Sentence Similarity
Safetensors
sentence-transformers
Amharic
PyLate
xlm-roberta
ColBERT
feature-extraction
Generated from Trainer
dataset_size:76474
loss:Contrastive
Eval Results (legacy)
text-embeddings-inference
Instructions to use rasyosef/colbert-roberta-amharic-medium with libraries, inference providers, notebooks, and local apps. Follow these links to get started.
- Libraries
- sentence-transformers
How to use rasyosef/colbert-roberta-amharic-medium with sentence-transformers:
from pylate import models queries = [ "Which planet is known as the Red Planet?", "What is the largest planet in our solar system?", ] documents = [ ["Mars is the Red Planet.", "Venus is Earth's twin."], ["Jupiter is the largest planet.", "Saturn has rings."], ] model = models.ColBERT(model_name_or_path="rasyosef/colbert-roberta-amharic-medium") queries_emb = model.encode(queries, is_query=True) docs_emb = model.encode(documents, is_query=False) - Notebooks
- Google Colab
- Kaggle
File size: 117,042 Bytes
e063e5b 5ffbcc7 e063e5b a357541 e063e5b a357541 5ffbcc7 e063e5b 547ea25 e063e5b 547ea25 dc75479 547ea25 e063e5b dd0f681 e063e5b 2c4536f e063e5b 2c4536f e063e5b 2c4536f e063e5b 2c4536f e063e5b 2c4536f e063e5b dd0f681 e063e5b 60d7ec4 e063e5b 60d7ec4 e063e5b 60d7ec4 e063e5b | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 | ---
tags:
- ColBERT
- PyLate
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:76474
- loss:Contrastive
base_model: rasyosef/roberta-medium-amharic
pipeline_tag: sentence-similarity
library_name: PyLate
metrics:
- accuracy
model-index:
- name: PyLate model based on rasyosef/roberta-medium-amharic
results:
- task:
type: col-berttriplet
name: Col BERTTriplet
dataset:
name: amharic-passage-retrieval-dataset
type: amharic-passage-retrieval-dataset
metrics:
- type: mrr@10
value: 0.831
name: Mrr@10
- type: ndcg@10
value: 0.855
name: Ndcg@10
- type: recall@10
value: 0.928
name: Recall@10
- type: recall@50
value: 0.966
name: Recall@50
- type: recall@100
value: 0.976
name: Recall@100
- type: accuracy
value: 0.9754375219345093
name: Accuracy
language:
- am
datasets:
- rasyosef/amharic-passage-retrieval-dataset
---
# ColBERT-Roberta-Amharic-Medium
This is a [PyLate](https://github.com/lightonai/pylate) model finetuned from [rasyosef/roberta-medium-amharic](https://huggingface.co/rasyosef/roberta-medium-amharic). It maps sentences & paragraphs to sequences of 128-dimensional dense vectors and can be used for semantic textual similarity using the MaxSim operator.
## Training Code
This model was trained as part of our **ACL 2025 Findings** paper: ***Optimized Text Embedding Models and Benchmarks for Amharic Passage Retrieval***.
- **Models Collection:** https://huggingface.co/collections/rasyosef/amharic-text-embedding-models-679cb55eae1d498e3ac5bdc5
- **Code:** https://github.com/kidist-amde/amharic-ir-benchmarks
- **Paper:** https://arxiv.org/abs/2505.19356
## Model Details
### Model Description
- **Model Type:** PyLate model
- **Base model:** [rasyosef/roberta-medium-amharic](https://huggingface.co/rasyosef/roberta-medium-amharic) <!-- at revision 9d02d0281e64d6ca31bd06d322e14b0b7e60375b -->
- **Document Length:** 256 tokens
- **Query Length:** 32 tokens
- **Output Dimensionality:** 128 tokens
- **Similarity Function:** MaxSim
<!-- - **Training Dataset:** Unknown -->
<!-- - **Language:** Unknown -->
<!-- - **License:** Unknown -->
### Model Sources
- **Documentation:** [PyLate Documentation](https://lightonai.github.io/pylate/)
- **Repository:** [PyLate on GitHub](https://github.com/lightonai/pylate)
- **Hugging Face:** [PyLate models on Hugging Face](https://huggingface.co/models?library=PyLate)
### Full Model Architecture
```
ColBERT(
(0): Transformer({'max_seq_length': 255, 'do_lower_case': False}) with Transformer model: XLMRobertaModel
(1): Dense({'in_features': 512, 'out_features': 128, 'bias': False, 'activation_function': 'torch.nn.modules.linear.Identity'})
)
```
## Usage
First install the PyLate library:
```bash
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="rasyosef/colbert-roberta-amharic-medium",
)
# 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", "4", "5"]
documents = [
"á áµááᜠá°á« áá¢áµá®áµá« ááááᜠášááœá áµááá á áááááµ ášáá«ááá á áá³á á©á£áá« á°á£á£áª áá¥á«áœ ááᢠáááá«áá á ááá á«á°ášáá áá³á á á¥á«á ášá ááŽááºá«á á¢áá°ááááµ áá á á¥á¥á
áá°á³á°á«áᢠá áµááᜠášá ááµ áá ááµ á¥ááá³ ááᢠá ááªá« á¥á á»áá áµáááá³á°á©á áµ áŽáááá á¥á áá ááªá« áµáááášá ááá³ á¥ážáŽ á áá á áááá®á³áá¢",
"ášá°á°ááá áá¬áµ áááá¥áᥠá áá á áá ááá á¥á³áµ ášáá¬áµ ááµá¥ á²áá á³áá·áá¡á¡ ášáá¬áµ ááµá¥ á¥á³áµá ááµ ášáá°áá á¥áááá± áᬠááá³áá 11 á°ááµ ááµá ášášá£áµ ááá³á³ á ááášá°áµá°áá áááá ášá ášá£á¢á áááªáᜠá¥á á£ááµáá£ááµ áá¶áŒ á¬á á°ááášááá¡á¡ á ááµ ášáá«ááá¥á á¥á³áµ áá ášá°á£áá á¥áááá± á ááá áá¢ášá± (áá 03) á±áá» áášá³ á°ááá¶ áá á áášá°á±á ášááá¹áµ ášá ášá£á¢á ášá áá á¥ááᜠášááá ááá³á³ á á°ášá᪠á ááªá«á á°ášá᪠ááá³á³áᜠáá³ášáµ áá¥áá á£á áážáá¡á¡",
"á ááášáá á¢áµá®áµá« ááá ááµá« áá áဠáášá³ á ááá 12 áá ááᜠáá ášá³á ášáááá¥áµ á áááááµ ááµá« á°áááµ á ááá á ášáá á áááá³ážá áážáá«ážáá áááªáᜠá ááášá±á¢ ášá£ááá áááµ ááá® ášá€áᣠášáµáá
ááµ á¥á ášáá¥á á á°á£á°á¥ á¥á«áᜠá ášá á«á£á¢á«ážá á¥ášá°ášááá á ááááážááá áá¶áŒ á¬á á°ááášááá¢",
"ášááᥠá°áá«á®áœ ááá á€áµ á á£á á¥á ášáá á®áᎠá°á¥á³á¢ ášáá á©áµ á á¶ áááµá²á«á á³á°á á¥á ášá áá« ááá ááá á€áµ á á£á ášáááµ á á¶ á®áááµ á§á«áá ášááá² áá° áááአáášáá« á€áµ áááá«ážáá á á áážá á°ááá©á¢",
"áš15 ášá°á£á á©áµ áááá¥á³áµ ášážá¥á³ á¥á á ááá á€áµ á á£ááµ áá«ášá áµáááµ ááᥠá áá ášá áµáᜠá á°á£á¥ áá á ášáá³á áá³á¡á á°ááááᢠášáá³á áá³á¡ á«ááá ášáµáá áµáᜠáááœá°á
ášáá«áµáááá áá
á°áá ááᢠáµáµáµáµ ááá«áµ áááµá á©á²á«á£ á»ááᣠá áááªá«á£ áŽá« áá®áᣠá¶ááá« á¥á ááªáµá³á áµááž á°áá
አá áµááááá¢",
]
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(
[
"ášážá¥á³ á¥á áá ááá á€áµ á á°á¡á¥ á±á³á áá ášá°á£ááá ášáŠá áá£áªá« áááᥠááááµ á á«áá",
"ášá°á°áááá ášáá¬áµ áááá¥áá¥á ášá¥á³á° ááá« ááááµ á á áá ááá"
],
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 = [
"ášážá¥á³ á¥á áá ááá á€áµ á á°á¡á¥ á±á³á áá ášá°á£ááá ášáŠá áá£áªá« áááᥠááááµ á á«áá",
]
documents = [
[
"á áµááᜠá°á« áá¢áµá®áµá« ááááᜠášááœá áµááá á áááááµ ášáá«ááá á áá³á á©á£áá« á°á£á£áª áá¥á«áœ ááᢠáááá«áá á ááá á«á°ášáá áá³á á á¥á«á ášá ááŽááºá«á á¢áá°ááááµ áá á á¥á¥á
áá°á³á°á«áᢠá áµááᜠášá ááµ áá ááµ á¥ááá³ ááᢠá ááªá« á¥á á»áá áµáááá³á°á©á áµ áŽáááá á¥á áá ááªá« áµáááášá ááá³ á¥ážáŽ á áá á áááá®á³áá¢",
"á ááášáá á¢áµá®áµá« ááá ááµá« áá áဠáášá³ á ááá 12 áá ááᜠáá ášá³á ášáááá¥áµ á áááááµ ááµá« á°áááµ á ááá á ášáá á áááá³ážá áážáá«ážáá áááªáᜠá ááášá±á¢ ášá£ááá áááµ ááá® ášá€áᣠášáµáá
ááµ á¥á ášáá¥á á á°á£á°á¥ á¥á«áᜠá ášá á«á£á¢á«ážá á¥ášá°ášááá á ááááážááá áá¶áŒ á¬á á°ááášááá¢",
"ášááᥠá°áá«á®áœ ááá á€áµ á á£á á¥á ášáá á®áᎠá°á¥á³á¢ ášáá á©áµ á á¶ áááµá²á«á á³á°á á¥á ášá áá« ááá ááá á€áµ á á£á ášáááµ á á¶ á®áááµ á§á«áá ášááá² áá° áááአáášáá« á€áµ áááá«ážáá á á áážá á°ááá©á¢",
"ášá°á°ááá áá¬áµ áááá¥áᥠá áá á áá ááá á¥á³áµ ášáá¬áµ ááµá¥ á²áá á³áá·áá¡á¡ ášáá¬áµ ááµá¥ á¥á³áµá ááµ ášáá°áá á¥áááá± áᬠááá³áá 11 á°ááµ ááµá ášášá£áµ ááá³á³ á ááášá°áµá°áá áááá ášá ášá£á¢á áááªáᜠá¥á á£ááµáá£ááµ áá¶áŒ á¬á á°ááášááá¡á¡ á ááµ ášáá«ááá¥á á¥á³áµ áá ášá°á£áá á¥áááá± á ááá áá¢ášá± (áá 03) á±áá» áášá³ á°ááá¶ áá á áášá°á±á ášááá¹áµ ášá ášá£á¢á ášá áá á¥ááᜠášááá ááá³á³ á á°ášá᪠á ááªá«á á°ášá᪠ááá³á³áᜠáá³ášáµ áá¥áá á£á áážáá¡á¡",
"áš15 ášá°á£á á©áµ áááá¥á³áµ ášážá¥á³ á¥á á ááá á€áµ á á£ááµ áá«ášá áµáááµ ááᥠá áá ášá áµáᜠá á°á£á¥ áá á ášáá³á áá³á¡á á°ááááᢠášáá³á áá³á¡ á«ááá ášáµáá áµáᜠáááœá°á
ášáá«áµáááá áá
á°áá ááᢠáµáµáµáµ ááá«áµ áááµá á©á²á«á£ á»ááᣠá áááªá«á£ áŽá« áá®áᣠá¶ááá« á¥á ááªáµá³á áµááž á°áá
አá áµááááá¢",
]
]
documents_ids = [
[1, 2, 3, 4, 5],
]
model = models.ColBERT(
model_name_or_path="rasyosef/colbert-roberta-amharic-medium",
)
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,
)
```
<!--
### Direct Usage (Transformers)
<details><summary>Click to see the direct usage in Transformers</summary>
</details>
-->
<!--
### Downstream Usage (Sentence Transformers)
You can finetune this model on your own dataset.
<details><summary>Click to expand</summary>
</details>
-->
<!--
### Out-of-Scope Use
*List how the model may foreseeably be misused and address what users ought not to do with the model.*
-->
## Evaluation
### Metrics
#### Col BERTTriplet
* Evaluated with <code>pylate.evaluation.colbert_triplet.ColBERTTripletEvaluator</code>
| Metric | Value |
|:-------------|:-----------|
| **accuracy** | **0.9754** |
<!--
## Bias, Risks and Limitations
*What are the known or foreseeable issues stemming from this model? You could also flag here known failure cases or weaknesses of the model.*
-->
<!--
### Recommendations
*What are recommendations with respect to the foreseeable issues? For example, filtering explicit content.*
-->
## Training Details
<details><summary>Click to expand</summary>
### Training Dataset
#### Unnamed Dataset
* Size: 76,474 training samples
* Columns: <code>query_id</code>, <code>passage_id</code>, <code>query</code>, <code>positive</code>, <code>negative_1</code>, <code>negative_2</code>, <code>negative_3</code>, and <code>negative_4</code>
* Approximate statistics based on the first 1000 samples:
| | query_id | passage_id | query | positive | negative_1 | negative_2 | negative_3 | negative_4 |
|:--------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|
| type | string | string | string | string | string | string | string | string |
| details | <ul><li>min: 22 tokens</li><li>mean: 28.29 tokens</li><li>max: 32 tokens</li></ul> | <ul><li>min: 22 tokens</li><li>mean: 27.35 tokens</li><li>max: 32 tokens</li></ul> | <ul><li>min: 6 tokens</li><li>mean: 15.67 tokens</li><li>max: 32 tokens</li></ul> | <ul><li>min: 32 tokens</li><li>mean: 32.0 tokens</li><li>max: 32 tokens</li></ul> | <ul><li>min: 32 tokens</li><li>mean: 32.0 tokens</li><li>max: 32 tokens</li></ul> | <ul><li>min: 32 tokens</li><li>mean: 32.0 tokens</li><li>max: 32 tokens</li></ul> | <ul><li>min: 32 tokens</li><li>mean: 32.0 tokens</li><li>max: 32 tokens</li></ul> | <ul><li>min: 32 tokens</li><li>mean: 32.0 tokens</li><li>max: 32 tokens</li></ul> |
* Samples:
| query_id | passage_id | query | positive | negative_1 | negative_2 | negative_3 | negative_4 |
|:----------------------------------------------|:----------------------------------------------|:---------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| <code>0ca6be67788e87a3c1d4719a9b75fbac</code> | <code>84e77970cceefd0e0f5ee539e4064239</code> | <code>ášáá áá áááŠáœ ááá áááá« á® ááµáá á ááá á á©ááµá® áááµáááᥠá¥ášá°á°á« ááá á°ááá</code> | <code>á á²áµ á á á£á£ ááµášášá 12ᣠ2013 (á€á.á¢.á²) ášáá áá áááŠáœ ááá áááá« á® ááµáá á ááá á á©ááµá® áááµáááᥠá¥ášá°á°á« ááá á°ááážá¡á¡ášáá á£á
á á±áªáá á¥á áµáááµ áááªá« ááá á á¶ ááá á ášá á¥áá³ááµ ášáá áááŠáœ ááµáá á áá á á áá á±áªáµá¶áœ ášááá á áááµášá á ááášá£ášá¥ á á©ááµá® áááµáááᥠáµá«áᜠá¥ášá°á°á« áááá á°ááášááá¡á¡á áá
áááµ ášáá°á ášá±áªáµáµ áá°áµ ááá©á ášá°ááá©áµ á á¶ ááá áá
á ášááá á áá á á£á¶áœ á¥ášáµ áá á¥áááá¡á¡á áá
á ášáá áá á°áá á ááá ášá±áªáá ááá áš98 ááášá á¥á á áá áááá±á ášáá ááááµáµ á®ááá¬áœá áášá á«áááá áášá á«áááá³áá¡á¡ášáá áá áááµá á áµá°á³á³áª á á¶ á¥ááá ááᎠá á á©áážá áá ášá áá«á³ ášá±áªáµáµ ááµá
áŠáœ ááá áááá áááááá¢á°áá á²á á á
á£á
áᣠáááœá£ ášá°áá¥á® á¥á á°á á°á«áœ ááµá
áŠáœá áá áá ááᥠá¥áá²á°ááá
á¥áµá á ááá á á€ááá ááá á¢á®áááá áá
á á«á á¥áµááµ áá ášáá°á áµáá» á«áá ááááá áááááá¡á¡</code> | <code>á á²áµ á á á£á¡- á áá«á á£á
áá á¥áŽá¶áœ á³áá ášáá á³áášáá± áá áᥠáá°á áᣠáá á á
á ááá£á áµáááµ ááµá°ááá á¥áá°ááᣠá°áááá¡á¡ášá¢á¬á» á ááá áááá«áµ á ááµášá ášá°áááá á€ááá¢áœá á¥á á£áá áµáááµ á á¢ááá¢áœá<br>áá¥ášá á áá á°ááá á á°ášáá°á áµ áá
áµ ášá¢ááŽáª á£á
áá á±áªáá áááµáµá á¶áá°á áá©áµ á«á³á á¥áá°ááááµá£ á áá«á á£á
áá<br>á¥áŽá¶áœ á áááᣠá
áá¥áá áµáááµá ášááá ááá ášáá«á»áá© á³áá
á¥á á¥á á¥áááµ áážáá¡á¡á¥ááá
á á£ááá á¥áŽá¶áœ á á áá£á¡<br>á°áášá£áአáá áá á°áá á£áááµá£áá
áᥠáá
áᥠáµáµáµá á¥á á¥áµááµ ááá á áá á«áá áµáááµ áá á ááá¡á¡áááµáŽá ááµáªá« á€á±á ášáááá ášá ááªá± á£á
áá á¥áŽá¶áœ ášááášá£ášá¥ á£ášáá á á
á ášááááµ áµá«áᜠá¥á«ášááá áááá<br>ášá áááµ áááµáµá¯á£â¹â¹áá
áµáááµá á£á
áá á¥áŽá±á á³áá áá á³áášááµ áá°á áá£áá á á
á ááµá°ááá ááá£ááâºâºá¥áááá¡á¡ášáŠá®áá« ááá áááµá ááá° ááµá°á³áµá á á¶ áœáááµ á á¥á²á³ á á á©áážáᣠá¢á¬á» á©ááá«á á ᥠá¥áá°áááá±á£ ášá°ááá£<br>ášáá
á ášáá
áá³ ášá ááµááµá ášáá°á£á á á£á
á ááááá á á¥á«áá°ááá¡á¡ á á áá áá
áµá ááá á¥áá á¥áášá°áŠáœ ášá«á³ážáá á£á
á<br>ášááá áá ášááášá£ášá¥ á á°áá°á á¢á¬á»áá â¹â¹ášá¥á ááâºâº á áá á¥á«ášá ášá á¥áá°ááá á°ááášááá¡á¡ášá¢á¬á» á áá á ášá£á á á¥ášááá á°<br>á áᣠáá¥á ášááá á¥ááᣠá¥áášá°áŠáœá á
ááŠáœ á°á³áµá á áá«á áá áášáá©á á«áµáááá¡áµ á á¶ áœáááµá£ áááµá®á á áá á á°áá<br>á¥á á á°áµá³ á áá« á¥áá°áášá á á áµá³ááááá¡á¡ á¢á¬á»á ášáá® ááᜠášá¢áµá®áµá«<br>á±á£ á£á
áá á¥áŽá¶áœ á³áá ášáá á³áášáá± áá áᥠááá°á áá ááá á á
á¥á áááµá°ááá
ááá á áµá¥á¥á áá°á« á¥áá°ááᣠá áµáááá ááá¡á¡<br>ášá¢á¬á» á ááá áááá«áµ á ...</code> | <code>á á²áµ á á á£á£ á³á
á³áµ 29ᣠ2012 (á€á.á¢.á²) ášá ážáá³á£ á»á°áᣠá ážááµá¬á£ á¶ááᣠááªá«á ááá á᪠á áá á á°á£á á©áµ ááááµá³áµ áµáá
áµ ášáµáá
ááµá£ á³áááµá á£á
á áµáá
áµ (á©ááµá®) ášááá³á°áµ á
ááµ áá á¥áá²áááᥠášááµáášá« á°ááµ ááá
áµ áá áááá ášá
ááµ á¥ááµá á¥á á á£ááµáá£á á áµá³áááá¢ášá£ááµáá£á ášá£á
á á°áá«á᪠á á¶ ááážá ááá ášá ážáá³á£ á»á°áá á ážááµá¬ ášáááášá¶áœ á áá á á©ááµá® á¥áá²áááᥠá áá«á³ áµá«áᜠáášáááážáá á áµá³áá°ááá¢á á áá á°ááµá á áá á ááá³á± ášá°á ááᜠáá«á á
ááµááµ á¥áá²áááᥠášááµáášá« á°ááµá á áµááá á¥áá¶áœ ááá
áµ á°á áá á ááá ááá¢áµ áá á¥áá°ááá áááá»ážáá á¢áá ááá§áá¢á áá á ááááµá³á± áµáá
áµ á ááá³á°áµ á
ááµááµ á¥áá²áááᥠášááá°á ášáá ášá¢áµá®áµá« á ááµá°áá ášááá³á°áµ ášááá ášá°á ááᜠáá«á á
ááµ ááááá¢ášá£á
áá á±áªáá áááµáŽá ášá
áᥠáááááµ á³áá¬áá°á á á¶ á¥áá°áá á°á³áá á á á©áážáᥠá¢áµá®áµá« á«ááµ ášá°áá¥á®á£ ášá³áªáᣠášá£á
á áá¥áµá á á
á á áá»á á á±áªáá ášáááááá á«á
á á ááá ááá á°ááášááá¢áááá á á áá áá
áµ 8 ášááá á³ááá
á¥áá³áᣠá³áªá«áá á£á
áá á
áá¶áœ á á©ááµá® ááá«á áááᥠáá á°áášá á¥áá°ááá á ááááá¢ášá ážáá³á£ á»á°áᣠá ážááµá¬á á¶áá á áá á á©ááµá® ááááᥠáááªá· ášá±áªáá ášáá³áááá áᢠášáá³á°á á£á»áá ášá áá«á ášáµáá«á ááááœá á
ááŠáœ áá áᥠášáá«áá«áá¥á ášáá«áµá°á³áµá á¥áá°ááá áá á ááá¢á¢áµá®áµá« á á©ááµá® á ááá³á°á± ášá°á ááᜠáá«á á
ááµááµ á«áµáááá á»ážá á áááµ ášááµáá á°áá«á£ ášá¥áááµá£ áጠášáá áá á¥á ášáá³ áµáááµ áááážá áá³áááá¢</code> | <code>á
áá
á ᣠá
á³á 30 /2006/áá¢á/ â á ášááá± á
á³á 29 áá ášáášá ášá á
á-ááááµá± ášáá°áá áµ ášá¥áá®áœ á¥áášá°áŠáœá á
ááŠáœ á áá áá±áªáá á¢áá±áµáµáªá á¥áµááµ ášáá°á á áµá°áá
አá¥áá°ááášá ášá£á
áá á±áªáá áááµáµá á á¶ á áá á á¥á±áááµá áááá¡á¡áááµáµá© á á°áá áááá³ á¢áááááœá ááášá á¥áá°ááááµá€ ášá¥áá®áœ á¥áášá°áŠáœá á
ááŠáœ á£á
áá á áá£á áµá£ á áááá¥á á£á
áá áááŠá»ážáá á ááá á áá á°ášá á³áá á ááµášá ášáááªá±á ášá±áªáá ááá ášáá³áááá ášá᪠áááᬠáᢠáá³á°á ááá£áá¡á¡ášá¥áá®áœ á¥áášá°áŠáœá á
ááŠáœ á£á
áá á
áá¶á»ážáá á á¥á áááášáµ ášáá«áµáœá ášá£á
á ááášááµ á ášááá á¥ášá°ááᣠáááá ášááááµ áááµáµá©á€Â á
áá¶á¹ á°á á¥áá áááªá áµáááµ á ááµá°ááá á á©áá ášááášá ááá³ ášáá áá á²á á°ááášááá¡á¡á á°ááá á á¶áá ááá 8áá ášá¥áá®áœ á¥áášá°áŠáœá á
ááŠáœ á áá áášá á© ášášáá°á á¥áµáš á³á³á áááᜠá ááá áááá á ášáá«áµáœá á á
á á¥áá³áážá ášáá«á³á áá á«á á ááဠá áá á á¶áá ááá áášá á© á°áá áµá á¢áµá®áµá« á¶áá á¥áá®áœ á¥áášá°áŠáœá á
ááŠáœ á áá«á³ ááá®áœá á¥áá²á«áá á¥áá°áášá³ážá á áááဠááᜠááááœá ášá¶áá ááá ááá
áµ á áá«á³ ášá°ááá® ášáááµ áááᥠá¥áá²á«áá á¥áá°áá«áµáœáážá áááµáµá© áááá«ážáá ááá³ á¢áááááœá ááášá ááá§áá¡á¡</code> | <code>âáᬠá á³áá
áµáááµ ášááášá¥ášá ášá¥áááµ á áá á á áá á
ááµááµ á á°áááá á áµ áá
áµ ááâ á¶áá°á áá©áµ á«á³áá£áá á³áá¡ á¥á 11/2013 á.á (á á¥ááµ) âáᬠá á³áá
áµáááµ ášááášá¥ášá ášá¥áááµ á áá á á©ááµá® á ááá á ááá³á°áµ áá«á á
ááµááµ á á°áááá á áµ áá
áµ ááâ á²á ášá£á
á á¥á á±áªáá áááµáµá á¶áá°á áá©áµ á«á³á ááá¹á¢á¶áá°á áá©áµ áᬠá á á²áµ á á£á áá áá³ á¥ášá°ášá áš á áááá ášá¥áááµ á áá áá á°ááá°á áá¢áµááµá«áá«á ášá¥ááá± á°ášá³á®áœ ášá¥áá³á á á°ášá³áœá áááááµ á áµá°áááááá¢ášá¥áááµ á áá á ááá«áœá ášááá°áµ á¥á ášáááá
ááá³á á áá áá á¥áááá¢á áá áá
áµ ášá¥áááµ á áá á©ááµá® á ááá á ááá³á°áµ áá«á á
ááµááµ ášá°áááá á ááµ áááµ á ááá³á áá á«ááµá¢âá áᜠáᥠááá ášáááá á¢áµá®áµá«áá«á ášáá°ááµ á¥ááµ á¥á á áŠá¶á»áœáá á±ááµ á°ášáá áá€á°áášá£áá á á¥á á á¥áá áá°ášá³á áµáááµ áá»áá á áá¥áâ á áááµ á°ááášááá¢áááµáµá¯ ááá
á°áá ááááá³á á áµá°áá
á®ááœá á ááᣠááá
á¥áá°ááá£á á á°áá£á ááá á áµáááá áá á«ááµá¢á¶áá°á áá©áµ á¥áááµá ášáá® á ááá«áœá ášá°áá«á© á á«á£á¢áᜠášáášá á© á£á
ááá áá ááááá³á á áááµ á áášá á©á áµ áá
áµ á áá« á¥á á áá°ááá ášááá á á£á
áá á¥áŽá¶áœ ááá«ážáá á á
á°ááá¢âáá£áª á«á áá
á á ááááá áá
áá á áµááµááá€á áá³áœá ááááœá áᥠá áááဠá¥ášá°á°áááá ášáá
á«áœáá ááá«á ááá áá°ášá³á áµáááµ ááµášášá¥ áá á á
á¥ááâ á¥áááá¢ášá£á
á á¥á á±áªáá áááµáµá¯ á á°ááá ášáááááµ á á£á¶áœá á¥á ášáµá á¥ááµá á á£á¶áœá ááá á ááµááµ á ááᣠáá°áá á ááá£á á áááµ á°ááášááá¢âááá ááá áá á á ášáá£áá á ááµá¡ á ááá© á°áᜠá°áá£á á ááá áá...</code> |
| <code>0ca6be67788e87a3c1d4719a9b75fbac</code> | <code>84e77970cceefd0e0f5ee539e4064239</code> | <code>ášáá áá áááŠáœ ááá áááá« á® ááµáá á ááá á á©ááµá® áááµáááᥠá¥ášá°á°á« ááá á°ááá</code> | <code>á á²áµ á á á£á£ ááµášášá 12ᣠ2013 (á€á.á¢.á²) ášáá áá áááŠáœ ááá áááá« á® ááµáá á ááá á á©ááµá® áááµáááᥠá¥ášá°á°á« ááá á°ááážá¡á¡ášáá á£á
á á±áªáá á¥á áµáááµ áááªá« ááá á á¶ ááá á ášá á¥áá³ááµ ášáá áááŠáœ ááµáá á áá á á áá á±áªáµá¶áœ ášááá á áááµášá á ááášá£ášá¥ á á©ááµá® áááµáááᥠáµá«áᜠá¥ášá°á°á« áááá á°ááášááá¡á¡á áá
áááµ ášáá°á ášá±áªáµáµ áá°áµ ááá©á ášá°ááá©áµ á á¶ ááá áá
á ášááá á áá á á£á¶áœ á¥ášáµ áá á¥áááá¡á¡á áá
á ášáá áá á°áá á ááá ášá±áªáá ááá áš98 ááášá á¥á á áá áááá±á ášáá ááááµáµ á®ááá¬áœá áášá á«áááá áášá á«áááá³áá¡á¡ášáá áá áááµá á áµá°á³á³áª á á¶ á¥ááá ááᎠá á á©áážá áá ášá áá«á³ ášá±áªáµáµ ááµá
áŠáœ ááá áááá áááááá¢á°áá á²á á á
á£á
áᣠáááœá£ ášá°áá¥á® á¥á á°á á°á«áœ ááµá
áŠáœá áá áá ááᥠá¥áá²á°ááá
á¥áµá á ááá á á€ááá ááá á¢á®áááá áá
á á«á á¥áµááµ áá ášáá°á áµáá» á«áá ááááá áááááá¡á¡</code> | <code>ášá¢á¬á» á áá á á¢áŸáá± ášá°á áá« á áá°á² ááá
á áµáááµ á°ášá¥á¯áá¢á á£á
áá á áá£á³áµ á«ážá ášá á ᣠáá³ááœá£ áá£á¶áœá ášá°áá«á© ášá
á¥áá°á°á¥ áááᜠášááá± 11:00 á°ááµ ááá® áá° áµáá«á á áá
ááµ Â ášá¥á¬áá ááá ášááµáá áµáááµ á áµáá°ááá¢ášá¢á¬á» á áá á áááµ áŠá³á áá
á¶áœ á°ášááá áášááááá¢á áá°áá á áášáá± Â ááá¢á« á á°á«á« áá ášáá«ááµ á²áá áá
á á¢á¬á» á±á ášáá áá áªá« á ááá¡á¡áááá á°áá  áášááµ á áá ážá°á© á²áᣠá á¢áŸáá± áá« á áá°á² ááá
ášááážáá á¥áááµ ááá¡á¡á áŠá®á á
áᥠáááµ ášá¥ááµ ááá® ášáášáá± áá° á áá á¥ááá  á á°áá áážáááá áááá«áµ á ááµášá á ášááá± á ááµášášá áá áášášá» ášáášá ášá ášá¢á¬á» á áá áááµá®á á áµáááµ á°ášá¥á¯áá¢ášáŠá®á á ᣠáá³áᜠá
á¥ášáµ á á£ááµ á áµáá«á á°ááá°á ášá ááá áµáááµ á ášáááááá¢á ᣠáá³ááœá áááá áá á ááá ááµáá á á
áá ááဠááªá áá áá
á¥ášá°á°á¡ á¥á áá ááªá· ášá°á³á« á¥áá²áá ááááµ á áµáá°ááá¢ááá ááá á ááµáá±á á á¥á á á°ááá á áá
á á°ášá£á¥á® ášáááá áµ á¥áá²ááá á°ááá°ááá¢ášá áá á³á³ááᜠá á£á
á áá°ášáµ á£á
áá ááááœá á¥á«ááᣠášáááá ááááµ ášáááá á¥áá¥á¥ áá€áá á á°á á á ᣠá áá«á áá° ááá ááá°á á ááá á á°áá á áá¥ášá á°ááá°ááá¢ášá¢á¬á» á áá ášáŠá®á á
áᥠáááá°áá á
áááµá á¥áµááµ áá ááááµ á«áážá áááá«áᜠáá«ášá ášáá ááµá ášá°ááᣠášá¥áá
áá á¥á ášááá°áµ áµááá á«ááᣠáá áááá ááµáá ášáááá¥á áµ Â ááá¢(á¢áá )</code> | <code> á á¢áµá®áµá« á¶áá ááá á ááá
ááµ á
á³á 29 ášáášá ášáá ášá¢áµá®áµá« á¥ááᣠá¥áášá°áŠáœá á
ááŠáœ áá á áá á á°áá
ááá³ áááá á á°á ááá
áµ á¥á«á°ášá áááá ášá
á
á ášá°á áááªáᜠááá¹á¢á ášááá± ášáášá ášá ášá¢áµá®áµá« á¥ááᣠá¥áášá°áŠáœá á
ááŠáœ áá á áá á
á³á 29 á á¢áµá®áµá« á¶áá ááá á ááá
ááµ á8á áá á á
á
á ášá°á áášá á«áá¢ášá
á
á ášá°á áááªáᜠá á°á¡áµ á áµá°á«ášáµá€ á á á
áá¡ á ášá°áážá á áµá°ááá
ááµ ášáášá ášáá ášá¥ááᣠá¥áášá°áŠáœá á
ááŠáœ áá á áá á á°áá
ááá³ áááá á ášááá ááááµáµ áá á ááá ášá°áá«á© ááá
á¶áœá á ááµášá áá áááážáá á°ááášááá¢ášááá ááááµáµ áááá¡ á¥ááá¶áœ ášáášáá« áŠá³ááœá£ ášáá°á¥á°á¢á« á á³á«áœá£ ášáµá³á²ášá ááµááá« á¥áá²áá ášášá°ááá ášááµá¥ áááµá¥ ááááµ á áááá£áµ á°á á¥ášáµ á¥á«á°ášá áááá áááªáá¹ ááážáဠášášá°áá áááªááœá á á«á£á¢á«ážáá á ááœá³áµá ášá á«á£á¢á«ážáá á°áá áá
á¶ á áá á á
á«áá°áá á á¥ášáµ á¥á«á°ášá áááá á ášááá ááá¢á¡áá á¢á¥á«áá á á¥á² ášá°á£ááµ ášášá°áá áá᪠á á°á¡áµ á áµá°á«ášáµ âá á áá ášá°á³á³ááᜠáá áááá á á áááµ á¥ášá á á
á ááâ á²á ááážááá¢á á¶ á°ááá ááá áááááµ á á á©áážá âá
á³á 29áá áááá á áµáá
ááá
áµ á áµááááᢠá
á³á 29 áá áµáá
áá ááµá¢ á á°ášááªá áá¶áá á¥áášá°á¥ á¥áá²áá áá¢áµá®áµá« á¥áášá°áŠáœ ášá ááµááµá£ ášá°ááᣠášáá
áá ášá°áµá³ áá á ááá ááááœáá ášá°áá áá ááá€á¥áá á¥ááµá£ááᢠá á
á ááááµá³áœáá á á©á á¥áá áááá á¥áá á¥áášá°áŠáœ á¥á©á ášááᜠáá áááµ ááᢠá á¶áá ááá á áášá á© á á áá¬á£ á ášá°áᬠáµáá°ášá áš áµáá
á°áµá³ á°á°áá¶ááá¢ââá
á
á á áá°ášá± á á«á· ášá¥ááᣠá¥áášá°áŠáœ á áá ááµá¡á¡ á
ááŠá¿...</code> | <code>ášáŠá®á á á£áá³áᜠá
á¥ášáµ á¥áá°ááááµ ášáá
á á«á á¥áµáš ááá²á«á á£á áá³á®áœ á áááá£á£áµ ááµá¥ ášáá¡ ááᜠáá
á á¥áá²á£á£á á¥áª á á
áá ááá¢ášá¢á¬á» á ááá á á°ááášá° ášáá« áááá á¢á¬á» á ááµášášá 24/2012 á.áဠášáá« á áá°áŽ á¢á¬á» á ááµášášá 25/2012 á.á á¥áá°áášá á á°ááá§áá¢<br> </code> | <code>á á²áµ á á á£áŠá á
áá áááµáµá áá¢á á á
ááµ ááá á°á áá²á³á ášá£á
á á á£á¶áœ á¥á áœááááᜠáááááµ á°áᢠá ááá á ášá€á± ááᣠá¥áá¹á á áá³á á¥á£ ááá±á á áá á á
á áááœáá á ááá³áµ á ááá á¥áá²á«ášá¥á© á¥áª á áášá¡á¢<br>á á
áá áááµáµá© ášáጠášáá áá á ááá á áµáááá°á á£áµá°ááááµ ášá¥áá³á á á°ášá³áœá ááááᵠဠášá²á³á áœááááᜠášáá
á±á ááá³ á áášá³áµ á áá á á€áµ á¥áá²ášá á á«áµá°ááááµ áááááµ áááá«ážáá áááá£ážá áááááµ ášáá°áážá á€ášá°á ááááµ ášááá³ážá áááá á«á³á©á áµ áááµ á ááá á áµááá³ážáá ááážááá¢<br>ášáጠášáá áá á áá ášá á®áá áááµ áá° á á²á± áµáážááášá ááµááᣠááªáá áááµ ášá°ááᣠášáá
á á¥á ášá¥ááœáá á¥áá²á«á°áááá áááᣠááá£áª ášáááá¥á áµ á áá ááᢠášá°á£á ááá
á«ááá±á á³áဠáá£áª ááœááááᜠášá°á£ážá á¥áááµ ááá ááá áážáá á³áဠááááµá ášá¥á¶áœ á áá á áááá á³á á¥áááá¢<br>ášáጠášáá áá á áá ášá¥á ááá áá ášáá ášáá á¥áá³á ášááááµ áááááµ á«ááášá° áá á«ááµ á á
á áááµáµá© ᣠáœááááá¹ ášá ááá áááµ ášáááµááµ ášáá¬áµáᣠášááááᣠášášášááá ášášááá¥áµá á¥ááá° áá°áµ á áááášáµá ášá¥ááá
á á á«ááµ á
áá
áµ á áá¥ááµ á¥áá°ááá á áááá°ááá¡á¡<br>á áጠášáá áá áá áœááááá¹ ášáá°á¡áµ ááá á°á£áµ á¥á
á áá³á á áá ááŽá¶áœ áá ášá°áá ášá± áááá á áááá°áဠá¥áá±á ááá¡ á ááá® á¥áá²á á«á£ á ášááá«áá á¥áá²á«ášá¥áá á¥áá²ášá³á£ ááá á áá áááœá á¥áá³áááá¥á£ á¥áá²ášá£ášá¥á€ á°áᜠášáµááá á¥áá²ááᣠáááá á¥áá²ážášáᣠášáµáááµá á áá°áµ ášáááµášá á¥áá²áá á¡ áááá«áá¢á áá á ááááµ á°á«áá áááá á«áµá°áá«áá¢ááá«á á áµá°á³á°á á¥áá²á°áá áá áááá¢áá
á á«á áµá¥á¥áá ...</code> |
| <code>0ca8a7c60b081fabd7931322597e760d</code> | <code>101ce9b99deb3812447d4ac01904dc29</code> | <code>á á á²áµ á á ᣠá°ááá°á ášáá á© ášáááµ áá°á¥á®áœ á°ášáá±</code> | <code>á á á²áµ á á ᣠá áá áᢠáááµ á³á¢á« á°ááá°á ášáá á© ášáááµ áá°á¥á®áœ á¥á« ááá©á¡á¡á°á ááá 17 áá 2009 á.á. á á á²áµ á á ᣠá á°ááá ááá«á¶ ááµá¥ ášááá ášáááµ áá°á¥á®áœ á°ááá°á áááážá ášáá³ááµ á²ááᣠáªááá°á ááá°á ááá 18 áá 2009 á.á. á ááá«á¶á ááᜠá á«á£á¢áᜠá°ááá® á£á°ášáá á
ááµ áá°á¥á®á¹ á°ášáá°á á¥á«ážáá áá¥áááá¡á¡ ášáá áᢠááá± áá á°á«áá á á°áá³á á°ááá á°ááá°á ášáá á© ášáááµ áá°á¥á®áœ áá«ášá á áá á áá ášá°áá á¥áá³áá áášáµ á°áœááá¡á¡á ááá«á¶á á á á«á£á¢á á á°á°ášáá á
ááµ áá á¥ááá¹ ášáááµ áá°á¥á®áœ ášá°ááá° á¥á«ážáá ááá áážáá áášááᥠá°áœááá¡á¡Â áá
á á¥áá²á
á¥áá³á á á áá« ááá á²á«ááµ ášáá ášá ášáá áᢠáááµ á°á áá ááááŽá áá á²ááᣠá á°áá³á á°ááá ášáááµ á°áááµ á¥ášá°áá áááážá á³ááá¡á¡ášáá¥á«á
ááá ášáááá¥áµ á®áá©áá¬áœá áá³á®áœ ášááᥠáááááµ áááµ áá°á«áá áá
á á«á ááµáµá ášá¥á« áá°áµ áá á áµá°á£á£áª á á¶ áá»á¬ áá³áá á¥ááµÂ ááªááá°á á¥áá°á°ááá©áµá£ á áá áᢠáááµ áááá«áµ á ááá áááááªá« áá á ážá á á ášáá³ ááµá¥ ášááá© áááŽáᜠáá°ášá³á³á áŠáµáµ áááµ ášáááµ á°ááážáá ááá°á áá áá¡á¡ášáá áᢠááá± áá á á°á«á«á á á°áá³á á°ááá áááŽáᜠáá á áá ááá°á áá°áá á»ážáá á ááááá¡á¡á áá¥á«á
áá³á áá áš8,000 á áá ášááá áááŽáᜠáá° ááá ášáááµ á¥ááá± á¥áá²áá¡ áá°ášááá á áµášáµá°ááá¡á¡ á áá áš30 áºá á áá ášááá áááŽáᜠá¥áá³á ášá áááµ á á¶ áá»á¬á£ á áá á ááááá áá á áá¥á á¥ášá°á°á á°á á¥áá³ááá á ááááá¡á¡ášáá¥á«á
ááá áá ášáááá¥áµ á®áá©áá¬áœá áá³á®áœ áááá« ááá á á¶ áœáá«á á ášá ááªááá°á á¥áá°ááá¹áµá£...</code> | <code>ášá á²áµ á á ᣠášá°á á áµá°á³á°á á£áááµ áá«áµ á«áááá á á áááá«áµ ášáá áá᪠á áµáááá á«áážáá á áá«á³ ášáááµ á°áááµ á¢á«áœááᣠá ááá¥á ááᥠáá á£ááá ážááŠáœ áá ášáá ááœá áµ á°á£á¥á¶ áá¥ááá¡á¡ ášá á²áµ á á ᣠášá°á áááááµá á¢á®áá áááµ á¢á® áš2009 á¥áµáš 2011 á.á. áµášáµ á°áá£á«á á¥áá²á°ášá á«ááááá á á«á¢á ášáá°áá ášáá«ášáá áá ášá᪠áááá áá
áµá£ á 2010 á.á. ášáá ááœá á± á áá á á áá (áµáááµ á áá¶) á¥áá°ááá á°áá¥á® áá áá¡á¡ ááá áá ášááášáá áµá³áµáµá²ááµ á€ááá² á«áá£á ášášá«á²áµ áá ášáá ááœá áµ 15.6 á áá¶ áááá á áááášá±á£ ášá á²áµ á á ᣠášáá ááœá áµ á°áá³á³á á°ášá áá á¥áá°ááá áášááᜠá«á³á«áá¡á¡ á á°á áááá ášá«á²áµ áá á áá ᬠá áªá á¥áµáš 150 á¥áᣠá€á á¥áµáš 33 á¥áᣠášáœá® á¥á
á á¥áµáš 40 á¥áᣠáááµ á ááµá (ášáá) á¥áµáš 80 á¥áᣠáµáá ááµá á¥áµáš 40 á¥á áµášáµ ááá¥ááµ á²ááá¡ ášáµá³áá ášáµáᎠá±ááµ á áá á« ááµá¥ á¥á¥ášáµ á¥áá°á°áá áš áááá
á°áœááá¡á¡ á€ááá²á á£áá£á áášá ášášá«á²áµ áá ášáá ááœá áµ á á¥á áá ášáá ášá áš2.5 á áá¶ á¥áá« á ááá¡á¡ á á°áá á á¥á«á¥á¬á£ á á áµáááµá áá«áá¬á£ á áá á¬á á á
áá á
áá ááá¶áœ á£áá°ááá° ááá³ á á°á áááá áá áš50 á áá¶ ášáá áá᪠áá³ášá± á°ááá¿áá¡á¡ ášáá
á á°ášá᪠ááᥠáá á£ááá ážááŠáœá£ ášá®ááµáµá«ááœá ááááœá£ á áá£á³áµá áá«áá«ááœá£ ášá€áµ ááµá¥ ááááá« ááááœá£ ášááŽá áááŠáœá£ ášá€á ááªáᜠá áá áášá áááá³ážá á°áááá·áá¡á¡ ášá á²áµ á á ᣠášá°á á áµá°á³á°á áááµ á¢á® áááµá ááá á á¶ á³áá á á á á áááá áᜠá¥áá°á°ááá©áµá£ á£áááµ áµáµáµáµ áá«áµ á«ááááá«áµ áá ášášáá© 4,022 áááµ á±áᜠá³áœ...</code> | <code>ááá±á ášá á²áµ á á ᣠáááŠáœ á£áááá áš5áá á³áááµ ááªáášá áá á¢áµá®áµá« áááµ á£áá ášááá«áµ á°ááµá¶ á á²áµ á á ᣠášá°áá 2-1 á áá áá€áµ á áážáá ášááµáµá á áá±á ášááááªá« áµá á áµáááá§áá¡á¡á ášáá³á ášááááªá« á ááᜠááá±á á¡áµáᜠá³áµá á°áá£á¥ášá á áá«ááµ ááá¥ááµ á¥á á¶á á¶á áá° áᥠá ááµášáµ áᥠáááµáá áá á²á¥á© á°áµá°áááá¡á¡á ááááªá«áá¹ 15 á°áááᜠá¢áµá®áµá« áááµ á£áá®áœ á á°á°ááá áá° á á²áµ á á ᣠášá°á ášáᥠááá á ááµášáµ á°á°ááá ášáᥠáášá«ááœá ááµášá áœáááá¡á¡ ášááá
á áá«ášá á ášáá³á áááµá®á ášáá³áá
á áµ ášá°ášáá«á á áá«áááµ áá á á°ááš á áá¬á ášáá³ á¡áµá á á°ášá°áá á 4-1-4-1 ášá ášáááµ áᎠá á¥á ááᣠá«ááµ á áá«á®áœ á áá± áá ášá°á«áá°á á áá á á³á²á®áµ ááᎠá 3áá á°áá ášáá« ááµáá á áá°áá
á«á»áášááµá á³áµ á°áá£á¥á® áá° áᥠášáášášáá ášáá¡ áá ášááá°á áµ ášáá³áµáá á áá£á áá ášáœá¡á¡ ášáá
á á°ášá᪠á 2áá á°áá á³á²á®áµ á á°áá³á³á á«áááá ááá
ášááá£áµ á áá£á á³áá ááá áµ ááá·áá¡á¡á á ááá© á á²áµ á á ᣠášá°ááᜠá 8áá á°áá á áá£á ášááá¶ áá¥ááµ á¥áá
áµáᎠá«áááµá á³áµ ááá± á ášá ááá® áᥠá á£áá áá® á«á³áá áµ á᪠á ááááªá«á 15 á°áá á¥áá« á°ááµá¶á£ážá áá áá¡á¡ášááµá®á á á°á»á áá¥ááµá ááá á áá° áá³ ášáá¡ ášáááµááµ áááµ á£áá®áœ á 23áá á°áá á¢áá«á á áá á¥á áá
ášášá±áµ á áá«áª ááá³ á°áá£á¥áá ášáá¡ á áá áá
ášášá±áµ áá á²á± á°áá á áá»áœá¶ á«áá ááá á³áµ á á²á± á³áá ááá áµ ášáášá á³áµ áááá á á¢áµá®áµá« áááµ á£áá®áœ á á©á á ááááªá«á á ááᜠášá°áá ášáá«áµáá© á áá£ááᜠášáá ááµ áá áá¡á¡á ááá°áá á ááᜠááá±á á¡áµáᜠá ááááªá«á á ááᜠá«á³á©áµ áš...</code> | <code>á áá°á«á á á
áá á áဠáá á áááá á°á áá¥ášá áá³á£ážá á¥áá³áááá³ááµ ášá°á°ášáá á°áá áᜠá áµá°áá á áµáá«á ááá á ááá á£áá®áœ áá³á¥ ášášáá± á¥á ášáµáá«á áá á«á á°áá áᜠá á«áá áµ á á«á£á¢ áá³á£ážáá ášáᬠá
á³á 23 áá 2013 á.á ááá® áááá³ááµ á¥áá²áœá áááá±á ášá¢áµá®áµá« á¥áá«á á£áá á áá£á áááá« á áµá³ááá¢á áµáá«á ááá á¥ášá°ášááá á£áá ášáá ááµášá á á¥áá
áµáᎠáá á á°ááá ášáá¥á³á ááá³ áá£áá®áœ á áẠá ááá£ážá ášá°áᜠá£áá®áœ á°ášáá°á á¥á« á¥áá²ááá© ášá¢áµá®áµá« á¥áá«á á£áá ášáááášá³ážá áá á¥ášá á« áááá á£áá© á áµá³áááá¢ášáá¥á³á ááá³ á áẠá£áááá£ážá ášá°áᜠá°áá á£áá®áœ á°ááá°á ášááá© áááá áá ášááážáá¢á áµáá«á á¥ášá°á«áá° á£áá ášáá ááµášá á á¥áá
áµáᎠáááá«áµ ášáá¥á³á á¥á ášááµááá ááá³ á¥áµáªá»á»á á£áá®áœ á°ááá°á á¥áá²áá© ááá°á áá³áá³áá¢</code> | <code>á ááá³ ášá°áá á²á³á áá ášáᬠá ááµ ááá® áááá¥á³áá áááá¥á³á á«ááá áµáá
áµ á°ááá°á ááá¡á¡ááµáªá« á€á¶á¹ á°ááá°á ášáááµ "á€áá¶" á áá£á ášáá á«á ášá²á³á áá£á¶áœ á áá
á á«á áá²á« ááŠáµáµ áááµ á¥á« ášááá á á±á áááážáá á°ášáµá ááá¡á¡áá£á¶áœ áᬠá ááµ á áµá« áá á³ážá ášá°áá áá£á¶áœ á¢á®á ážáá áá
áá á¥ááµáá¡á á¥áá²áá á¥áá³áµáá°á·ážá ááªáŠá€ á áµá°á«ášáµ á°áªáᜠá°ááášááá¡á¡á¥á« ášááµáá á á±á áááá ášá²á³áá á¥á«á ááááá áµ ášáá°ášááá á¥ášáµ ášáááá á á±á áááá ášáááášá ášá²á³á áá¥áµá ááááµ á°áááœá á áá²áªáµáµ á³áªá© áá ášá°áááá ášá
á á áá£á¥ áá ášááá ááá®áœá ášá€áá¶ áµáá á á
á£á« ááá³áµ ášáá°ášá á¥áá
áµáᎠáá á¥ááá¡á¡ášáááá¥áµ á á«ááµ á áá
ááá« áá³á¥ á¥áá²á°á¡ á«á°ášááá á¥ášáµ á áá°á³á«áá¡á¡ </code> |
* Loss: <code>pylate.losses.contrastive.Contrastive</code>
### Evaluation Dataset
#### Unnamed Dataset
* Size: 4,000 evaluation samples
* Columns: <code>query_id</code>, <code>passage_id</code>, <code>query</code>, <code>positive</code>, <code>negative_1</code>, <code>negative_2</code>, <code>negative_3</code>, and <code>negative_4</code>
* Approximate statistics based on the first 1000 samples:
| | query_id | passage_id | query | positive | negative_1 | negative_2 | negative_3 | negative_4 |
|:--------|:-----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|
| type | string | string | string | string | string | string | string | string |
| details | <ul><li>min: 22 tokens</li><li>mean: 26.74 tokens</li><li>max: 32 tokens</li></ul> | <ul><li>min: 22 tokens</li><li>mean: 27.3 tokens</li><li>max: 32 tokens</li></ul> | <ul><li>min: 6 tokens</li><li>mean: 15.43 tokens</li><li>max: 32 tokens</li></ul> | <ul><li>min: 32 tokens</li><li>mean: 32.0 tokens</li><li>max: 32 tokens</li></ul> | <ul><li>min: 32 tokens</li><li>mean: 32.0 tokens</li><li>max: 32 tokens</li></ul> | <ul><li>min: 32 tokens</li><li>mean: 32.0 tokens</li><li>max: 32 tokens</li></ul> | <ul><li>min: 32 tokens</li><li>mean: 32.0 tokens</li><li>max: 32 tokens</li></ul> | <ul><li>min: 32 tokens</li><li>mean: 32.0 tokens</li><li>max: 32 tokens</li></ul> |
* Samples:
| query_id | passage_id | query | positive | negative_1 | negative_2 | negative_3 | negative_4 |
|:----------------------------------------------|:----------------------------------------------|:--------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| <code>000020ad079f13ca77c92b6fa6ebfda5</code> | <code>ab51b3930d461d5743e6b13b01263f91</code> | <code>â¹â¹ášá áá áášáášá« á á«ááµ á°ááœáŠ á¥áá° á°áá«á®áœ ááá á€áµ áááá« ášáášááá á áá°ááâºâº ááá«á á³áá« ášááµ</code> | <code>ášá áá áášáášá« á á«ááµ á¥áá«á á°ááœáŠ ášá á áá ášá°áá£á á ááá á«áá áµ á¢ááá á¥áá° ášá°áá«á®áœ ááá á€áµ áááá« ášáášááá á¥áá³áááᣠášáŠá áááᜠá á
áá á€á³ ááŠá á¹á ááá«á á³áá« ášááµ á°ááá©á¡á¡á á áá« á¥áá«á áááá áááá¥áµ áá ášá°á á áááœá á á£á
á á³á ášá°á ášá°ášá ášáá áŠáµá°ááá ášá á«ááµ áá áááá«áµ á ááµášá á á°áááá ášááááµ ááµášá (á²áááášá)ᣠâ¹â¹ášá¢áá²áª áášáášá« á á«ááµ ášášáµ ááŽáµ?âºâº á áá áááµ á¥áá³á áœáá á«áášá¡áµ ááá«á á³áá« ášáášáášá« á á«ááµ á áá£á¥á£ ááµááµá á áá ášáááá áµá á°ášá á°ááµáááá¡á¡áá°á á²á á°ááá á«ážááá ášá¢áá áŽá á á«ááµ ášá áá áášáášá« á á«ááµ áá ášáµ á¥áá°áá á áµá³áá°áᣠáááá£á á á²á£á áš30 áºá á áá áá£á á³áá®áœ á¥áá²ááá± ášá°á°ášáá áµ áááá«áµ á¥áá«á á áµá°ááœáŠá ááá áášá á¥áá°áá ááážááá¡á¡ â¹â¹áá³áá®áœá áá áá áá«á®áœ áá³áá ášá£áµ áá³á ášáá áš á¢ááá áááᥠá¥á
á á²á£á ááµáááá€âºâº á áááµ ášááá¹áµ ááá«á á³áá«á£ á áášáášá« á á«ááµ á ááµá°á á°á³áµá ášáá á«ážá á¥áá á¥áášá°áŠáœ á á²áµ á á£ááµ á áááááᣠášáááá áá ášáá á°ááá áœáá³á áá« ášáá á«ážá ášá°áá á á«ááµ á á£ááµá á³áááá áµ á á«áá± á¥áá° á á²áµ áá°á«áá±á á á¥á«áá°ááá¡á¡ á áá
á± á«áá°ááá±áµ ášááááµ á³áá®áœ áá áááµ ááášá á¥áá°á°ááá°á£ á á ááá© á°áá áááᜠá¥áá á°áááᜠáá áááµ ááášá á¥áá²ášáá áá°ášáá á áµá³áá°ááá¡á¡ á¢áá áŽá ááµá¥ ášá°áá ášá áášááá á áá á á°á°ášáá ášá°ááµá¶ á¥áá
áµáᎠáá ášáµ ášá á«áá± ááá ášáá á© áœáá®áœá á áµá°á³á°áŠáœ áááá³ážááá á ááµá°ááá¡á¡ á á²á± ášá á«ááµ ááá£á³ áá áááá¥á³á á°ááá®ááœá ášáá«á³á«á£ ášáášáášá áááá ášááá°áá áá ...</code> | <code>ááááá á°á á áá ášá°ááá° áá£áªá« á áááµ áááµ áá°á¥ ááµá¥ ášááµáááᥠááŽá³ á áá áµášá áá áášáášá« á á«ááµ á á£ááµ á áµá°áá ááᜠá ááá áááá¥á³áµá á ááŽá«á áááá¥áµ ášá°á°á«á áá á áµášá£áª á á«ááµá ááá°áŠáœ á¥áá²á³á á ášááááµáážáá ášáŠá áá£áªá« á á«á«á á áááµáá ášáá
á áá
ááᣠášááᥠá°áá«á®áœ ááá á€áµ á áá«á³ áá»á»á«ááœá á ááµášá á áá°áá¢á áá áááá°á¥ ášááááµ ášáŠá áá£áªá« ášá³á á ááááá á°á ášá³á ááá áá£áªá« á áááµ áááµ ášáá áá°á¥ ááµá¥ á¥áá²á«áµáááá¥á á áµáá³á
áµááá áááᢠášáŠá áá£áªá« á áµá°á³á°áá áá¥á¥á ášáá áµá«á ášá°á°á á áá
á áá
áá á áµášá£áª áááá áá áµááá ášáá°á¥ á²ááᣠá áá
á áá ášáµ ášáá°á«áá ášááá áááµ á®ááœááœá£ ááá»á£ ášáá°á«áá ášááá áášáá« á€á¶áœ á áµá°á³á°áᣠášááŽá«áá ášááá á á
áá ááဠáá á°áááµá ááµá á¢á®ááœá£ ášá¢áµá®áµá« á±á á¥ááµá³áµ áááµá á¥á á á£áá¥áá£á áááážá á áá á°áááá·áá¢á¥ááá
á á«ááµ áá³á ááážá ášááœááážá ášáŠá áá£áªá« áááá¶áœ áœáá¥á£ á áá¶áá²á á«ááá ááá ááᜠá áá¶áá²á ášáá á á¥áááᣠáŠáá¥á ááᜠá°á«á«á¥ áááᜠááá á¥áá°ááœá ášáá
á áá á á ááᜠá°á£áµ á¥á ááášáá áá áá¢áááá°á¥ ášáááá°á ášáŠá áá£áªá« á ááµ áœáᥠááá á ááµ á áá¶áá²á á«ááá á á¥áááᣠááá á ááµ ááᜠá áá¶áá²á á á¥ááá á¥á» áááá ášáá ááášáá áá áᢠá«á³ážáá ááášáášáá ášá á«á£á¢á«ážáá á°á
áááµ áááµá á á
á á°ááá¶ ášáŠá áá£áªá« ášáá«áá£ážá á á«á£á¢áᜠáá᪠ášááá ášáŠá áá£áªá« ášá«á á°ááœá£ ášá«ááµ ášáŠá áá£áªá« á ášáá
áá áááá°á¥ á«áá°ášá°á ášáŠá áá£áªá« ááááµ á¥áµášáá áµášáµá£ áá ášáá°á á áá á ááᣠášáá á°áá³ á ášá á«á£á¢á á¥...</code> | <code>ášá áá áášáášá« áááµáŽá ááᥠá³á
á³áµ 23 áá 2013 á.á. á á°á á áááá«á£ ášááµá ášáµá«ááµáááµ áááµáµá á°á€á³ á/á® áá áá¥áš á¥ááá á¥ááá á áá«á³ áá³á°á«á áá®ááᜠááášá«ážááᣠá¥áá²áá á áá«á¶áœ áá°áá°á³ážáá á áµá³ááá¡á¡ášáášáášá« áááµáŽá ášááá á¥ááªáµ áááá« ááá á¥áááŽá ááá«á á°áµáᬠá á«áá á á°á¡áµ áááá«á£ ááááµá á ááášá ášáááá á á£á ášáá á©áµ áááµáµá áŽá€á³á á²áášá©á£ ášááá«áµá«áá ááášá ášáá©áµ á®ááá ášáá áá¥áš áá«á€áá ášáá® áááá ášá°áá°á°á£ážáá ášááááµ áááµá°á á áá«á®áœá áá®ááᜠááááµ áá á áµááááá¡á¡ááá«á áá®áá á áá«á³ ášááááµ ášáá°á á áá«á®áœá£ á¥áá²áá áá³á°á«á áá®ááᜠááášá«ážááá áá°áá°á³ážáá ááážááᢠá áµáá«á ááá áŠáááµ ááµá
á¶ ášá°ážááá ááá ášáá±á áµá ášáá°á á áá«á®á¹á ášá°á¥áá áá
á«á á á°áá«áᣠá¥áá³áá³áá á áááµ á ááá³ážáá ááአáášá¥á» áµáááá¥á«ážá áááášáµ á á³áᜠáááá á áµášáµá°ááá¢ášá áá áášáášá« á á«ááµá ášááŽá«á áááµ á°ááá
á°á á áá°á±áµ áááá á áá«á¶áœ ááášá«ážááᣠá¥á
áááµá áµ ááá°á á«ááááµ áá°áá°á³ážáá á¥áááŽá ááá«á á°áµáᬠá ááááá¢áááá á°ááµá¶á£ážáá ášá°á£ááµ á®ááá ááá áá¥áš ááµá
áᣠá®ááá á¢áá«á áá¥áš ááµá
áᣠá®ááá á áá£á¬á£ á®ááá ááŸá£ á®ááá ááá á¥á©áᣠá®ááá á áœá¥áᣠá®ááá á°áµáᬠáá¥áš ááµá
áᣠá®ááá á®áááµ á«áá á©á£ á®ááá á°áá á¥ááá á¥ááᣠáá°á á®ááá á¥ááá á¶áá ááᜠá áµá á«áá°ááá¹ á á«áµ á®ááááœá áááµ ášáá á áá«á®áœ áááá á³á á²á á áµášáµá°ááá¢ášá°áášá©áµ á/á® áá á á°ášá᪠ááá á¥ááá (á¶/á)ᣠá®ááá áá¥ááá± áá¥áš ááµá
áᣠá®ááá áá±áœ áááµá£ á®ááá á
áá á°áá ááµá
áᣠ...</code> | <code>á á²áµ á á á£á£ á
á³á 3ᣠ2013 (á€áá¢á²) ášááµáá ášá¢áµá®áµá« ášáášáášá« á á«ááµ á áášáášá« á á«ááµ áá ášá°áážáá áá
á°áµ á¥áá³áµáá£á á áµá³ááá¢ášááµáá ášá¢áµá®áµá« ášáášáášá« á á«ááµ á áá«á®áœ ááá£á áááá« ášá°á¡ á²áá ááááµáµ á¥áª á«á°ášááážá ášáášáášá« á°á«ááµ áá áááá« ááá áá ááá áááážáá ááážááá¡á¡á
áááµ ášáá
á ááµ ášááµá ášá á«ááµ á á£ááµá ášá á³á°á áááá á«áµá³áá±áµ á áá«á®á¹ á ááá áá
á ááááá á¥áá°áá ááá³á«áµá ášá¥áá£á á¥áá±á áááá«áµ áášáášá« á á«ááµ áá á¥ááµ ááážáá áá á áááá«ážá á«áµášá±áµá¡á¡ášáášáášá« á á«ááµ áááá© á²áá°á
ášáášá áááᥠášáá°á£ ášá°áá ášáá°á áááá á áµá³áá°á á á á«áá± áá ášá°áááá á¥ááµ á¥á
áá á¥áá³áµáá£ážáá á¡áµá á¥áµášáá°áá°áµ áµášáµ á á¥ášá áááááµ ááá áááážáá á áááá«ážá á ášááá ááá¢á á áá áá á ááá ášáááªá± áááᜠáš274 á áá á
ááá«ááœá áá á áááá³ááµ áá ášáááá áµáá
á± á ááµá¡á ášá ááµ ááášá á áá ášá á«ááµ á á£ááµ á¥áá³ááµ ášá¢ááŽáª áášáášá« á°á«ááµ áᜠá«áááá áášá á«áááá³áá¢</code> | <code>áš21 áááµ á áá ášáá á€áá á°á áááá°á¥ ášááááµ ášáŠá áá£áªá« áááµ á ááá£áµ áá³á á
ááœááá áŠá áá£áªá« áááµá á áµáá ááá°áá© ááá ášáááµ áááµ áá°á£áášá áá áášáášá« á á«ááµ á á£ááµ á áµá°áá ááᜠá ááá áááá¥á³áµá á ááŽá«á áááá¥áµ ášá°á°á«á áá á áµášá£áª á á«ááµá£ áá³á á
ášááœááµá ášáŠá áá£áªá« ááááµ ášáááµá ášáá
áá á°á áá áááááµ áášá ᢠášáá
áá ášá°áááá á ááŽá«á á á
áá ááဠáá á¥á á á°áááš ášááá ášáá³á© áá ášá°ááá ášáŽááá ááááµ á£áážá ášá£ááá«áᜠá¡áµá á²ááᣠášáá á°áá± á°á áá á á áá áá
áµ ášá£ááµáá» á á«ááµ áá ááááµ á¥ášá°á°ášáá áµ á¥áá°ááá ááá®áœ ááážááᢠáªááá°á á«ááá ášáá
ášáá á°ááµ â¹â¹ášá¢áµá®áµá« ááŽá«áá áŽááá«á²á«á áªáá¥áá ášáŠá áá£áªá« áá¥á¥á á áá
âºâº ášáá áá áªá« ášá°á°á á á²ááᣠášáŠá áá£áªá« áá¥á¥á ášá áááá ášááá¥á á°ááá áá¥á³ áááµá á á
ᣠá¥áá²áá ášáááœáá ášáááŠáœá áá¥áµá á°á
áááµ áááµášá á á áµááá áááá á ááááᥠášá°ášáá áááá ášá°áá± ááá¢á« á«áµáááá£áᢠá áášáá ááá°áŠáœ ášá³á áážá ášáŠá áá£áªá«áᜠášá
á¥ášá°á°á¡á á°ááá áá¥á³ áááµá á á
á°áá£á á¥á» ááá ášáá»áá áµá á á á«á ááá á á áµááá áá á áááá±á£ á¥áá²áá á á¥á« áá á£á áááœá á á á«á®áœ á«áá°ážáá áá³á®áœá á áááá áá áá°áááá áá¥ááµ á«áá á¥áááµ ááá á á ááµááá áá ááááá±á ášáá á°áá± ááá¢á« á áááŸáœ á«áµášá³áᢠášáá
áá ááá¥á³ á áµášá£áª á á«ááµ ášááááµ ášáŠá áá£áªá« ááááµá á¥ááµá ášáá°ááá á²ááᣠášáá (áá¥á³) á áµášá£áª á á«ááµ ááááá ášáá áµááá á á«á·áᢠâ¹â¹áá á áµášá£áª áááµ ášáá°á«áá ášááá áááµ á®ááœááœá£ ášáá°á«áá ášááá áášáá« á€...</code> |
| <code>000020ad079f13ca77c92b6fa6ebfda5</code> | <code>ab51b3930d461d5743e6b13b01263f91</code> | <code>â¹â¹ášá áá áášáášá« á á«ááµ á°ááœáŠ á¥áá° á°áá«á®áœ ááá á€áµ áááá« ášáášááá á áá°ááâºâº ááá«á á³áá« ášááµ</code> | <code>ášá áá áášáášá« á á«ááµ á¥áá«á á°ááœáŠ ášá á áá ášá°áá£á á ááá á«áá áµ á¢ááá á¥áá° ášá°áá«á®áœ ááá á€áµ áááá« ášáášááá á¥áá³áááᣠášáŠá áááᜠá á
áá á€á³ ááŠá á¹á ááá«á á³áá« ášááµ á°ááá©á¡á¡á á áá« á¥áá«á áááá áááá¥áµ áá ášá°á á áááœá á á£á
á á³á ášá°á ášá°ášá ášáá áŠáµá°ááá ášá á«ááµ áá áááá«áµ á ááµášá á á°áááá ášááááµ ááµášá (á²áááášá)ᣠâ¹â¹ášá¢áá²áª áášáášá« á á«ááµ ášášáµ ááŽáµ?âºâº á áá áááµ á¥áá³á áœáá á«áášá¡áµ ááá«á á³áá« ášáášáášá« á á«ááµ á áá£á¥á£ ááµááµá á áá ášáááá áµá á°ášá á°ááµáááá¡á¡áá°á á²á á°ááá á«ážááá ášá¢áá áŽá á á«ááµ ášá áá áášáášá« á á«ááµ áá ášáµ á¥áá°áá á áµá³áá°áᣠáááá£á á á²á£á áš30 áºá á áá áá£á á³áá®áœ á¥áá²ááá± ášá°á°ášáá áµ áááá«áµ á¥áá«á á áµá°ááœáŠá ááá áášá á¥áá°áá ááážááá¡á¡ â¹â¹áá³áá®áœá áá áá áá«á®áœ áá³áá ášá£áµ áá³á ášáá áš á¢ááá áááᥠá¥á
á á²á£á ááµáááá€âºâº á áááµ ášááá¹áµ ááá«á á³áá«á£ á áášáášá« á á«ááµ á ááµá°á á°á³áµá ášáá á«ážá á¥áá á¥áášá°áŠáœ á á²áµ á á£ááµ á áááááᣠášáááá áá ášáá á°ááá áœáá³á áá« ášáá á«ážá ášá°áá á á«ááµ á á£ááµá á³áááá áµ á á«áá± á¥áá° á á²áµ áá°á«áá±á á á¥á«áá°ááá¡á¡ á áá
á± á«áá°ááá±áµ ášááááµ á³áá®áœ áá áááµ ááášá á¥áá°á°ááá°á£ á á ááá© á°áá áááᜠá¥áá á°áááᜠáá áááµ ááášá á¥áá²ášáá áá°ášáá á áµá³áá°ááá¡á¡ á¢áá áŽá ááµá¥ ášá°áá ášá áášááá á áá á á°á°ášáá ášá°ááµá¶ á¥áá
áµáᎠáá ášáµ ášá á«áá± ááá ášáá á© áœáá®áœá á áµá°á³á°áŠáœ áááá³ážááá á ááµá°ááá¡á¡ á á²á± ášá á«ááµ ááá£á³ áá áááá¥á³á á°ááá®ááœá ášáá«á³á«á£ ášáášáášá áááá ášááá°áá áá ...</code> | <code>ášáášáášá« áááµáµá© á á¶ áá áááá³ á¥áá°ááááµá á áášáášá« á°á«ááµ áá°á¥ á¥ášá°ášááá á«áá áªááá á°áá á¥áá
ááá¥á á¥á«áᣠááááá¢á áªááá áá á áá ášáášáášá«á á á°ášáááµ ášááµá°á«ášá á áá á ášááá ááá³ ášáá ášáá ášá°ááá ášá¥á
áá¥á
á á¥á«á ááᜠááµá áµ ášá»áá áá á¥áááá¢ášá¢áµá®áµá«á ááááááµ ášáá á¥áá ášáášáášá« á°á«ááµ ášá°áá á á°ášáááµ á¥áá²áášá á£á
á ááá á¥á°áš áááá áµášáµ áá¬á±áá áá á«áá±áµá¢ášáááá ááá á á«á£á¢á«á ááá³ áá á á¥á® áááµ ášááœá ášááá áášáášá« á°ášááµ ááááá£áµ áá³á°á«á á®áááœá ášááááµá ášá°ášáá±áµáá ášáá áášá áµá« áášááááá á á¶ áá á áµá³ááááá¢ášáááªá± áášáášá« á°á«ááµ ášááŒáá áá á áá á
á¥ášá¥áá«ááá±á á á¥á á¢áµá®áµá«áááµá ášá á¥áá²á«á°áá á ááá«ášáµ áá áá°á«á±á  á°ááášááá¢</code> | <code>á á²áµ á á á£áŠ ášá¢ááŽáª áášáášá« á á«ááµ á á°ááá áá
á³á á€á°ášá£áá á³á³á¢ áµááµá áá°ášáµ á£á°ášá ááá© ášáášááá ááá á°ááážá¡á¡ ášáášáášá« áááááµ (á«áááµá) áµáááµ á á á
áá áááµáµá áœá
ááµ á€áµ ááááµ á áµáááá¢áááá±á á áµáááá¶ ášá á
áá áááµáµá áœá
ááµ á€áµ áááá
áµ ááááœá á áášá áááá«á£ ášáááªá±á áá
á³áᣠááµá£áá ášá£á¢á«á ááá³ á³á³á¢ á«á°ášá ášá á«ááµ á á°ááá á¥áá²áá ášá°ááášá á¥áá
áµáᎠášá á ááá á°ááá áªááá á á«á á ááá áá°áá£á«ááá± á
á¥ášá°á°á¡ á áµááááá áµá¥á¥á á¥áá²á«á°áá á¥áª ááá§áá¡á¡ášá á«ááµ á¥áá
áµááŽá á¥áá° á á²áµ ášááµáášá á£á»áá áášá¥á áá á áµáá á ááœá ááµá¥ ášáá á© ášáášáášá« á á«ááµ á á£ááµá áá° á¥áá áá á á
á ááá£á³ á¥á«áᜠááµáá£áµáá á³á³á¢ á«á°ášá áááá á áµášáµá·áá¡á¡ášáááªá± á á
á á ááá° áá á áŽááááá ášáá³á á
ဠá á«á± á á
á áá ááᣠáá³á°á á¥áá ááá á ášááœá á¥áá²áá á áá«á³ ášá á
á ááá£á³ á¥á«áᜠá¥ášá°á á© áááá áááá«á á áµá³áá¶á£ áášáášá« ášáŽáááá áá á¥á¥á
ááááµ á«ááá á¥áá°ááᜠá áá«áµ ášá«á±á á áá áááᜠášáŽáááá áááᜠááá ááá ášááœá ášáŽáááá ááášá á¥áá²áá á¥ášá°á á© á«á á¥á«ááœá ááá á€áµ áááááá á á
á·áá¡á¡á ááá á°ášááᜠášáááá á¥áá á¥áášá°áŠáœ á°ááœáŠ ášá á á áááµášá á¥ášá°ášááá á«á á°áá£á«áµ á¥á á ááá ášááµ ááá«á ášá áá»ážá á
áá®áœ á¥áá³á ášááááá ááááá±á€ á áá£á á¥ááá
á áááŠáœ á á ááá® áááá á ášááµáœá á¥á«ááœá á¥áá²á á© á á
á£á«áᜠá áµááá§á á²á áááá«á á áááá·áá¡á¡á á²áµ ááá á¥á 4/2011á ááá£á áªááá°á</code> | <code>ášáášáášá« áááááµ á áá¬á áááµ á á á
áá áááµáµá áœá
ááµ á€áµ ááááµ á áµááááá¡á¡á áááá± áá áášáášá« á á«ááµ á á
áá áááááœá£ á á á°ášáááµá£ á ááážá á¥ááµá á áµá¥á
á ášáá°á ášááᥠáá³á áá á¥áá°ááá á°ááµá°ááá¡á¡ášáŠá áááᜠá á
áá á áᥠá á
áá áááµáµá á¶áá°á á á¥á á á
ááµ ášáá©áµ áá
ááááµ ášá°á«áá±á ááᥠá ááá á°ášá á°ááá ášááµášáá áá° á³áœ ášááášáµ á áá»á ášá°áá á°ášá£á áá€á¶áœá£ ášá³á© ááá°á¶áœá áá£á á á
á£á«áᜠááªá« ááááµ á¥áá°á°á°ášáá£ážá ášá á
áá áááµáµá áœá
ááµ á€áµ á áµá³áááá¡á¡ááááá± áášáášá« á¥áµá«áá á«á°ášáážá ášá°ááá áá»á»á« áµá«áᜠáá á«á
á áááµ á¥áá°á°áá á ááááá á áá£á áµá©ášáµ áá°á£ážá á ááᣠáá áá áá³á®áœ áá á á
á£á« ááµááá¡á á°áááá·áá¢ášáááªá± á á
á á ááá° áá áá áŽááááá ášáá³á á
ᣠá á«á± á á
á áá ááᣠáá³á°á á¥áá ááá á ášááœá á¥áá²áá á áá«á³ ášá á
á ááá£á³ á¥á«áᜠá¥ášá°á°á© áááá áá ášá°áá³áá¢áášáášá« ášáŽáááá áá á¥á¥á
ááááµ á«ááá á¥áá°ááᜠááá«áµ ášá«á± á áá áááᜠášáŽáááá áááᜠááá ááá ášááœá ášáŽáááá ááášá á¥áá²áá á¥ášá°á°á© á«á á¥á«ááœá á°ááááááá¢á ááá á°ášááᜠášáááá á¥áá á¥áášá°áŠáœ á°ááœáŠ ášá á á áááµášá á¥ášá°ášááá á«á á°áá£á«áµá á áááá± á³áá°ááá¢ášáá
á á£á»áá ášáááªá±á áá
á³á ááµá£áá ášá£á¢á«á ááá³á á³á³á¢ á«á°ášá ášá á«ááµ á á°ááá á¥áá²áá ášá°ááášáá á¥áá
áµáᎠáá á°á ááááµ ášá°á°ášá á²ááᥠá áá
á ášáášáášá« á á«ááµ á á°ááá áá
á³áᣠá°ášá£áá á³á³á¢ áµááµá áá°ášáµ á£á°ášá ááá© ášáášááá á ááá áá¥ášá°á°á¡á á áá
ááá© á¥áá²ášá³á ááµášá á áµááá áááá á°ááµá·áá¢ášá á«ááµ á¥áá
áµááŽá á¥áá° ...</code> | <code>á á
áá áááµáµá áá¥á á á
ááµ (á¶/á) á á«á¢áá«ážá áá á«á°ášááµá á¹á áœá ááááá á áá°áá¡á¡ á áá
áá ášáµ ášáŠá®áá« ááá áá¬áá³ááµ ášáá á©áµ á á¶ áá áááá³ á/á® á áá» ááááµ (á¢áááá) á áá°á«áµ ášáášáášá« áááµáµá ááááá¡á¡ášáá áá³á áááµáµá á áá á©áµ ááá
áá
áá ášá (á¶/á) ááµá ášá áá« ááá áá¬áá³ááµ ášáá á©áµ á á¶ áá± á áá³ááážá á°á¹áááá¡á¡ ášáášáášá« áááµáµáááµ ášá°áá±áµ á/á® á áá» á á¶ ááá¥á«á áá¥áá á áá°á«áµ áá° ááµá áŠá³ážá ášášá°á áááµá á®ááµáµá«ááœá áááµáµáááµ á°ááµá ááá¡á¡</code> |
| <code>00002fc754af24f3991a8c469fab393a</code> | <code>eadf43dc41f4b28422499b55a3f13f02</code> | <code>áá³áá
ášá á° áá©áášáá²á² áŠá ááªá¶áªá« áášá</code> | <code>ášá€áµá¬áµáµ ááµáµ áá á áµááááµ ášá°áá«áš á áá á«áááᥠášá
á á³ááá³áµá á«áµáá ášá á¢áµá®áµá«áá á¢áá°áááœáá á á¥á áá³áá
ášá á° á áµá°áášášá»á áá°á¡á¥ á ááªá«á ááᥠáá©áášáá²á² áŠá ááªá¶áªá« ááá«ááµ ááááá á áá¯áá¡á¡ á áá°ááµ á áá á
á
á áµá ášáá³ááá ááá¡ áá³áá
á á áá áááá ášáá á áµáááá¡á¡á á€áµá¬áµáµ ááµáµ á³áááá ášá°áááá áá³áá
áµá ášá°áá«á© áááŠáœ áá á²á«á«á áá áá¡á¡ á¥ááááá¶á áŽáá²á á¥á áááááá á¥áá á áµ ášáá³áá
ááá áááŠáœ áá«ášá ášáá áá± áážáá¡á¡ ášáááááá á¥áá á áµ áá ááááµ á²á°á« ášáášá áá³áá
ááá¡ á á± áá ááááµ á áá£á± á³á«áµáááá ááá·áá¡á¡á©áášáá²á² áŠá ááªá¶áªá« áá³áá
á áááµáášá ášáá°á á¥ášáµ á²á«á°áá á¥áá°áá áš á«áááážá áášááᜠá«áµášá³áá¡á¡ ááá¡ á 2014/15 ášááµáµá ááá á á á¥á³ ááªáášááºá 13á áá á«á ááá á²áá á á°áá á ášáááá³áá á³á áµá®á°á áá°áá¥ááá¡á¡ á 2003 ááªá¶áªá« á€áá² ášá°á£áá ááᥠá ááááµ ášá°áá°ášá°á á©áášáá²á² áŠá ááªá¶áªá« ášáá°á³á°ášá á á©áášáá²á²á áµá ááá¡á¡ áá³áá
áá°á á²á á²á«ááµá áµ ášáá ášá á€áµá¬áµáµ ááµáµá á ááµáµ á©áášáá²á² áµá á«á ááᥠááá áá³áááá¡á¡á áá°ááµ ášáá³áá
á ááášá á ááµááášáµ á ááá¡ ášáµáá°á áá
áá á á ááá âá¥áá³á á°á
á áᣠáá³áá
ášá á°â á áá ááá«á ááá³ážáá á áµáášááá¡á¡ áá³áá
á 2014/15 ášááµáµá ááá 2 ááŠáœá ááµáá á áœááá¡á¡ á á áá°ááµá ášá°á»á ášáá°áá ááµá á¥áá°áá«áá áá³áááá¡á¡ áá³áá
áá áá°ááµ ášáášá ááá°áá á¢áµá®áµá«á á°á«áᜠááá¡á¡ ášáá³áá
á ááµ áá
á© á°áá« á á áá°ááµ áá«áá± áá³áááá¡á¡á áá á á©á ááµášáááœá á
áᥠášáá ášá°á¡á¥ á ááªá« ááá á á£á°ášá°á áášá ...</code> | <code>ááµá°áá á©áášáá²á² á®áá
á á²áµ á á á£á£ á ááªá« ášáááá ááášá á©áášááµá² áá á áá°á£á á á6á áá á ááµá°ááµ áŠá á¢áááµ á áµáááµáµá¬áœá (á€á ᢠá€) á¥á á ááááªá« á²á᪠(á¢á€) áá®áá«á áááááªá«á£ á«áµá°áá«ážáá á°ááªáᜠáá á á¢á²á€ á á³á«áœ á«áµááááá¡á¡ ááµá°áá á©áášááµá² á®áá
ᣠášááášá á©áášáá²á² áá á áá°á£á áᣠááááµ á ááµáµ á°ášá³á³á áá®áœ á ááµá°ááµ áŠá á¢áááµ á áµáááµáµá¬áœá (á€áá¢á€) 143 á°ááªááœá á á¥á«áµ á áµá°áá® á«áµáášá á²áá áá á°áá 27 á°ááªááœá á á€áᢠá€á£ 18 á°ááªááœá á á¢áááµ á áµá°á³á°á (á¢á€) á ááááªá« á²á᪠á¥áá°áá«áµááá
á³áááá¡á¡ á©áášáá²á²á á ááá¥áá áááµ á á³áááµá²á á¢áááá á áµá᪠ááá áá¥á á¥áá á áááááªá« á ááá
áµ áá áááá ášá°áá áá¬áá³ááµ á á¶ á á€á± ááá© ášááá á²ááᣠá á¥á«áµ áá á°ááµáá¶ á¥ááµ á«áážá ááᜠá®áµá©á¶ áá³á°á á áµááá á ááá ášááá á
áááµ ááá® á¥áµáš áµá
áš áášá ášáá°ááµ ášáµáá
ááµ ááá áá¥á ááááááµ ááá±á ááážááá¡á¡</code> | <code>ášá á²áµ á á£á á©áášááµá² ášá¢áá²áª áá¬áá³ááµ á¶áá°á ááá± á°ážá á¥á ášá°áá«á© ášááááµáµ áµá« ááááᜠá á°ááá áµ á 2010 á.á á á°áá«á© áášá áá¥á®áœ á«áµá°áá«ážá áš9áº700á áá á°ááªááœá á¥á«áµáášá ááááá¡á¡á©áášáá²á²á á áá°á áᣠá áá³á£ á áááµá á áášááµ ááá áá¥á á«áµá°áá«ážáá 9 áºá
724 á°ááªááœá á áá á áááášá á á³á«áœ á ááµáášá
áá ááá¡á¡ášá°áá«ááá¹ áá«ášáá 2 áºá
746 áŽáµ á°ááªáᜠáááážá á°ááá¿áá¡á¡ášá á ááá á°áá«á á°ááªáᜠááµá¥Â 6 áºá
44 á á
áµá áášáᣠ3 áºá
407 á°áá á áµá
áš áášá ááá áá¥á áµáá
áá³ážáá ášá°ášá³á°á á²áá 273á± á á¶áµá°á á²á᪠ášááášá áážáá¢ášááá
áá³áá« ášáážáá 12 á°áá«ááᜠáá«ášá á°á£á± áŽá¶áœÂ á²áá á©áášáá²á²á á áá
áááµ ášáá¥á á¶ááµá¬áµ á²á᪠á¥áá°ááá°á¥ áááá ášáá³ááµ ááá¡á¡á á á ááá ášáááá¥áµ á©áášáá²á²áᜠá áá
áááµ 170 áºá
578 á°ááªááœá ášáá«áµááá á²áá ášáá
ááµá¥ á°áá 32 á áá¶áá¹ áŽá¶áœ áážáá¡á¡</code> | <code>ášá¢áµá®áµá« áááµ á£áá ášá áá«á áµáá« á°á«áᜠá¢áá«á á áá ááášá« áá° áááá ááᥠá³ááá á°áá°á°á áᬠááœáµ á«áá«áá¡á¡ á áá«á© ášáá
áá°á á áááá áŠá©áºá« áááŒáááµá£á
ášáášá« áá á«á³áá á²áá á á áá®á ááá³á ááá¡á áá³áá ášá»á áá° á á¡áá°áµáá 2 ááá«áá°á ááᥠáááá ááœááá¡á¡ ášá¢áá«áá ášáášá« á¥áµá á«áá»á¹áµ áááááá á©á áªá áášááµ áážáá¡á¡ áášááµ á áááá ááááµáµ áµáá ášá¢áµá®áµá« á¥ááá³áµ ááµá¬áœáá á áŽááá áá³á®áœ á¥ášášá± ášááá ášá¥ááá³áµ á£ááá« áážáá¡á¡á¢áá«á á¥áµáá á áááá± áá°á°á±á á¥á ášá°á°á áá á¥áµá á áá áá á á áá®á ášáá«ááµ á
ááá ááá³á«áµ á¥ášáµ á¥áá°áá«á°áá áá¶ášá á¢áµá®áµá« á áµá°á«ášá±á á°á¥á·áá¡á¡ âášáášá« ááá ááá á«á
á áá á¥áá°ááá á ááá
áá¡á¡ á³ááá á°áá°á°á á áá£á ááᥠáá ášáášá« áá ááá³áá á¥áµá á«ááááµá¡á¡ á á áá®á áá ááá«ááµ ášááµáœáá á¥áµá á ááá á
ááá ááá³á«áµ á ááᬠá¥á°á«ááá¡á¡ ášáá£áª áá áá
áá á¥áµá á¥áá°áá ááá áµ áµáá
á¥áááµ á ááá¡á¡â ááá á¢áá«áá¡á¡á¢áá«á áµáááµ á¥á á¥áµáá± á áµá¬á³á ášá°á á²áá á á á°áá£á á©áááµ á³á
á ááá« á áá ášá ášá¢áµá®áµá« áš17 áááµ á á³áœ á¥áá«á á¡áµá áá á£á³ášá áµáá
á¥áá
áµáᎠášá¥áááœá ááᥠááá³á¥ áœá áá áá¡á¡ á°á«áá¹ á á¢áµá®áµá« áááµ á£áá á°áµá á¡áµá á¥á á á á°áá£á á©áááµ ášááá«áá¹ á áá á áá á©á áµ áá
áµ á á
áᥠáá ášá°ááášáµáá á°áµáá°áª á¥áá
áµáᎠá«á°áá ášáá áš á áá«á ááá¡á¡áášááµ á á á©áážá á á°á¡áµ á áµá°á«ášáµ á¢áá«á ášáášá« áááá á á°á³á« áá³áá ášááœá ášáá áá áá®á áááŠáœ á á
á á«áážá á¢áµá®áµá«áá«á á°á«ááŸáœ á¥áá³á áášááá« á¥áá°áááážá áá¶ášá á¢áµá®áµá« áááááá¡á¡ âá¢áá«á á á³ááá...</code> | <code>á áµáášáá¢á áááá ášáááµ áááµ ááá³á á¡áµá áá° ááªáášá áá á¥áá²á«áµá ášáá°á á áµá°áá
አášáá ášá á¥á á á¢áµá®áµá« á¡á á¥á á ááµá®áµ áá«ááµ ášá»áá ášááµáá á á¥áá ášá áááá ášááµáµá áááµ á á á²áµ á á ᣠášá°á á áá«ááµ á áá£á¶ á°áá«ááá¹á á á ááµ áááµ áá á°ááá
ááá¢á°áá«ááá¹ áá°á á¥áá áá³ážá á³ááµá á á²áµ á á°áá£á á áµááá á áá
á á á áµáááµáá áááµ ááá¶á á¢á°á áᣠáááá áááµá£ á³áá€á á áµáááá áá¥á®á ááááá ááµáášáážá áá³áá³áá¢á áááá ááµá®á± áááá°á á ááá£áµ á¥áµá«áá áµášáµ á ááµáµ á°á«ááŸáœ á«áµáášááµ á°á°á¢á¶áœ á áá£á áááµ á°ášá᪠áááá®áœ á«á°ááá á°á¥á áá á ááá¢</code> |
* Loss: <code>pylate.losses.contrastive.Contrastive</code>
### Training Hyperparameters
#### Non-Default Hyperparameters
- `eval_strategy`: steps
- `per_device_train_batch_size`: 32
- `per_device_eval_batch_size`: 32
- `learning_rate`: 1e-05
- `num_train_epochs`: 4
- `fp16`: True
#### All Hyperparameters
<details><summary>Click to expand</summary>
- `overwrite_output_dir`: False
- `do_predict`: False
- `eval_strategy`: steps
- `prediction_loss_only`: True
- `per_device_train_batch_size`: 32
- `per_device_eval_batch_size`: 32
- `per_gpu_train_batch_size`: None
- `per_gpu_eval_batch_size`: None
- `gradient_accumulation_steps`: 1
- `eval_accumulation_steps`: None
- `torch_empty_cache_steps`: None
- `learning_rate`: 1e-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`: 4
- `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`: False
- `fp16`: True
- `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`: 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
</details>
### Training Logs
| Epoch | Step | Training Loss | Validation Loss | accuracy |
|:------:|:----:|:-------------:|:---------------:|:--------:|
| 0.4184 | 1000 | 0.378 | - | - |
| 0 | 0 | - | - | 0.9710 |
| 0.4184 | 1000 | - | 0.2474 | - |
| 0.8368 | 2000 | 0.2457 | - | - |
| 0 | 0 | - | - | 0.9729 |
| 0.8368 | 2000 | - | 0.2189 | - |
| 1.2552 | 3000 | 0.1907 | - | - |
| 0 | 0 | - | - | 0.9739 |
| 1.2552 | 3000 | - | 0.2068 | - |
| 1.6736 | 4000 | 0.1548 | - | - |
| 0 | 0 | - | - | 0.9752 |
| 1.6736 | 4000 | - | 0.1946 | - |
| 2.0921 | 5000 | 0.1324 | - | - |
| 0 | 0 | - | - | 0.9746 |
| 2.0921 | 5000 | - | 0.1979 | - |
| 2.5105 | 6000 | 0.1019 | - | - |
| 0 | 0 | - | - | 0.9756 |
| 2.5105 | 6000 | - | 0.1924 | - |
| 2.9289 | 7000 | 0.1006 | - | - |
| 0 | 0 | - | - | 0.9756 |
| 2.9289 | 7000 | - | 0.1922 | - |
| 3.3473 | 8000 | 0.08 | - | - |
| 0 | 0 | - | - | 0.9754 |
| 3.3473 | 8000 | - | 0.1924 | - |
| 3.7657 | 9000 | 0.0788 | - | - |
| 0 | 0 | - | - | 0.9755 |
| 3.7657 | 9000 | - | 0.1922 | - |
| 0 | 0 | - | - | 0.9754 |
</details>
### Framework Versions
- Python: 3.11.12
- Sentence Transformers: 4.0.2
- PyLate: 1.2.0
- Transformers: 4.48.2
- PyTorch: 2.6.0+cu124
- Accelerate: 1.6.0
- Datasets: 3.6.0
- Tokenizers: 0.21.1
## Citation
```
@inproceedings{mekonnen2025amharic,
title={Optimized Text Embedding Models and Benchmarks for Amharic Passage Retrieval},
author={Kidist Amde Mekonnen, Yosef Worku Alemneh, Maarten de Rijke },
booktitle={Findings of ACL},
year={2025}
}
```
<!--
## Glossary
*Clearly define terms in order to be accessible across audiences.*
-->
<!--
## Model Card Authors
*Lists the people who create the model card, providing recognition and accountability for the detailed work that goes into its construction.*
-->
<!--
## Model Card Contact
*Provides a way for people who have updates to the Model Card, suggestions, or questions, to contact the Model Card authors.*
--> |