
- type: negative_mse
value: -0.11425713310018182
name: Negative Mse
- task:
type: translation
name: Translation
dataset:
name: en pt
type: en-pt
metrics:
- type: src2trg_accuracy
value: 0.8921136909527622
name: Src2Trg Accuracy
- type: trg2src_accuracy
value: 0.8818054443554844
name: Trg2Src Accuracy
- type: mean_accuracy
value: 0.8869595676541233
name: Mean Accuracy
---
# SentenceTransformer based on sentence-transformers/all-MiniLM-L6-v2
This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [sentence-transformers/all-MiniLM-L6-v2](https://huggingface.co/sentence-transformers/all-MiniLM-L6-v2) on the [en-pt-br](https://huggingface.co/datasets/sentence-transformers/parallel-sentences-talks), en-es and en-pt datasets. It maps sentences & paragraphs to a 384-dimensional dense vector space and can be used for semantic textual similarity, semantic search, paraphrase mining, text classification, clustering, and more.
## Model Details
### Model Description
- **Model Type:** Sentence Transformer
- **Base model:** [sentence-transformers/all-MiniLM-L6-v2](https://huggingface.co/sentence-transformers/all-MiniLM-L6-v2)
- **Maximum Sequence Length:** 256 tokens
- **Output Dimensionality:** 384 dimensions
- **Similarity Function:** Cosine Similarity
- **Training Datasets:**
- [en-pt-br](https://huggingface.co/datasets/sentence-transformers/parallel-sentences-talks)
- en-es
- en-pt
- **Languages:** en, multilingual, ar, bg, ca, cs, da, de, el, es, et, fa, fi, fr, gl, gu, he, hi, hr, hu, hy, id, it, ja, ka, ko, ku, lt, lv, mk, mn, mr, ms, my, nb, nl, pl, pt, ro, ru, sk, sl, sq, sr, sv, th, tr, uk, ur, vi, zh
### Model Sources
- **Documentation:** [Sentence Transformers Documentation](https://sbert.net)
- **Repository:** [Sentence Transformers on GitHub](https://github.com/UKPLab/sentence-transformers)
- **Hugging Face:** [Sentence Transformers on Hugging Face](https://huggingface.co/models?library=sentence-transformers)
### Full Model Architecture
```
SentenceTransformer(
(0): Transformer({'max_seq_length': 256, 'do_lower_case': False}) with Transformer model: BertModel
(1): Pooling({'word_embedding_dimension': 384, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
(2): Normalize()
)
```
## Usage
### Direct Usage (Sentence Transformers)
First install the Sentence Transformers library:
```bash
pip install -U sentence-transformers
```
Then you can load this model and run inference.
```python
from sentence_transformers import SentenceTransformer
# Download from the 🤗 Hub
model = SentenceTransformer("jvanhoof/all-MiniLM-L6-multilingual-v2-en-es-pt-pt-br")
# Run inference
sentences = [
"So what's the problem, why has this chasm opened up, and what can we do to fix it?",
'Então qual é o problema? Por que se abriu este abismo, e o que podemos fazer para o resolver?',
'O que o design e a construção oferecem ao ensino público',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 384]
# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]
```
## Evaluation
### Metrics
#### Knowledge Distillation
* Datasets: `en-pt-br`, `en-es` and `en-pt`
* Evaluated with [MSEEvaluator](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.MSEEvaluator)
| Metric | en-pt-br | en-es | en-pt |
|:-----------------|:------------|:----------|:------------|
| **negative_mse** | **-0.0991** | **-0.11** | **-0.1143** |
#### Translation
* Datasets: `en-pt-br`, `en-es` and `en-pt`
* Evaluated with [TranslationEvaluator](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.TranslationEvaluator)
| Metric | en-pt-br | en-es | en-pt |
|:------------------|:-----------|:----------|:----------|
| src2trg_accuracy | 0.9859 | 0.9114 | 0.8921 |
| trg2src_accuracy | 0.9798 | 0.9046 | 0.8818 |
| **mean_accuracy** | **0.9829** | **0.908** | **0.887** |
#### Semantic Similarity
* Dataset: `sts17-es-en-test`
* Evaluated with [EmbeddingSimilarityEvaluator](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.EmbeddingSimilarityEvaluator)
| Metric | Value |
|:--------------------|:-----------|
| pearson_cosine | 0.7504 |
| **spearman_cosine** | **0.7603** |
## Training Details
### Training Datasets
#### en-pt-br
* Dataset: [en-pt-br](https://huggingface.co/datasets/sentence-transformers/parallel-sentences-talks) at [0c70bc6](https://huggingface.co/datasets/sentence-transformers/parallel-sentences-talks/tree/0c70bc6714efb1df12f8a16b9056e4653563d128)
* Size: 405,807 training samples
* Columns: english, non_english, and label
* Approximate statistics based on the first 1000 samples:
| | english | non_english | label |
|:--------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-------------------------------------|
| type | string | string | list |
| details | - min: 4 tokens
- mean: 24.11 tokens
- max: 256 tokens
| - min: 6 tokens
- mean: 37.01 tokens
- max: 256 tokens
| |
* Samples:
| english | non_english | label |
|:-------------------------------------------------------------------------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------|
| And then there are certain conceptual things that can also benefit from hand calculating, but I think they're relatively small in number. | E também existem alguns aspectos conceituais que também podem se beneficiar do cálculo manual, mas eu acho que eles são relativamente poucos. | [-0.0019007200608029962, 0.0689753070473671, -0.00522591220214963, 0.020715437829494476, -0.07340357452630997, ...] |
| One thing I often ask about is ancient Greek and how this relates. | Uma coisa sobre a qual eu pergunto com frequencia é grego antigo e como ele se relaciona a isto. | [0.06295035779476166, 0.07436762005090714, 0.012160283513367176, 0.016489440575242043, -0.04803427681326866, ...] |
| See, the thing we're doing right now is we're forcing people to learn mathematics. | Vejam, o que estamos fazendo agora, é que estamos forçando as pessoas a aprender matemática. | [0.020892487838864326, 0.04348783195018768, 0.04366326704621315, 0.006932021584361792, -0.014990451745688915, ...] |
* Loss: [MSELoss](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#mseloss)
#### en-es
* Dataset: en-es
* Size: 3,439,042 training samples
* Columns: english, non_english, and label
* Approximate statistics based on the first 1000 samples:
| | english | non_english | label |
|:--------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-------------------------------------|
| type | string | string | list |
| details | - min: 4 tokens
- mean: 24.16 tokens
- max: 256 tokens
| - min: 5 tokens
- mean: 35.26 tokens
- max: 256 tokens
| |
* Samples:
| english | non_english | label |
|:-------------------------------------------------------------------------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------------------------------------------------------|
| And then there are certain conceptual things that can also benefit from hand calculating, but I think they're relatively small in number. | Y luego hay ciertas aspectos conceptuales que pueden beneficiarse del cálculo a mano pero creo que son relativamente pocos. | [-0.0019007298396900296, 0.06897532939910889, -0.005225935019552708, 0.020715486258268356, -0.07340355962514877, ...] |
| One thing I often ask about is ancient Greek and how this relates. | Algo que pregunto a menudo es sobre el griego antiguo y cómo se relaciona. | [0.06295035779476166, 0.07436762005090714, 0.012160283513367176, 0.016489440575242043, -0.04803427681326866, ...] |
| See, the thing we're doing right now is we're forcing people to learn mathematics. | Vean, lo que estamos haciendo ahora es forzar a la gente a aprender matemáticas. | [0.020892487838864326, 0.04348784685134888, 0.043663300573825836, 0.0069320122711360455, -0.014990522526204586, ...] |
* Loss: [MSELoss](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#mseloss)
#### en-pt
* Dataset: en-pt
* Size: 3,186,095 training samples
* Columns: english, non_english, and label
* Approximate statistics based on the first 1000 samples:
| | english | non_english | label |
|:--------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-------------------------------------|
| type | string | string | list |
| details | - min: 4 tokens
- mean: 23.63 tokens
- max: 256 tokens
| - min: 5 tokens
- mean: 35.37 tokens
- max: 256 tokens
| |
* Samples:
| english | non_english | label |
|:-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------|
| And the country that does this first will, in my view, leapfrog others in achieving a new economy even, an improved economy, an improved outlook. | E o país que fizer isto primeiro vai, na minha opinião, ultrapassar outros em alcançar uma nova economia até uma economia melhorada, uma visão melhorada. | [-0.048315733671188354, 0.006750611122697592, 0.04261479899287224, -0.0639658197760582, 0.036691851913928986, ...] |
| In fact, I even talk about us moving from what we often call now the "knowledge economy" to what we might call a "computational knowledge economy," where high-level math is integral to what everyone does in the way that knowledge currently is. | De facto, eu até falo de mudarmos do que chamamos hoje a economia do conhecimento para o que poderemos chamar a economia do conhecimento computacional, onde a matemática de alto nível está integrada no que toda a gente faz da forma que o conhecimento actualmente está. | [0.07536645978689194, 0.016234878450632095, 0.018208693712949753, 0.012537049129605293, -0.016377247869968414, ...] |
| We can engage so many more students with this, and they can have a better time doing it. | Podemos cativar tantos mais estudantes com isto, e eles podem divertir-se mais a fazê-lo. | [0.046284060925245285, 0.034320130944252014, 0.05807732418179512, -0.059097982943058014, 0.01139863021671772, ...] |
* Loss: [MSELoss](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#mseloss)
### Evaluation Datasets
#### en-pt-br
* Dataset: [en-pt-br](https://huggingface.co/datasets/sentence-transformers/parallel-sentences-talks) at [0c70bc6](https://huggingface.co/datasets/sentence-transformers/parallel-sentences-talks/tree/0c70bc6714efb1df12f8a16b9056e4653563d128)
* Size: 992 evaluation samples
* Columns: english, non_english, and label
* Approximate statistics based on the first 992 samples:
| | english | non_english | label |
|:--------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-------------------------------------|
| type | string | string | list |
| details | - min: 4 tokens
- mean: 24.47 tokens
- max: 191 tokens
| - min: 5 tokens
- mean: 39.01 tokens
- max: 256 tokens
| |
* Samples:
| english | non_english | label |
|:-----------------------------------------------------------------------------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------|
| Thank you so much, Chris. | Muito obrigado, Chris. | [0.026920655742287636, 0.053147971630096436, 0.14048898220062256, -0.10380183160305023, -0.041187822818756104, ...] |
| And it's truly a great honor to have the opportunity to come to this stage twice; I'm extremely grateful. | É realmente uma grande honra ter a oportunidade de estar neste palco pela segunda vez. Estou muito agradecido. | [0.024387279525399208, 0.0950012058019638, 0.12180330604314804, -0.07149265706539154, -0.018444526940584183, ...] |
| I have been blown away by this conference, and I want to thank all of you for the many nice comments about what I had to say the other night. | Eu fui muito aplaudido por esta conferência e quero agradecer a todos pelos muitos comentários delicados sobre o que eu tinha a dizer naquela noite. | [0.015005475841462612, 0.014678296633064747, 0.1311199963092804, 0.03133270516991615, 0.06942538917064667, ...] |
* Loss: [MSELoss](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#mseloss)
#### en-es
* Dataset: en-es
* Size: 9,990 evaluation samples
* Columns: english, non_english, and label
* Approximate statistics based on the first 1000 samples:
| | english | non_english | label |
|:--------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-------------------------------------|
| type | string | string | list |
| details | - min: 4 tokens
- mean: 24.52 tokens
- max: 191 tokens
| - min: 4 tokens
- mean: 36.77 tokens
- max: 252 tokens
| |
* Samples:
| english | non_english | label |
|:-----------------------------------------------------------------------------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------|
| Thank you so much, Chris. | Muchas gracias Chris. | [0.026920655742287636, 0.053147971630096436, 0.14048898220062256, -0.10380183160305023, -0.041187822818756104, ...] |
| And it's truly a great honor to have the opportunity to come to this stage twice; I'm extremely grateful. | Y es en verdad un gran honor tener la oportunidad de venir a este escenario por segunda vez. Estoy extremadamente agradecido. | [0.024387288838624954, 0.09500124305486679, 0.12180333584547043, -0.07149265706539154, -0.018444539979100227, ...] |
| I have been blown away by this conference, and I want to thank all of you for the many nice comments about what I had to say the other night. | He quedado conmovido por esta conferencia, y deseo agradecer a todos ustedes sus amables comentarios acerca de lo que tenía que decir la otra noche. | [0.015005475841462612, 0.014678296633064747, 0.1311199963092804, 0.03133270516991615, 0.06942538917064667, ...] |
* Loss: [MSELoss](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#mseloss)
#### en-pt
* Dataset: en-pt
* Size: 9,992 evaluation samples
* Columns: english, non_english, and label
* Approximate statistics based on the first 1000 samples:
| | english | non_english | label |
|:--------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-------------------------------------|
| type | string | string | list |
| details | - min: 4 tokens
- mean: 24.01 tokens
- max: 191 tokens
| - min: 5 tokens
- mean: 37.14 tokens
- max: 256 tokens
| |
* Samples:
| english | non_english | label |
|:-----------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------------------------------------------------|
| Thank you so much, Chris. | Muito obrigado, Chris. | [0.02692059800028801, 0.053147926926612854, 0.14048898220062256, -0.10380185395479202, -0.041187841445207596, ...] |
| And it's truly a great honor to have the opportunity to come to this stage twice; I'm extremely grateful. | É realmente uma grande honra ter a oportunidade de pisar este palco pela segunda vez. Estou muito agradecido. | [0.024387234821915627, 0.09500119835138321, 0.12180334329605103, -0.07149267196655273, -0.018444577232003212, ...] |
| I have been blown away by this conference, and I want to thank all of you for the many nice comments about what I had to say the other night. | Fiquei muito impressionado com esta conferência e quero agradecer a todos os imensos comentários simpáticos sobre o que eu tinha a dizer naquela noite. | [0.015005475841462612, 0.014678296633064747, 0.1311199963092804, 0.03133270516991615, 0.06942538917064667, ...] |
* Loss: [MSELoss](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#mseloss)
### Training Hyperparameters
#### Non-Default Hyperparameters
- `eval_strategy`: steps
- `per_device_train_batch_size`: 64
- `per_device_eval_batch_size`: 64
- `gradient_accumulation_steps`: 16
- `num_train_epochs`: 6
- `warmup_ratio`: 0.15
- `bf16`: True
#### All Hyperparameters
Click to expand
- `overwrite_output_dir`: False
- `do_predict`: False
- `eval_strategy`: steps
- `prediction_loss_only`: True
- `per_device_train_batch_size`: 64
- `per_device_eval_batch_size`: 64
- `per_gpu_train_batch_size`: None
- `per_gpu_eval_batch_size`: None
- `gradient_accumulation_steps`: 16
- `eval_accumulation_steps`: None
- `torch_empty_cache_steps`: None
- `learning_rate`: 5e-05
- `weight_decay`: 0.0
- `adam_beta1`: 0.9
- `adam_beta2`: 0.999
- `adam_epsilon`: 1e-08
- `max_grad_norm`: 1.0
- `num_train_epochs`: 6
- `max_steps`: -1
- `lr_scheduler_type`: linear
- `lr_scheduler_kwargs`: {}
- `warmup_ratio`: 0.15
- `warmup_steps`: 0
- `log_level`: passive
- `log_level_replica`: warning
- `log_on_each_node`: True
- `logging_nan_inf_filter`: True
- `save_safetensors`: True
- `save_on_each_node`: False
- `save_only_model`: False
- `restore_callback_states_from_checkpoint`: False
- `no_cuda`: False
- `use_cpu`: False
- `use_mps_device`: False
- `seed`: 42
- `data_seed`: None
- `jit_mode_eval`: False
- `use_ipex`: False
- `bf16`: True
- `fp16`: False
- `fp16_opt_level`: O1
- `half_precision_backend`: auto
- `bf16_full_eval`: False
- `fp16_full_eval`: False
- `tf32`: None
- `local_rank`: 0
- `ddp_backend`: None
- `tpu_num_cores`: None
- `tpu_metrics_debug`: False
- `debug`: []
- `dataloader_drop_last`: False
- `dataloader_num_workers`: 0
- `dataloader_prefetch_factor`: None
- `past_index`: -1
- `disable_tqdm`: False
- `remove_unused_columns`: True
- `label_names`: None
- `load_best_model_at_end`: False
- `ignore_data_skip`: False
- `fsdp`: []
- `fsdp_min_num_params`: 0
- `fsdp_config`: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
- `fsdp_transformer_layer_cls_to_wrap`: None
- `accelerator_config`: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}
- `deepspeed`: None
- `label_smoothing_factor`: 0.0
- `optim`: adamw_torch
- `optim_args`: None
- `adafactor`: False
- `group_by_length`: False
- `length_column_name`: length
- `ddp_find_unused_parameters`: None
- `ddp_bucket_cap_mb`: None
- `ddp_broadcast_buffers`: False
- `dataloader_pin_memory`: True
- `dataloader_persistent_workers`: False
- `skip_memory_metrics`: True
- `use_legacy_prediction_loop`: False
- `push_to_hub`: False
- `resume_from_checkpoint`: None
- `hub_model_id`: None
- `hub_strategy`: every_save
- `hub_private_repo`: False
- `hub_always_push`: False
- `gradient_checkpointing`: False
- `gradient_checkpointing_kwargs`: None
- `include_inputs_for_metrics`: False
- `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
- `dispatch_batches`: None
- `split_batches`: None
- `include_tokens_per_second`: False
- `include_num_input_tokens_seen`: False
- `neftune_noise_alpha`: None
- `optim_target_modules`: None
- `batch_eval_metrics`: False
- `eval_on_start`: False
- `use_liger_kernel`: False
- `eval_use_gather_object`: False
- `average_tokens_across_devices`: False
- `prompts`: None
- `batch_sampler`: batch_sampler
- `multi_dataset_batch_sampler`: proportional
Click to expand
| Epoch | Step | Training Loss | en-pt-br loss | en-es loss | en-pt loss | en-pt-br_negative_mse | en-pt-br_mean_accuracy | en-es_negative_mse | en-es_mean_accuracy | sts17-es-en-test_spearman_cosine | en-pt_negative_mse | en-pt_mean_accuracy |
|:------:|:-----:|:-------------:|:-------------:|:----------:|:----------:|:---------------------:|:----------------------:|:------------------:|:-------------------:|:--------------------------------:|:------------------:|:-------------------:|
| 0.0146 | 100 | 0.0033 | - | - | - | - | - | - | - | - | - | - |
| 0.0291 | 200 | 0.0031 | - | - | - | - | - | - | - | - | - | - |
| 0.0437 | 300 | 0.0028 | - | - | - | - | - | - | - | - | - | - |
| 0.0583 | 400 | 0.0027 | - | - | - | - | - | - | - | - | - | - |
| 0.0728 | 500 | 0.0026 | - | - | - | - | - | - | - | - | - | - |
| 0.0874 | 600 | 0.0025 | - | - | - | - | - | - | - | - | - | - |
| 0.1019 | 700 | 0.0024 | - | - | - | - | - | - | - | - | - | - |
| 0.1165 | 800 | 0.0024 | - | - | - | - | - | - | - | - | - | - |
| 0.1311 | 900 | 0.0023 | - | - | - | - | - | - | - | - | - | - |
| 0.1456 | 1000 | 0.0022 | - | - | - | - | - | - | - | - | - | - |
| 0.1602 | 1100 | 0.0022 | - | - | - | - | - | - | - | - | - | - |
| 0.1748 | 1200 | 0.0021 | - | - | - | - | - | - | - | - | - | - |
| 0.1893 | 1300 | 0.0021 | - | - | - | - | - | - | - | - | - | - |
| 0.2039 | 1400 | 0.0021 | - | - | - | - | - | - | - | - | - | - |
| 0.2185 | 1500 | 0.002 | - | - | - | - | - | - | - | - | - | - |
| 0.2330 | 1600 | 0.002 | - | - | - | - | - | - | - | - | - | - |
| 0.2476 | 1700 | 0.0019 | - | - | - | - | - | - | - | - | - | - |
| 0.2622 | 1800 | 0.0019 | - | - | - | - | - | - | - | - | - | - |
| 0.2767 | 1900 | 0.0019 | - | - | - | - | - | - | - | - | - | - |
| 0.2913 | 2000 | 0.0018 | 0.0017 | 0.0017 | 0.0017 | -0.2294 | 0.7319 | -0.2300 | 0.6270 | 0.2838 | -0.2356 | 0.5901 |
| 0.3058 | 2100 | 0.0018 | - | - | - | - | - | - | - | - | - | - |
| 0.3204 | 2200 | 0.0018 | - | - | - | - | - | - | - | - | - | - |
| 0.3350 | 2300 | 0.0017 | - | - | - | - | - | - | - | - | - | - |
| 0.3495 | 2400 | 0.0017 | - | - | - | - | - | - | - | - | - | - |
| 0.3641 | 2500 | 0.0017 | - | - | - | - | - | - | - | - | - | - |
| 0.3787 | 2600 | 0.0017 | - | - | - | - | - | - | - | - | - | - |
| 0.3932 | 2700 | 0.0017 | - | - | - | - | - | - | - | - | - | - |
| 0.4078 | 2800 | 0.0016 | - | - | - | - | - | - | - | - | - | - |
| 0.4224 | 2900 | 0.0016 | - | - | - | - | - | - | - | - | - | - |
| 0.4369 | 3000 | 0.0016 | - | - | - | - | - | - | - | - | - | - |
| 0.4515 | 3100 | 0.0016 | - | - | - | - | - | - | - | - | - | - |
| 0.4660 | 3200 | 0.0015 | - | - | - | - | - | - | - | - | - | - |
| 0.4806 | 3300 | 0.0015 | - | - | - | - | - | - | - | - | - | - |
| 0.4952 | 3400 | 0.0015 | - | - | - | - | - | - | - | - | - | - |
| 0.5097 | 3500 | 0.0015 | - | - | - | - | - | - | - | - | - | - |
| 0.5243 | 3600 | 0.0015 | - | - | - | - | - | - | - | - | - | - |
| 0.5389 | 3700 | 0.0015 | - | - | - | - | - | - | - | - | - | - |
| 0.5534 | 3800 | 0.0014 | - | - | - | - | - | - | - | - | - | - |
| 0.5680 | 3900 | 0.0014 | - | - | - | - | - | - | - | - | - | - |
| 0.5826 | 4000 | 0.0014 | 0.0012 | 0.0013 | 0.0013 | -0.1733 | 0.9214 | -0.1805 | 0.8074 | 0.4249 | -0.1861 | 0.7836 |
| 0.5971 | 4100 | 0.0014 | - | - | - | - | - | - | - | - | - | - |
| 0.6117 | 4200 | 0.0014 | - | - | - | - | - | - | - | - | - | - |
| 0.6263 | 4300 | 0.0014 | - | - | - | - | - | - | - | - | - | - |
| 0.6408 | 4400 | 0.0014 | - | - | - | - | - | - | - | - | - | - |
| 0.6554 | 4500 | 0.0013 | - | - | - | - | - | - | - | - | - | - |
| 0.6699 | 4600 | 0.0013 | - | - | - | - | - | - | - | - | - | - |
| 0.6845 | 4700 | 0.0013 | - | - | - | - | - | - | - | - | - | - |
| 0.6991 | 4800 | 0.0013 | - | - | - | - | - | - | - | - | - | - |
| 0.7136 | 4900 | 0.0013 | - | - | - | - | - | - | - | - | - | - |
| 0.7282 | 5000 | 0.0013 | - | - | - | - | - | - | - | - | - | - |
| 0.7428 | 5100 | 0.0013 | - | - | - | - | - | - | - | - | - | - |
| 0.7573 | 5200 | 0.0013 | - | - | - | - | - | - | - | - | - | - |
| 0.7719 | 5300 | 0.0013 | - | - | - | - | - | - | - | - | - | - |
| 0.7865 | 5400 | 0.0013 | - | - | - | - | - | - | - | - | - | - |
| 0.8010 | 5500 | 0.0012 | - | - | - | - | - | - | - | - | - | - |
| 0.8156 | 5600 | 0.0012 | - | - | - | - | - | - | - | - | - | - |
| 0.8301 | 5700 | 0.0012 | - | - | - | - | - | - | - | - | - | - |
| 0.8447 | 5800 | 0.0012 | - | - | - | - | - | - | - | - | - | - |
| 0.8593 | 5900 | 0.0012 | - | - | - | - | - | - | - | - | - | - |
| 0.8738 | 6000 | 0.0012 | 0.0010 | 0.0010 | 0.0011 | -0.1443 | 0.9617 | -0.1538 | 0.8627 | 0.5948 | -0.1587 | 0.8420 |
| 0.8884 | 6100 | 0.0012 | - | - | - | - | - | - | - | - | - | - |
| 0.9030 | 6200 | 0.0012 | - | - | - | - | - | - | - | - | - | - |
| 0.9175 | 6300 | 0.0012 | - | - | - | - | - | - | - | - | - | - |
| 0.9321 | 6400 | 0.0012 | - | - | - | - | - | - | - | - | - | - |
| 0.9467 | 6500 | 0.0012 | - | - | - | - | - | - | - | - | - | - |
| 0.9612 | 6600 | 0.0012 | - | - | - | - | - | - | - | - | - | - |
| 0.9758 | 6700 | 0.0012 | - | - | - | - | - | - | - | - | - | - |
| 0.9904 | 6800 | 0.0011 | - | - | - | - | - | - | - | - | - | - |
| 1.0049 | 6900 | 0.0011 | - | - | - | - | - | - | - | - | - | - |
| 1.0195 | 7000 | 0.0011 | - | - | - | - | - | - | - | - | - | - |
| 1.0340 | 7100 | 0.0011 | - | - | - | - | - | - | - | - | - | - |
| 1.0486 | 7200 | 0.0011 | - | - | - | - | - | - | - | - | - | - |
| 1.0632 | 7300 | 0.0011 | - | - | - | - | - | - | - | - | - | - |
| 1.0777 | 7400 | 0.0011 | - | - | - | - | - | - | - | - | - | - |
| 1.0923 | 7500 | 0.0011 | - | - | - | - | - | - | - | - | - | - |
| 1.1069 | 7600 | 0.0011 | - | - | - | - | - | - | - | - | - | - |
| 1.1214 | 7700 | 0.0011 | - | - | - | - | - | - | - | - | - | - |
| 1.1360 | 7800 | 0.0011 | - | - | - | - | - | - | - | - | - | - |
| 1.1506 | 7900 | 0.0011 | - | - | - | - | - | - | - | - | - | - |
| 1.1651 | 8000 | 0.0011 | 0.0009 | 0.0009 | 0.0010 | -0.1298 | 0.9713 | -0.1396 | 0.8814 | 0.6558 | -0.1442 | 0.8606 |
| 1.1797 | 8100 | 0.0011 | - | - | - | - | - | - | - | - | - | - |
| 1.1942 | 8200 | 0.0011 | - | - | - | - | - | - | - | - | - | - |
| 1.2088 | 8300 | 0.0011 | - | - | - | - | - | - | - | - | - | - |
| 1.2234 | 8400 | 0.0011 | - | - | - | - | - | - | - | - | - | - |
| 1.2379 | 8500 | 0.0011 | - | - | - | - | - | - | - | - | - | - |
| 1.2525 | 8600 | 0.0011 | - | - | - | - | - | - | - | - | - | - |
| 1.2671 | 8700 | 0.0011 | - | - | - | - | - | - | - | - | - | - |
| 1.2816 | 8800 | 0.0011 | - | - | - | - | - | - | - | - | - | - |
| 1.2962 | 8900 | 0.0011 | - | - | - | - | - | - | - | - | - | - |
| 1.3108 | 9000 | 0.001 | - | - | - | - | - | - | - | - | - | - |
| 1.3253 | 9100 | 0.001 | - | - | - | - | - | - | - | - | - | - |
| 1.3399 | 9200 | 0.001 | - | - | - | - | - | - | - | - | - | - |
| 1.3545 | 9300 | 0.001 | - | - | - | - | - | - | - | - | - | - |
| 1.3690 | 9400 | 0.001 | - | - | - | - | - | - | - | - | - | - |
| 1.3836 | 9500 | 0.001 | - | - | - | - | - | - | - | - | - | - |
| 1.3981 | 9600 | 0.001 | - | - | - | - | - | - | - | - | - | - |
| 1.4127 | 9700 | 0.001 | - | - | - | - | - | - | - | - | - | - |
| 1.4273 | 9800 | 0.001 | - | - | - | - | - | - | - | - | - | - |
| 1.4418 | 9900 | 0.001 | - | - | - | - | - | - | - | - | - | - |
| 1.4564 | 10000 | 0.001 | 0.0008 | 0.0009 | 0.0009 | -0.1218 | 0.9733 | -0.1318 | 0.8898 | 0.6796 | -0.1361 | 0.8698 |
| 1.4710 | 10100 | 0.001 | - | - | - | - | - | - | - | - | - | - |
| 1.4855 | 10200 | 0.001 | - | - | - | - | - | - | - | - | - | - |
| 1.5001 | 10300 | 0.001 | - | - | - | - | - | - | - | - | - | - |
| 1.5147 | 10400 | 0.001 | - | - | - | - | - | - | - | - | - | - |
| 1.5292 | 10500 | 0.001 | - | - | - | - | - | - | - | - | - | - |
| 1.5438 | 10600 | 0.001 | - | - | - | - | - | - | - | - | - | - |
| 1.5583 | 10700 | 0.001 | - | - | - | - | - | - | - | - | - | - |
| 1.5729 | 10800 | 0.001 | - | - | - | - | - | - | - | - | - | - |
| 1.5875 | 10900 | 0.001 | - | - | - | - | - | - | - | - | - | - |
| 1.6020 | 11000 | 0.001 | - | - | - | - | - | - | - | - | - | - |
| 1.6166 | 11100 | 0.001 | - | - | - | - | - | - | - | - | - | - |
| 1.6312 | 11200 | 0.001 | - | - | - | - | - | - | - | - | - | - |
| 1.6457 | 11300 | 0.001 | - | - | - | - | - | - | - | - | - | - |
| 1.6603 | 11400 | 0.001 | - | - | - | - | - | - | - | - | - | - |
| 1.6749 | 11500 | 0.001 | - | - | - | - | - | - | - | - | - | - |
| 1.6894 | 11600 | 0.001 | - | - | - | - | - | - | - | - | - | - |
| 1.7040 | 11700 | 0.001 | - | - | - | - | - | - | - | - | - | - |
| 1.7186 | 11800 | 0.001 | - | - | - | - | - | - | - | - | - | - |
| 1.7331 | 11900 | 0.001 | - | - | - | - | - | - | - | - | - | - |
| 1.7477 | 12000 | 0.001 | 0.0008 | 0.0008 | 0.0009 | -0.1165 | 0.9763 | -0.1265 | 0.8942 | 0.7026 | -0.1309 | 0.8737 |
| 1.7622 | 12100 | 0.001 | - | - | - | - | - | - | - | - | - | - |
| 1.7768 | 12200 | 0.001 | - | - | - | - | - | - | - | - | - | - |
| 1.7914 | 12300 | 0.001 | - | - | - | - | - | - | - | - | - | - |
| 1.8059 | 12400 | 0.001 | - | - | - | - | - | - | - | - | - | - |
| 1.8205 | 12500 | 0.001 | - | - | - | - | - | - | - | - | - | - |
| 1.8351 | 12600 | 0.001 | - | - | - | - | - | - | - | - | - | - |
| 1.8496 | 12700 | 0.001 | - | - | - | - | - | - | - | - | - | - |
| 1.8642 | 12800 | 0.001 | - | - | - | - | - | - | - | - | - | - |
| 1.8788 | 12900 | 0.001 | - | - | - | - | - | - | - | - | - | - |
| 1.8933 | 13000 | 0.001 | - | - | - | - | - | - | - | - | - | - |
| 1.9079 | 13100 | 0.001 | - | - | - | - | - | - | - | - | - | - |
| 1.9224 | 13200 | 0.001 | - | - | - | - | - | - | - | - | - | - |
| 1.9370 | 13300 | 0.001 | - | - | - | - | - | - | - | - | - | - |
| 1.9516 | 13400 | 0.001 | - | - | - | - | - | - | - | - | - | - |
| 1.9661 | 13500 | 0.001 | - | - | - | - | - | - | - | - | - | - |
| 1.9807 | 13600 | 0.001 | - | - | - | - | - | - | - | - | - | - |
| 1.9953 | 13700 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.0098 | 13800 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.0244 | 13900 | 0.001 | - | - | - | - | - | - | - | - | - | - |
| 2.0390 | 14000 | 0.0009 | 0.0007 | 0.0008 | 0.0008 | -0.1125 | 0.9788 | -0.1230 | 0.8989 | 0.7158 | -0.1273 | 0.8771 |
| 2.0535 | 14100 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.0681 | 14200 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.0827 | 14300 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.0972 | 14400 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.1118 | 14500 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.1263 | 14600 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.1409 | 14700 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.1555 | 14800 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.1700 | 14900 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.1846 | 15000 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.1992 | 15100 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.2137 | 15200 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.2283 | 15300 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.2429 | 15400 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.2574 | 15500 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.2720 | 15600 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.2865 | 15700 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.3011 | 15800 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.3157 | 15900 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.3302 | 16000 | 0.0009 | 0.0007 | 0.0008 | 0.0008 | -0.1100 | 0.9793 | -0.1203 | 0.9016 | 0.7288 | -0.1246 | 0.8797 |
| 2.3448 | 16100 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.3594 | 16200 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.3739 | 16300 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.3885 | 16400 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.4031 | 16500 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.4176 | 16600 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.4322 | 16700 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.4468 | 16800 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.4613 | 16900 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.4759 | 17000 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.4904 | 17100 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.5050 | 17200 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.5196 | 17300 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.5341 | 17400 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.5487 | 17500 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.5633 | 17600 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.5778 | 17700 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.5924 | 17800 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.6070 | 17900 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.6215 | 18000 | 0.0009 | 0.0007 | 0.0008 | 0.0008 | -0.1077 | 0.9798 | -0.1182 | 0.9034 | 0.7356 | -0.1224 | 0.8820 |
| 2.6361 | 18100 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.6506 | 18200 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.6652 | 18300 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.6798 | 18400 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.6943 | 18500 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.7089 | 18600 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.7235 | 18700 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.7380 | 18800 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.7526 | 18900 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.7672 | 19000 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.7817 | 19100 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.7963 | 19200 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.8109 | 19300 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.8254 | 19400 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.8400 | 19500 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.8545 | 19600 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.8691 | 19700 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.8837 | 19800 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.8982 | 19900 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.9128 | 20000 | 0.0009 | 0.0007 | 0.0008 | 0.0008 | -0.1058 | 0.9808 | -0.1165 | 0.9047 | 0.7414 | -0.1208 | 0.8830 |
| 2.9274 | 20100 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.9419 | 20200 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.9565 | 20300 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.9711 | 20400 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 2.9856 | 20500 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.0002 | 20600 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.0147 | 20700 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.0293 | 20800 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.0439 | 20900 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.0584 | 21000 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.0730 | 21100 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.0876 | 21200 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.1021 | 21300 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.1167 | 21400 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.1313 | 21500 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.1458 | 21600 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.1604 | 21700 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.1749 | 21800 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.1895 | 21900 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.2041 | 22000 | 0.0009 | 0.0007 | 0.0008 | 0.0008 | -0.1045 | 0.9803 | -0.1152 | 0.9054 | 0.7456 | -0.1194 | 0.8843 |
| 3.2186 | 22100 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.2332 | 22200 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.2478 | 22300 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.2623 | 22400 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.2769 | 22500 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.2915 | 22600 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.3060 | 22700 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.3206 | 22800 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.3352 | 22900 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.3497 | 23000 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.3643 | 23100 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.3788 | 23200 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.3934 | 23300 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.4080 | 23400 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.4225 | 23500 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.4371 | 23600 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.4517 | 23700 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.4662 | 23800 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.4808 | 23900 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.4954 | 24000 | 0.0009 | 0.0007 | 0.0007 | 0.0008 | -0.1031 | 0.9819 | -0.1141 | 0.9057 | 0.7522 | -0.1183 | 0.8850 |
| 3.5099 | 24100 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.5245 | 24200 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.5390 | 24300 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.5536 | 24400 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.5682 | 24500 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.5827 | 24600 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.5973 | 24700 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.6119 | 24800 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.6264 | 24900 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.6410 | 25000 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.6556 | 25100 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.6701 | 25200 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.6847 | 25300 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.6993 | 25400 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.7138 | 25500 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.7284 | 25600 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.7429 | 25700 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.7575 | 25800 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.7721 | 25900 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.7866 | 26000 | 0.0009 | 0.0007 | 0.0007 | 0.0008 | -0.1023 | 0.9824 | -0.1130 | 0.9070 | 0.7516 | -0.1173 | 0.8856 |
| 3.8012 | 26100 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.8158 | 26200 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.8303 | 26300 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.8449 | 26400 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.8595 | 26500 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.8740 | 26600 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.8886 | 26700 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.9031 | 26800 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.9177 | 26900 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.9323 | 27000 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.9468 | 27100 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.9614 | 27200 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.9760 | 27300 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 3.9905 | 27400 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 4.0051 | 27500 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 4.0197 | 27600 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 4.0342 | 27700 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 4.0488 | 27800 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 4.0634 | 27900 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 4.0779 | 28000 | 0.0009 | 0.0007 | 0.0007 | 0.0008 | -0.1015 | 0.9834 | -0.1123 | 0.9072 | 0.7539 | -0.1165 | 0.8861 |
| 4.0925 | 28100 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 4.1070 | 28200 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 4.1216 | 28300 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 4.1362 | 28400 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 4.1507 | 28500 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 4.1653 | 28600 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 4.1799 | 28700 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 4.1944 | 28800 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 4.2090 | 28900 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 4.2236 | 29000 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 4.2381 | 29100 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 4.2527 | 29200 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 4.2672 | 29300 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 4.2818 | 29400 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 4.2964 | 29500 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 4.3109 | 29600 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 4.3255 | 29700 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 4.3401 | 29800 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 4.3546 | 29900 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 4.3692 | 30000 | 0.0009 | 0.0007 | 0.0007 | 0.0007 | -0.1007 | 0.9829 | -0.1117 | 0.9073 | 0.7578 | -0.1159 | 0.8862 |
| 4.3838 | 30100 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 4.3983 | 30200 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 4.4129 | 30300 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 4.4275 | 30400 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 4.4420 | 30500 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 4.4566 | 30600 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 4.4711 | 30700 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 4.4857 | 30800 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 4.5003 | 30900 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 4.5148 | 31000 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 4.5294 | 31100 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 4.5440 | 31200 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 4.5585 | 31300 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 4.5731 | 31400 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 4.5877 | 31500 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 4.6022 | 31600 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 4.6168 | 31700 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 4.6313 | 31800 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 4.6459 | 31900 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 4.6605 | 32000 | 0.0008 | 0.0007 | 0.0007 | 0.0007 | -0.1003 | 0.9834 | -0.1112 | 0.9076 | 0.7577 | -0.1154 | 0.8868 |
| 4.6750 | 32100 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 4.6896 | 32200 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 4.7042 | 32300 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 4.7187 | 32400 | 0.0009 | - | - | - | - | - | - | - | - | - | - |
| 4.7333 | 32500 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 4.7479 | 32600 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 4.7624 | 32700 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 4.7770 | 32800 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 4.7916 | 32900 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 4.8061 | 33000 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 4.8207 | 33100 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 4.8352 | 33200 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 4.8498 | 33300 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 4.8644 | 33400 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 4.8789 | 33500 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 4.8935 | 33600 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 4.9081 | 33700 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 4.9226 | 33800 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 4.9372 | 33900 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 4.9518 | 34000 | 0.0008 | 0.0007 | 0.0007 | 0.0007 | -0.0999 | 0.9834 | -0.1107 | 0.9078 | 0.7570 | -0.1150 | 0.8871 |
| 4.9663 | 34100 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 4.9809 | 34200 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 4.9954 | 34300 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.0100 | 34400 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.0246 | 34500 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.0391 | 34600 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.0537 | 34700 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.0683 | 34800 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.0828 | 34900 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.0974 | 35000 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.1120 | 35100 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.1265 | 35200 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.1411 | 35300 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.1557 | 35400 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.1702 | 35500 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.1848 | 35600 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.1993 | 35700 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.2139 | 35800 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.2285 | 35900 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.2430 | 36000 | 0.0008 | 0.0007 | 0.0007 | 0.0007 | -0.0995 | 0.9824 | -0.1104 | 0.9085 | 0.7588 | -0.1147 | 0.8865 |
| 5.2576 | 36100 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.2722 | 36200 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.2867 | 36300 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.3013 | 36400 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.3159 | 36500 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.3304 | 36600 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.3450 | 36700 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.3595 | 36800 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.3741 | 36900 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.3887 | 37000 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.4032 | 37100 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.4178 | 37200 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.4324 | 37300 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.4469 | 37400 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.4615 | 37500 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.4761 | 37600 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.4906 | 37700 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.5052 | 37800 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.5198 | 37900 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.5343 | 38000 | 0.0008 | 0.0007 | 0.0007 | 0.0007 | -0.0993 | 0.9829 | -0.1102 | 0.9085 | 0.7598 | -0.1144 | 0.8871 |
| 5.5489 | 38100 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.5634 | 38200 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.5780 | 38300 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.5926 | 38400 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.6071 | 38500 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.6217 | 38600 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.6363 | 38700 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.6508 | 38800 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.6654 | 38900 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.6800 | 39000 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.6945 | 39100 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.7091 | 39200 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.7236 | 39300 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.7382 | 39400 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.7528 | 39500 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.7673 | 39600 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.7819 | 39700 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.7965 | 39800 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.8110 | 39900 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.8256 | 40000 | 0.0008 | 0.0007 | 0.0007 | 0.0007 | -0.0991 | 0.9829 | -0.1100 | 0.9080 | 0.7603 | -0.1143 | 0.8870 |
| 5.8402 | 40100 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.8547 | 40200 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.8693 | 40300 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.8839 | 40400 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.8984 | 40500 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.9130 | 40600 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.9275 | 40700 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.9421 | 40800 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.9567 | 40900 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.9712 | 41000 | 0.0008 | - | - | - | - | - | - | - | - | - | - |
| 5.9858 | 41100 | 0.0008 | - | - | - | - | - | - | - | - | - | - |