This is a PyLate model trained on the ms-marco-en-bge-gemma dataset. It maps sentences & paragraphs to sequences of 128-dimensional dense vectors and can be used for semantic textual similarity using the MaxSim operator.

Model Details

Model Description

Model Type: PyLate model
Base model: Alibaba-NLP/gte-modernbert-base
Document Length: 300 tokens
Query Length: 32 tokens
Output Dimensionality: 128 dimensions
Similarity Function: MaxSim
Training Dataset:
- ms-marco-en-bge-gemma
Language: English
License: Apache 2.0

Document length

GTE-ModernColBERT has been trained with knowledge distillation on MS MARCO with a document length of 300 tokens, explaining its default value for documents length.

However, as illustrated in the ModernBERT paper, ColBERT models can generalize to documents lengths way beyond their training length and GTE-ModernColBERT actually yields results way above SOTA in long-context embedding benchmarks, see LongEmbed results.

Simply change adapt the document length parameter to your needs when loading the model:

python

model = models.ColBERT(
    model_name_or_path=lightonai/GTE-ModernColBERT-v1,
    document_length=8192,
)

ModernBERT itself has only been trained on 8K context length, but it seems that GTE-ModernColBERT can generalize to even bigger context sizes, though it is not guaranteed so please perform your own benches!

Model Sources

Documentation: PyLate Documentation
Repository: PyLate on GitHub
Hugging Face: PyLate models on Hugging Face

Full Model Architecture

ColBERT(
  (0): Transformer({'max_seq_length': 299, 'do_lower_case': False}) with Transformer model: ModernBertModel 
  (1): Dense({'in_features': 768, 'out_features': 128, 'bias': False, 'activation_function': 'torch.nn.modules.linear.Identity'})
)

Usage

First install the PyLate library:

pip install -U pylate

Retrieval

PyLate provides a streamlined interface to index and retrieve documents using ColBERT models. The index leverages the Voyager HNSW index to efficiently handle document embeddings and enable fast retrieval.

Indexing documents

First, load the ColBERT model and initialize the Voyager index, then encode and index your documents:

python

from pylate import indexes, models, retrieve

# Step 1: Load the ColBERT model
model = models.ColBERT(
    model_name_or_path=pylate_model_id,
)

# Step 2: Initialize the Voyager index
index = indexes.Voyager(
    index_folder="pylate-index",
    index_name="index",
    override=True,  # This overwrites the existing index if any
)

# Step 3: Encode the documents
documents_ids = ["1", "2", "3"]
documents = ["document 1 text", "document 2 text", "document 3 text"]

documents_embeddings = model.encode(
    documents,
    batch_size=32,
    is_query=False,  # Ensure that it is set to False to indicate that these are documents, not queries
    show_progress_bar=True,
)

# Step 4: Add document embeddings to the index by providing embeddings and corresponding ids
index.add_documents(
    documents_ids=documents_ids,
    documents_embeddings=documents_embeddings,
)

Note that you do not have to recreate the index and encode the documents every time. Once you have created an index and added the documents, you can re-use the index later by loading it:

python

# To load an index, simply instantiate it with the correct folder/name and without overriding it
index = indexes.Voyager(
    index_folder="pylate-index",
    index_name="index",
)

Retrieving top-k documents for queries

Once the documents are indexed, you can retrieve the top-k most relevant documents for a given set of queries. To do so, initialize the ColBERT retriever with the index you want to search in, encode the queries and then retrieve the top-k documents to get the top matches ids and relevance scores:

python

# Step 1: Initialize the ColBERT retriever
retriever = retrieve.ColBERT(index=index)

# Step 2: Encode the queries
queries_embeddings = model.encode(
    ["query for document 3", "query for document 1"],
    batch_size=32,
    is_query=True,  #  # Ensure that it is set to False to indicate that these are queries
    show_progress_bar=True,
)

# Step 3: Retrieve top-k documents
scores = retriever.retrieve(
    queries_embeddings=queries_embeddings, 
    k=10,  # Retrieve the top 10 matches for each query
)

Reranking

If you only want to use the ColBERT model to perform reranking on top of your first-stage retrieval pipeline without building an index, you can simply use rank function and pass the queries and documents to rerank:

python

from pylate import rank, models

queries = [
    "query A",
    "query B",
]

documents = [
    ["document A", "document B"],
    ["document 1", "document C", "document B"],
]

documents_ids = [
    [1, 2],
    [1, 3, 2],
]

model = models.ColBERT(
    model_name_or_path=pylate_model_id,
)

queries_embeddings = model.encode(
    queries,
    is_query=True,
)

documents_embeddings = model.encode(
    documents,
    is_query=False,
)

reranked_documents = rank.rerank(
    documents_ids=documents_ids,
    queries_embeddings=queries_embeddings,
    documents_embeddings=documents_embeddings,
)

Evaluation

Metrics

BEIR Benchmark

GTE-ModernColBERT is the first model to outpeform ColBERT-small on the BEIR benchmark. As reproduction in the IR domain is challenging, we worked closely with Benjamin Clavié, the author of ColBERT-small to reproduce the evaluation setup of this model. Despite all these efforts and reducing to the maximum the difference in scores in most of the datasets, some are still a bit different. For this reason, we also report the results of ColBERT-small in the same setup we used to evaluate GTE-ModernColBERT for completness and fair comparison.

Model	Average	FiQA2018	NFCorpus	TREC-COVID	Touche2020	ArguAna	QuoraRetrieval	SCIDOCS	SciFact	NQ	ClimateFEVER	HotpotQA	DBPedia	CQADupstack	FEVER	MSMARCO
GTE-ModernColBERT	54.67	45.28	37.93	83.59	31.23	48.51	86.61	19.06	76.34	61.8	30.62	77.32	48.03	41	87.44	45.32
ColBERT-small (reported)	53.79	41.15	37.3	84.59	25.69	50.09	87.72	18.42	74.77	59.1	33.07	76.11	45.58	38.75	90.96	43.5
JinaColBERT-v2		40.8	34.6	83.4	27.4	36.6	88.7	18.6	67.8	64	23.9	76.6	47.1		80.5
ColBERT-small (rerunned)	53.35	41.01	36.86	83.14	24.95	46.76	87.89	18.72	74.02	59.42	32.83	76.88	46.36	39.36	88.66	43.44

LongEmbed Benchmark

GTE-ModernColBERT has been trained with knowledge distillation on MS MARCO with a document length of 300 tokens, explaining its default value for documents length. However, as illustrated in the ModernBERT paper, ColBERT models can generalize to documents lengths way beyond their training length and GTE-ModernColBERT actually yields results way above SOTA (almost 10 points above previous SOTA) in long-context embedding benchmark:

Model	Mean	LEMBNarrativeQARetrieval	LEMBNeedleRetrieval	LEMBPasskeyRetrieval	LEMBQMSumRetrieval	LEMBSummScreenFDRetrieval	LEMBWikimQARetrieval
GTE-ModernColBERT (with 32k document length)	88.39	78.82	92.5	92	72.17	94.98	99.87
voyage-multilingual-2	79.17	64.694	75.25	97	51.495	99.105	87.489
inf-retriever-v1	73.19	60.702	61.5	78.75	55.072	97.387	85.751
snowflake-arctic-embed-l-v2,0	63.73	43.632	50.25	77.25	40.04	96.383	74.843
gte-multilingual-base	62.12	52.358	42.25	55.5	43.033	95.499	84.078
jasper_en_vision_language_v1	60.93	37.928	55	62.25	41.186	97.206	72.025
bge-m3	58.73	45.761	40.25	59	35.543	94.089	77.726
jina-embeddings-v3	55.66	34.297	64	38	39.337	92.334	66.018
e5-base-4k	54.51	30.03	37.75	65.25	31.268	93.868	68.875
gte-Qwen2-7B-instruct	47.24	45.46	31	38.5	31.272	76.08	61.151

PyLate Information Retrieval

Datasets: NanoClimateFEVER, NanoDBPedia, NanoFEVER, NanoFiQA2018, NanoHotpotQA, NanoMSMARCO, NanoNFCorpus, NanoNQ, NanoQuoraRetrieval, NanoSCIDOCS, NanoArguAna, NanoSciFact and NanoTouche2020
Evaluated with pylate.evaluation.pylate_information_retrieval_evaluator.PyLateInformationRetrievalEvaluator

Metric	NanoClimateFEVER	NanoDBPedia	NanoFEVER	NanoFiQA2018	NanoHotpotQA	NanoMSMARCO	NanoNFCorpus	NanoNQ	NanoQuoraRetrieval	NanoSCIDOCS	NanoArguAna	NanoSciFact	NanoTouche2020
MaxSim_accuracy@1	0.36	0.88	0.92	0.56	0.92	0.54	0.56	0.64	0.96	0.48	0.3	0.74	0.7755
MaxSim_accuracy@3	0.62	0.94	0.98	0.66	1.0	0.68	0.68	0.82	1.0	0.74	0.62	0.86	0.9388
MaxSim_accuracy@5	0.78	0.96	0.98	0.74	1.0	0.74	0.74	0.86	1.0	0.78	0.7	0.9	0.9796
MaxSim_accuracy@10	0.86	0.98	1.0	0.8	1.0	0.92	0.76	0.9	1.0	0.84	0.82	0.94	0.9796
MaxSim_precision@1	0.36	0.88	0.92	0.56	0.92	0.54	0.56	0.64	0.96	0.48	0.3	0.74	0.7755
MaxSim_precision@3	0.2333	0.7133	0.36	0.3267	0.58	0.2267	0.4333	0.2867	0.4	0.4	0.2067	0.3	0.6599
MaxSim_precision@5	0.208	0.656	0.216	0.256	0.36	0.148	0.392	0.18	0.256	0.292	0.14	0.196	0.6571
MaxSim_precision@10	0.128	0.572	0.11	0.152	0.186	0.092	0.304	0.1	0.134	0.194	0.082	0.104	0.5184
MaxSim_recall@1	0.1833	0.118	0.8567	0.3092	0.46	0.54	0.0664	0.61	0.8473	0.1007	0.3	0.715	0.0518
MaxSim_recall@3	0.289	0.2307	0.96	0.4784	0.87	0.68	0.102	0.78	0.9453	0.2467	0.62	0.83	0.1362
MaxSim_recall@5	0.4157	0.2962	0.96	0.5752	0.9	0.74	0.1284	0.82	0.9693	0.2997	0.7	0.885	0.2193
MaxSim_recall@10	0.4957	0.4146	0.98	0.6412	0.93	0.92	0.1566	0.88	0.9893	0.3967	0.82	0.93	0.334
MaxSim_ndcg@10	0.4148	0.7296	0.9452	0.567	0.9012	0.7089	0.3957	0.7645	0.9691	0.3987	0.5609	0.8372	0.5927
MaxSim_mrr@10	0.5266	0.9169	0.9522	0.6359	0.96	0.6447	0.627	0.739	0.9767	0.6137	0.4775	0.8117	0.8629
MaxSim_map@100	0.3347	0.5884	0.9271	0.5032	0.8592	0.6496	0.1918	0.7239	0.9552	0.3163	0.4824	0.8049	0.4257

Nano BEIR

Dataset: NanoBEIR_mean
Evaluated with pylate.evaluation.nano_beir_evaluator.NanoBEIREvaluator

Metric	Value
MaxSim_accuracy@1	0.6643
MaxSim_accuracy@3	0.8107
MaxSim_accuracy@5	0.8584
MaxSim_accuracy@10	0.9077
MaxSim_precision@1	0.6643
MaxSim_precision@3	0.3943
MaxSim_precision@5	0.3044
MaxSim_precision@10	0.2059
MaxSim_recall@1	0.3968
MaxSim_recall@3	0.5514
MaxSim_recall@5	0.6084
MaxSim_recall@10	0.6837
MaxSim_ndcg@10	0.6758
MaxSim_mrr@10	0.7496
MaxSim_map@100	0.5971

Training Details

Training Hyperparameters

Non-Default Hyperparameters

eval_strategy: steps
per_device_train_batch_size: 16
learning_rate: 3e-05
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: 16
per_device_eval_batch_size: 8
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: 3e-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: 3
max_steps: -1
lr_scheduler_type: linear
lr_scheduler_kwargs: {}
warmup_ratio: 0.0
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: 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: 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: None
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

Training Logs

Click to expand

Epoch	Step	Training Loss	NanoClimateFEVER_MaxSim_ndcg@10	NanoDBPedia_MaxSim_ndcg@10	NanoFEVER_MaxSim_ndcg@10	NanoFiQA2018_MaxSim_ndcg@10	NanoHotpotQA_MaxSim_ndcg@10	NanoMSMARCO_MaxSim_ndcg@10	NanoNFCorpus_MaxSim_ndcg@10	NanoNQ_MaxSim_ndcg@10	NanoQuoraRetrieval_MaxSim_ndcg@10	NanoSCIDOCS_MaxSim_ndcg@10	NanoArguAna_MaxSim_ndcg@10	NanoSciFact_MaxSim_ndcg@10	NanoTouche2020_MaxSim_ndcg@10	NanoBEIR_mean_MaxSim_ndcg@10
0.004	20	0.0493	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.008	40	0.0434	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.012	60	0.0324	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.016	80	0.0238	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.02	100	0.0202	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.024	120	0.0186	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.028	140	0.0172	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.032	160	0.0164	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.036	180	0.0157	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.04	200	0.0153	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.044	220	0.0145	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.048	240	0.014	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.052	260	0.0138	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.056	280	0.0135	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.06	300	0.0132	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.064	320	0.0129	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.068	340	0.0126	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.072	360	0.0123	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.076	380	0.0122	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.08	400	0.012	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.084	420	0.0121	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.088	440	0.0115	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.092	460	0.0113	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.096	480	0.0112	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.1	500	0.0111	0.3085	0.6309	0.9206	0.5303	0.8618	0.6893	0.3703	0.7163	0.9548	0.3885	0.4682	0.7930	0.5982	0.6331
0.104	520	0.0109	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.108	540	0.0109	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.112	560	0.0109	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.116	580	0.0105	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.12	600	0.0102	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.124	620	0.0104	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.128	640	0.0103	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.132	660	0.01	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.136	680	0.0101	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.14	700	0.0098	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.144	720	0.0097	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.148	740	0.0097	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.152	760	0.0096	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.156	780	0.0096	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.16	800	0.0094	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.164	820	0.0096	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.168	840	0.0095	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.172	860	0.0093	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.176	880	0.0092	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.18	900	0.0093	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.184	920	0.009	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.188	940	0.009	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.192	960	0.0089	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.196	980	0.0089	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.2	1000	0.0089	0.3148	0.6586	0.9335	0.5374	0.8810	0.6805	0.3746	0.7368	0.9486	0.3955	0.4824	0.8219	0.6089	0.6442
0.204	1020	0.0088	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.208	1040	0.0089	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.212	1060	0.0088	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.216	1080	0.0086	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.22	1100	0.0087	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.224	1120	0.0088	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.228	1140	0.0086	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.232	1160	0.0086	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.236	1180	0.0084	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.24	1200	0.0086	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.244	1220	0.0085	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.248	1240	0.0084	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.252	1260	0.0084	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.256	1280	0.0081	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.26	1300	0.0083	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.264	1320	0.0084	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.268	1340	0.0082	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.272	1360	0.0082	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.276	1380	0.008	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.28	1400	0.0078	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.284	1420	0.0079	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.288	1440	0.0078	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.292	1460	0.0081	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.296	1480	0.0081	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.3	1500	0.0079	0.3510	0.6590	0.9285	0.5463	0.8893	0.6853	0.3800	0.7370	0.9513	0.3980	0.5268	0.8268	0.6130	0.6533
0.304	1520	0.0078	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.308	1540	0.0078	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.312	1560	0.0077	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.316	1580	0.0078	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.32	1600	0.0078	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.324	1620	0.0078	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.328	1640	0.0078	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.332	1660	0.0076	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.336	1680	0.0076	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.34	1700	0.0077	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.344	1720	0.0076	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.348	1740	0.0074	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.352	1760	0.0074	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.356	1780	0.0075	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.36	1800	0.0076	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.364	1820	0.0075	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.368	1840	0.0073	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.372	1860	0.0075	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.376	1880	0.0073	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.38	1900	0.0074	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.384	1920	0.0072	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.388	1940	0.0072	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.392	1960	0.0071	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.396	1980	0.0073	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.4	2000	0.0071	0.3551	0.6807	0.9311	0.5340	0.8951	0.7019	0.3767	0.7460	0.9559	0.3912	0.5121	0.8245	0.6058	0.6546
0.404	2020	0.0073	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.408	2040	0.0072	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.412	2060	0.0071	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.416	2080	0.0073	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.42	2100	0.0069	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.424	2120	0.0071	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.428	2140	0.0069	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.432	2160	0.0071	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.436	2180	0.0071	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.44	2200	0.007	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.444	2220	0.0069	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.448	2240	0.0071	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.452	2260	0.0069	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.456	2280	0.0069	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.46	2300	0.0069	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.464	2320	0.0069	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.468	2340	0.0069	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.472	2360	0.0068	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.476	2380	0.0068	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.48	2400	0.0067	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.484	2420	0.0068	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.488	2440	0.0067	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.492	2460	0.0068	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.496	2480	0.0069	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.5	2500	0.0068	0.3647	0.6883	0.9435	0.5624	0.8946	0.7065	0.3815	0.7709	0.9658	0.3993	0.5631	0.8371	0.6076	0.6681
0.504	2520	0.0067	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.508	2540	0.0068	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.512	2560	0.0067	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.516	2580	0.0068	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.52	2600	0.0066	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.524	2620	0.0067	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.528	2640	0.0067	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.532	2660	0.0067	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.536	2680	0.0067	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.54	2700	0.0068	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.544	2720	0.0066	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.548	2740	0.0067	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.552	2760	0.0064	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.556	2780	0.0064	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.56	2800	0.0066	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.564	2820	0.0063	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.568	2840	0.0066	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.572	2860	0.0066	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.576	2880	0.0065	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.58	2900	0.0066	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.584	2920	0.0065	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.588	2940	0.0063	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.592	2960	0.0066	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.596	2980	0.0065	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.6	3000	0.0064	0.3585	0.7081	0.9409	0.5474	0.8915	0.7037	0.3796	0.7763	0.9540	0.4038	0.5628	0.8424	0.6042	0.6672
0.604	3020	0.0064	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.608	3040	0.0063	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.612	3060	0.0064	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.616	3080	0.0065	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.62	3100	0.0065	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.624	3120	0.0064	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.628	3140	0.0064	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.632	3160	0.0062	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.636	3180	0.0062	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.64	3200	0.0063	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.644	3220	0.0064	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.648	3240	0.0063	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.652	3260	0.0063	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.656	3280	0.0063	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.66	3300	0.0064	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.664	3320	0.0063	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.668	3340	0.0061	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.672	3360	0.0062	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.676	3380	0.0061	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.68	3400	0.0063	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.684	3420	0.006	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.688	3440	0.0061	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.692	3460	0.0062	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.696	3480	0.0062	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.7	3500	0.0061	0.3783	0.7080	0.9441	0.5603	0.8902	0.7022	0.3824	0.7780	0.9612	0.3995	0.5414	0.8450	0.6049	0.6689
0.704	3520	0.0062	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.708	3540	0.0061	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.712	3560	0.0061	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.716	3580	0.0062	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.72	3600	0.0061	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.724	3620	0.0061	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.728	3640	0.0061	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.732	3660	0.006	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.736	3680	0.006	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.74	3700	0.0061	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.744	3720	0.006	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.748	3740	0.0059	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.752	3760	0.006	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.756	3780	0.0061	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.76	3800	0.0061	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.764	3820	0.006	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.768	3840	0.0061	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.772	3860	0.0059	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.776	3880	0.006	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.78	3900	0.006	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.784	3920	0.0061	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.788	3940	0.006	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.792	3960	0.006	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.796	3980	0.0061	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.8	4000	0.0059	0.3820	0.7028	0.9441	0.5722	0.8890	0.7135	0.3825	0.7790	0.9659	0.4012	0.5425	0.8446	0.6085	0.6714
0.804	4020	0.0059	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.808	4040	0.0058	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.812	4060	0.0058	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.816	4080	0.0059	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.82	4100	0.0059	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.824	4120	0.0059	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.828	4140	0.0058	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.832	4160	0.006	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.836	4180	0.0059	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.84	4200	0.0059	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.844	4220	0.0059	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.848	4240	0.0058	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.852	4260	0.0059	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.856	4280	0.0057	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.86	4300	0.0058	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.864	4320	0.006	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.868	4340	0.0058	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.872	4360	0.0058	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.876	4380	0.0057	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.88	4400	0.0059	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.884	4420	0.0058	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.888	4440	0.0058	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.892	4460	0.0056	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.896	4480	0.0058	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.9	4500	0.0059	0.3703	0.7111	0.9441	0.5555	0.8886	0.7251	0.3934	0.7632	0.9671	0.4052	0.5390	0.8442	0.6068	0.6703
0.904	4520	0.0057	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.908	4540	0.0058	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.912	4560	0.0058	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.916	4580	0.0058	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.92	4600	0.0058	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.924	4620	0.0057	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.928	4640	0.0057	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.932	4660	0.0057	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.936	4680	0.0058	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.94	4700	0.0056	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.944	4720	0.0055	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.948	4740	0.0058	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.952	4760	0.0055	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.956	4780	0.0056	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.96	4800	0.0056	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.964	4820	0.0057	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.968	4840	0.0058	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.972	4860	0.0056	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.976	4880	0.0056	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.98	4900	0.0056	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.984	4920	0.0057	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.988	4940	0.0056	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.992	4960	0.0056	-	-	-	-	-	-	-	-	-	-	-	-	-	-
0.996	4980	0.0056	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.0	5000	0.0056	0.3760	0.7131	0.9441	0.5522	0.8882	0.7157	0.3980	0.7739	0.9755	0.3987	0.5492	0.8501	0.5990	0.6718
1.004	5020	0.0056	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.008	5040	0.0056	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.012	5060	0.0056	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.016	5080	0.0055	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.02	5100	0.0054	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.024	5120	0.0056	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.028	5140	0.0055	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.032	5160	0.0055	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.036	5180	0.0055	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.04	5200	0.0055	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.044	5220	0.0055	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.048	5240	0.0055	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.052	5260	0.0055	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.056	5280	0.0055	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.06	5300	0.0056	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.064	5320	0.0053	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.068	5340	0.0054	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.072	5360	0.0054	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.076	5380	0.0055	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.08	5400	0.0054	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.084	5420	0.0055	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.088	5440	0.0054	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.092	5460	0.0054	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.096	5480	0.0054	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.1	5500	0.0054	0.3777	0.7109	0.9367	0.5705	0.8919	0.7136	0.3956	0.7750	0.9590	0.3947	0.5336	0.8368	0.6016	0.6690
1.104	5520	0.0054	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.108	5540	0.0054	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.112	5560	0.0054	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.116	5580	0.0053	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.12	5600	0.0051	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.124	5620	0.0053	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.1280	5640	0.0054	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.1320	5660	0.0052	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.1360	5680	0.0053	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.1400	5700	0.0053	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.144	5720	0.0052	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.148	5740	0.0052	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.152	5760	0.0053	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.156	5780	0.0052	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.16	5800	0.0052	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.164	5820	0.0053	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.168	5840	0.0053	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.172	5860	0.0052	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.176	5880	0.0052	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.18	5900	0.0053	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.184	5920	0.0052	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.188	5940	0.0052	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.192	5960	0.0052	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.196	5980	0.0052	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.2	6000	0.0051	0.3998	0.7171	0.9446	0.5699	0.8899	0.7194	0.4022	0.7631	0.9674	0.3960	0.5395	0.8389	0.6025	0.6731
1.204	6020	0.0051	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.208	6040	0.0052	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.212	6060	0.0052	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.216	6080	0.0051	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.22	6100	0.0052	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.224	6120	0.0052	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.228	6140	0.0051	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.232	6160	0.0051	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.236	6180	0.0051	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.24	6200	0.0052	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.244	6220	0.0052	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.248	6240	0.0051	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.252	6260	0.0052	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.256	6280	0.0051	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.26	6300	0.0051	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.264	6320	0.0052	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.268	6340	0.0051	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.272	6360	0.0052	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.276	6380	0.005	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.28	6400	0.005	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.284	6420	0.005	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.288	6440	0.005	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.292	6460	0.0051	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.296	6480	0.0052	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.3	6500	0.005	0.4047	0.7137	0.9443	0.5690	0.8998	0.7120	0.3963	0.7689	0.9829	0.3956	0.5504	0.8363	0.5999	0.6749
1.304	6520	0.005	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.308	6540	0.005	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.312	6560	0.0049	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.316	6580	0.005	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.32	6600	0.005	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.324	6620	0.0051	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.328	6640	0.005	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.332	6660	0.005	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.336	6680	0.005	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.34	6700	0.005	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.3440	6720	0.005	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.3480	6740	0.0048	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.3520	6760	0.0049	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.3560	6780	0.0049	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.3600	6800	0.0051	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.3640	6820	0.005	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.3680	6840	0.0048	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.3720	6860	0.005	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.376	6880	0.0049	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.38	6900	0.005	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.384	6920	0.0048	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.388	6940	0.0049	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.392	6960	0.0049	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.396	6980	0.0048	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.4	7000	0.0049	0.4084	0.7156	0.9441	0.5700	0.8978	0.7134	0.4024	0.7557	0.9758	0.3997	0.5521	0.8366	0.5919	0.6741
1.404	7020	0.0049	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.408	7040	0.0048	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.412	7060	0.0048	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.416	7080	0.0049	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.42	7100	0.0048	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.424	7120	0.0048	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.428	7140	0.0048	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.432	7160	0.0049	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.436	7180	0.0049	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.44	7200	0.0048	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.444	7220	0.0048	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.448	7240	0.0049	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.452	7260	0.0048	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.456	7280	0.0048	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.46	7300	0.0049	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.464	7320	0.0047	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.468	7340	0.0048	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.472	7360	0.0048	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.476	7380	0.0048	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.48	7400	0.0047	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.484	7420	0.0048	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.488	7440	0.0047	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.492	7460	0.0047	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.496	7480	0.0049	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.5	7500	0.0047	0.4125	0.7186	0.9443	0.5723	0.8974	0.6941	0.3962	0.7676	0.9677	0.3990	0.5455	0.8433	0.5945	0.6733
1.504	7520	0.0047	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.508	7540	0.0048	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.512	7560	0.0048	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.516	7580	0.0048	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.52	7600	0.0047	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.524	7620	0.0048	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.528	7640	0.0048	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.532	7660	0.0047	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.536	7680	0.0047	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.54	7700	0.0048	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.544	7720	0.0047	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.548	7740	0.0048	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.552	7760	0.0046	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.556	7780	0.0046	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.56	7800	0.0048	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.564	7820	0.0046	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.568	7840	0.0047	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.572	7860	0.0047	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.576	7880	0.0047	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.58	7900	0.0047	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.584	7920	0.0047	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.588	7940	0.0046	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.592	7960	0.0048	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.596	7980	0.0048	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.6	8000	0.0046	0.4036	0.7208	0.9441	0.5737	0.8961	0.7160	0.3942	0.7609	0.9715	0.3936	0.5534	0.8419	0.6009	0.6747
1.604	8020	0.0047	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.608	8040	0.0047	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.612	8060	0.0046	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.616	8080	0.0047	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.62	8100	0.0047	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.624	8120	0.0047	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.6280	8140	0.0047	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.6320	8160	0.0046	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.6360	8180	0.0046	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.6400	8200	0.0046	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.6440	8220	0.0047	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.6480	8240	0.0046	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.6520	8260	0.0046	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.6560	8280	0.0046	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.6600	8300	0.0047	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.6640	8320	0.0047	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.6680	8340	0.0045	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.6720	8360	0.0046	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.6760	8380	0.0046	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.6800	8400	0.0046	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.6840	8420	0.0045	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.688	8440	0.0045	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.692	8460	0.0046	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.696	8480	0.0046	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.7	8500	0.0046	0.4047	0.7210	0.9443	0.5729	0.8953	0.7038	0.3987	0.7716	0.9685	0.3912	0.5620	0.8444	0.6059	0.6757
1.704	8520	0.0046	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.708	8540	0.0046	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.712	8560	0.0046	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.716	8580	0.0046	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.72	8600	0.0045	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.724	8620	0.0046	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.728	8640	0.0046	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.732	8660	0.0045	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.736	8680	0.0046	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.74	8700	0.0045	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.744	8720	0.0045	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.748	8740	0.0045	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.752	8760	0.0045	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.756	8780	0.0046	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.76	8800	0.0046	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.764	8820	0.0046	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.768	8840	0.0046	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.772	8860	0.0044	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.776	8880	0.0046	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.78	8900	0.0046	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.784	8920	0.0046	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.788	8940	0.0046	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.792	8960	0.0046	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.796	8980	0.0046	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.8	9000	0.0045	0.4126	0.7250	0.9443	0.5742	0.8927	0.7178	0.3952	0.7688	0.9681	0.4031	0.5558	0.8451	0.6057	0.6776
1.804	9020	0.0045	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.808	9040	0.0044	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.812	9060	0.0044	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.8160	9080	0.0045	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.8200	9100	0.0045	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.8240	9120	0.0045	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.8280	9140	0.0045	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.8320	9160	0.0046	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.8360	9180	0.0045	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.8400	9200	0.0045	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.8440	9220	0.0046	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.8480	9240	0.0044	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.8520	9260	0.0045	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.8560	9280	0.0044	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.8600	9300	0.0045	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.8640	9320	0.0046	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.8680	9340	0.0045	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.8720	9360	0.0045	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.876	9380	0.0044	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.88	9400	0.0046	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.884	9420	0.0045	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.888	9440	0.0045	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.892	9460	0.0044	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.896	9480	0.0044	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.9	9500	0.0045	0.4140	0.7249	0.9452	0.5728	0.8944	0.7147	0.3917	0.7648	0.9679	0.4018	0.5640	0.8311	0.6013	0.6760
1.904	9520	0.0044	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.908	9540	0.0045	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.912	9560	0.0045	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.916	9580	0.0045	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.92	9600	0.0045	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.924	9620	0.0044	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.928	9640	0.0045	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.932	9660	0.0044	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.936	9680	0.0045	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.94	9700	0.0043	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.944	9720	0.0043	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.948	9740	0.0045	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.952	9760	0.0043	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.956	9780	0.0044	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.96	9800	0.0043	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.964	9820	0.0044	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.968	9840	0.0045	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.972	9860	0.0044	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.976	9880	0.0044	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.98	9900	0.0043	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.984	9920	0.0044	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.988	9940	0.0044	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.992	9960	0.0044	-	-	-	-	-	-	-	-	-	-	-	-	-	-
1.996	9980	0.0044	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.0	10000	0.0044	0.4098	0.7192	0.9443	0.5594	0.8970	0.7056	0.3964	0.7729	0.9709	0.4013	0.5623	0.8414	0.5960	0.6751
2.004	10020	0.0044	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.008	10040	0.0044	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.012	10060	0.0044	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.016	10080	0.0044	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.02	10100	0.0043	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.024	10120	0.0044	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.028	10140	0.0044	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.032	10160	0.0043	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.036	10180	0.0043	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.04	10200	0.0044	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.044	10220	0.0043	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.048	10240	0.0044	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.052	10260	0.0043	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.056	10280	0.0044	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.06	10300	0.0044	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.064	10320	0.0042	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.068	10340	0.0043	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.072	10360	0.0043	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.076	10380	0.0043	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.08	10400	0.0043	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.084	10420	0.0044	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.088	10440	0.0042	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.092	10460	0.0043	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.096	10480	0.0043	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.1	10500	0.0043	0.4131	0.7248	0.9443	0.5673	0.9022	0.7101	0.3982	0.7736	0.9652	0.4000	0.5649	0.8322	0.6020	0.6768
2.104	10520	0.0043	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.108	10540	0.0043	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.112	10560	0.0044	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.116	10580	0.0043	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.12	10600	0.0042	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.124	10620	0.0043	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.128	10640	0.0043	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.132	10660	0.0042	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.136	10680	0.0043	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.14	10700	0.0043	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.144	10720	0.0042	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.148	10740	0.0042	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.152	10760	0.0043	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.156	10780	0.0042	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.16	10800	0.0042	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.164	10820	0.0043	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.168	10840	0.0043	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.172	10860	0.0042	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.176	10880	0.0042	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.18	10900	0.0043	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.184	10920	0.0042	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.188	10940	0.0042	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.192	10960	0.0042	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.196	10980	0.0043	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.2	11000	0.0042	0.4191	0.7187	0.9443	0.5652	0.9001	0.7071	0.4007	0.7631	0.9605	0.3964	0.5631	0.8363	0.5962	0.6747
2.204	11020	0.0042	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.208	11040	0.0042	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.212	11060	0.0042	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.216	11080	0.0042	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.22	11100	0.0042	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.224	11120	0.0042	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.228	11140	0.0042	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.232	11160	0.0042	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.2360	11180	0.0041	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.24	11200	0.0042	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.2440	11220	0.0042	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.248	11240	0.0042	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.252	11260	0.0042	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.2560	11280	0.0042	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.26	11300	0.0042	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.2640	11320	0.0043	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.268	11340	0.0042	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.2720	11360	0.0042	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.276	11380	0.0041	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.2800	11400	0.0041	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.284	11420	0.0041	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.288	11440	0.0041	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.292	11460	0.0042	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.296	11480	0.0042	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.3	11500	0.0041	0.4129	0.7232	0.9443	0.5662	0.9020	0.7100	0.3936	0.7655	0.9750	0.3956	0.5633	0.8368	0.5952	0.6757
2.304	11520	0.0042	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.308	11540	0.0042	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.312	11560	0.0041	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.316	11580	0.0042	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.32	11600	0.0042	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.324	11620	0.0042	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.328	11640	0.0041	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.332	11660	0.0041	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.336	11680	0.0041	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.34	11700	0.0042	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.344	11720	0.0042	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.348	11740	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.352	11760	0.0041	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.356	11780	0.0041	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.36	11800	0.0042	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.364	11820	0.0041	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.368	11840	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.372	11860	0.0041	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.376	11880	0.0041	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.38	11900	0.0042	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.384	11920	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.388	11940	0.0041	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.392	11960	0.0041	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.396	11980	0.0041	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.4	12000	0.0041	0.4152	0.7204	0.9443	0.5601	0.8967	0.7104	0.3978	0.7688	0.9751	0.3918	0.5609	0.8368	0.5988	0.6752
2.404	12020	0.0041	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.408	12040	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.412	12060	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.416	12080	0.0041	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.42	12100	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.424	12120	0.0041	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.428	12140	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.432	12160	0.0041	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.436	12180	0.0041	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.44	12200	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.444	12220	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.448	12240	0.0041	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.452	12260	0.0041	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.456	12280	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.46	12300	0.0041	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.464	12320	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.468	12340	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.472	12360	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.476	12380	0.0041	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.48	12400	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.484	12420	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.488	12440	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.492	12460	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.496	12480	0.0041	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.5	12500	0.004	0.4194	0.7222	0.9443	0.5677	0.9031	0.7103	0.3955	0.7726	0.9708	0.3966	0.5573	0.8380	0.5966	0.6765
2.504	12520	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.508	12540	0.0041	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.512	12560	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.516	12580	0.0041	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.52	12600	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.524	12620	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.528	12640	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.532	12660	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.536	12680	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.54	12700	0.0041	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.544	12720	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.548	12740	0.0041	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.552	12760	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.556	12780	0.0039	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.56	12800	0.0041	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.564	12820	0.0039	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.568	12840	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.572	12860	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.576	12880	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.58	12900	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.584	12920	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.588	12940	0.0039	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.592	12960	0.0041	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.596	12980	0.0041	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.6	13000	0.004	0.4201	0.7257	0.9443	0.5676	0.9012	0.7103	0.3984	0.7577	0.9705	0.4011	0.5609	0.8366	0.5990	0.6764
2.604	13020	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.608	13040	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.612	13060	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.616	13080	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.62	13100	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.624	13120	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.628	13140	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.632	13160	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.636	13180	0.0039	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.64	13200	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.644	13220	0.0041	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.648	13240	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.652	13260	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.656	13280	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.66	13300	0.0041	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.664	13320	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.668	13340	0.0039	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.672	13360	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.676	13380	0.0039	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.68	13400	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.684	13420	0.0039	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.6880	13440	0.0039	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.692	13460	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.6960	13480	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.7	13500	0.004	0.4158	0.7244	0.9452	0.5662	0.9012	0.7042	0.3966	0.7709	0.9705	0.3919	0.5640	0.8370	0.5941	0.6755
2.7040	13520	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.708	13540	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.7120	13560	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.716	13580	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.7200	13600	0.0039	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.724	13620	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.7280	13640	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.732	13660	0.0039	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.7360	13680	0.0039	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.74	13700	0.0039	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.7440	13720	0.0039	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.748	13740	0.0039	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.752	13760	0.0039	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.7560	13780	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.76	13800	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.7640	13820	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.768	13840	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.7720	13860	0.0039	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.776	13880	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.7800	13900	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.784	13920	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.7880	13940	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.792	13960	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.7960	13980	0.0041	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.8	14000	0.0039	0.4230	0.7262	0.9443	0.5669	0.9028	0.7100	0.3930	0.7645	0.9750	0.3998	0.5635	0.8366	0.5975	0.6772
2.8040	14020	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.808	14040	0.0039	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.8120	14060	0.0039	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.816	14080	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.82	14100	0.0039	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.824	14120	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.828	14140	0.0039	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.832	14160	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.836	14180	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.84	14200	0.0039	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.844	14220	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.848	14240	0.0039	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.852	14260	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.856	14280	0.0039	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.86	14300	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.864	14320	0.0041	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.868	14340	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.872	14360	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.876	14380	0.0039	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.88	14400	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.884	14420	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.888	14440	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.892	14460	0.0039	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.896	14480	0.0039	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.9	14500	0.004	0.4177	0.7296	0.9452	0.5663	0.9012	0.7095	0.3917	0.7645	0.9708	0.3985	0.5609	0.8369	0.5952	0.6760
2.904	14520	0.0039	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.908	14540	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.912	14560	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.916	14580	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.92	14600	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.924	14620	0.0039	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.928	14640	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.932	14660	0.0039	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.936	14680	0.0039	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.94	14700	0.0039	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.944	14720	0.0038	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.948	14740	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.952	14760	0.0039	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.956	14780	0.0039	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.96	14800	0.0039	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.964	14820	0.0039	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.968	14840	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.972	14860	0.0039	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.976	14880	0.0039	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.98	14900	0.0039	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.984	14920	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.988	14940	0.0039	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.992	14960	0.0039	-	-	-	-	-	-	-	-	-	-	-	-	-	-
2.996	14980	0.004	-	-	-	-	-	-	-	-	-	-	-	-	-	-
3.0	15000	0.0039	0.4148	0.7296	0.9452	0.5670	0.9012	0.7089	0.3957	0.7645	0.9691	0.3987	0.5609	0.8372	0.5927	0.6758

Framework Versions

Python: 3.11.10
Sentence Transformers: 3.5.0.dev0
Transformers: 4.48.2
PyTorch: 2.5.1+cu124
Accelerate: 1.1.1
Datasets: 2.21.0
Tokenizers: 0.21.0

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"
}

PyLate

bibtex

@misc{PyLate,
title={PyLate: Flexible Training and Retrieval for Late Interaction Models},
author={Chaffin, Antoine and Sourty, Raphaël},
url={https://github.com/lightonai/pylate},
year={2024}
}

GTE-ModernColBERT

bibtex

@misc{GTE-ModernColBERT,
title={GTE-ModernColBERT},
author={Chaffin, Antoine},
url={https://huggingface.co/lightonai/GTE-ModernColBERT-v1},
year={2025}
}

ONNX Export

This repository contains an ONNX export of lightonai/GTE-ModernColBERT-v1.

ONNX Model Details

File: gte_moderncolbert.onnx
Opset Version: 14
Inputs: input_ids, attention_mask (dynamic batch size and sequence length)
Output: token_embeddings (batch_size, sequence_length, 128) - L2 normalized per-token embeddings

Usage with ONNX Runtime

python

import onnxruntime as ort
from transformers import AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained("thomasht86/GTE-ModernColBERT-v1-onnx")
session = ort.InferenceSession("gte_moderncolbert.onnx")

text = "Your text here"
inputs = tokenizer(text, return_tensors="np")

outputs = session.run(
    ["token_embeddings"],
    {"input_ids": inputs["input_ids"], "attention_mask": inputs["attention_mask"]}
)
token_embeddings = outputs[0]  # Shape: (1, seq_len, 128)