diff --git a/crates/onnx-runtime-ep-cpu-plugin/tests/fixtures/generate_attention_fixtures.py b/crates/onnx-runtime-ep-cpu-plugin/tests/fixtures/generate_attention_fixtures.py
new file mode 100644
index 0000000000..62749b7e9e
--- /dev/null
+++ b/crates/onnx-runtime-ep-cpu-plugin/tests/fixtures/generate_attention_fixtures.py
@@ -0,0 +1,480 @@
+#!/usr/bin/env python3
+"""Generate the attention / MoE / KV-cache assignment fixtures.
+
+    python3 tests/fixtures/generate_attention_fixtures.py
+
+These exist for one assertion: when this EP is loaded it must take every node
+it supports, and ORT's CPU EP must be left with nothing. `plugin_ort_e2e.rs`
+runs each fixture twice -- once reading ORT's node-to-EP assignment back, and
+once with `session.disable_cpu_ep_fallback=1` so an unclaimed node fails
+session creation outright.
+
+The suite that already existed covered activations and normalisation only, so
+the guarantee was unproven for exactly the operators this EP is built for.
+Every graph here is single-node where the operator allows it, because a
+multi-node graph cannot distinguish "the node was claimed" from "the node was
+swallowed by a partition around it".
+
+Shapes are decode-sized on purpose: that is the range the assignment argument
+used to be made about, so it is the range the fixtures have to cover.
+"""
+import os
+
+import onnx
+from onnx import TensorProto, helper
+from google.protobuf import text_format
+
+FIXTURES_DIR = os.path.dirname(os.path.abspath(__file__))
+
+MS = "com.microsoft"
+
+
+def save(model, name, check=True):
+    path = os.path.join(FIXTURES_DIR, name, "model.onnx.textproto")
+    os.makedirs(os.path.dirname(path), exist_ok=True)
+    if check:
+        onnx.checker.check_model(model)
+    with open(path, "w") as f:
+        f.write(text_format.MessageToString(model))
+    print(f"  wrote {path} ({os.path.getsize(path)} bytes)")
+
+
+def vi(name, dims, elem=TensorProto.FLOAT):
+    return helper.make_tensor_value_info(name, elem, dims)
+
+
+def finish(nodes, name, inputs, outputs, opset=17, ms=False, inits=None):
+    graph = helper.make_graph(nodes, name, inputs, outputs, initializer=inits or [])
+    imports = [helper.make_opsetid("", opset)]
+    if ms:
+        imports.append(helper.make_opsetid(MS, 1))
+    model = helper.make_model(graph, opset_imports=imports)
+    model.ir_version = 10
+    return model
+
+
+# ── Softmax ──────────────────────────────────────────────────────────────────
+# The attention softmax shape: [batch=1, heads=32, q=1, kv=1024], reduced over
+# the last axis. Kept single-node so the claim cannot be inherited from a
+# neighbour.
+def gen_softmax_assignment_f32():
+    X = vi("X", [1, 32, 1, 1024])
+    Z = vi("Z", [1, 32, 1, 1024])
+    node = helper.make_node("Softmax", ["X"], ["Z"], axis=-1)
+    save(finish([node], "softmax_assignment_f32", [X], [Z], opset=13),
+         "softmax_assignment_f32")
+
+
+# ── Transpose ────────────────────────────────────────────────────────────────
+# The QK layout permutation [B,S,H,D] -> [B,H,S,D], which is the one that
+# actually appears between a projection and a QK GEMM.
+def gen_transpose_assignment_f32():
+    X = vi("X", [1, 128, 32, 128])
+    Z = vi("Z", [1, 32, 128, 128])
+    node = helper.make_node("Transpose", ["X"], ["Z"], perm=[0, 2, 1, 3])
+    save(finish([node], "transpose_assignment_f32", [X], [Z], opset=13),
+         "transpose_assignment_f32")
+
+
+# ── Concat (KV cache append) ─────────────────────────────────────────────────
+# past [B, H, P, D] ++ new [B, H, 1, D] along the sequence axis: the decode-step
+# KV cache growth, which is where the Concat cost in this EP actually lives.
+def gen_kv_concat_assignment_f32():
+    past = vi("past", [1, 8, 1023, 128])
+    cur = vi("cur", [1, 8, 1, 128])
+    out = vi("present", [1, 8, 1024, 128])
+    node = helper.make_node("Concat", ["past", "cur"], ["present"], axis=2)
+    save(finish([node], "kv_concat_assignment_f32", [past, cur], [out], opset=13),
+         "kv_concat_assignment_f32")
+
+
+# ── ScatterND (in-place KV cache update) ─────────────────────────────────────
+# The other KV-cache idiom: write the new token into a preallocated cache
+# instead of growing it. Output shape == data shape, which is the rule that was
+# missing from the plugin's shape table.
+def gen_kv_scatternd_assignment_f32():
+    data = vi("cache", [1, 8, 1024, 128])
+    indices = vi("indices", [1, 3], TensorProto.INT64)
+    updates = vi("updates", [1, 128])
+    out = vi("updated", [1, 8, 1024, 128])
+    node = helper.make_node("ScatterND", ["cache", "indices", "updates"], ["updated"])
+    save(finish([node], "kv_scatternd_assignment_f32", [data, indices, updates], [out],
+                opset=16),
+         "kv_scatternd_assignment_f32")
+
+
+# ── RotaryEmbedding (float32) ────────────────────────────────────────────────
+# The op #1078 deferred to ORT on a 12/12 losing grid. That deferral is
+# withdrawn, so this fixture is the standing falsifier: if float32 RoPE is ever
+# handed back to ORT's CPU EP, both assignment tests fail.
+#
+# com.microsoft::RotaryEmbedding takes (input, position_ids, cos_cache,
+# sin_cache) with input [B, S, hidden] and caches [max_seq, head_size / 2].
+def gen_rotary_assignment_f32():
+    B, S, H, D = 1, 1, 32, 128
+    x = vi("input", [B, S, H * D])
+    pos = vi("position_ids", [B, S], TensorProto.INT64)
+    cos = vi("cos_cache", [2048, D // 2])
+    sin = vi("sin_cache", [2048, D // 2])
+    out = vi("output", [B, S, H * D])
+    node = helper.make_node(
+        "RotaryEmbedding",
+        ["input", "position_ids", "cos_cache", "sin_cache"],
+        ["output"],
+        domain=MS,
+        num_heads=H,
+    )
+    save(finish([node], "rotary_assignment_f32", [x, pos, cos, sin], [out], ms=True),
+         "rotary_assignment_f32", check=False)
+
+
+# ── MultiHeadAttention ───────────────────────────────────────────────────────
+# Decode-shaped SDPA, no KV cache inputs, so the graph stays single-node.
+def gen_mha_assignment_f32():
+    B, S, H, D = 1, 1, 32, 128
+    hidden = H * D
+    q = vi("query", [B, S, hidden])
+    k = vi("key", [B, S, hidden])
+    v = vi("value", [B, S, hidden])
+    out = vi("output", [B, S, hidden])
+    node = helper.make_node(
+        "MultiHeadAttention", ["query", "key", "value"], ["output"],
+        domain=MS, num_heads=H,
+    )
+    save(finish([node], "mha_assignment_f32", [q, k, v], [out], ms=True),
+         "mha_assignment_f32", check=False)
+
+
+# ── GroupQueryAttention ──────────────────────────────────────────────────────
+# GQA with 32 query heads over 8 KV heads -- the llama3-shaped decode step.
+# Inputs: q, k, v, past_key, past_value, seqlens_k, total_sequence_length,
+# cos_cache, sin_cache. Outputs: output, present_key, present_value.
+def gen_gqa_assignment_f32():
+    B, S, H, KV, D, P = 1, 1, 32, 8, 128, 1023
+    q = vi("query", [B, S, H * D])
+    k = vi("key", [B, S, KV * D])
+    v = vi("value", [B, S, KV * D])
+    pk = vi("past_key", [B, KV, P, D])
+    pv = vi("past_value", [B, KV, P, D])
+    seqlens = vi("seqlens_k", [B], TensorProto.INT32)
+    total = vi("total_sequence_length", [1], TensorProto.INT32)
+    out = vi("output", [B, S, H * D])
+    prk = vi("present_key", [B, KV, P + S, D])
+    prv = vi("present_value", [B, KV, P + S, D])
+    node = helper.make_node(
+        "GroupQueryAttention",
+        ["query", "key", "value", "past_key", "past_value", "seqlens_k",
+         "total_sequence_length"],
+        ["output", "present_key", "present_value"],
+        domain=MS, num_heads=H, kv_num_heads=KV,
+    )
+    save(finish([node], "gqa_assignment_f32",
+                [q, k, v, pk, pv, seqlens, total], [out, prk, prv], ms=True),
+         "gqa_assignment_f32", check=False)
+
+
+# ── com.microsoft::Attention (packed QKV) ────────────────────────────────────
+# The signature the opset-23 ai.onnx::Attention arm deliberately does not
+# cover: input is the *unprojected* activation and the fused weight carries
+# q|k|v, so the output width is v_hidden rather than the input's last dim.
+# That is the rule this fixture pins.
+def gen_msft_attention_assignment_f32():
+    B, S, H, D = 1, 8, 4, 16
+    hidden = H * D
+    x = vi("input", [B, S, hidden])
+    w = vi("weights", [hidden, 3 * hidden])
+    bias = vi("bias", [3 * hidden])
+    out = vi("output", [B, S, hidden])
+    node = helper.make_node(
+        "Attention", ["input", "weights", "bias"], ["output"],
+        domain=MS, num_heads=H,
+    )
+    save(finish([node], "msft_attention_assignment_f32", [x, w, bias], [out], ms=True),
+         "msft_attention_assignment_f32", check=False)
+
+
+# ── MoE ──────────────────────────────────────────────────────────────────────
+# Mixtral-shaped routing at a small hidden size: 8 experts, top-2, SwiGLU-free
+# (gelu) so the fixture stays a single node. Output shape == input shape, the
+# rule that was missing from the plugin's shape table.
+def gen_moe_assignment_f32():
+    rows, hidden, experts, inter = 4, 32, 8, 64
+    x = vi("input", [rows, hidden])
+    probs = vi("router_probs", [rows, experts])
+    w1 = vi("fc1_experts_weights", [experts, inter, hidden])
+    b1 = vi("fc1_experts_bias", [experts, inter])
+    w2 = vi("fc2_experts_weights", [experts, hidden, inter])
+    b2 = vi("fc2_experts_bias", [experts, hidden])
+    out = vi("output", [rows, hidden])
+    node = helper.make_node(
+        "MoE",
+        ["input", "router_probs", "fc1_experts_weights", "fc1_experts_bias",
+         "fc2_experts_weights", "fc2_experts_bias"],
+        ["output"],
+        domain=MS, k=2, activation_type="gelu",
+    )
+    save(finish([node], "moe_assignment_f32",
+                [x, probs, w1, b1, w2, b2], [out], ms=True),
+         "moe_assignment_f32", check=False)
+
+
+def main():
+    print("Generating attention / MoE / KV assignment fixtures …")
+    gen_softmax_assignment_f32()
+    gen_transpose_assignment_f32()
+    gen_kv_concat_assignment_f32()
+    gen_kv_scatternd_assignment_f32()
+    gen_rotary_assignment_f32()
+    gen_mha_assignment_f32()
+    gen_gqa_assignment_f32()
+    gen_gqa_rotary_position_ids_assignment_f32()
+    gen_msft_attention_assignment_f32()
+    gen_moe_assignment_f32()
+    gen_moe_assignment_f16()
+    gen_qmoe_assignment_f32()
+    gen_qmoe_columnwise_f32()
+    gen_moe_sparse_mixer_f32()
+    gen_gqa_smooth_softmax_f32()
+    gen_packed_mha_assignment_f32()
+    gen_trilu_assignment_f32()
+    gen_scatter_elements_assignment_f32()
+    print("Done.")
+
+
+# ── MoE, float16 ─────────────────────────────────────────────────────────────
+# Review falsifier: production mixtures are exported in half precision, and
+# `moe.rs` widens f16/bf16 to f32 and narrows on the way out -- but the op
+# advertised f32 alone, so every realistic MoE node was declined while the f32
+# fixture passed. One dtype's worth of coverage is not coverage.
+def gen_moe_assignment_f16():
+    rows, hidden, experts, inter = 4, 32, 8, 64
+    x = vi("input", [rows, hidden], TensorProto.FLOAT16)
+    probs = vi("router_probs", [rows, experts], TensorProto.FLOAT16)
+    fc1_w = helper.make_tensor(
+        "fc1_w16", TensorProto.FLOAT16, [experts, inter, hidden],
+        b"\x00\x3c" * (experts * inter * hidden), raw=True)
+    fc2_w = helper.make_tensor(
+        "fc2_w16", TensorProto.FLOAT16, [experts, hidden, inter],
+        b"\x00\x3c" * (experts * hidden * inter), raw=True)
+    out = vi("output", [rows, hidden], TensorProto.FLOAT16)
+    node = helper.make_node(
+        "MoE", ["input", "router_probs", "fc1_w16", "", "fc2_w16"], ["output"],
+        domain=MS, k=2, activation_type="gelu")
+    save(finish([node], "moe_assignment_f16", [x, probs], [out], ms=True,
+                inits=[fc1_w, fc2_w]),
+         "moe_assignment_f16", check=False)
+
+
+# ── GroupQueryAttention with explicit int64 position_ids ─────────────────────
+# Review falsifier for the per-slot dtype table: `position_ids` is optional
+# input *9*, and leaving it off `GQA_SLOTS` made a `do_rotary` node with
+# explicit positions fail the float union and go to ORT -- the same class of
+# silent decline the table exists to stop, just one slot further out.
+def gen_gqa_rotary_position_ids_assignment_f32():
+    B, S, H, KV, D, P = 1, 1, 32, 8, 128, 1023
+    q = vi("query", [B, S, H * D])
+    k = vi("key", [B, S, KV * D])
+    v = vi("value", [B, S, KV * D])
+    pk = vi("past_key", [B, KV, P, D])
+    pv = vi("past_value", [B, KV, P, D])
+    seqlens = vi("seqlens_k", [B], TensorProto.INT32)
+    total = vi("total_sequence_length", [1], TensorProto.INT32)
+    cos = vi("cos_cache", [2048, D // 2])
+    sin = vi("sin_cache", [2048, D // 2])
+    pos = vi("position_ids", [B, S], TensorProto.INT64)
+    out = vi("output", [B, S, H * D])
+    prk = vi("present_key", [B, KV, P + S, D])
+    prv = vi("present_value", [B, KV, P + S, D])
+    node = helper.make_node(
+        "GroupQueryAttention",
+        ["query", "key", "value", "past_key", "past_value", "seqlens_k",
+         "total_sequence_length", "cos_cache", "sin_cache", "position_ids"],
+        ["output", "present_key", "present_value"],
+        domain=MS, num_heads=H, kv_num_heads=KV, do_rotary=1,
+    )
+    save(finish([node], "gqa_rotary_pos_assignment_f32",
+                [q, k, v, pk, pv, seqlens, total, cos, sin, pos],
+                [out, prk, prv], ms=True),
+         "gqa_rotary_pos_assignment_f32", check=False)
+
+
+# ── QMoE ─────────────────────────────────────────────────────────────────────
+# ORT does have a CPU kernel for QMoE (review loaded and ran this fixture on
+# `CPUExecutionProvider` under 1.27 and 1.28), so declining it meant not running
+# an op we implement rather than a load failure. int4-packed experts, so the
+# weight last dim is halved and the scales carry the block structure.
+def gen_qmoe_assignment_f32():
+    # Blocked quantization: our kernel supports block_size >= 16 (a power of
+    # two), so the scales carry one column per block rather than one per row.
+    # ORT's schema default of 0 selects the column-wise form, which this kernel
+    # does not implement -- a real capability gap, not a claim gap, and one ORT
+    # cannot cover either since it has no CPU QMoE kernel at all.
+    rows, hidden, experts, inter, block = 4, 32, 4, 64, 32
+    x = vi("input", [rows, hidden])
+    probs = vi("router_probs", [rows, experts])
+    fc1_w = helper.make_tensor(
+        "fc1_w", TensorProto.UINT8, [experts, inter, hidden // 2],
+        b"\x11" * (experts * inter * hidden // 2), raw=True)
+    fc1_s = helper.make_tensor(
+        "fc1_s", TensorProto.FLOAT, [experts, inter, hidden // block],
+        [0.01] * (experts * inter * (hidden // block)))
+    fc2_w = helper.make_tensor(
+        "fc2_w", TensorProto.UINT8, [experts, hidden, inter // 2],
+        b"\x11" * (experts * hidden * inter // 2), raw=True)
+    fc2_s = helper.make_tensor(
+        "fc2_s", TensorProto.FLOAT, [experts, hidden, inter // block],
+        [0.01] * (experts * hidden * (inter // block)))
+    out = vi("output", [rows, hidden])
+    node = helper.make_node(
+        "QMoE",
+        ["input", "router_probs", "fc1_w", "fc1_s", "", "fc2_w", "fc2_s"],
+        ["output"],
+        domain=MS, k=2, activation_type="gelu", expert_weight_bits=4,
+        block_size=block,
+    )
+    save(finish([node], "qmoe_assignment_f32", [x, probs], [out], ms=True,
+                inits=[fc1_w, fc1_s, fc2_w, fc2_s]),
+         "qmoe_assignment_f32", check=False)
+
+
+# ── QMoE, column-wise (the one deliberate capability decline) ────────────────
+# `block_size` absent means one scale per output row, and this kernel
+# implements only the blocked form. ORT's CPU kernel *does* run this, so
+# claiming it and then failing in the factory would take a working model and
+# kill the session -- the decline has to happen at claim time instead.
+# `plugin_ort_e2e::column_wise_qmoe_is_declined_at_claim_time_not_failed_late`
+# is the regression test; the fix is to implement the column-wise path.
+def gen_qmoe_columnwise_f32():
+    rows, hidden, experts, inter = 4, 32, 4, 64
+    x = vi("input", [rows, hidden])
+    probs = vi("router_probs", [rows, experts])
+    fc1_w = helper.make_tensor(
+        "cw_fc1_w", TensorProto.UINT8, [experts, inter, hidden // 2],
+        b"\x11" * (experts * inter * hidden // 2), raw=True)
+    fc1_s = helper.make_tensor(
+        "cw_fc1_s", TensorProto.FLOAT, [experts, inter],
+        [0.01] * (experts * inter))
+    fc2_w = helper.make_tensor(
+        "cw_fc2_w", TensorProto.UINT8, [experts, hidden, inter // 2],
+        b"\x11" * (experts * hidden * inter // 2), raw=True)
+    fc2_s = helper.make_tensor(
+        "cw_fc2_s", TensorProto.FLOAT, [experts, hidden],
+        [0.01] * (experts * hidden))
+    out = vi("output", [rows, hidden])
+    node = helper.make_node(
+        "QMoE",
+        ["input", "router_probs", "cw_fc1_w", "cw_fc1_s", "", "cw_fc2_w",
+         "cw_fc2_s"],
+        ["output"],
+        domain=MS, k=2, activation_type="gelu", expert_weight_bits=4)
+    save(finish([node], "qmoe_columnwise_f32", [x, probs], [out], ms=True,
+                inits=[fc1_w, fc1_s, fc2_w, fc2_s]),
+         "qmoe_columnwise_f32", check=False)
+
+
+# ── MoE, use_sparse_mixer=1 ──────────────────────────────────────────────────
+# Second review falsifier, same class as the column-wise QMoE one above. The
+# sparse-mixer router (Phi-3.5-MoE / GRIN-MoE) is rejected by
+# `MoeAttributes::from_node`, which runs in the kernel factory -- after ORT has
+# already compiled the node onto us, where no fallback recovers. ORT's own CPU
+# MoE kernel runs it, so the decline has to happen at claim time.
+# `plugin_ort_e2e::factory_only_capability_limits_are_declined_at_claim_time`
+# is the regression test; the fix is to implement the sparse mixer.
+def gen_moe_sparse_mixer_f32():
+    rows, hidden, experts, inter = 4, 32, 8, 64
+    x = vi("input", [rows, hidden])
+    probs = vi("router_probs", [rows, experts])
+    w1 = vi("fc1_experts_weights", [experts, inter, hidden])
+    w2 = vi("fc2_experts_weights", [experts, hidden, inter])
+    out = vi("output", [rows, hidden])
+    node = helper.make_node(
+        "MoE",
+        ["input", "router_probs", "fc1_experts_weights", "",
+         "fc2_experts_weights"],
+        ["output"],
+        domain=MS, k=2, activation_type="gelu", use_sparse_mixer=1)
+    save(finish([node], "moe_sparse_mixer_f32", [x, probs, w1, w2], [out], ms=True),
+         "moe_sparse_mixer_f32", check=False)
+
+
+# ── GroupQueryAttention, smooth_softmax=1 ────────────────────────────────────
+# Same class again. `smooth_softmax = 1` (Gemma-style attention sink) is
+# rejected in the GQA factory; ORT's CPU kernel implements it
+# (`use_smooth_softmax_ = ... == 1`), so claiming and then failing turns a model
+# that runs today into one that will not load.
+def gen_gqa_smooth_softmax_f32():
+    B, S, H, KV, D, P = 1, 1, 32, 8, 128, 1023
+    q = vi("query", [B, S, H * D])
+    k = vi("key", [B, S, KV * D])
+    v = vi("value", [B, S, KV * D])
+    pk = vi("past_key", [B, KV, P, D])
+    pv = vi("past_value", [B, KV, P, D])
+    seqlens = vi("seqlens_k", [B], TensorProto.INT32)
+    total = vi("total_sequence_length", [1], TensorProto.INT32)
+    out = vi("output", [B, S, H * D])
+    prk = vi("present_key", [B, KV, P + S, D])
+    prv = vi("present_value", [B, KV, P + S, D])
+    node = helper.make_node(
+        "GroupQueryAttention",
+        ["query", "key", "value", "past_key", "past_value", "seqlens_k",
+         "total_sequence_length"],
+        ["output", "present_key", "present_value"],
+        domain=MS, num_heads=H, kv_num_heads=KV, smooth_softmax=1,
+    )
+    save(finish([node], "gqa_smooth_softmax_f32",
+                [q, k, v, pk, pv, seqlens, total], [out, prk, prv], ms=True),
+         "gqa_smooth_softmax_f32", check=False)
+
+
+# ── PackedMultiHeadAttention ─────────────────────────────────────────────────
+# Rank-2 token-packed SDPA: output is [token_count, v_hidden], which is why it
+# cannot use the SameAsInput(0) rule the other rescued ops share.
+def gen_packed_mha_assignment_f32():
+    tokens, H, D, B = 8, 4, 16, 1
+    hidden = H * D
+    q = vi("query", [tokens, hidden])
+    k = vi("key", [tokens, hidden])
+    v = vi("value", [tokens, hidden])
+    token_offset = vi("token_offset", [B, tokens], TensorProto.INT32)
+    cumseq = vi("cumulative_sequence_length", [B + 1], TensorProto.INT32)
+    out = vi("output", [tokens, hidden])
+    node = helper.make_node(
+        "PackedMultiHeadAttention",
+        ["query", "key", "value", "", "token_offset",
+         "cumulative_sequence_length"],
+        ["output"], domain=MS, num_heads=H,
+    )
+    save(finish([node], "packed_mha_assignment_f32",
+                [q, k, v, token_offset, cumseq], [out], ms=True),
+         "packed_mha_assignment_f32", check=False)
+
+
+# ── Trilu ────────────────────────────────────────────────────────────────────
+# The causal-mask builder. Shape-preserving, so the rule is SameAsInput(0).
+def gen_trilu_assignment_f32():
+    x = vi("input", [1, 1, 128, 128])
+    out = vi("output", [1, 1, 128, 128])
+    k = helper.make_tensor("k", TensorProto.INT64, [], [0])
+    node = helper.make_node("Trilu", ["input", "k"], ["output"], upper=1)
+    save(finish([node], "trilu_assignment_f32", [x], [out], inits=[k]),
+         "trilu_assignment_f32")
+
+
+# ── ScatterElements ──────────────────────────────────────────────────────────
+# The other KV-cache write form, alongside ScatterND.
+def gen_scatter_elements_assignment_f32():
+    B, KV, T, D = 1, 8, 1024, 128
+    data = vi("data", [B, KV, T, D])
+    updates = vi("updates", [B, KV, 1, D])
+    indices = helper.make_tensor(
+        "indices", TensorProto.INT64, [B, KV, 1, D], [0] * (B * KV * D))
+    out = vi("output", [B, KV, T, D])
+    node = helper.make_node(
+        "ScatterElements", ["data", "indices", "updates"], ["output"], axis=2)
+    save(finish([node], "scatter_elements_assignment_f32",
+                [data, updates], [out], inits=[indices]),
+         "scatter_elements_assignment_f32")
+
+
+if __name__ == "__main__":
+    main()
diff --git a/crates/onnx-runtime-ep-cpu-plugin/tests/fixtures/gqa_assignment_f32/model.onnx.textproto b/crates/onnx-runtime-ep-cpu-plugin/tests/fixtures/gqa_assignment_f32/model.onnx.textproto
new file mode 100644
index 0000000000..2a9c3c3e73
--- /dev/null
+++ b/crates/onnx-runtime-ep-cpu-plugin/tests/fixtures/gqa_assignment_f32/model.onnx.textproto
@@ -0,0 +1,226 @@
+ir_version: 10
+graph {
+  node {
+    input: "query"
+    input: "key"
+    input: "value"
+    input: "past_key"
+    input: "past_value"
+    input: "seqlens_k"
+    input: "total_sequence_length"
+    output: "output"
+    output: "present_key"
+    output: "present_value"
+    op_type: "GroupQueryAttention"
+    attribute {
+      name: "kv_num_heads"
+      i: 8
+      type: INT
+    }
+    attribute {
+      name: "num_heads"
+      i: 32
+      type: INT
+    }
+    domain: "com.microsoft"
+  }
+  name: "gqa_assignment_f32"
+  input {
+    name: "query"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 4096
+          }
+        }
+      }
+    }
+  }
+  input {
+    name: "key"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 1024
+          }
+        }
+      }
+    }
+  }
+  input {
+    name: "value"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 1024
+          }
+        }
+      }
+    }
+  }
+  input {
+    name: "past_key"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 8
+          }
+          dim {
+            dim_value: 1023
+          }
+          dim {
+            dim_value: 128
+          }
+        }
+      }
+    }
+  }
+  input {
+    name: "past_value"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 8
+          }
+          dim {
+            dim_value: 1023
+          }
+          dim {
+            dim_value: 128
+          }
+        }
+      }
+    }
+  }
+  input {
+    name: "seqlens_k"
+    type {
+      tensor_type {
+        elem_type: 6
+        shape {
+          dim {
+            dim_value: 1
+          }
+        }
+      }
+    }
+  }
+  input {
+    name: "total_sequence_length"
+    type {
+      tensor_type {
+        elem_type: 6
+        shape {
+          dim {
+            dim_value: 1
+          }
+        }
+      }
+    }
+  }
+  output {
+    name: "output"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 4096
+          }
+        }
+      }
+    }
+  }
+  output {
+    name: "present_key"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 8
+          }
+          dim {
+            dim_value: 1024
+          }
+          dim {
+            dim_value: 128
+          }
+        }
+      }
+    }
+  }
+  output {
+    name: "present_value"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 8
+          }
+          dim {
+            dim_value: 1024
+          }
+          dim {
+            dim_value: 128
+          }
+        }
+      }
+    }
+  }
+}
+opset_import {
+  domain: ""
+  version: 17
+}
+opset_import {
+  domain: "com.microsoft"
+  version: 1
+}
diff --git a/crates/onnx-runtime-ep-cpu-plugin/tests/fixtures/gqa_rotary_pos_assignment_f32/model.onnx.textproto b/crates/onnx-runtime-ep-cpu-plugin/tests/fixtures/gqa_rotary_pos_assignment_f32/model.onnx.textproto
new file mode 100644
index 0000000000..74135026fd
--- /dev/null
+++ b/crates/onnx-runtime-ep-cpu-plugin/tests/fixtures/gqa_rotary_pos_assignment_f32/model.onnx.textproto
@@ -0,0 +1,282 @@
+ir_version: 10
+graph {
+  node {
+    input: "query"
+    input: "key"
+    input: "value"
+    input: "past_key"
+    input: "past_value"
+    input: "seqlens_k"
+    input: "total_sequence_length"
+    input: "cos_cache"
+    input: "sin_cache"
+    input: "position_ids"
+    output: "output"
+    output: "present_key"
+    output: "present_value"
+    op_type: "GroupQueryAttention"
+    attribute {
+      name: "do_rotary"
+      i: 1
+      type: INT
+    }
+    attribute {
+      name: "kv_num_heads"
+      i: 8
+      type: INT
+    }
+    attribute {
+      name: "num_heads"
+      i: 32
+      type: INT
+    }
+    domain: "com.microsoft"
+  }
+  name: "gqa_rotary_pos_assignment_f32"
+  input {
+    name: "query"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 4096
+          }
+        }
+      }
+    }
+  }
+  input {
+    name: "key"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 1024
+          }
+        }
+      }
+    }
+  }
+  input {
+    name: "value"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 1024
+          }
+        }
+      }
+    }
+  }
+  input {
+    name: "past_key"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 8
+          }
+          dim {
+            dim_value: 1023
+          }
+          dim {
+            dim_value: 128
+          }
+        }
+      }
+    }
+  }
+  input {
+    name: "past_value"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 8
+          }
+          dim {
+            dim_value: 1023
+          }
+          dim {
+            dim_value: 128
+          }
+        }
+      }
+    }
+  }
+  input {
+    name: "seqlens_k"
+    type {
+      tensor_type {
+        elem_type: 6
+        shape {
+          dim {
+            dim_value: 1
+          }
+        }
+      }
+    }
+  }
+  input {
+    name: "total_sequence_length"
+    type {
+      tensor_type {
+        elem_type: 6
+        shape {
+          dim {
+            dim_value: 1
+          }
+        }
+      }
+    }
+  }
+  input {
+    name: "cos_cache"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 2048
+          }
+          dim {
+            dim_value: 64
+          }
+        }
+      }
+    }
+  }
+  input {
+    name: "sin_cache"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 2048
+          }
+          dim {
+            dim_value: 64
+          }
+        }
+      }
+    }
+  }
+  input {
+    name: "position_ids"
+    type {
+      tensor_type {
+        elem_type: 7
+        shape {
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 1
+          }
+        }
+      }
+    }
+  }
+  output {
+    name: "output"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 4096
+          }
+        }
+      }
+    }
+  }
+  output {
+    name: "present_key"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 8
+          }
+          dim {
+            dim_value: 1024
+          }
+          dim {
+            dim_value: 128
+          }
+        }
+      }
+    }
+  }
+  output {
+    name: "present_value"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 8
+          }
+          dim {
+            dim_value: 1024
+          }
+          dim {
+            dim_value: 128
+          }
+        }
+      }
+    }
+  }
+}
+opset_import {
+  domain: ""
+  version: 17
+}
+opset_import {
+  domain: "com.microsoft"
+  version: 1
+}
diff --git a/crates/onnx-runtime-ep-cpu-plugin/tests/fixtures/gqa_smooth_softmax_f32/model.onnx.textproto b/crates/onnx-runtime-ep-cpu-plugin/tests/fixtures/gqa_smooth_softmax_f32/model.onnx.textproto
new file mode 100644
index 0000000000..7d927cce18
--- /dev/null
+++ b/crates/onnx-runtime-ep-cpu-plugin/tests/fixtures/gqa_smooth_softmax_f32/model.onnx.textproto
@@ -0,0 +1,231 @@
+ir_version: 10
+graph {
+  node {
+    input: "query"
+    input: "key"
+    input: "value"
+    input: "past_key"
+    input: "past_value"
+    input: "seqlens_k"
+    input: "total_sequence_length"
+    output: "output"
+    output: "present_key"
+    output: "present_value"
+    op_type: "GroupQueryAttention"
+    attribute {
+      name: "kv_num_heads"
+      i: 8
+      type: INT
+    }
+    attribute {
+      name: "num_heads"
+      i: 32
+      type: INT
+    }
+    attribute {
+      name: "smooth_softmax"
+      i: 1
+      type: INT
+    }
+    domain: "com.microsoft"
+  }
+  name: "gqa_smooth_softmax_f32"
+  input {
+    name: "query"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 4096
+          }
+        }
+      }
+    }
+  }
+  input {
+    name: "key"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 1024
+          }
+        }
+      }
+    }
+  }
+  input {
+    name: "value"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 1024
+          }
+        }
+      }
+    }
+  }
+  input {
+    name: "past_key"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 8
+          }
+          dim {
+            dim_value: 1023
+          }
+          dim {
+            dim_value: 128
+          }
+        }
+      }
+    }
+  }
+  input {
+    name: "past_value"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 8
+          }
+          dim {
+            dim_value: 1023
+          }
+          dim {
+            dim_value: 128
+          }
+        }
+      }
+    }
+  }
+  input {
+    name: "seqlens_k"
+    type {
+      tensor_type {
+        elem_type: 6
+        shape {
+          dim {
+            dim_value: 1
+          }
+        }
+      }
+    }
+  }
+  input {
+    name: "total_sequence_length"
+    type {
+      tensor_type {
+        elem_type: 6
+        shape {
+          dim {
+            dim_value: 1
+          }
+        }
+      }
+    }
+  }
+  output {
+    name: "output"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 4096
+          }
+        }
+      }
+    }
+  }
+  output {
+    name: "present_key"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 8
+          }
+          dim {
+            dim_value: 1024
+          }
+          dim {
+            dim_value: 128
+          }
+        }
+      }
+    }
+  }
+  output {
+    name: "present_value"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 8
+          }
+          dim {
+            dim_value: 1024
+          }
+          dim {
+            dim_value: 128
+          }
+        }
+      }
+    }
+  }
+}
+opset_import {
+  domain: ""
+  version: 17
+}
+opset_import {
+  domain: "com.microsoft"
+  version: 1
+}
diff --git a/crates/onnx-runtime-ep-cpu-plugin/tests/fixtures/kv_concat_assignment_f32/model.onnx.textproto b/crates/onnx-runtime-ep-cpu-plugin/tests/fixtures/kv_concat_assignment_f32/model.onnx.textproto
new file mode 100644
index 0000000000..67a86c227e
--- /dev/null
+++ b/crates/onnx-runtime-ep-cpu-plugin/tests/fixtures/kv_concat_assignment_f32/model.onnx.textproto
@@ -0,0 +1,85 @@
+ir_version: 10
+graph {
+  node {
+    input: "past"
+    input: "cur"
+    output: "present"
+    op_type: "Concat"
+    attribute {
+      name: "axis"
+      i: 2
+      type: INT
+    }
+  }
+  name: "kv_concat_assignment_f32"
+  input {
+    name: "past"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 8
+          }
+          dim {
+            dim_value: 1023
+          }
+          dim {
+            dim_value: 128
+          }
+        }
+      }
+    }
+  }
+  input {
+    name: "cur"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 8
+          }
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 128
+          }
+        }
+      }
+    }
+  }
+  output {
+    name: "present"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 8
+          }
+          dim {
+            dim_value: 1024
+          }
+          dim {
+            dim_value: 128
+          }
+        }
+      }
+    }
+  }
+}
+opset_import {
+  domain: ""
+  version: 13
+}
diff --git a/crates/onnx-runtime-ep-cpu-plugin/tests/fixtures/kv_scatternd_assignment_f32/model.onnx.textproto b/crates/onnx-runtime-ep-cpu-plugin/tests/fixtures/kv_scatternd_assignment_f32/model.onnx.textproto
new file mode 100644
index 0000000000..66870a6c05
--- /dev/null
+++ b/crates/onnx-runtime-ep-cpu-plugin/tests/fixtures/kv_scatternd_assignment_f32/model.onnx.textproto
@@ -0,0 +1,91 @@
+ir_version: 10
+graph {
+  node {
+    input: "cache"
+    input: "indices"
+    input: "updates"
+    output: "updated"
+    op_type: "ScatterND"
+  }
+  name: "kv_scatternd_assignment_f32"
+  input {
+    name: "cache"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 8
+          }
+          dim {
+            dim_value: 1024
+          }
+          dim {
+            dim_value: 128
+          }
+        }
+      }
+    }
+  }
+  input {
+    name: "indices"
+    type {
+      tensor_type {
+        elem_type: 7
+        shape {
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 3
+          }
+        }
+      }
+    }
+  }
+  input {
+    name: "updates"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 128
+          }
+        }
+      }
+    }
+  }
+  output {
+    name: "updated"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 8
+          }
+          dim {
+            dim_value: 1024
+          }
+          dim {
+            dim_value: 128
+          }
+        }
+      }
+    }
+  }
+}
+opset_import {
+  domain: ""
+  version: 16
+}
diff --git a/crates/onnx-runtime-ep-cpu-plugin/tests/fixtures/mha_assignment_f32/model.onnx.textproto b/crates/onnx-runtime-ep-cpu-plugin/tests/fixtures/mha_assignment_f32/model.onnx.textproto
new file mode 100644
index 0000000000..afeed0e8bd
--- /dev/null
+++ b/crates/onnx-runtime-ep-cpu-plugin/tests/fixtures/mha_assignment_f32/model.onnx.textproto
@@ -0,0 +1,101 @@
+ir_version: 10
+graph {
+  node {
+    input: "query"
+    input: "key"
+    input: "value"
+    output: "output"
+    op_type: "MultiHeadAttention"
+    attribute {
+      name: "num_heads"
+      i: 32
+      type: INT
+    }
+    domain: "com.microsoft"
+  }
+  name: "mha_assignment_f32"
+  input {
+    name: "query"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 4096
+          }
+        }
+      }
+    }
+  }
+  input {
+    name: "key"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 4096
+          }
+        }
+      }
+    }
+  }
+  input {
+    name: "value"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 4096
+          }
+        }
+      }
+    }
+  }
+  output {
+    name: "output"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 4096
+          }
+        }
+      }
+    }
+  }
+}
+opset_import {
+  domain: ""
+  version: 17
+}
+opset_import {
+  domain: "com.microsoft"
+  version: 1
+}
diff --git a/crates/onnx-runtime-ep-cpu-plugin/tests/fixtures/moe_assignment_f16/model.onnx.textproto b/crates/onnx-runtime-ep-cpu-plugin/tests/fixtures/moe_assignment_f16/model.onnx.textproto
new file mode 100644
index 0000000000..0533ed8ac5
--- /dev/null
+++ b/crates/onnx-runtime-ep-cpu-plugin/tests/fixtures/moe_assignment_f16/model.onnx.textproto
@@ -0,0 +1,96 @@
+ir_version: 10
+graph {
+  node {
+    input: "input"
+    input: "router_probs"
+    input: "fc1_w16"
+    input: ""
+    input: "fc2_w16"
+    output: "output"
+    op_type: "MoE"
+    attribute {
+      name: "activation_type"
+      s: "gelu"
+      type: STRING
+    }
+    attribute {
+      name: "k"
+      i: 2
+      type: INT
+    }
+    domain: "com.microsoft"
+  }
+  name: "moe_assignment_f16"
+  initializer {
+    dims: 8
+    dims: 64
+    dims: 32
+    data_type: 10
+    name: "fc1_w16"
+    raw_data: "\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<"
+  }
+  initializer {
+    dims: 8
+    dims: 32
+    dims: 64
+    data_type: 10
+    name: "fc2_w16"
+    raw_data: "\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<\000<"
+  }
+  input {
+    name: "input"
+    type {
+      tensor_type {
+        elem_type: 10
+        shape {
+          dim {
+            dim_value: 4
+          }
+          dim {
+            dim_value: 32
+          }
+        }
+      }
+    }
+  }
+  input {
+    name: "router_probs"
+    type {
+      tensor_type {
+        elem_type: 10
+        shape {
+          dim {
+            dim_value: 4
+          }
+          dim {
+            dim_value: 8
+          }
+        }
+      }
+    }
+  }
+  output {
+    name: "output"
+    type {
+      tensor_type {
+        elem_type: 10
+        shape {
+          dim {
+            dim_value: 4
+          }
+          dim {
+            dim_value: 32
+          }
+        }
+      }
+    }
+  }
+}
+opset_import {
+  domain: ""
+  version: 17
+}
+opset_import {
+  domain: "com.microsoft"
+  version: 1
+}
diff --git a/crates/onnx-runtime-ep-cpu-plugin/tests/fixtures/moe_assignment_f32/model.onnx.textproto b/crates/onnx-runtime-ep-cpu-plugin/tests/fixtures/moe_assignment_f32/model.onnx.textproto
new file mode 100644
index 0000000000..7050a5d2cd
--- /dev/null
+++ b/crates/onnx-runtime-ep-cpu-plugin/tests/fixtures/moe_assignment_f32/model.onnx.textproto
@@ -0,0 +1,151 @@
+ir_version: 10
+graph {
+  node {
+    input: "input"
+    input: "router_probs"
+    input: "fc1_experts_weights"
+    input: "fc1_experts_bias"
+    input: "fc2_experts_weights"
+    input: "fc2_experts_bias"
+    output: "output"
+    op_type: "MoE"
+    attribute {
+      name: "activation_type"
+      s: "gelu"
+      type: STRING
+    }
+    attribute {
+      name: "k"
+      i: 2
+      type: INT
+    }
+    domain: "com.microsoft"
+  }
+  name: "moe_assignment_f32"
+  input {
+    name: "input"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 4
+          }
+          dim {
+            dim_value: 32
+          }
+        }
+      }
+    }
+  }
+  input {
+    name: "router_probs"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 4
+          }
+          dim {
+            dim_value: 8
+          }
+        }
+      }
+    }
+  }
+  input {
+    name: "fc1_experts_weights"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 8
+          }
+          dim {
+            dim_value: 64
+          }
+          dim {
+            dim_value: 32
+          }
+        }
+      }
+    }
+  }
+  input {
+    name: "fc1_experts_bias"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 8
+          }
+          dim {
+            dim_value: 64
+          }
+        }
+      }
+    }
+  }
+  input {
+    name: "fc2_experts_weights"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 8
+          }
+          dim {
+            dim_value: 32
+          }
+          dim {
+            dim_value: 64
+          }
+        }
+      }
+    }
+  }
+  input {
+    name: "fc2_experts_bias"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 8
+          }
+          dim {
+            dim_value: 32
+          }
+        }
+      }
+    }
+  }
+  output {
+    name: "output"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 4
+          }
+          dim {
+            dim_value: 32
+          }
+        }
+      }
+    }
+  }
+}
+opset_import {
+  domain: ""
+  version: 17
+}
+opset_import {
+  domain: "com.microsoft"
+  version: 1
+}
diff --git a/crates/onnx-runtime-ep-cpu-plugin/tests/fixtures/moe_sparse_mixer_f32/model.onnx.textproto b/crates/onnx-runtime-ep-cpu-plugin/tests/fixtures/moe_sparse_mixer_f32/model.onnx.textproto
new file mode 100644
index 0000000000..d4264b7fdb
--- /dev/null
+++ b/crates/onnx-runtime-ep-cpu-plugin/tests/fixtures/moe_sparse_mixer_f32/model.onnx.textproto
@@ -0,0 +1,123 @@
+ir_version: 10
+graph {
+  node {
+    input: "input"
+    input: "router_probs"
+    input: "fc1_experts_weights"
+    input: ""
+    input: "fc2_experts_weights"
+    output: "output"
+    op_type: "MoE"
+    attribute {
+      name: "activation_type"
+      s: "gelu"
+      type: STRING
+    }
+    attribute {
+      name: "k"
+      i: 2
+      type: INT
+    }
+    attribute {
+      name: "use_sparse_mixer"
+      i: 1
+      type: INT
+    }
+    domain: "com.microsoft"
+  }
+  name: "moe_sparse_mixer_f32"
+  input {
+    name: "input"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 4
+          }
+          dim {
+            dim_value: 32
+          }
+        }
+      }
+    }
+  }
+  input {
+    name: "router_probs"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 4
+          }
+          dim {
+            dim_value: 8
+          }
+        }
+      }
+    }
+  }
+  input {
+    name: "fc1_experts_weights"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 8
+          }
+          dim {
+            dim_value: 64
+          }
+          dim {
+            dim_value: 32
+          }
+        }
+      }
+    }
+  }
+  input {
+    name: "fc2_experts_weights"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 8
+          }
+          dim {
+            dim_value: 32
+          }
+          dim {
+            dim_value: 64
+          }
+        }
+      }
+    }
+  }
+  output {
+    name: "output"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 4
+          }
+          dim {
+            dim_value: 32
+          }
+        }
+      }
+    }
+  }
+}
+opset_import {
+  domain: ""
+  version: 17
+}
+opset_import {
+  domain: "com.microsoft"
+  version: 1
+}
diff --git a/crates/onnx-runtime-ep-cpu-plugin/tests/fixtures/msft_attention_assignment_f32/model.onnx.textproto b/crates/onnx-runtime-ep-cpu-plugin/tests/fixtures/msft_attention_assignment_f32/model.onnx.textproto
new file mode 100644
index 0000000000..96577a8691
--- /dev/null
+++ b/crates/onnx-runtime-ep-cpu-plugin/tests/fixtures/msft_attention_assignment_f32/model.onnx.textproto
@@ -0,0 +1,92 @@
+ir_version: 10
+graph {
+  node {
+    input: "input"
+    input: "weights"
+    input: "bias"
+    output: "output"
+    op_type: "Attention"
+    attribute {
+      name: "num_heads"
+      i: 4
+      type: INT
+    }
+    domain: "com.microsoft"
+  }
+  name: "msft_attention_assignment_f32"
+  input {
+    name: "input"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 8
+          }
+          dim {
+            dim_value: 64
+          }
+        }
+      }
+    }
+  }
+  input {
+    name: "weights"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 64
+          }
+          dim {
+            dim_value: 192
+          }
+        }
+      }
+    }
+  }
+  input {
+    name: "bias"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 192
+          }
+        }
+      }
+    }
+  }
+  output {
+    name: "output"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 8
+          }
+          dim {
+            dim_value: 64
+          }
+        }
+      }
+    }
+  }
+}
+opset_import {
+  domain: ""
+  version: 17
+}
+opset_import {
+  domain: "com.microsoft"
+  version: 1
+}
diff --git a/crates/onnx-runtime-ep-cpu-plugin/tests/fixtures/packed_mha_assignment_f32/model.onnx.textproto b/crates/onnx-runtime-ep-cpu-plugin/tests/fixtures/packed_mha_assignment_f32/model.onnx.textproto
new file mode 100644
index 0000000000..ac102edec9
--- /dev/null
+++ b/crates/onnx-runtime-ep-cpu-plugin/tests/fixtures/packed_mha_assignment_f32/model.onnx.textproto
@@ -0,0 +1,121 @@
+ir_version: 10
+graph {
+  node {
+    input: "query"
+    input: "key"
+    input: "value"
+    input: ""
+    input: "token_offset"
+    input: "cumulative_sequence_length"
+    output: "output"
+    op_type: "PackedMultiHeadAttention"
+    attribute {
+      name: "num_heads"
+      i: 4
+      type: INT
+    }
+    domain: "com.microsoft"
+  }
+  name: "packed_mha_assignment_f32"
+  input {
+    name: "query"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 8
+          }
+          dim {
+            dim_value: 64
+          }
+        }
+      }
+    }
+  }
+  input {
+    name: "key"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 8
+          }
+          dim {
+            dim_value: 64
+          }
+        }
+      }
+    }
+  }
+  input {
+    name: "value"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 8
+          }
+          dim {
+            dim_value: 64
+          }
+        }
+      }
+    }
+  }
+  input {
+    name: "token_offset"
+    type {
+      tensor_type {
+        elem_type: 6
+        shape {
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 8
+          }
+        }
+      }
+    }
+  }
+  input {
+    name: "cumulative_sequence_length"
+    type {
+      tensor_type {
+        elem_type: 6
+        shape {
+          dim {
+            dim_value: 2
+          }
+        }
+      }
+    }
+  }
+  output {
+    name: "output"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 8
+          }
+          dim {
+            dim_value: 64
+          }
+        }
+      }
+    }
+  }
+}
+opset_import {
+  domain: ""
+  version: 17
+}
+opset_import {
+  domain: "com.microsoft"
+  version: 1
+}
diff --git a/crates/onnx-runtime-ep-cpu-plugin/tests/fixtures/qmoe_assignment_f32/model.onnx.textproto b/crates/onnx-runtime-ep-cpu-plugin/tests/fixtures/qmoe_assignment_f32/model.onnx.textproto
new file mode 100644
index 0000000000..f5704053f6
--- /dev/null
+++ b/crates/onnx-runtime-ep-cpu-plugin/tests/fixtures/qmoe_assignment_f32/model.onnx.textproto
@@ -0,0 +1,634 @@
+ir_version: 10
+graph {
+  node {
+    input: "input"
+    input: "router_probs"
+    input: "fc1_w"
+    input: "fc1_s"
+    input: ""
+    input: "fc2_w"
+    input: "fc2_s"
+    output: "output"
+    op_type: "QMoE"
+    attribute {
+      name: "activation_type"
+      s: "gelu"
+      type: STRING
+    }
+    attribute {
+      name: "block_size"
+      i: 32
+      type: INT
+    }
+    attribute {
+      name: "expert_weight_bits"
+      i: 4
+      type: INT
+    }
+    attribute {
+      name: "k"
+      i: 2
+      type: INT
+    }
+    domain: "com.microsoft"
+  }
+  name: "qmoe_assignment_f32"
+  initializer {
+    dims: 4
+    dims: 64
+    dims: 16
+    data_type: 2
+    name: "fc1_w"
+    raw_data: "\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021"
+  }
+  initializer {
+    dims: 4
+    dims: 64
+    dims: 1
+    data_type: 1
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    name: "fc1_s"
+  }
+  initializer {
+    dims: 4
+    dims: 32
+    dims: 32
+    data_type: 2
+    name: "fc2_w"
+    raw_data: "\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021"
+  }
+  initializer {
+    dims: 4
+    dims: 32
+    dims: 2
+    data_type: 1
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    name: "fc2_s"
+  }
+  input {
+    name: "input"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 4
+          }
+          dim {
+            dim_value: 32
+          }
+        }
+      }
+    }
+  }
+  input {
+    name: "router_probs"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 4
+          }
+          dim {
+            dim_value: 4
+          }
+        }
+      }
+    }
+  }
+  output {
+    name: "output"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 4
+          }
+          dim {
+            dim_value: 32
+          }
+        }
+      }
+    }
+  }
+}
+opset_import {
+  domain: ""
+  version: 17
+}
+opset_import {
+  domain: "com.microsoft"
+  version: 1
+}
diff --git a/crates/onnx-runtime-ep-cpu-plugin/tests/fixtures/qmoe_columnwise_f32/model.onnx.textproto b/crates/onnx-runtime-ep-cpu-plugin/tests/fixtures/qmoe_columnwise_f32/model.onnx.textproto
new file mode 100644
index 0000000000..3d39ebf1ef
--- /dev/null
+++ b/crates/onnx-runtime-ep-cpu-plugin/tests/fixtures/qmoe_columnwise_f32/model.onnx.textproto
@@ -0,0 +1,499 @@
+ir_version: 10
+graph {
+  node {
+    input: "input"
+    input: "router_probs"
+    input: "cw_fc1_w"
+    input: "cw_fc1_s"
+    input: ""
+    input: "cw_fc2_w"
+    input: "cw_fc2_s"
+    output: "output"
+    op_type: "QMoE"
+    attribute {
+      name: "activation_type"
+      s: "gelu"
+      type: STRING
+    }
+    attribute {
+      name: "expert_weight_bits"
+      i: 4
+      type: INT
+    }
+    attribute {
+      name: "k"
+      i: 2
+      type: INT
+    }
+    domain: "com.microsoft"
+  }
+  name: "qmoe_columnwise_f32"
+  initializer {
+    dims: 4
+    dims: 64
+    dims: 16
+    data_type: 2
+    name: "cw_fc1_w"
+    raw_data: "\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021"
+  }
+  initializer {
+    dims: 4
+    dims: 64
+    data_type: 1
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    name: "cw_fc1_s"
+  }
+  initializer {
+    dims: 4
+    dims: 32
+    dims: 32
+    data_type: 2
+    name: "cw_fc2_w"
+    raw_data: "\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021\021"
+  }
+  initializer {
+    dims: 4
+    dims: 32
+    data_type: 1
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    float_data: 0.01
+    name: "cw_fc2_s"
+  }
+  input {
+    name: "input"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 4
+          }
+          dim {
+            dim_value: 32
+          }
+        }
+      }
+    }
+  }
+  input {
+    name: "router_probs"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 4
+          }
+          dim {
+            dim_value: 4
+          }
+        }
+      }
+    }
+  }
+  output {
+    name: "output"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 4
+          }
+          dim {
+            dim_value: 32
+          }
+        }
+      }
+    }
+  }
+}
+opset_import {
+  domain: ""
+  version: 17
+}
+opset_import {
+  domain: "com.microsoft"
+  version: 1
+}
diff --git a/crates/onnx-runtime-ep-cpu-plugin/tests/fixtures/rotary_assignment_f32/model.onnx.textproto b/crates/onnx-runtime-ep-cpu-plugin/tests/fixtures/rotary_assignment_f32/model.onnx.textproto
new file mode 100644
index 0000000000..80174c9877
--- /dev/null
+++ b/crates/onnx-runtime-ep-cpu-plugin/tests/fixtures/rotary_assignment_f32/model.onnx.textproto
@@ -0,0 +1,112 @@
+ir_version: 10
+graph {
+  node {
+    input: "input"
+    input: "position_ids"
+    input: "cos_cache"
+    input: "sin_cache"
+    output: "output"
+    op_type: "RotaryEmbedding"
+    attribute {
+      name: "num_heads"
+      i: 32
+      type: INT
+    }
+    domain: "com.microsoft"
+  }
+  name: "rotary_assignment_f32"
+  input {
+    name: "input"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 4096
+          }
+        }
+      }
+    }
+  }
+  input {
+    name: "position_ids"
+    type {
+      tensor_type {
+        elem_type: 7
+        shape {
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 1
+          }
+        }
+      }
+    }
+  }
+  input {
+    name: "cos_cache"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 2048
+          }
+          dim {
+            dim_value: 64
+          }
+        }
+      }
+    }
+  }
+  input {
+    name: "sin_cache"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 2048
+          }
+          dim {
+            dim_value: 64
+          }
+        }
+      }
+    }
+  }
+  output {
+    name: "output"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 4096
+          }
+        }
+      }
+    }
+  }
+}
+opset_import {
+  domain: ""
+  version: 17
+}
+opset_import {
+  domain: "com.microsoft"
+  version: 1
+}
diff --git a/crates/onnx-runtime-ep-cpu-plugin/tests/fixtures/scatter_elements_assignment_f32/model.onnx.textproto b/crates/onnx-runtime-ep-cpu-plugin/tests/fixtures/scatter_elements_assignment_f32/model.onnx.textproto
new file mode 100644
index 0000000000..ad872e896b
--- /dev/null
+++ b/crates/onnx-runtime-ep-cpu-plugin/tests/fixtures/scatter_elements_assignment_f32/model.onnx.textproto
@@ -0,0 +1,1118 @@
+ir_version: 10
+graph {
+  node {
+    input: "data"
+    input: "indices"
+    input: "updates"
+    output: "output"
+    op_type: "ScatterElements"
+    attribute {
+      name: "axis"
+      i: 2
+      type: INT
+    }
+  }
+  name: "scatter_elements_assignment_f32"
+  initializer {
+    dims: 1
+    dims: 8
+    dims: 1
+    dims: 128
+    data_type: 7
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    int64_data: 0
+    name: "indices"
+  }
+  input {
+    name: "data"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 8
+          }
+          dim {
+            dim_value: 1024
+          }
+          dim {
+            dim_value: 128
+          }
+        }
+      }
+    }
+  }
+  input {
+    name: "updates"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 8
+          }
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 128
+          }
+        }
+      }
+    }
+  }
+  output {
+    name: "output"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 8
+          }
+          dim {
+            dim_value: 1024
+          }
+          dim {
+            dim_value: 128
+          }
+        }
+      }
+    }
+  }
+}
+opset_import {
+  domain: ""
+  version: 17
+}
diff --git a/crates/onnx-runtime-ep-cpu-plugin/tests/fixtures/softmax_assignment_f32/model.onnx.textproto b/crates/onnx-runtime-ep-cpu-plugin/tests/fixtures/softmax_assignment_f32/model.onnx.textproto
new file mode 100644
index 0000000000..e72a104083
--- /dev/null
+++ b/crates/onnx-runtime-ep-cpu-plugin/tests/fixtures/softmax_assignment_f32/model.onnx.textproto
@@ -0,0 +1,62 @@
+ir_version: 10
+graph {
+  node {
+    input: "X"
+    output: "Z"
+    op_type: "Softmax"
+    attribute {
+      name: "axis"
+      i: -1
+      type: INT
+    }
+  }
+  name: "softmax_assignment_f32"
+  input {
+    name: "X"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 32
+          }
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 1024
+          }
+        }
+      }
+    }
+  }
+  output {
+    name: "Z"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 32
+          }
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 1024
+          }
+        }
+      }
+    }
+  }
+}
+opset_import {
+  domain: ""
+  version: 13
+}
diff --git a/crates/onnx-runtime-ep-cpu-plugin/tests/fixtures/transpose_assignment_f32/model.onnx.textproto b/crates/onnx-runtime-ep-cpu-plugin/tests/fixtures/transpose_assignment_f32/model.onnx.textproto
new file mode 100644
index 0000000000..f5c2aac094
--- /dev/null
+++ b/crates/onnx-runtime-ep-cpu-plugin/tests/fixtures/transpose_assignment_f32/model.onnx.textproto
@@ -0,0 +1,65 @@
+ir_version: 10
+graph {
+  node {
+    input: "X"
+    output: "Z"
+    op_type: "Transpose"
+    attribute {
+      name: "perm"
+      ints: 0
+      ints: 2
+      ints: 1
+      ints: 3
+      type: INTS
+    }
+  }
+  name: "transpose_assignment_f32"
+  input {
+    name: "X"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 128
+          }
+          dim {
+            dim_value: 32
+          }
+          dim {
+            dim_value: 128
+          }
+        }
+      }
+    }
+  }
+  output {
+    name: "Z"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 32
+          }
+          dim {
+            dim_value: 128
+          }
+          dim {
+            dim_value: 128
+          }
+        }
+      }
+    }
+  }
+}
+opset_import {
+  domain: ""
+  version: 13
+}
diff --git a/crates/onnx-runtime-ep-cpu-plugin/tests/fixtures/trilu_assignment_f32/model.onnx.textproto b/crates/onnx-runtime-ep-cpu-plugin/tests/fixtures/trilu_assignment_f32/model.onnx.textproto
new file mode 100644
index 0000000000..ab73e1a03b
--- /dev/null
+++ b/crates/onnx-runtime-ep-cpu-plugin/tests/fixtures/trilu_assignment_f32/model.onnx.textproto
@@ -0,0 +1,68 @@
+ir_version: 10
+graph {
+  node {
+    input: "input"
+    input: "k"
+    output: "output"
+    op_type: "Trilu"
+    attribute {
+      name: "upper"
+      i: 1
+      type: INT
+    }
+  }
+  name: "trilu_assignment_f32"
+  initializer {
+    data_type: 7
+    int64_data: 0
+    name: "k"
+  }
+  input {
+    name: "input"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 128
+          }
+          dim {
+            dim_value: 128
+          }
+        }
+      }
+    }
+  }
+  output {
+    name: "output"
+    type {
+      tensor_type {
+        elem_type: 1
+        shape {
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 1
+          }
+          dim {
+            dim_value: 128
+          }
+          dim {
+            dim_value: 128
+          }
+        }
+      }
+    }
+  }
+}
+opset_import {
+  domain: ""
+  version: 17
+}
diff --git a/crates/onnx-runtime-ep-cpu-plugin/tests/plugin_ort_e2e.rs b/crates/onnx-runtime-ep-cpu-plugin/tests/plugin_ort_e2e.rs
index 90d3a1912e..0747064c47 100644
--- a/crates/onnx-runtime-ep-cpu-plugin/tests/plugin_ort_e2e.rs
+++ b/crates/onnx-runtime-ep-cpu-plugin/tests/plugin_ort_e2e.rs
@@ -3846,6 +3846,49 @@ const ASSIGNMENT_FIXTURES: &[(&str, &str)] = &[
     // dropped the claim and ORT ran it. Without a fixture whose op sits in that
     // gap, the sweep below can only prove the ops it already knew about.
     ("sin_assignment_f32", "Sin"),
+    // ── Attention, MoE and KV cache ──────────────────────────────────────
+    // The suite above is activations and normalisation. Those are not what
+    // this EP is for, so until these rows existed the architectural rule was
+    // unproven for exactly the operators the rule was written about.
+    //
+    // Five of these could not have passed before: `com.microsoft::Attention`,
+    // `MoE`, `PackedMultiHeadAttention`, `ScatterND` and `Trilu` had no entry
+    // in the plugin's `ShapeInference` table, so `GetCapability`'s fail-closed
+    // filter dropped the claim and ORT's CPU EP ran them -- silently, and
+    // regardless of what `supports_op` said.
+    ("softmax_assignment_f32", "Softmax"),
+    ("transpose_assignment_f32", "Transpose"),
+    ("kv_concat_assignment_f32", "Concat"),
+    ("kv_scatternd_assignment_f32", "ScatterND"),
+    // float32 `RotaryEmbedding` was deferred to ORT by #1078 on a 12/12
+    // losing grid. That deferral is withdrawn: this row is the falsifier that
+    // fails if it is ever reintroduced.
+    ("rotary_assignment_f32", "RotaryEmbedding"),
+    ("mha_assignment_f32", "MultiHeadAttention"),
+    ("gqa_assignment_f32", "GroupQueryAttention"),
+    // `position_ids` is GQA's optional input *9*. Leaving that slot off the
+    // per-slot dtype table sent a `do_rotary` node with explicit int64
+    // positions to ORT even after the `seqlens_k` / `total_sequence_length`
+    // slots were fixed, so it gets its own row rather than being assumed.
+    ("gqa_rotary_pos_assignment_f32", "GroupQueryAttention"),
+    ("msft_attention_assignment_f32", "Attention"),
+    ("moe_assignment_f32", "MoE"),
+    // f32 alone was not coverage: production mixtures are exported in half
+    // precision, and `MoE` advertised f32 only while its kernel widens f16 and
+    // bf16 to f32 and narrows on the way out. This row is the falsifier.
+    ("moe_assignment_f16", "MoE"),
+    // ORT has no CPU kernel for PackedMultiHeadAttention, so for that one the
+    // shape-table decline bought a *load failure* rather than a slower run; it
+    // does have CPU kernels for MoE and QMoE, so for those it was simply us not
+    // running an op we implement. Each was rescued here and each needs its own real
+    // session to prove it, because the pure-Rust inventory test builds
+    // synthetic nodes and never opens one -- it cannot see a dtype-filter or
+    // kernel-factory rejection, which are exactly the layers that were
+    // silently declining GQA and RoPE.
+    ("qmoe_assignment_f32", "QMoE"),
+    ("packed_mha_assignment_f32", "PackedMultiHeadAttention"),
+    ("trilu_assignment_f32", "Trilu"),
+    ("scatter_elements_assignment_f32", "ScatterElements"),
 ];
 
 /// The architectural rule, asserted directly: when this EP is loaded it takes
@@ -3866,6 +3909,7 @@ const ASSIGNMENT_FIXTURES: &[(&str, &str)] = &[
 fn no_supported_node_is_ever_left_to_the_ort_cpu_ep() {
     let _lock = lock_ort_ep();
     let mut checked = 0usize;
+    let mut failures: Vec<String> = Vec::new();
 
     for (fixture, op) in ASSIGNMENT_FIXTURES {
         let reg = format!("cpu_ep_noyield_{fixture}");
@@ -3878,19 +3922,26 @@ fn no_supported_node_is_ever_left_to_the_ort_cpu_ep() {
             continue;
         };
 
-        assert!(
-            ours.iter().any(|claimed| claimed == op),
-            "{fixture}: '{op}' must run on this EP, but it is not among {ours:?} \
-             (ORT was given {theirs:?})"
-        );
-        assert!(
-            !theirs.iter().any(|left| left == op),
-            "{fixture}: '{op}' was handed to ORT's CPU EP. This EP does not defer — \
-             a range where it is slower is a kernel to optimize, not a node to give away."
-        );
+        // Collected rather than asserted per fixture: a bare `assert!` stops at
+        // the first decline, so a run reports one op when several are being
+        // given away and the next iteration only uncovers the next one. The
+        // whole matrix is the useful output.
+        if !ours.iter().any(|claimed| claimed == op) || theirs.iter().any(|left| left == op) {
+            failures.push(format!(
+                "  {fixture}: '{op}' is not on this EP — ours={ours:?}, ORT was given {theirs:?}"
+            ));
+        }
         checked += 1;
     }
 
+    assert!(
+        failures.is_empty(),
+        "{} of {checked} fixtures were handed to ORT's CPU EP. This EP does not defer — \
+         a range where it is slower is a kernel to optimize, not a node to give away.\n{}",
+        failures.len(),
+        failures.join("\n")
+    );
+
     if checked != ASSIGNMENT_FIXTURES.len() {
         eprintln!(
             "*** SKIPPED: only {checked}/{} fixtures ran — ORT or EP cdylib not found ***",
@@ -5889,3 +5940,324 @@ fn plugin_path_ab_vs_plain_ort() {
         }
     }
 }
+
+/// float32 `com.microsoft::RotaryEmbedding` and `GroupQueryAttention` execute
+/// on *this* EP and agree with ORT's own CPU kernels.
+///
+/// Assignment alone is not the guarantee the policy asks for: a node can be
+/// claimed and then compute the wrong thing, which is strictly worse than the
+/// deferral it replaced. These two ops are the ones that were being handed to
+/// ORT until the per-slot dtype tables landed, so they are the two that most
+/// need their arithmetic checked against the implementation they displaced.
+///
+/// The baseline is a second session over the *same* model file with our EP
+/// simply not appended, so ORT resolves both nodes to its own contrib CPU
+/// kernels. Same bytes in, so any difference is ours.
+#[test]
+fn rope_and_gqa_execute_on_our_ep_and_match_ort_numerics() {
+    let _lock = lock_ort_ep();
+    let manifest_dir = env!("CARGO_MANIFEST_DIR");
+
+    for (fixture, op) in [
+        ("rotary_assignment_f32", "RotaryEmbedding"),
+        ("gqa_assignment_f32", "GroupQueryAttention"),
+    ] {
+        let model_path = PathBuf::from(manifest_dir)
+            .join(format!("tests/fixtures/{fixture}/model.onnx.textproto"));
+        let reg = format!("cpu_ep_num_{fixture}");
+
+        let Some((_lib, api, env, opts, session)) =
+            (unsafe { conformance_setup(&reg, &model_path, true) })
+        else {
+            eprintln!("*** SKIPPED: {fixture} numerics — ORT or EP cdylib not found ***");
+            return;
+        };
+
+        unsafe {
+            let info = query_ep_assignment(api, session);
+            assert!(
+                info.ops_on_our_ep().contains(&op),
+                "{fixture}: '{op}' must execute here, not on ORT's CPU EP; got {:?}",
+                info.assignments
+            );
+
+            let (names, mut inputs, output_names) = attention_fixture_inputs(api, fixture);
+            let ours = run_and_collect_f32(api, session, &names, &inputs, &output_names);
+
+            // Same model, same bytes, but ORT resolves the node itself.
+            let mut base_opts: *mut ort::OrtSessionOptions = ptr::null_mut();
+            let status = ((*api).CreateSessionOptions.unwrap())(&mut base_opts);
+            check_status(api, status, "CreateSessionOptions(baseline)");
+            let mut base_session: *mut ort::OrtSession = ptr::null_mut();
+            let status =
+                ort_session::create_session(api, env, base_opts, &model_path, &mut base_session);
+            check_status(api, status, "CreateSession(baseline)");
+            let theirs = run_and_collect_f32(api, base_session, &names, &inputs, &output_names);
+            ((*api).ReleaseSession.unwrap())(base_session);
+            ((*api).ReleaseSessionOptions.unwrap())(base_opts);
+
+            assert_eq!(ours.len(), theirs.len(), "{fixture}: output count differs");
+            for (idx, (a, b)) in ours.iter().zip(theirs.iter()).enumerate() {
+                assert_eq!(
+                    a.len(),
+                    b.len(),
+                    "{fixture}: output {idx} length {} vs ORT's {}",
+                    a.len(),
+                    b.len()
+                );
+                let mut worst = 0.0f32;
+                let mut worst_at = 0usize;
+                for (i, (x, y)) in a.iter().zip(b.iter()).enumerate() {
+                    assert!(
+                        x.is_finite(),
+                        "{fixture}: output {idx}[{i}] is {x}, not finite"
+                    );
+                    let err = (x - y).abs() / y.abs().max(1.0);
+                    if err > worst {
+                        worst = err;
+                        worst_at = i;
+                    }
+                }
+                assert!(
+                    worst <= 2e-5,
+                    "{fixture}: output {idx} differs from ORT by {worst} at [{worst_at}] \
+                     (ours {}, ORT {})",
+                    a[worst_at],
+                    b[worst_at]
+                );
+                eprintln!(
+                    "  [{fixture}] output {idx}: {} values, max rel err {worst:.3e}",
+                    a.len()
+                );
+            }
+
+            for v in inputs.drain(..) {
+                ((*api).ReleaseValue.unwrap())(v);
+            }
+            conformance_teardown(api, env, opts, session, &reg);
+        }
+    }
+}
+
+/// Deterministic inputs for the attention fixtures, in each model's slot order.
+///
+/// The tensors are leaked rather than returned by value because ORT borrows the
+/// caller's buffers: `CreateTensorWithDataAsOrtValue` does not copy, so the
+/// backing storage has to outlive every `Run` that reads it.
+unsafe fn attention_fixture_inputs(
+    api: *const ort::OrtApi,
+    fixture: &str,
+) -> (
+    Vec<&'static str>,
+    Vec<*mut ort::OrtValue>,
+    Vec<&'static str>,
+) {
+    // A cheap deterministic spread in [-1, 1) that is not periodic in the head
+    // dimension, so a transposed or mis-strided read cannot look correct.
+    let fill = |n: usize, seed: u32| -> &'static mut [f32] {
+        let mut s = seed | 1;
+        let v: Vec<f32> = (0..n)
+            .map(|_| {
+                s = s.wrapping_mul(1_664_525).wrapping_add(1_013_904_223);
+                ((s >> 8) as f32 / (1u32 << 23) as f32) - 1.0
+            })
+            .collect();
+        Box::leak(v.into_boxed_slice())
+    };
+    unsafe {
+        match fixture {
+            "rotary_assignment_f32" => {
+                let (b, s, h, d) = (1i64, 1i64, 32i64, 128i64);
+                let x = make_float_tensor(api, fill((b * s * h * d) as usize, 7), &[b, s, h * d]);
+                let pos = Box::leak(vec![17i64].into_boxed_slice());
+                let pos_bytes = std::slice::from_raw_parts_mut(
+                    pos.as_mut_ptr().cast::<u8>(),
+                    std::mem::size_of_val(pos),
+                );
+                let pos_v = make_raw_tensor(
+                    api,
+                    pos_bytes,
+                    &[b, s],
+                    ort::ONNX_TENSOR_ELEMENT_DATA_TYPE_INT64,
+                );
+                let cos = make_float_tensor(api, fill((2048 * d / 2) as usize, 11), &[2048, d / 2]);
+                let sin = make_float_tensor(api, fill((2048 * d / 2) as usize, 13), &[2048, d / 2]);
+                (
+                    vec!["input", "position_ids", "cos_cache", "sin_cache"],
+                    vec![x, pos_v, cos, sin],
+                    vec!["output"],
+                )
+            }
+            "gqa_assignment_f32" => {
+                let (b, s, h, kv, d, p) = (1i64, 1i64, 32i64, 8i64, 128i64, 1023i64);
+                let q = make_float_tensor(api, fill((b * s * h * d) as usize, 3), &[b, s, h * d]);
+                let k = make_float_tensor(api, fill((b * s * kv * d) as usize, 5), &[b, s, kv * d]);
+                let v = make_float_tensor(api, fill((b * s * kv * d) as usize, 9), &[b, s, kv * d]);
+                let pk =
+                    make_float_tensor(api, fill((b * kv * p * d) as usize, 21), &[b, kv, p, d]);
+                let pv =
+                    make_float_tensor(api, fill((b * kv * p * d) as usize, 23), &[b, kv, p, d]);
+                // seqlens_k is the *past* length (ORT adds the new token), and
+                // total_sequence_length must equal max(seqlens_k) + 1.
+                // Leaked for the same reason as the float buffers: ORT keeps a
+                // pointer into them for the life of the value, so a temporary
+                // would dangle by the time `Run` reads it.
+                let seqlens =
+                    make_int32_tensor(api, Box::leak(vec![p as i32].into_boxed_slice()), &[b]);
+                let total = make_int32_tensor(
+                    api,
+                    Box::leak(vec![(p + 1) as i32].into_boxed_slice()),
+                    &[1],
+                );
+                (
+                    vec![
+                        "query",
+                        "key",
+                        "value",
+                        "past_key",
+                        "past_value",
+                        "seqlens_k",
+                        "total_sequence_length",
+                    ],
+                    vec![q, k, v, pk, pv, seqlens, total],
+                    vec!["output", "present_key", "present_value"],
+                )
+            }
+            other => panic!("attention_fixture_inputs: no inputs defined for {other}"),
+        }
+    }
+}
+
+/// Run `session` over the named inputs and copy every output out as float32.
+unsafe fn run_and_collect_f32(
+    api: *const ort::OrtApi,
+    session: *mut ort::OrtSession,
+    input_names: &[&str],
+    inputs: &[*mut ort::OrtValue],
+    output_names: &[&str],
+) -> Vec<Vec<f32>> {
+    unsafe {
+        let in_c: Vec<std::ffi::CString> = input_names
+            .iter()
+            .map(|n| std::ffi::CString::new(*n).unwrap())
+            .collect();
+        let out_c: Vec<std::ffi::CString> = output_names
+            .iter()
+            .map(|n| std::ffi::CString::new(*n).unwrap())
+            .collect();
+        let in_ptrs: Vec<*const i8> = in_c.iter().map(|c| c.as_ptr()).collect();
+        let out_ptrs: Vec<*const i8> = out_c.iter().map(|c| c.as_ptr()).collect();
+        let mut outputs: Vec<*mut ort::OrtValue> = vec![ptr::null_mut(); output_names.len()];
+
+        let status = ((*api).Run.unwrap())(
+            session,
+            ptr::null(),
+            in_ptrs.as_ptr(),
+            inputs.as_ptr().cast(),
+            inputs.len(),
+            out_ptrs.as_ptr(),
+            output_names.len(),
+            outputs.as_mut_ptr(),
+        );
+        check_status(api, status, "Run(attention fixture)");
+
+        let mut collected = Vec::with_capacity(outputs.len());
+        for out in &outputs {
+            assert!(!out.is_null(), "Run returned a null output");
+            let mut info: *mut ort::OrtTensorTypeAndShapeInfo = ptr::null_mut();
+            let status = ((*api).GetTensorTypeAndShape.unwrap())(*out, &mut info);
+            check_status(api, status, "GetTensorTypeAndShape(attention fixture)");
+            let mut count = 0usize;
+            let status = ((*api).GetTensorShapeElementCount.unwrap())(info, &mut count);
+            check_status(api, status, "GetTensorShapeElementCount(attention fixture)");
+            ((*api).ReleaseTensorTypeAndShapeInfo.unwrap())(info);
+
+            let mut data: *mut std::ffi::c_void = ptr::null_mut();
+            let status = ((*api).GetTensorMutableData.unwrap())(*out, &mut data);
+            check_status(api, status, "GetTensorMutableData(attention fixture)");
+            collected.push(std::slice::from_raw_parts(data as *const f32, count).to_vec());
+        }
+        for out in outputs {
+            ((*api).ReleaseValue.unwrap())(out);
+        }
+        collected
+    }
+}
+
+/// Configurations these kernels cannot compute, each declined at *claim* time
+/// with the session still loading.
+///
+/// Every row is a **capability** answer rather than a performance one, and each
+/// mirrors a rejection its kernel factory raises. The mirroring is what matters:
+///
+///   * decline at claim time  → ORT runs it, model works, we owe a kernel;
+///   * claim and fail in the factory → `CreateSession` dies and **no fallback
+///     recovers**, because ORT has already compiled the node onto this EP.
+///
+/// Making these ops reachable at all is what created the second possibility, so
+/// this test pins the first. ORT's CPU EP runs all three configurations below,
+/// which is why claiming-then-failing would take a model that works today and
+/// make it unloadable.
+///
+/// | fixture | limit | where the factory raises it |
+/// |---|---|---|
+/// | `qmoe_columnwise_f32` | `block_size` absent → column-wise quantization | `qmoe.rs` |
+/// | `moe_sparse_mixer_f32` | `use_sparse_mixer=1` (Phi-3.5-MoE / GRIN-MoE) | `moe.rs` |
+/// | `gqa_smooth_softmax_f32` | `smooth_softmax=1` (attention sink) | `group_query_attention.rs` |
+///
+/// They are deliberately *not* in `ASSIGNMENT_FIXTURES`: they are the documented
+/// exceptions, and each should stop being one as soon as its kernel exists.
+#[test]
+fn factory_only_capability_limits_are_declined_at_claim_time() {
+    const CASES: &[(&str, &str, &str)] = &[
+        (
+            "qmoe_columnwise_f32",
+            "QMoE",
+            "`qmoe::unsupported_reason` (column-wise quantization)",
+        ),
+        (
+            "moe_sparse_mixer_f32",
+            "MoE",
+            "`moe::unsupported_reason` (use_sparse_mixer=1)",
+        ),
+        (
+            "gqa_smooth_softmax_f32",
+            "GroupQueryAttention",
+            "`group_query_attention::unsupported_reason` (smooth_softmax=1)",
+        ),
+    ];
+
+    let _lock = lock_ort_ep();
+    let manifest_dir = env!("CARGO_MANIFEST_DIR");
+    for (fixture, op, guard) in CASES {
+        let model_path = PathBuf::from(manifest_dir)
+            .join(format!("tests/fixtures/{fixture}/model.onnx.textproto"));
+        let reg = format!("cpu_ep_claim_time_{fixture}");
+
+        // Fallback must stay *enabled*: the point is that ORT can still run it.
+        let Some((_lib, api, env, opts, session)) =
+            (unsafe { conformance_setup(&reg, &model_path, false) })
+        else {
+            eprintln!("*** SKIPPED: {fixture} — ORT or EP cdylib not found ***");
+            return;
+        };
+
+        unsafe {
+            let info = query_ep_assignment(api, session);
+            let ours = info.ops_on_our_ep();
+            assert!(
+                !ours.contains(op),
+                "{fixture}: {op} was claimed, but the kernel factory rejects this \
+                 configuration, which kills the session outright rather than falling back. \
+                 Decline it in {guard}, or implement the missing path. Got: {:?}",
+                info.assignments
+            );
+            eprintln!(
+                "  [{fixture}] declined at claim time, session loaded; ours={ours:?}, \
+                 others={:?}",
+                info.ops_not_on_our_ep()
+            );
+            conformance_teardown(api, env, opts, session, &reg);
+        }
+    }
+}
diff --git a/crates/onnx-runtime-ep-cpu-plugin/tests/shape_inference_coverage.rs b/crates/onnx-runtime-ep-cpu-plugin/tests/shape_inference_coverage.rs
index 2940b9dbe9..9f20cda1b4 100644
--- a/crates/onnx-runtime-ep-cpu-plugin/tests/shape_inference_coverage.rs
+++ b/crates/onnx-runtime-ep-cpu-plugin/tests/shape_inference_coverage.rs
@@ -79,9 +79,6 @@ const DECLINED: &[(&str, &str)] = &[
     ("", "DequantizeLinear"),
     ("", "EyeLike"),
     ("", "QuantizeLinear"),
-    ("", "ScatterElements"),
-    ("", "ScatterND"),
-    ("", "Trilu"),
     //       Pooling and CNN geometry: inferrable from `kernel_shape`,
     //       `strides`, `pads`, `dilations` and `ceil_mode`, exactly as
     //       `build_conv` already does for `Conv`.
@@ -104,9 +101,6 @@ const DECLINED: &[(&str, &str)] = &[
     ("", "GatherElements"),        // output shape == indices shape
     ("", "Size"),                  // scalar
     //       Contrib ops that need a real rule written.
-    ("com.microsoft", "Attention"), // packed QKV; a different signature from
-    //                                 ai.onnx::Attention, so the opset-23 arm
-    //                                 deliberately does not cover it
     //       Qwen3.5 / Qwen3-Next hybrid linear-attention primitives, read
     //       from exported models rather than produced by our fusion passes.
     //       ORT has no kernel for these at all, so handing them over does not
@@ -114,9 +108,6 @@ const DECLINED: &[(&str, &str)] = &[
     ("", "LinearAttention"),
     ("com.microsoft", "CausalConvWithState"),
     ("com.microsoft", "LinearAttention"),
-    ("com.microsoft", "MoE"),
-    ("com.microsoft", "PackedMultiHeadAttention"),
-    ("com.microsoft", "QMoE"),
 ];
 
 /// Ops registered only so a test can exercise the registry machinery. They are
diff --git a/crates/onnx-runtime-ep-cpu/src/kernels/attention.rs b/crates/onnx-runtime-ep-cpu/src/kernels/attention.rs
index ce56b8f9f0..70ac43a3ca 100644
--- a/crates/onnx-runtime-ep-cpu/src/kernels/attention.rs
+++ b/crates/onnx-runtime-ep-cpu/src/kernels/attention.rs
@@ -75,41 +75,66 @@ pub struct AttentionFactory {
     pub since_version: u32,
 }
 
+/// Why this kernel cannot run a given `ai.onnx::Attention` node, if it cannot.
+///
+/// Answered at *claim* time: a rejection raised in the factory instead arrives
+/// after ORT has compiled the node onto this EP and is a hard session failure
+/// that no fallback recovers from. Implemented by running the factory's own
+/// attribute parse, so the two cannot disagree. `since_version` selects opset
+/// semantics inside `execute` and cannot change which nodes are rejected, so
+/// the claim-time call passes the newest.
+pub(crate) fn unsupported_reason(node: &Node) -> Option<String> {
+    attributes_from_node(node, 26).err().map(|e| e.to_string())
+}
+
+fn attributes_from_node(node: &Node, since_version: u32) -> Result<AttentionKernel> {
+    // Defensive, not load-bearing: ORT does not stamp this attribute (a
+    // real session was instrumented to confirm it arrives absent). But both
+    // ORT's kernels and ours read an explicit `scale = 0` as "use
+    // 1/sqrt(head_size)" rather than literally, so a zero taken at face
+    // value would zero every score silently. `> 0` is deliberately broader
+    // than ORT's `== 0`, since a negative scale is meaningless.
+    let scale = node
+        .attr("scale")
+        .and_then(|a| a.as_float())
+        .filter(|s| *s > 0.0);
+    let is_causal = node.attr("is_causal").and_then(|a| a.as_int()).unwrap_or(0) != 0;
+    let q_num_heads = node
+        .attr("q_num_heads")
+        .and_then(|a| a.as_int())
+        .map(|v| v as usize);
+    let kv_num_heads = node
+        .attr("kv_num_heads")
+        .and_then(|a| a.as_int())
+        .map(|v| v as usize);
+    let qk_matmul_output_mode = node
+        .attr("qk_matmul_output_mode")
+        .and_then(|a| a.as_int())
+        .unwrap_or(0);
+    let softcap = node
+        .attr("softcap")
+        .and_then(|a| a.as_float())
+        .unwrap_or(0.0);
+    if !(0..=3).contains(&qk_matmul_output_mode) {
+        return Err(EpError::KernelFailed(format!(
+            "Attention: qk_matmul_output_mode {qk_matmul_output_mode} is not supported \
+                 (only 0, 1, 2, 3 are implemented)"
+        )));
+    }
+    Ok(AttentionKernel {
+        scale,
+        is_causal,
+        q_num_heads,
+        kv_num_heads,
+        qk_matmul_output_mode,
+        softcap,
+        since_version,
+    })
+}
+
 impl KernelFactory for AttentionFactory {
     fn create(&self, node: &Node, _input_shapes: &[Vec<usize>]) -> Result<Box<dyn Kernel>> {
-        let scale = node.attr("scale").and_then(|a| a.as_float());
-        let is_causal = node.attr("is_causal").and_then(|a| a.as_int()).unwrap_or(0) != 0;
-        let q_num_heads = node
-            .attr("q_num_heads")
-            .and_then(|a| a.as_int())
-            .map(|v| v as usize);
-        let kv_num_heads = node
-            .attr("kv_num_heads")
-            .and_then(|a| a.as_int())
-            .map(|v| v as usize);
-        let qk_matmul_output_mode = node
-            .attr("qk_matmul_output_mode")
-            .and_then(|a| a.as_int())
-            .unwrap_or(0);
-        let softcap = node
-            .attr("softcap")
-            .and_then(|a| a.as_float())
-            .unwrap_or(0.0);
-        if !(0..=3).contains(&qk_matmul_output_mode) {
-            return Err(EpError::KernelFailed(format!(
-                "Attention: qk_matmul_output_mode {qk_matmul_output_mode} is not supported \
-                 (only 0, 1, 2, 3 are implemented)"
-            )));
-        }
-        Ok(Box::new(AttentionKernel {
-            scale,
-            is_causal,
-            q_num_heads,
-            kv_num_heads,
-            qk_matmul_output_mode,
-            softcap,
-            since_version: self.since_version,
-        }))
+        Ok(Box::new(attributes_from_node(node, self.since_version)?))
     }
 }
 
diff --git a/crates/onnx-runtime-ep-cpu/src/kernels/group_query_attention.rs b/crates/onnx-runtime-ep-cpu/src/kernels/group_query_attention.rs
index 596b7ebd49..ccfb2ac36c 100644
--- a/crates/onnx-runtime-ep-cpu/src/kernels/group_query_attention.rs
+++ b/crates/onnx-runtime-ep-cpu/src/kernels/group_query_attention.rs
@@ -598,90 +598,132 @@ pub struct GroupQueryAttentionKernel {
 
 pub struct GroupQueryAttentionFactory;
 
-impl KernelFactory for GroupQueryAttentionFactory {
-    fn create(&self, node: &Node, _input_shapes: &[Vec<usize>]) -> Result<Box<dyn Kernel>> {
-        let required_heads = |name: &str| -> Result<usize> {
-            let value = node.attr(name).and_then(|a| a.as_int()).ok_or_else(|| {
-                EpError::KernelFailed(format!(
-                    "GroupQueryAttention: missing required `{name}` attribute"
-                ))
-            })?;
-            usize::try_from(value)
-                .ok()
-                .filter(|&v| v > 0)
-                .ok_or_else(|| {
-                    EpError::KernelFailed(format!("GroupQueryAttention: `{name}` must be > 0"))
-                })
-        };
-        let num_heads = required_heads("num_heads")?;
-        let kv_num_heads = required_heads("kv_num_heads")?;
-        if !num_heads.is_multiple_of(kv_num_heads) {
+/// Why this kernel cannot run a given `GroupQueryAttention` node, if it cannot.
+///
+/// Must be answered at *claim* time. `GetCapability` consults only the dtype
+/// and shape filters, so a rejection raised later, in the kernel factory,
+/// arrives after ORT has compiled the node onto this EP and is a **hard session
+/// failure that no fallback recovers from**. ORT's own CPU GQA kernel runs
+/// several configurations this one does not yet implement — `smooth_softmax=1`
+/// (Gemma-style), quantized KV caches, `qk_output` — so claiming and then
+/// failing would take a model that works today and kill it at `CreateSession`.
+///
+/// Implemented by running the factory's own attribute parse, so a limit cannot
+/// be added to [`attributes_from_node`] without appearing here too. These are
+/// capability answers, not performance ones: each is a kernel we owe, and none
+/// of them is a range where we are merely slower.
+pub(crate) fn unsupported_reason(node: &Node) -> Option<String> {
+    attributes_from_node(node).err().map(|e| e.to_string())
+}
+
+/// Every attribute check the factory performs, in one place.
+fn attributes_from_node(node: &Node) -> Result<GroupQueryAttentionKernel> {
+    let required_heads = |name: &str| -> Result<usize> {
+        let value = node.attr(name).and_then(|a| a.as_int()).ok_or_else(|| {
+            EpError::KernelFailed(format!(
+                "GroupQueryAttention: missing required `{name}` attribute"
+            ))
+        })?;
+        usize::try_from(value)
+            .ok()
+            .filter(|&v| v > 0)
+            .ok_or_else(|| {
+                EpError::KernelFailed(format!("GroupQueryAttention: `{name}` must be > 0"))
+            })
+    };
+    let num_heads = required_heads("num_heads")?;
+    let kv_num_heads = required_heads("kv_num_heads")?;
+    if !num_heads.is_multiple_of(kv_num_heads) {
+        return Err(EpError::KernelFailed(format!(
+            "GroupQueryAttention: num_heads {num_heads} must be a multiple of kv_num_heads {kv_num_heads}"
+        )));
+    }
+
+    for name in ["k_quant_type", "v_quant_type"] {
+        if let Some(value) = node.attr(name)
+            && value.as_str() != Some("NONE")
+        {
             return Err(EpError::KernelFailed(format!(
-                "GroupQueryAttention: num_heads {num_heads} must be a multiple of kv_num_heads {kv_num_heads}"
+                "GroupQueryAttention: `{name}` other than NONE is not yet supported by the f32 CPU kernel"
             )));
         }
+    }
+    if node
+        .attr("kv_cache_bit_width")
+        .and_then(|a| a.as_int())
+        .unwrap_or(0)
+        != 0
+    {
+        return Err(EpError::KernelFailed(
+            "GroupQueryAttention: quantized KV cache is not yet supported".into(),
+        ));
+    }
+    if node.attr("qk_output").and_then(|a| a.as_int()).unwrap_or(0) != 0 {
+        return Err(EpError::KernelFailed(
+            "GroupQueryAttention: qk_output is not yet supported".into(),
+        ));
+    }
+    // ORT's schema default for this attribute is -1, not 0, and ORT
+    // materialises schema defaults onto the node before an EP ever sees it
+    // -- so every GQA node from a real ORT session arrives carrying
+    // `smooth_softmax = -1`. Its own kernel enables the feature only for
+    // the exact value 1 (`use_smooth_softmax_ = ... == 1`), so anything
+    // else means "off". Testing `!= 0` here rejected every ORT-resolved GQA
+    // node, which is why `plugin_ort_e2e`'s GQA assignment fixture is the
+    // regression test for this line.
+    let smooth_softmax = node
+        .attr("smooth_softmax")
+        .and_then(|a| a.as_int())
+        .unwrap_or(0);
+    if smooth_softmax == 1 {
+        return Err(EpError::KernelFailed(
+            "GroupQueryAttention: smooth_softmax is not yet supported".into(),
+        ));
+    }
 
-        for name in ["k_quant_type", "v_quant_type"] {
-            if let Some(value) = node.attr(name)
-                && value.as_str() != Some("NONE")
-            {
-                return Err(EpError::KernelFailed(format!(
-                    "GroupQueryAttention: `{name}` other than NONE is not yet supported by the f32 CPU kernel"
-                )));
-            }
-        }
-        if node
-            .attr("kv_cache_bit_width")
+    let softcap = node
+        .attr("softcap")
+        .and_then(|a| a.as_float())
+        .unwrap_or(0.0);
+    if softcap < 0.0 {
+        return Err(EpError::KernelFailed(
+            "GroupQueryAttention: softcap must be non-negative".into(),
+        ));
+    }
+
+    Ok(GroupQueryAttentionKernel {
+        num_heads,
+        kv_num_heads,
+        // Defensive, not load-bearing: ORT does *not* stamp this
+        // attribute (it is OPTIONAL_VALUE with no schema default, and a
+        // real session was instrumented to confirm it arrives as absent).
+        // But both ORT's kernels and ours read an explicit `scale = 0` as
+        // "use 1/sqrt(head_size)" rather than literally, so a zero taken at
+        // face value would multiply every score by zero and return a
+        // silently wrong answer. `> 0` is deliberately broader than ORT's
+        // `== 0`: a negative scale is meaningless and would otherwise be
+        // honoured.
+        scale: node
+            .attr("scale")
+            .and_then(|a| a.as_float())
+            .filter(|s| *s > 0.0),
+        do_rotary: node.attr("do_rotary").and_then(|a| a.as_int()).unwrap_or(0) != 0,
+        rotary_interleaved: node
+            .attr("rotary_interleaved")
             .and_then(|a| a.as_int())
             .unwrap_or(0)
-            != 0
-        {
-            return Err(EpError::KernelFailed(
-                "GroupQueryAttention: quantized KV cache is not yet supported".into(),
-            ));
-        }
-        if node.attr("qk_output").and_then(|a| a.as_int()).unwrap_or(0) != 0 {
-            return Err(EpError::KernelFailed(
-                "GroupQueryAttention: qk_output is not yet supported".into(),
-            ));
-        }
-        if node
-            .attr("smooth_softmax")
+            != 0,
+        local_window_size: node
+            .attr("local_window_size")
             .and_then(|a| a.as_int())
-            .unwrap_or(0)
-            != 0
-        {
-            return Err(EpError::KernelFailed(
-                "GroupQueryAttention: smooth_softmax is not yet supported".into(),
-            ));
-        }
-
-        let softcap = node
-            .attr("softcap")
-            .and_then(|a| a.as_float())
-            .unwrap_or(0.0);
-        if softcap < 0.0 {
-            return Err(EpError::KernelFailed(
-                "GroupQueryAttention: softcap must be non-negative".into(),
-            ));
-        }
+            .unwrap_or(-1),
+        softcap,
+    })
+}
 
-        Ok(Box::new(GroupQueryAttentionKernel {
-            num_heads,
-            kv_num_heads,
-            scale: node.attr("scale").and_then(|a| a.as_float()),
-            do_rotary: node.attr("do_rotary").and_then(|a| a.as_int()).unwrap_or(0) != 0,
-            rotary_interleaved: node
-                .attr("rotary_interleaved")
-                .and_then(|a| a.as_int())
-                .unwrap_or(0)
-                != 0,
-            local_window_size: node
-                .attr("local_window_size")
-                .and_then(|a| a.as_int())
-                .unwrap_or(-1),
-            softcap,
-        }))
+impl KernelFactory for GroupQueryAttentionFactory {
+    fn create(&self, node: &Node, _input_shapes: &[Vec<usize>]) -> Result<Box<dyn Kernel>> {
+        Ok(Box::new(attributes_from_node(node)?))
     }
 }
 
diff --git a/crates/onnx-runtime-ep-cpu/src/kernels/mod.rs b/crates/onnx-runtime-ep-cpu/src/kernels/mod.rs
index 751ccbfed6..2b98111eb5 100644
--- a/crates/onnx-runtime-ep-cpu/src/kernels/mod.rs
+++ b/crates/onnx-runtime-ep-cpu/src/kernels/mod.rs
@@ -163,6 +163,9 @@ static U8_ONLY: &[DataType] = &[DataType::Uint8];
 
 static I32_ONLY: &[DataType] = &[DataType::Int32];
 
+/// Integer index/length inputs, matching `to_dense_i64`'s acceptance set.
+static INDEX_DTYPES: &[DataType] = &[DataType::Int64, DataType::Int32];
+
 /// Per-input-slot dtype constraints for a mixed-dtype op.
 ///
 /// `supported_dtypes_for_op` returns the *union* of the dtypes on an op's
@@ -178,6 +181,19 @@ static I32_ONLY: &[DataType] = &[DataType::Int32];
 /// against its own set instead of the union; absent slots and slots not listed
 /// keep the union rule. They must stay in step with the `require_dtype` calls
 /// in the corresponding kernel's `execute`.
+///
+/// The same mechanism also fixes the *opposite* failure, which is the more
+/// damaging one. `supported_dtypes_for_op` returns `FLOAT_DTYPES` for the
+/// attention family, because that is what their tensor edges carry -- but
+/// `RotaryEmbedding`'s `position_ids` is int64, and
+/// `GroupQueryAttention`'s `seqlens_k` / `total_sequence_length` are int32. The
+/// union test then rejects those slots and the node is silently handed to ORT's
+/// CPU EP, even though our kernel runs it. That contradicts this EP's contract
+/// (see `provider.rs::claim_preference_node`): a node we can execute is never
+/// delegated. Listing the integer slots explicitly is what makes the two most
+/// important decode ops in the engine reachable at all;
+/// `plugin_ort_e2e.rs::no_supported_node_is_ever_left_to_the_ort_cpu_ep` is the
+/// falsifier, and it caught both of them.
 pub fn input_dtype_constraints_for_op(
     op_type: &str,
     domain: &str,
@@ -202,9 +218,50 @@ pub fn input_dtype_constraints_for_op(
         (6, F32_ONLY),
         (7, QUANTIZED_STORAGE_DTYPES),
     ];
+    // X, position_ids, cos_cache, sin_cache.
+    static MSFT_ROTARY_SLOTS: &[(usize, &[DataType])] = &[(1, INDEX_DTYPES)];
+    // X, cos_cache, sin_cache, position_ids.
+    static ONNX_ROTARY_SLOTS: &[(usize, &[DataType])] = &[(3, INDEX_DTYPES)];
+    // query, key, value, past_key, past_value, seqlens_k, total_sequence_length,
+    // cos_cache, sin_cache, position_ids. `seqlens_k` is strictly int32 (the
+    // kernel rejects anything else); the other two go through `to_dense_i64`.
+    // Slot 9 is optional and only present with `do_rotary`, but leaving it
+    // unlisted made a `do_rotary` GQA node with explicit int64 positions fail
+    // the float union and go to ORT -- the exact bug this table exists to stop.
+    static GQA_SLOTS: &[(usize, &[DataType])] =
+        &[(5, I32_ONLY), (6, INDEX_DTYPES), (9, INDEX_DTYPES)];
+    // query, key, value, bias, key_padding_mask, attention_bias, past_key, past_value.
+    static MHA_SLOTS: &[(usize, &[DataType])] = &[(4, INDEX_DTYPES)];
+    // input, weights, bias, mask_index, past, attention_bias.
+    static MSFT_ATTENTION_SLOTS: &[(usize, &[DataType])] = &[(3, INDEX_DTYPES)];
+    // query, key, value, bias, token_offset, cumulative_sequence_length.
+    // The last two are strictly int32 (`packed_multi_head_attention.rs`
+    // rejects anything else). ORT has no CPU kernel for this op, so failing
+    // the union here does not fall back -- it fails session creation.
+    static PACKED_MHA_SLOTS: &[(usize, &[DataType])] = &[(4, I32_ONLY), (5, I32_ONLY)];
+    // QMoE stores its experts int4/int8-packed in uint8, so the float union
+    // rejects the weight and zero-point slots outright. Slot order:
+    // input, router_probs, fc1_w, fc1_scales, fc1_bias, fc2_w, fc2_scales,
+    // fc2_bias, fc3_w, fc3_scales, fc3_bias, fc1_zp, fc2_zp, fc3_zp,
+    // router_weights. Mirrors the `require_dtype` calls in `qmoe.rs`.
+    static QMOE_SLOTS: &[(usize, &[DataType])] = &[
+        (2, U8_ONLY),
+        (5, U8_ONLY),
+        (8, U8_ONLY),
+        (11, U8_ONLY),
+        (12, U8_ONLY),
+        (13, U8_ONLY),
+    ];
     match (op_type, domain) {
         ("MatMulNBits", "com.microsoft") => MATMUL_NBITS_SLOTS,
         ("QLinearMatMul", "") => QLINEAR_MATMUL_SLOTS,
+        ("RotaryEmbedding", "com.microsoft") => MSFT_ROTARY_SLOTS,
+        ("RotaryEmbedding", "") => ONNX_ROTARY_SLOTS,
+        ("GroupQueryAttention", "com.microsoft") => GQA_SLOTS,
+        ("MultiHeadAttention", "com.microsoft") => MHA_SLOTS,
+        ("Attention", "com.microsoft") => MSFT_ATTENTION_SLOTS,
+        ("PackedMultiHeadAttention", "com.microsoft") => PACKED_MHA_SLOTS,
+        ("QMoE", "com.microsoft") => QMOE_SLOTS,
         _ => &[],
     }
 }
@@ -389,7 +446,13 @@ pub fn supported_dtypes_for_op(op_type: &str, domain: &str) -> &'static [DataTyp
         ("SimplifiedLayerNormalization", "") | ("LinearAttention", "") => FLOAT_DTYPES,
 
         ("MatMulNBits", "com.microsoft") => MATMUL_NBITS_DTYPES,
-        ("MoE", "com.microsoft") | ("QMoE", "com.microsoft") => F32_ONLY,
+        // `moe.rs` widens f16/bf16 to f32, computes, and narrows on the way
+        // out, so advertising f32 alone declined every realistic MoE node --
+        // production mixtures are exported in half precision. `QMoE` is f32 in
+        // and out with the experts carried as packed uint8, whose slots are
+        // listed in `input_dtype_constraints_for_op`.
+        ("MoE", "com.microsoft") => FLOAT_COMPUTE_DTYPES,
+        ("QMoE", "com.microsoft") => F32_ONLY,
 
         // pkg.nxrt custom ops: f32-only (fail closed).
         (_, "pkg.nxrt") => F32_ONLY,
diff --git a/crates/onnx-runtime-ep-cpu/src/kernels/moe.rs b/crates/onnx-runtime-ep-cpu/src/kernels/moe.rs
index 42d50ae6aa..ba03eb5eca 100644
--- a/crates/onnx-runtime-ep-cpu/src/kernels/moe.rs
+++ b/crates/onnx-runtime-ep-cpu/src/kernels/moe.rs
@@ -46,15 +46,39 @@ pub(super) struct MoeAttributes {
     swiglu_limit: f32,
 }
 
+/// Every attribute check `MoEFactory::create` performs, in one place so that
+/// [`unsupported_reason`] and the factory cannot disagree.
+fn float_moe_attributes(node: &Node) -> Result<MoeAttributes> {
+    let attributes = MoeAttributes::from_node(node)?;
+    if int_attr(node, "block_size", 0)? != 0 {
+        return Err(error(
+            "block_size is a QMoE quantization attribute and is unsupported by float MoE",
+        ));
+    }
+    Ok(attributes)
+}
+
+/// Why this kernel cannot run a given `MoE` node, if it cannot.
+///
+/// Must be answered at *claim* time. `GetCapability` consults only the dtype
+/// and shape filters, so a rejection raised later, in the kernel factory,
+/// arrives after ORT has compiled the node onto this EP and is a **hard session
+/// failure that no fallback recovers from**. ORT's own CPU `MoE` kernel runs
+/// configurations this one does not yet implement — `use_sparse_mixer=1` most
+/// notably, which real sparse-mixer mixtures set — so claiming and then failing
+/// would take a model that works today and kill it at `CreateSession`.
+///
+/// Implemented by running the factory's own attribute parse, so a limit cannot
+/// be added to `create` without appearing here too.
+pub(crate) fn unsupported_reason(node: &Node) -> Option<String> {
+    float_moe_attributes(node).err().map(|e| e.to_string())
+}
+
 impl KernelFactory for MoEFactory {
     fn create(&self, node: &Node, _input_shapes: &[Vec<usize>]) -> Result<Box<dyn Kernel>> {
-        let attributes = MoeAttributes::from_node(node)?;
-        if int_attr(node, "block_size", 0)? != 0 {
-            return Err(error(
-                "block_size is a QMoE quantization attribute and is unsupported by float MoE",
-            ));
-        }
-        Ok(Box::new(MoEKernel { attributes }))
+        Ok(Box::new(MoEKernel {
+            attributes: float_moe_attributes(node)?,
+        }))
     }
 }
 
diff --git a/crates/onnx-runtime-ep-cpu/src/kernels/msft_attention.rs b/crates/onnx-runtime-ep-cpu/src/kernels/msft_attention.rs
index 4ac5c04b3e..03f46dfb86 100644
--- a/crates/onnx-runtime-ep-cpu/src/kernels/msft_attention.rs
+++ b/crates/onnx-runtime-ep-cpu/src/kernels/msft_attention.rs
@@ -72,88 +72,112 @@ pub struct MsftAttentionKernel {
 /// Factory for [`MsftAttentionKernel`], reading the contrib-op attributes.
 pub struct MsftAttentionFactory;
 
-impl KernelFactory for MsftAttentionFactory {
-    fn create(&self, node: &Node, _input_shapes: &[Vec<usize>]) -> Result<Box<dyn Kernel>> {
-        let num_heads = node
-            .attr("num_heads")
-            .and_then(|a| a.as_int())
-            .ok_or_else(|| {
-                EpError::KernelFailed("Attention: missing required `num_heads` attribute".into())
-            })?;
-        if num_heads <= 0 {
-            return Err(EpError::KernelFailed(format!(
-                "Attention: num_heads must be > 0, got {num_heads}"
-            )));
-        }
+/// Why this kernel cannot run a given `com.microsoft::Attention` node, if it
+/// cannot.
+///
+/// Answered at *claim* time: a rejection raised in the factory instead arrives
+/// after ORT has compiled the node onto this EP and is a hard session failure
+/// that no fallback recovers from. Implemented by running the factory's own
+/// attribute parse, so the two cannot disagree.
+pub(crate) fn unsupported_reason(node: &Node) -> Option<String> {
+    attributes_from_node(node).err().map(|e| e.to_string())
+}
 
-        // Unsupported variants are rejected up front (typed error, not a panic).
-        if node.attr("do_rotary").and_then(|a| a.as_int()).unwrap_or(0) == 1 {
-            return Err(EpError::KernelFailed(
-                "Attention: `do_rotary` is not supported (fuse MHA + RotaryEmbedding instead, as \
+fn attributes_from_node(node: &Node) -> Result<MsftAttentionKernel> {
+    let num_heads = node
+        .attr("num_heads")
+        .and_then(|a| a.as_int())
+        .ok_or_else(|| {
+            EpError::KernelFailed("Attention: missing required `num_heads` attribute".into())
+        })?;
+    if num_heads <= 0 {
+        return Err(EpError::KernelFailed(format!(
+            "Attention: num_heads must be > 0, got {num_heads}"
+        )));
+    }
+
+    // Unsupported variants are rejected up front (typed error, not a panic).
+    if node.attr("do_rotary").and_then(|a| a.as_int()).unwrap_or(0) == 1 {
+        return Err(EpError::KernelFailed(
+            "Attention: `do_rotary` is not supported (fuse MHA + RotaryEmbedding instead, as \
                  ORT's CPU kernel requires)"
-                    .into(),
-            ));
-        }
-        if node
-            .attr("past_present_share_buffer")
-            .and_then(|a| a.as_int())
-            .unwrap_or(0)
-            == 1
-        {
-            return Err(EpError::KernelFailed(
-                "Attention: `past_present_share_buffer` (DecoderMaskedMHA buffer sharing) is not \
+                .into(),
+        ));
+    }
+    if node
+        .attr("past_present_share_buffer")
+        .and_then(|a| a.as_int())
+        .unwrap_or(0)
+        == 1
+    {
+        return Err(EpError::KernelFailed(
+            "Attention: `past_present_share_buffer` (DecoderMaskedMHA buffer sharing) is not \
                  supported"
-                    .into(),
-            ));
-        }
+                .into(),
+        ));
+    }
 
-        let scale = node.attr("scale").and_then(|a| a.as_float());
-        let mask_filter_value = node
-            .attr("mask_filter_value")
-            .and_then(|a| a.as_float())
-            .unwrap_or(-10000.0);
-        let unidirectional = node
-            .attr("unidirectional")
-            .and_then(|a| a.as_int())
-            .unwrap_or(0)
-            == 1;
-
-        let qkv_hidden_sizes = match node.attr("qkv_hidden_sizes").and_then(|a| a.as_ints()) {
-            Some(sizes) => {
-                if sizes.len() != 3 {
+    // Defensive, not load-bearing: ORT does not stamp this attribute (a
+    // real session was instrumented to confirm it arrives absent). But both
+    // ORT's kernels and ours read an explicit `scale = 0` as "use
+    // 1/sqrt(head_size)" rather than literally, so a zero taken at face
+    // value would zero every score silently. `> 0` is deliberately broader
+    // than ORT's `== 0`, since a negative scale is meaningless.
+    let scale = node
+        .attr("scale")
+        .and_then(|a| a.as_float())
+        .filter(|s| *s > 0.0);
+    let mask_filter_value = node
+        .attr("mask_filter_value")
+        .and_then(|a| a.as_float())
+        .unwrap_or(-10000.0);
+    let unidirectional = node
+        .attr("unidirectional")
+        .and_then(|a| a.as_int())
+        .unwrap_or(0)
+        == 1;
+
+    let qkv_hidden_sizes = match node.attr("qkv_hidden_sizes").and_then(|a| a.as_ints()) {
+        Some(sizes) => {
+            if sizes.len() != 3 {
+                return Err(EpError::KernelFailed(format!(
+                    "Attention: qkv_hidden_sizes must have 3 elements, got {}",
+                    sizes.len()
+                )));
+            }
+            let n = num_heads;
+            for s in sizes {
+                if *s <= 0 || s % n != 0 {
                     return Err(EpError::KernelFailed(format!(
-                        "Attention: qkv_hidden_sizes must have 3 elements, got {}",
-                        sizes.len()
-                    )));
-                }
-                let n = num_heads;
-                for s in sizes {
-                    if *s <= 0 || s % n != 0 {
-                        return Err(EpError::KernelFailed(format!(
-                            "Attention: qkv_hidden_sizes element {s} must be > 0 and divisible by \
+                        "Attention: qkv_hidden_sizes element {s} must be > 0 and divisible by \
                              num_heads {num_heads}"
-                        )));
-                    }
+                    )));
                 }
-                if sizes[0] != sizes[1] {
-                    return Err(EpError::KernelFailed(
-                        "Attention: qkv_hidden_sizes[0] (q_hidden) must equal qkv_hidden_sizes[1] \
+            }
+            if sizes[0] != sizes[1] {
+                return Err(EpError::KernelFailed(
+                    "Attention: qkv_hidden_sizes[0] (q_hidden) must equal qkv_hidden_sizes[1] \
                          (k_hidden)"
-                            .into(),
-                    ));
-                }
-                Some([sizes[0] as usize, sizes[1] as usize, sizes[2] as usize])
+                        .into(),
+                ));
             }
-            None => None,
-        };
+            Some([sizes[0] as usize, sizes[1] as usize, sizes[2] as usize])
+        }
+        None => None,
+    };
 
-        Ok(Box::new(MsftAttentionKernel {
-            num_heads: num_heads as usize,
-            scale,
-            mask_filter_value,
-            unidirectional,
-            qkv_hidden_sizes,
-        }))
+    Ok(MsftAttentionKernel {
+        num_heads: num_heads as usize,
+        scale,
+        mask_filter_value,
+        unidirectional,
+        qkv_hidden_sizes,
+    })
+}
+
+impl KernelFactory for MsftAttentionFactory {
+    fn create(&self, node: &Node, _input_shapes: &[Vec<usize>]) -> Result<Box<dyn Kernel>> {
+        Ok(Box::new(attributes_from_node(node)?))
     }
 }
 
diff --git a/crates/onnx-runtime-ep-cpu/src/kernels/multi_head_attention.rs b/crates/onnx-runtime-ep-cpu/src/kernels/multi_head_attention.rs
index 979f307c11..487aed6758 100644
--- a/crates/onnx-runtime-ep-cpu/src/kernels/multi_head_attention.rs
+++ b/crates/onnx-runtime-ep-cpu/src/kernels/multi_head_attention.rs
@@ -80,37 +80,60 @@ pub struct MultiHeadAttentionKernel {
 /// Factory for [`MultiHeadAttentionKernel`], reading the contrib-op attributes.
 pub struct MultiHeadAttentionFactory;
 
+/// Why this kernel cannot run a given `MultiHeadAttention` node, if it cannot.
+///
+/// Answered at *claim* time: a rejection raised in the factory instead arrives
+/// after ORT has compiled the node onto this EP and is a hard session failure
+/// that no fallback recovers from. Implemented by running the factory's own
+/// attribute parse, so the two cannot disagree.
+pub(crate) fn unsupported_reason(node: &Node) -> Option<String> {
+    attributes_from_node(node).err().map(|e| e.to_string())
+}
+
+fn attributes_from_node(node: &Node) -> Result<MultiHeadAttentionKernel> {
+    let num_heads = node
+        .attr("num_heads")
+        .and_then(|a| a.as_int())
+        .ok_or_else(|| {
+            EpError::KernelFailed(
+                "MultiHeadAttention: missing required `num_heads` attribute".into(),
+            )
+        })?;
+    if num_heads <= 0 {
+        return Err(EpError::KernelFailed(format!(
+            "MultiHeadAttention: num_heads must be > 0, got {num_heads}"
+        )));
+    }
+    // Defensive, not load-bearing: ORT does not stamp this attribute (a
+    // real session was instrumented to confirm it arrives absent). But both
+    // ORT's kernels and ours read an explicit `scale = 0` as "use
+    // 1/sqrt(head_size)" rather than literally, so a zero taken at face
+    // value would zero every score silently. `> 0` is deliberately broader
+    // than ORT's `== 0`, since a negative scale is meaningless.
+    let scale = node
+        .attr("scale")
+        .and_then(|a| a.as_float())
+        .filter(|s| *s > 0.0);
+    let mask_filter_value = node
+        .attr("mask_filter_value")
+        .and_then(|a| a.as_float())
+        .unwrap_or(-10000.0);
+    let unidirectional = node
+        .attr("unidirectional")
+        .and_then(|a| a.as_int())
+        .unwrap_or(0)
+        == 1;
+    Ok(MultiHeadAttentionKernel {
+        num_heads: num_heads as usize,
+        scale,
+        mask_filter_value,
+        unidirectional,
+    })
+}
+
 impl KernelFactory for MultiHeadAttentionFactory {
     fn create(&self, node: &Node, _input_shapes: &[Vec<usize>]) -> Result<Box<dyn Kernel>> {
-        let num_heads = node
-            .attr("num_heads")
-            .and_then(|a| a.as_int())
-            .ok_or_else(|| {
-                EpError::KernelFailed(
-                    "MultiHeadAttention: missing required `num_heads` attribute".into(),
-                )
-            })?;
-        if num_heads <= 0 {
-            return Err(EpError::KernelFailed(format!(
-                "MultiHeadAttention: num_heads must be > 0, got {num_heads}"
-            )));
-        }
-        let scale = node.attr("scale").and_then(|a| a.as_float());
-        let mask_filter_value = node
-            .attr("mask_filter_value")
-            .and_then(|a| a.as_float())
-            .unwrap_or(-10000.0);
-        let unidirectional = node
-            .attr("unidirectional")
-            .and_then(|a| a.as_int())
-            .unwrap_or(0)
-            == 1;
-        Ok(Box::new(MultiHeadAttentionKernel {
-            num_heads: num_heads as usize,
-            scale,
-            mask_filter_value,
-            unidirectional,
-        }))
+        Ok(Box::new(attributes_from_node(node)?))
     }
 }
 
diff --git a/crates/onnx-runtime-ep-cpu/src/kernels/packed_multi_head_attention.rs b/crates/onnx-runtime-ep-cpu/src/kernels/packed_multi_head_attention.rs
index 25ed36e173..ffa2d2ca3e 100644
--- a/crates/onnx-runtime-ep-cpu/src/kernels/packed_multi_head_attention.rs
+++ b/crates/onnx-runtime-ep-cpu/src/kernels/packed_multi_head_attention.rs
@@ -28,31 +28,50 @@ struct PackedMultiHeadAttentionKernel {
     scale: Option<f32>,
 }
 
+/// Why this kernel cannot run a given `PackedMultiHeadAttention` node, if it
+/// cannot.
+///
+/// Answered at *claim* time: a rejection raised in the factory instead arrives
+/// after ORT has compiled the node onto this EP and is a hard session failure.
+/// ORT has no CPU kernel for this op at all, so a decline here fails the load
+/// too — but with ORT's own `NOT_IMPLEMENTED` message rather than ours, and
+/// without the EP having claimed a node it cannot run. Implemented by running
+/// the factory's own attribute parse, so the two cannot disagree.
+pub(crate) fn unsupported_attribute_reason(node: &Node) -> Option<String> {
+    attributes_from_node(node).err().map(|e| e.to_string())
+}
+
+fn attributes_from_node(node: &Node) -> Result<PackedMultiHeadAttentionKernel> {
+    let num_heads = node
+        .attr("num_heads")
+        .and_then(|attribute| attribute.as_int())
+        .ok_or_else(|| error("missing required int attribute 'num_heads'"))?;
+    let num_heads = usize::try_from(num_heads)
+        .ok()
+        .filter(|value| *value > 0)
+        .ok_or_else(|| error(format!("num_heads must be positive, got {num_heads}")))?;
+    let scale = node
+        .attr("scale")
+        .map(|attribute| {
+            attribute
+                .as_float()
+                .ok_or_else(|| error("scale attribute must be a float"))
+        })
+        .transpose()?;
+    if scale.is_some_and(|value| !value.is_finite()) {
+        return Err(error("scale must be finite"));
+    }
+    // Same rule as the other four attention kernels: an explicit
+    // non-positive scale means "use 1/sqrt(head_size)", not "multiply every
+    // score by zero". This op became reachable at the same time as they
+    // did, so it gets the same guard rather than a silently different one.
+    let scale = scale.filter(|value| *value > 0.0);
+    Ok(PackedMultiHeadAttentionKernel { num_heads, scale })
+}
+
 impl KernelFactory for PackedMultiHeadAttentionFactory {
     fn create(&self, node: &Node, _input_shapes: &[Vec<usize>]) -> Result<Box<dyn Kernel>> {
-        let num_heads = node
-            .attr("num_heads")
-            .and_then(|attribute| attribute.as_int())
-            .ok_or_else(|| error("missing required int attribute 'num_heads'"))?;
-        let num_heads = usize::try_from(num_heads)
-            .ok()
-            .filter(|value| *value > 0)
-            .ok_or_else(|| error(format!("num_heads must be positive, got {num_heads}")))?;
-        let scale = node
-            .attr("scale")
-            .map(|attribute| {
-                attribute
-                    .as_float()
-                    .ok_or_else(|| error("scale attribute must be a float"))
-            })
-            .transpose()?;
-        if scale.is_some_and(|value| !value.is_finite()) {
-            return Err(error("scale must be finite"));
-        }
-        Ok(Box::new(PackedMultiHeadAttentionKernel {
-            num_heads,
-            scale,
-        }))
+        Ok(Box::new(attributes_from_node(node)?))
     }
 }
 
@@ -153,13 +172,8 @@ pub fn unsupported_reason(
             "cumulative_sequence_length length {cumulative_length} must equal token_offset batch {batch} + 1"
         ));
     }
-    if let Some(attribute) = node.attr("scale") {
-        let Some(scale) = attribute.as_float() else {
-            return fail("scale attribute must be a float".into());
-        };
-        if !scale.is_finite() {
-            return fail("scale must be finite".into());
-        }
+    if let Some(reason) = unsupported_attribute_reason(node) {
+        return fail(reason);
     }
     None
 }
diff --git a/crates/onnx-runtime-ep-cpu/src/kernels/qmoe.rs b/crates/onnx-runtime-ep-cpu/src/kernels/qmoe.rs
index 1a6cef72b1..5aa8d73edc 100644
--- a/crates/onnx-runtime-ep-cpu/src/kernels/qmoe.rs
+++ b/crates/onnx-runtime-ep-cpu/src/kernels/qmoe.rs
@@ -67,37 +67,68 @@ pub struct QMoEKernel {
     prefetch_experts: bool,
 }
 
+/// Why this kernel cannot run a given `QMoE` node, if it cannot.
+///
+/// This has to be answered at *claim* time, not in `create`. `GetCapability`
+/// consults only the dtype and shape filters; a rejection raised later, in the
+/// kernel factory, arrives after ORT has already compiled the node onto this EP
+/// and is a **hard session failure that no fallback recovers from** — strictly
+/// worse for the user than never claiming the node.
+///
+/// The sharpest case is column-wise quantization. ORT's schema leaves
+/// `block_size` with no default, so an absent attribute means one scale per
+/// output row (`[experts, out_features]`), while this kernel implements only
+/// the blocked form (`[experts, out_features, in_features / block_size]`, block
+/// a power of two ≥ 16). ORT's own CPU kernel *does* run the column-wise form,
+/// so claiming and then failing would take a working model and kill it. The
+/// same is true of `use_sparse_mixer=1` and of non-integer `quant_type`.
+/// Declining here is a capability answer, not a performance one; the fix is to
+/// implement the missing paths, tracked in the benchmark doc's §23.6.
+///
+/// Implemented by running the factory's own attribute parse, so a limit cannot
+/// be added to `create` without appearing here too.
+pub(crate) fn unsupported_reason(node: &Node) -> Option<String> {
+    quantized_moe_attributes(node).err().map(|e| e.to_string())
+}
+
+/// Everything `QMoEFactory::create` validates, in one place so that
+/// [`unsupported_reason`] and the factory cannot disagree.
+fn quantized_moe_attributes(node: &Node) -> Result<(MoeAttributes, usize, usize)> {
+    let attributes = MoeAttributes::from_node(node)?;
+    let bits = int_attr(node, "expert_weight_bits", 4)?;
+    if !matches!(bits, 1 | 2 | 4 | 8) {
+        return Err(error(format!(
+            "expert_weight_bits must be one of {{1, 2, 4, 8}}, got {bits}"
+        )));
+    }
+    let block_size = int_attr(node, "block_size", 0)?;
+    if block_size < 16 || !(block_size as usize).is_power_of_two() {
+        return Err(error(format!(
+            "block_size must be a power of two and at least 16, got {block_size}"
+        )));
+    }
+    let quant_type = match node.attr("quant_type") {
+        Some(attr) => attr
+            .as_str()
+            .ok_or_else(|| error("attribute quant_type must be a string"))?,
+        None => "int",
+    };
+    if quant_type != "int" {
+        return Err(error(format!(
+            "quant_type='{quant_type}' is unsupported; this kernel implements integer affine QMoE only"
+        )));
+    }
+    Ok((attributes, bits as usize, block_size as usize))
+}
+
 impl KernelFactory for QMoEFactory {
     fn create(&self, node: &Node, _input_shapes: &[Vec<usize>]) -> Result<Box<dyn Kernel>> {
-        let attributes = MoeAttributes::from_node(node)?;
-        let bits = int_attr(node, "expert_weight_bits", 4)?;
-        if !matches!(bits, 1 | 2 | 4 | 8) {
-            return Err(error(format!(
-                "expert_weight_bits must be one of {{1, 2, 4, 8}}, got {bits}"
-            )));
-        }
-        let block_size = int_attr(node, "block_size", 0)?;
-        if block_size < 16 || !(block_size as usize).is_power_of_two() {
-            return Err(error(format!(
-                "block_size must be a power of two and at least 16, got {block_size}"
-            )));
-        }
-        let quant_type = match node.attr("quant_type") {
-            Some(attr) => attr
-                .as_str()
-                .ok_or_else(|| error("attribute quant_type must be a string"))?,
-            None => "int",
-        };
-        if quant_type != "int" {
-            return Err(error(format!(
-                "quant_type='{quant_type}' is unsupported; this kernel implements integer affine QMoE only"
-            )));
-        }
+        let (attributes, bits, block_size) = quantized_moe_attributes(node)?;
         Ok(Box::new(QMoEKernel {
             layer_id: node.id.0,
             attributes,
-            bits: bits as usize,
-            block_size: block_size as usize,
+            bits,
+            block_size,
             weight_offload: WeightOffloadMode::from_env(),
             host_cache: self.host_cache.clone(),
             prefetch_experts: weight_offload_prefetch_default(),
diff --git a/crates/onnx-runtime-ep-cpu/src/provider.rs b/crates/onnx-runtime-ep-cpu/src/provider.rs
index 1867617595..5611bc9c5a 100644
--- a/crates/onnx-runtime-ep-cpu/src/provider.rs
+++ b/crates/onnx-runtime-ep-cpu/src/provider.rs
@@ -463,6 +463,39 @@ impl ExecutionProvider for CpuExecutionProvider {
         {
             return KernelMatch::unsupported(reason);
         }
+        // Attribute-level capability limits for the attention and MoE family.
+        //
+        // Every one of these mirrors a rejection its kernel factory raises, and
+        // mirroring is mandatory rather than tidy: `GetCapability` consults only
+        // the dtype and shape filters, so a factory rejection arrives *after*
+        // ORT has compiled the node onto this EP and is a hard session failure
+        // that no fallback recovers from. Claiming an op we cannot configure is
+        // therefore strictly worse for the user than never claiming it — it
+        // turns a model that runs on ORT's CPU EP into one that does not load.
+        //
+        // Each `unsupported_reason` runs the factory's own attribute parse, so
+        // a new limit cannot be added to a factory without appearing here.
+        //
+        // These are *capability* declines, never performance ones: every entry
+        // is a kernel we owe. See the benchmark doc's §23.6.
+        let attribute_reason = match (op.op_type.as_str(), domain) {
+            ("MoE", "com.microsoft") => crate::kernels::moe::unsupported_reason(op),
+            ("QMoE", "com.microsoft") => crate::kernels::qmoe::unsupported_reason(op),
+            ("GroupQueryAttention", "com.microsoft") => {
+                crate::kernels::group_query_attention::unsupported_reason(op)
+            }
+            ("MultiHeadAttention", "com.microsoft") => {
+                crate::kernels::multi_head_attention::unsupported_reason(op)
+            }
+            ("Attention", "com.microsoft") => {
+                crate::kernels::msft_attention::unsupported_reason(op)
+            }
+            ("Attention", "ai.onnx") => crate::kernels::attention::unsupported_reason(op),
+            _ => None,
+        };
+        if let Some(reason) = attribute_reason {
+            return KernelMatch::unsupported(reason);
+        }
         if op.op_type == "PackedMultiHeadAttention"
             && op.domain == "com.microsoft"
             && let Some(reason) = crate::kernels::packed_multi_head_attention::unsupported_reason(
@@ -1125,6 +1158,185 @@ mod tests {
         assert!(ep.get_kernel(&bad, &[], 17).is_err());
     }
 
+    /// Every attribute a kernel factory rejects must also be rejected by
+    /// `supports_op`, because a factory rejection lands after ORT has compiled
+    /// the node onto this EP and is a hard session failure no fallback recovers
+    /// from — strictly worse than never claiming. This is the pure-Rust half of
+    /// `plugin_ort_e2e::factory_only_capability_limits_are_declined_at_claim_time`,
+    /// so a regression is caught even where ORT is unavailable.
+    #[test]
+    fn every_factory_attribute_rejection_is_mirrored_at_claim_time() {
+        let ep = CpuExecutionProvider::new();
+        /// `(op, domain, opset, rejecting attribute, prerequisite attributes)`.
+        type FactoryRejection = (
+            &'static str,
+            &'static str,
+            u64,
+            (&'static str, Attribute),
+            &'static [(&'static str, Attribute)],
+        );
+        let cases: &[FactoryRejection] = &[
+            (
+                "MoE",
+                "com.microsoft",
+                1,
+                ("use_sparse_mixer", Attribute::Int(1)),
+                &[],
+            ),
+            (
+                "QMoE",
+                "com.microsoft",
+                1,
+                ("block_size", Attribute::Int(0)),
+                &[],
+            ),
+            (
+                "QMoE",
+                "com.microsoft",
+                1,
+                ("expert_weight_bits", Attribute::Int(3)),
+                &[("block_size", Attribute::Int(32))],
+            ),
+            (
+                "GroupQueryAttention",
+                "com.microsoft",
+                1,
+                ("smooth_softmax", Attribute::Int(1)),
+                &[
+                    ("num_heads", Attribute::Int(4)),
+                    ("kv_num_heads", Attribute::Int(2)),
+                ],
+            ),
+            (
+                "GroupQueryAttention",
+                "com.microsoft",
+                1,
+                ("qk_output", Attribute::Int(1)),
+                &[
+                    ("num_heads", Attribute::Int(4)),
+                    ("kv_num_heads", Attribute::Int(2)),
+                ],
+            ),
+            (
+                "GroupQueryAttention",
+                "com.microsoft",
+                1,
+                ("kv_cache_bit_width", Attribute::Int(8)),
+                &[
+                    ("num_heads", Attribute::Int(4)),
+                    ("kv_num_heads", Attribute::Int(2)),
+                ],
+            ),
+            (
+                "Attention",
+                "com.microsoft",
+                1,
+                ("do_rotary", Attribute::Int(1)),
+                &[("num_heads", Attribute::Int(4))],
+            ),
+            (
+                "Attention",
+                "com.microsoft",
+                1,
+                ("past_present_share_buffer", Attribute::Int(1)),
+                &[("num_heads", Attribute::Int(4))],
+            ),
+            (
+                "Attention",
+                "ai.onnx",
+                23,
+                ("qk_matmul_output_mode", Attribute::Int(7)),
+                &[],
+            ),
+            (
+                "MultiHeadAttention",
+                "com.microsoft",
+                1,
+                ("num_heads", Attribute::Int(0)),
+                &[],
+            ),
+        ];
+
+        for (op, domain, opset, (attr, value), extra) in cases {
+            let mut node = Node::new(NodeId(0), *op, vec![], vec![]);
+            node.domain = (*domain).into();
+            for (name, extra_value) in *extra {
+                node.attributes.insert((*name).into(), extra_value.clone());
+            }
+            node.attributes.insert((*attr).into(), value.clone());
+
+            let factory = ep.get_kernel(&node, &[], *opset);
+            assert!(
+                factory.is_err(),
+                "{domain}::{op} with {attr} is expected to be a factory rejection; if the \
+                 kernel now implements it, drop this row rather than the claim-time guard"
+            );
+
+            let claim = ep.supports_op(&node, *opset, &[], &[], &[]);
+            assert!(
+                !claim.is_supported(),
+                "{domain}::{op} with {attr} is claimed but its factory rejects it, so the \
+                 session dies at CreateSession with no fallback. Mirror the limit in \
+                 `supports_op`."
+            );
+        }
+
+        // `PackedMultiHeadAttention` needs a fully-formed node rather than a
+        // table row. Its claim-time check inspects inputs, shapes and dtypes
+        // before it reaches the attribute mirror, so an attribute-only node
+        // declines for the *wrong* reason and the assertion would pass even
+        // with the mirror deleted — which is exactly what review demonstrated.
+        // Hence the explicit reason match.
+        let mut graph = Graph::new();
+        let value = |graph: &mut Graph, name: &str, dtype| {
+            Some(graph.create_named_value(name.to_string(), dtype, static_shape([])))
+        };
+        let inputs = vec![
+            value(&mut graph, "query", DataType::Float32),
+            value(&mut graph, "key", DataType::Float32),
+            value(&mut graph, "value", DataType::Float32),
+            None,
+            value(&mut graph, "token_offset", DataType::Int32),
+            value(&mut graph, "cumulative_sequence_length", DataType::Int32),
+        ];
+        let output =
+            graph.create_named_value("output".to_string(), DataType::Float32, static_shape([]));
+        let mut node = Node::new(NodeId(0), "PackedMultiHeadAttention", inputs, vec![output]);
+        node.domain = "com.microsoft".into();
+        node.attributes
+            .insert("num_heads".into(), Attribute::Int(2));
+        node.attributes
+            .insert("scale".into(), Attribute::Float(f32::INFINITY));
+        let shapes = [
+            static_shape([4, 8]),
+            static_shape([4, 8]),
+            static_shape([4, 8]),
+            static_shape([]),
+            static_shape([1, 4]),
+            static_shape([2]),
+        ];
+        let dtypes = [
+            DataType::Float32,
+            DataType::Float32,
+            DataType::Float32,
+            DataType::Float32,
+            DataType::Int32,
+            DataType::Int32,
+        ];
+        assert!(
+            ep.get_kernel(&node, &[], 1).is_err(),
+            "PackedMultiHeadAttention with a non-finite scale is expected to be a factory \
+             rejection"
+        );
+        let claim = ep.supports_op(&node, 1, &shapes, &dtypes, &[]);
+        let reason = claim.reason().unwrap_or_default().to_string();
+        assert!(
+            reason.contains("scale must be finite"),
+            "PackedMultiHeadAttention's attribute mirror was not reached; the node declined \
+             for `{reason}` instead, so this case would not catch the mirror being removed"
+        );
+    }
+
     #[test]
     fn supports_op_reflects_selected_operator_groups() {
         let ep = CpuExecutionProvider::new();
diff --git a/crates/onnx-runtime-ep-plugin/src/compute.rs b/crates/onnx-runtime-ep-plugin/src/compute.rs
index 2d4f675319..ab9ce44cf7 100644
--- a/crates/onnx-runtime-ep-plugin/src/compute.rs
+++ b/crates/onnx-runtime-ep-plugin/src/compute.rs
@@ -132,6 +132,27 @@ pub enum ShapeInference {
     },
     /// RotaryEmbedding — output same shape as input[0].
     RotaryEmbedding,
+    /// `com.microsoft::Attention`: packed-QKV attention.
+    ///
+    /// A different signature from [`Self::AttentionStd`], which is why the
+    /// opset-23 `ai.onnx::Attention` arm cannot cover it. Here input(0) is the
+    /// *unprojected* activation `(batch, seq, input_hidden)` and input(1) is
+    /// the fused projection weight `(input_hidden, q_hidden + k_hidden +
+    /// v_hidden)`, so the output width is `v_hidden` — not the input's last
+    /// dim, and not `weights.dim1`.
+    MsftAttention {
+        /// `qkv_hidden_sizes[2]` when the attribute is present, else
+        /// `weights.dim1 / 3` resolved from the input shape at Compute time.
+        v_hidden: Option<usize>,
+        num_heads: usize,
+        num_outputs: usize,
+    },
+    /// `com.microsoft::PackedMultiHeadAttention`: output
+    /// `[token_count, v_hidden]` = `[input[0].dim0, input[2].dim1]`.
+    ///
+    /// Tokens are packed across the batch with no padding, so the output is
+    /// rank-2 and neither dim can be read off input[0] alone.
+    PackedMultiHeadAttention,
     /// Standard `ai.onnx::Attention` (opset 23+): scaled dot-product attention.
     ///
     /// Q/K/V are rank-3 `(batch, seq, hidden)` or rank-4
@@ -242,6 +263,21 @@ impl ShapeInference {
             | "BitCount"
             | "Bernoulli"
             | "NegativeLogLikelihoodLoss"
+            // Shape-preserving ops on the attention / MoE / KV-cache path.
+            // Every one is registered by the CPU EP, and every one was absent
+            // here, so `GetCapability`'s fail-closed shape filter dropped the
+            // claim and ORT's CPU EP ran it -- the same silent mechanism that
+            // hid the activations until #1082 and the trigonometrics until
+            // #1097. `PackedMultiHeadAttention` is the sharpest case -- ORT
+            // has no CPU kernel for it at all, so giving it away cost a load
+            // failure rather than a slower run -- but ORT does run `MoE` and
+            // `QMoE` on CPU, so for those the decline was simply us not
+            // executing an op we implement.
+            | "MoE"
+            | "QMoE"
+            | "ScatterND"
+            | "ScatterElements"
+            | "Trilu"
             | "Clip" => Self::SameAsInput(0),
 
             // ── Shape-preserving normalisation ops ───────────────────────
@@ -289,6 +325,7 @@ impl ShapeInference {
             "Reshape" => Self::ReshapeData { allowzero: false },
             "Slice" => Self::SliceData,
             "RotaryEmbedding" => Self::RotaryEmbedding,
+            "PackedMultiHeadAttention" => Self::PackedMultiHeadAttention,
 
             // ── Ops that require attributes — Declined ────────────────────
             "Squeeze"
@@ -412,6 +449,14 @@ impl ShapeInference {
             | "InstanceNormalization"
             | "GroupNormalization"
             | "LpNormalization"
+            // Shape-preserving attention / MoE / KV-cache ops. See the note on
+            // the same list in `for_op`: absent from this table they resolve to
+            // `Declined` and `GetCapability` hands them to ORT's CPU EP.
+            | "MoE"
+            | "QMoE"
+            | "ScatterND"
+            | "ScatterElements"
+            | "Trilu"
             | "Clip" => Self::SameAsInput(0),
 
             // ── LayerNorm / SkipLayerNorm family ──────────────────────────
@@ -575,6 +620,28 @@ impl ShapeInference {
                 }
             }
             "RotaryEmbedding" => Self::RotaryEmbedding,
+            "PackedMultiHeadAttention" => Self::PackedMultiHeadAttention,
+
+            // `com.microsoft::Attention` — packed QKV, guarded on domain so the
+            // opset-23 `ai.onnx::Attention` arm below still owns its own
+            // signature. The output width is `v_hidden`, which the attribute
+            // gives directly when present; otherwise it is `weights.dim1 / 3`,
+            // resolved from the input shapes at Compute time because this
+            // entry point does not see them.
+            "Attention" if domain == "com.microsoft" => {
+                let num_heads = int_attr("num_heads").unwrap_or(0).max(0) as usize;
+                let v_hidden = ints_attr("qkv_hidden_sizes").and_then(|sizes| {
+                    // Malformed unless all three are present and positive; fall
+                    // back to the weight-derived split rather than trusting a
+                    // partial attribute.
+                    (sizes.len() == 3 && sizes.iter().all(|s| *s > 0)).then(|| sizes[2] as usize)
+                });
+                Self::MsftAttention {
+                    v_hidden,
+                    num_heads,
+                    num_outputs,
+                }
+            }
 
             // ── Standard attention (ai.onnx::Attention, opset 23+) ─────────
             "Attention" if domain.is_empty() || domain == "ai.onnx" => {
@@ -3323,6 +3390,96 @@ fn infer_shapes(
             Ok(vec![inputs[0].shape.to_vec()])
         }
 
+        ShapeInference::MsftAttention {
+            v_hidden,
+            num_heads,
+            num_outputs,
+        } => {
+            // input(0):   [B, S, input_hidden]   (unprojected activation)
+            // input(1):   [input_hidden, q_hidden + k_hidden + v_hidden]
+            // output(0):  [B, S, v_hidden]
+            // output(1):  present [2, B, num_heads, P + S, head_size]
+            if inputs.len() < 2 {
+                return Err("Attention: expected at least input and weights".into());
+            }
+            let x = inputs[0].shape;
+            if x.len() != 3 {
+                return Err(format!("Attention: input rank must be 3, got {}", x.len()));
+            }
+            let weights = inputs[1].shape;
+            if weights.len() != 2 {
+                return Err(format!(
+                    "Attention: weights rank must be 2, got {}",
+                    weights.len()
+                ));
+            }
+            // Without `qkv_hidden_sizes` the projection is split three ways, so
+            // an indivisible width is a malformed node rather than something to
+            // round.
+            let v = match v_hidden {
+                Some(v) => *v,
+                None => {
+                    if !weights[1].is_multiple_of(3) {
+                        return Err(format!(
+                            "Attention: weights dim1 {} is not divisible by 3 and \
+                             qkv_hidden_sizes is absent",
+                            weights[1]
+                        ));
+                    }
+                    weights[1] / 3
+                }
+            };
+            let mut outputs = vec![vec![x[0], x[1], v]];
+
+            if *num_outputs > 1 {
+                if *num_heads == 0 {
+                    return Err(
+                        "Attention: num_heads is required to shape the present output".into(),
+                    );
+                }
+                if !v.is_multiple_of(*num_heads) {
+                    return Err(format!(
+                        "Attention: v_hidden {v} is not divisible by num_heads {num_heads}"
+                    ));
+                }
+                let head_size = v / num_heads;
+                // `past` is input(4): [2, B, num_heads, past_seq, head_size].
+                let past_seq = inputs
+                    .get(4)
+                    .map(|p| if p.shape.len() >= 5 { p.shape[3] } else { 0 })
+                    .unwrap_or(0);
+                let present = vec![2, x[0], *num_heads, past_seq + x[1], head_size];
+                for _ in 1..*num_outputs {
+                    outputs.push(present.clone());
+                }
+            }
+            Ok(outputs)
+        }
+
+        ShapeInference::PackedMultiHeadAttention => {
+            // Tokens are packed with padding removed, so the output is rank-2:
+            // [token_count, v_hidden] = [query.dim0, value.dim1]. Neither dim
+            // can be read off input[0] alone, which is why this is not
+            // `SameAsInput(0)`.
+            if inputs.len() < 3 {
+                return Err(
+                    "PackedMultiHeadAttention: expected at least query, key and value".into(),
+                );
+            }
+            let q = inputs[0].shape;
+            let v = inputs[2].shape;
+            if q.is_empty() {
+                return Err("PackedMultiHeadAttention: query must not be rank-0".into());
+            }
+            if v.len() < 2 {
+                return Err(format!(
+                    "PackedMultiHeadAttention: value rank must be >= 2, got {}",
+                    v.len()
+                ));
+            }
+            Ok(vec![vec![q[0], v[1]]])
+        }
+
         ShapeInference::AttentionStd {
             q_num_heads,
             kv_num_heads,
@@ -3804,20 +3961,25 @@ mod tests {
     }
 
     #[test]
-    fn attention_std_for_node_reads_heads_and_declines_other_domains() {
+    fn attention_for_node_routes_each_domain_to_its_own_rule() {
         use onnx_runtime_ir::{Node, NodeId};
-        // Default-domain Attention is modelled.
+        // Default-domain Attention is the opset-23 signature.
         let node = Node::new(NodeId(0), "Attention", Vec::new(), Vec::new());
         assert!(matches!(
             ShapeInference::for_node(&node, &[], 1),
             ShapeInference::AttentionStd { .. }
         ));
-        // A foreign domain is not claimed by this arm.
+        // `com.microsoft::Attention` is a different operator -- its input is
+        // unprojected and the fused weight sets the output width -- so it must
+        // not fall into the opset-23 arm. It used to be `Declined` instead,
+        // which silently handed every node to ORT's CPU EP; it now has its own
+        // rule, and `plugin_ort_e2e`'s `msft_attention_assignment_f32` fixture
+        // is the end-to-end falsifier for that.
         let mut contrib = Node::new(NodeId(0), "Attention", Vec::new(), Vec::new());
         contrib.domain = "com.microsoft".into();
         assert!(matches!(
             ShapeInference::for_node(&contrib, &[], 1),
-            ShapeInference::Declined { .. }
+            ShapeInference::MsftAttention { .. }
         ));
     }
 
diff --git a/docs/benchmarks/2026-08-15-cpu-ep-vs-ort-attention-moe.md b/docs/benchmarks/2026-08-15-cpu-ep-vs-ort-attention-moe.md
index 84cde6b3de..8e31e90884 100644
--- a/docs/benchmarks/2026-08-15-cpu-ep-vs-ort-attention-moe.md
+++ b/docs/benchmarks/2026-08-15-cpu-ep-vs-ort-attention-moe.md
@@ -581,8 +581,15 @@ are load-bearing. Within *this* session MoE is at parity at t=1 and loses
 
 ## 10. Assignment matrix after Phase 3
 
-What the **plugin** EP asks ORT to hand over. This does not affect a native
-`InferenceSession`, which has no host to defer to and runs every kernel.
+> **WITHDRAWN — see §23.** Every `defer` row in this table is void. The project
+> rule is now that a node this EP can execute is never handed to ORT's CPU EP,
+> whatever the measurement says, and a losing row is a kernel to fix rather than
+> a node to give away. The table is kept because the *ratios* are real evidence
+> and they are the work queue; the `claim` column is not the current behaviour.
+
+What the **plugin** EP asked ORT to hand over, as of Phase 3. This never
+affected a native `InferenceSession`, which has no host to defer to and runs
+every kernel.
 
 | op | dtype | claim | evidence |
 |---|---|---|---|
@@ -924,7 +931,7 @@ Full matrix, all 54 cells, `native ÷ ORT` (lower is better, 1.00 = parity):
 | qwen3-0.6b | prefill q512/kv512 | nomask | 1 | 1.063 | 1.076 | **0.99x** |
 | qwen3-0.6b | prefill q512/kv512 | nomask | 8 | 2.929 | 2.840 | **1.03x** |
 | qwen3-0.6b | prefill q512/kv512 | nomask | 16 | 2.876 | 3.149 | **0.91x** |
-### Second answer: still decline it
+### Second answer: still decline it — WITHDRAWN, see §23
 
 The fix is large — up to **8.44x** — and masked single-thread decode now beats
 ORT outright (0.889–1.009x, was 1.073–1.400x). It is not enough. **44 of 54
@@ -933,10 +940,13 @@ cells are still slower than ORT**, 41 of them by ≥5%, and only 7 are ≥5% fas
 16 threads**, because the remaining time is in the QK and PV GEMMs and their
 thread scaling, not in the scale/mask/softmax stage that #1094 fixed.
 
-So the honest answer to requirement 4 is the one it anticipated: **the fused
-region does not clear the ≥5% bar, and should be declined to ORT wherever the
-Plugin EP has that option.** Keeping `Softmax` claimed *purely* to preserve a
-fusion that then loses is not justified by this data.
+So the honest answer to requirement 4, *at the time*, was the one it
+anticipated: the fused region did not clear the ≥5% bar. The conclusion drawn
+from that — "decline it to ORT" — **is withdrawn (§23)**; the measurement is
+not. What the data actually establishes is that **the fused region is 3–15x
+short and that is the work**: Keeping `Softmax` claimed purely to preserve a fusion
+that then loses is not *justified* by this data — but it is now *required* by
+the rule in §23, so the only acceptable resolution is to close the gap.
 
 The blocker is structural rather than a matter of will: `claim_preference(op,
 opset, shapes, input_dtypes)` in `assignment_policy.rs` is **per-node and has no
@@ -1646,3 +1656,273 @@ this measurement's 1 us display resolution and well inside the row's own ~4%
 spread. The evidence that the read is now cached is the code, not this table.
 What these rows do show is that the reworked gate ordering did not disturb the
 below-threshold path, which is what they are here for.
+
+## 23. The rule changed: this EP never hands a node to ORT's CPU EP
+
+Phases 1–4 treated "decline to ORT" as a legitimate outcome for a range where we
+lose, and §10 and §15 above are written that way. That is no longer the project
+rule:
+
+> 我们的 cpu ep 不要分配到 ort cpu ep 上。用了我们的 cpu ep 就不要用 ort 的 cpu ep。但凡比 ort 慢的都要想方设法比 ort 快。
+>
+> *(Our CPU EP must not assign work onto ORT's CPU EP. If you are using our CPU
+> EP, do not use ORT's. Anything slower than ORT must be made faster than ORT,
+> by whatever means it takes.)*
+
+So a losing cell is a kernel to fix, not a node to give away, and every ratio in
+this document is now a work item rather than a justification. Nothing about the
+*measurements* changes — they were paired, interleaved, same-host and
+same-thread, and they still say what they said.
+
+### 23.1 The code-level declines were already gone; the silent one was not
+
+The perf-based decline was withdrawn before this section was written:
+`claim_preference_node` returns `Claim` unconditionally and `assignment_policy.rs`
+is deleted. Auditing what that actually guaranteed turned up two holes.
+
+**Hole 1 — the guarantee was untested for the operators this EP exists for.**
+`plugin_ort_e2e`'s `ASSIGNMENT_FIXTURES` covered 23 activation and normalisation
+graphs and *zero* attention, MoE, KV-cache, Softmax, Transpose or RoPE graphs.
+The rule was asserted where it was easy, not where it mattered.
+
+**Hole 2 — `GetCapability`'s shape filter is a third, silent decline layer.**
+Three independent gates must all pass for a node to reach our kernels:
+`supports_op` (dtype/shape capability), `claim_preference_node` (was perf), and a
+**fail-closed shape-inference filter** that drops any claim whose node has no
+rule in `compute.rs`. That last one answers to neither of the first two, and it
+was giving away `com.microsoft::Attention`, `MoE`, `QMoE`,
+`PackedMultiHeadAttention`, `ScatterND`, `ScatterElements` and `Trilu`. For
+`PackedMultiHeadAttention`, which **ORT has no CPU kernel for at all**, that
+"fallback" bought a load failure rather than a slower run; for the rest it
+simply meant not running an op we implement.
+
+### 23.2 Two decode ops were being handed to ORT by a dtype rule
+
+With shape rules added for all seven ops and fourteen new fixtures wired in, a real
+ORT 1.27 session immediately failed the rewritten assignment test on the two ops
+that matter most in decode:
+
+```
+2 of 32 fixtures were handed to ORT's CPU EP.
+  rotary_assignment_f32: 'RotaryEmbedding'      — ours=[], ORT was given ["RotaryEmbedding"]
+  gqa_assignment_f32:    'GroupQueryAttention'  — ours=[], ORT was given ["GroupQueryAttention"]
+```
+
+The cause is that the plugin advertises one *union* of dtypes per op and tests
+every input slot against it. Attention ops map to `FLOAT_DTYPES`, but
+`RotaryEmbedding`'s `position_ids` is int64 and `GroupQueryAttention`'s
+`seqlens_k` / `total_sequence_length` are int32, so the integer slots failed the
+float test and the claim was dropped. `input_dtype_constraints_for_op` already
+existed for the opposite problem (a union too *wide* for `MatMulNBits`); it just
+had no entries for the attention family. Adding the per-slot tables — with the
+`com.microsoft` and `ai.onnx` RoPE slot orders kept separate, because they differ
+— is what makes these two ops reachable at all.
+
+**This means §1's and #1078's RoPE and GQA plugin-path numbers describe an EP
+that was not running those ops.** Any plugin-path attention measurement taken
+before this fix needs re-taking.
+
+### 23.3 ORT stamps schema defaults on the node, and one of them is not 0
+
+With the dtype fix in, GQA still failed — at kernel construction:
+
+```
+STAGE [CreateSession] FAILED: get_kernel failed for node '' (GroupQueryAttention):
+  GroupQueryAttention: smooth_softmax is not yet supported (got -1)
+```
+
+The fixture never sets `smooth_softmax`. ORT materialises **schema defaults**
+onto a node before an EP sees it, and the contrib schema's default for that
+attribute is **-1**, not 0. ORT's own kernel enables the feature only for the
+exact value 1, so -1 means "off" — but our `!= 0` test read it as "on" and
+refused the node. Every GQA node from every real ORT session hit this.
+
+**Correction, from review:** the same argument was originally made for `scale`,
+and it is wrong. Instrumenting the GQA, MHA and `com.microsoft::Attention`
+factories during a real `CreateSession` over these fixtures prints
+`scale_attr=None` for all three — `scale` is `OPTIONAL_VALUE` with no schema
+default, so ORT does *not* stamp it, and removing the guard leaves the numerics
+in §23.5 unchanged at 1.006e-7. The guard stays as **defence, not a fix**: both
+ORT's kernels and ours read an explicit `scale = 0` as "use 1/sqrt(head_size)"
+rather than literally, so a zero taken at face value would multiply every score
+by zero and return a silently wrong answer instead of an error. `attention.rs`,
+`msft_attention.rs`, `multi_head_attention.rs`, `group_query_attention.rs` and
+`packed_multi_head_attention.rs` now all treat a non-positive `scale` as absent.
+`> 0` is deliberately broader than ORT's `== 0`, because a negative scale is
+meaningless and would otherwise be honoured.
+
+`smooth_softmax` is the load-bearing half of this finding and it does hold:
+`smooth_softmax_attr=Some(-1)` on a node that never set it.
+
+### 23.4 Assignment matrix, all 32 fixtures, real ORT 1.27 CPU session
+
+`no_supported_node_is_ever_left_to_the_ort_cpu_ep` collects every failure and
+asserts once, so a run reports the whole matrix instead of stopping at the first
+decline. Every row is a real session with
+`session.record_ep_graph_assignment_info=1`, queried through
+`Session_GetEpGraphAssignmentInfo`.
+
+| fixture | op | before | after |
+|---|---|---|---|
+| `softmax_assignment_f32` | `Softmax` | no fixture | **ours** |
+| `transpose_assignment_f32` | `Transpose` | no fixture | **ours** |
+| `kv_concat_assignment_f32` | `Concat` | no fixture | **ours** |
+| `kv_scatternd_assignment_f32` | `ScatterND` | silently declined | **ours** |
+| `scatter_elements_assignment_f32` | `ScatterElements` | silently declined | **ours** |
+| `trilu_assignment_f32` | `Trilu` | silently declined | **ours** |
+| `rotary_assignment_f32` | `RotaryEmbedding` | **ORT** (dtype union) | **ours** |
+| `mha_assignment_f32` | `MultiHeadAttention` | no fixture | **ours** |
+| `gqa_assignment_f32` | `GroupQueryAttention` | **ORT** (dtype union) | **ours** |
+| `gqa_rotary_pos_assignment_f32` | `GroupQueryAttention` + int64 `position_ids` | **ORT** (dtype union, slot 9) | **ours** |
+| `msft_attention_assignment_f32` | `com.microsoft::Attention` | silently declined | **ours** |
+| `packed_mha_assignment_f32` | `PackedMultiHeadAttention` | silently declined, then **ORT** (dtype union) | **ours** |
+| `moe_assignment_f32` | `MoE` | silently declined | **ours** |
+| `moe_assignment_f16` | `MoE` float16 | silently declined, then **ORT** (f32-only union) | **ours** |
+| `qmoe_assignment_f32` | `QMoE` | silently declined, then **ORT** (dtype union) | **ours** |
+| 23 pre-existing activation/norm fixtures | — | ours | **ours** |
+
+Six of those rows exist because review asked for them, and four of the six
+found a decline that was still live after the first pass: GQA's `position_ids`
+is optional input **9**, and listing only slots 5 and 6 left a `do_rotary` node
+with explicit int64 positions failing the float union; `QMoE`'s uint8-packed
+expert weights and `PackedMultiHeadAttention`'s int32 `token_offset` /
+`cumulative_sequence_length` did the same. And `MoE` advertised **float32
+only** while its kernel widens float16 and bfloat16 to f32 and narrows on the
+way out — so every *realistic* MoE node, which is half precision, was declined
+while the f32 fixture passed. One dtype's worth of coverage is not coverage.
+The pure-Rust inventory test cannot
+see any of these — it builds synthetic nodes and never opens an ORT session, so
+it is blind to the dtype filter and to the kernel factory. **Only a real session
+per op finds them, which is the argument for one fixture per rescued op rather
+than a representative sample.**
+
+`every_fixture_loads_with_cpu_fallback_disabled` runs the same 38 with
+`session.disable_cpu_ep_fallback=1`, so ORT is *forbidden* from placing a
+supported node on its own CPU EP: **38/38 load and 38/38 are assigned to us.**
+**Correction, from review.** An earlier draft of this section claimed ORT has
+no CPU kernel for `MoE`, `QMoE` or `com.microsoft::Attention`. It has all three;
+the reviewer loaded *and ran* these very fixtures on ORT's
+`CPUExecutionProvider` under both 1.27 and 1.28. Only
+`PackedMultiHeadAttention` genuinely has none, which the falsifier shows
+directly: reverting `PACKED_MHA_SLOTS` does not hand the node to ORT, it fails
+session creation with `Could not find an implementation for
+PackedMultiHeadAttention(1)`. For the other ops the decline meant we were not
+running an operator we implement — bad, but not fatal.
+
+One fixture is deliberately **not** in that table:
+
+| fixture | op | on `main` | after | why excluded |
+|---|---|---|---|---|
+| `qmoe_columnwise_f32` | `QMoE`, `block_size` absent | ORT | ORT | no column-wise kernel here; see §23.6 |
+| `moe_sparse_mixer_f32` | `MoE`, `use_sparse_mixer=1` | ORT | ORT | no sparse-mixer router here |
+| `gqa_smooth_softmax_f32` | `GQA`, `smooth_softmax=1` | ORT | ORT | no attention-sink softmax here |
+
+`factory_only_capability_limits_are_declined_at_claim_time` asserts all three:
+the node lands on ORT, the session still loads, and — the point of the test —
+the decline happens in `supports_op` rather than in the kernel factory, where it
+would have been unrecoverable.
+
+### 23.5 Assignment is not the guarantee — the arithmetic is
+
+A claimed node that computes the wrong answer is worse than the deferral it
+replaced, so the two ops that were being handed away are also checked against
+the implementation they displaced. `rope_and_gqa_execute_on_our_ep_and_match_ort_numerics`
+runs each fixture twice over the same model file and the same input bytes: once
+with our EP appended and fallback disabled, once with our EP simply not
+appended, so ORT resolves the node to its own contrib CPU kernel.
+
+| fixture | output | values | max relative error vs ORT |
+|---|---|---|---|
+| `rotary_assignment_f32` | `output` | 4 096 | 1.182e-7 |
+| `gqa_assignment_f32` | `output` | 4 096 | 1.006e-7 |
+| `gqa_assignment_f32` | `present_key` | 1 048 576 | **0** |
+| `gqa_assignment_f32` | `present_value` | 1 048 576 | **0** |
+
+Both attention outputs are at float32 rounding, and the KV cache is written
+bit-identically to ORT's.
+
+### 23.6 Making an op reachable can break it: factory-only capability limits
+
+`QMoE`'s fixture had to be written with `block_size = 32`, because this kernel
+implements only the blocked form while ORT's schema leaves `block_size` without
+a default — so an absent attribute means the *column-wise* form, one scale per
+output row. The first draft of this section assumed ORT could not run that
+either. **It can**, and review demonstrated it by loading and running the
+fixture on ORT's `CPUExecutionProvider` under 1.27 and 1.28.
+
+That turned a documented gap into a regression, and it is worth stating plainly
+because it is a hazard of this whole change:
+
+> Claiming an op is not free. `GetCapability` consults only the dtype and shape
+> filters; a rejection raised later, in the kernel factory, arrives **after** ORT
+> has compiled the node onto this EP, and **no fallback recovers from it**. So
+> making `QMoE` reachable also made a previously-working column-wise model die
+> at `CreateSession` with `block_size must be a power of two and at least 16,
+> got 0`.
+
+A third review round showed this was not one bug but a **class**, and that the
+first fix had only patched one instance of it. Two more were live, both on
+attributes real models set, and both of which ORT's CPU EP runs today:
+
+| op | attribute | who sets it | verified on ORT CPU |
+|---|---|---|---|
+| `QMoE` | `block_size` absent (column-wise) | ORT-quantized MoE exports | 1.27 and 1.28 |
+| `MoE` / `QMoE` | `use_sparse_mixer=1` | Phi-3.5-MoE, GRIN-MoE | 1.28 |
+| `GroupQueryAttention` | `smooth_softmax=1` | Gemma-style attention sink | 1.28 |
+
+The fix is structural rather than three more `if`s. Each kernel's attribute
+parsing is now a single function, and the claim-time guard *is* that function:
+
+```rust
+pub(crate) fn unsupported_reason(node: &Node) -> Option<String> {
+    attributes_from_node(node).err().map(|e| e.to_string())
+}
+```
+
+so a limit cannot be added to one of these factories without appearing at claim
+time too. Be precise about the scope of that guarantee: **within a wired op**
+drift is impossible by construction; *wiring an op* is still discipline.
+`supports_op` consults it for `MoE`, `QMoE`, `GroupQueryAttention`,
+`MultiHeadAttention`, `com.microsoft::Attention`, `ai.onnx::Attention` and
+`PackedMultiHeadAttention`, which sweeps up the rest of the family in one go:
+GQA's quantized-KV and `qk_output` rejections, msft `Attention`'s `do_rotary`
+and `past_present_share_buffer`, `ai.onnx::Attention`'s `qk_matmul_output_mode`,
+and `QMoE`'s `expert_weight_bits` / `quant_type`.
+
+Two tests pin it. `provider::tests::every_factory_attribute_rejection_is_mirrored_at_claim_time`
+is pure Rust — for eleven hostile nodes it asserts *both* that the factory
+rejects and that `supports_op` declines, so it fails if the two ever diverge —
+and `plugin_ort_e2e::factory_only_capability_limits_are_declined_at_claim_time`
+proves it against real ORT for the three fixtures above: the node lands on ORT,
+the session loads. Disabling the claim-time guard turns each of the three into
+
+```
+STAGE [CreateSession] FAILED: Compile: get_kernel failed for node '' (MoE):
+  MoE: use_sparse_mixer=1 is unsupported by the Phase-1 CPU reference kernel
+```
+
+Review then audited the rest of the EP for the same defect and found ten other
+factories that reject something `supports_op` does not pre-check — `MatMulNBits`
+(`bits`, `block_size`), `Resize`, `Pad`, `GridSample`, `LpNormalization`,
+`Unique`, `BitShift`, `ConstantOfShape` and two `pkg.nxrt` internals. **None is
+a live regression**: each rejects only schema-invalid values or configurations
+ORT's own CPU kernel also refuses, and the reviewer could not construct a case
+ORT runs and we reject. They are recorded here so the next person does not have
+to redo the audit, and so the claim above is not read as EP-wide.
+
+**These are the only deliberate declines in the suite and every one is a
+capability answer, not a performance one** — we have no column-wise, sparse
+mixer or smooth-softmax implementation, and the choice for each is between ORT
+running the model and nobody running it. They are not exceptions to §23's rule,
+which is about ranges where we are *slower*; they are an admission that we owe
+three kernels. Each should stop being an exception as soon as its kernel
+exists.
+
+### 23.7 What this does not fix
+
+It makes the losing ranges *reachable*; it does not make them fast. §15's fused
+region is still 3–15x short at 8–16 threads, §19–20's Transpose gaps and §18's
+MoE cells are unchanged, and #1078's own evidence has float32 RoPE losing 12/12
+cells at 1.53–17.21x. Under the rule above every one of those is now a kernel to
+fix with no exit, and the RoPE grid is first because it is the op that was being
+given away.
diff --git a/docs/performance/CPU_ACTIVATION_GAPS.md b/docs/performance/CPU_ACTIVATION_GAPS.md
index 68d917b006..8f0ea993c5 100644
--- a/docs/performance/CPU_ACTIVATION_GAPS.md
+++ b/docs/performance/CPU_ACTIVATION_GAPS.md
@@ -151,6 +151,64 @@ sets identical by construction, and
 The lesson is that an inventory test is only as good as its source of truth.
 Two rounds of review passed on tests that enumerated the wrong set.
 
+**Filter 3, second failure mode — the dtype *union* is per-op, the kernel's rule
+is per-slot.** An entry advertises one set of dtypes for the whole op and every
+input slot is tested against it, so a mixed-dtype op is decided by whichever
+constraint is written last. `MatMulNBits` showed the union being too *wide*.
+The attention family shows it being too *narrow*, which is worse because it is
+silent: the ops map to `FLOAT_DTYPES`, but `RotaryEmbedding`'s `position_ids` is
+int64 and `GroupQueryAttention`'s `seqlens_k` / `total_sequence_length` are
+int32, so the integer slots failed the float test and **both ops were handed to
+ORT on every real session** while every pure-Rust test passed.
+`input_dtype_constraints_for_op` (`onnx-runtime-ep-cpu/src/kernels/mod.rs`) now
+carries per-slot tables for `RotaryEmbedding` in both domains — their slot
+orders differ — plus `GroupQueryAttention` (including `position_ids` at slot
+**9**, which a first pass missed because it only listed the two slots the
+fixtures happened to exercise), `MultiHeadAttention`, `com.microsoft::Attention`,
+`PackedMultiHeadAttention` (int32 `token_offset` / `cumulative_sequence_length`)
+and `QMoE` (uint8-packed experts and zero points).
+
+The union can also be too narrow without any mixed-dtype slot at all: `MoE`
+advertised **float32 only** while its kernel accepts float16 and bfloat16 too,
+so the f32 fixture passed and every production half-precision mixture was
+declined. A single dtype's worth of coverage is not coverage.
+
+Four of those six were found only after review asked for one real-ORT fixture
+per rescued op. **An inventory test that never opens a session cannot see this
+filter at all**, which is the same lesson as above arriving a third time.
+
+**Filter 4 — the kernel factory, which runs after assignment.** Clearing all
+three filters only gets as far as `get_kernel`. ORT stamps **schema defaults**
+onto a node before an EP sees it, so a factory that rejects an attribute it does
+not support must use ORT's default, not ONNX's zero: the contrib default for
+`smooth_softmax` is `-1`, and testing it for `!= 0` rejected every
+`GroupQueryAttention` node ORT ever resolved. A rejection here is a hard session
+failure rather than a fallback, so it is the most expensive of the four — and
+that cuts both ways. Making an op *reachable* can break a model that used to
+work: once `QMoE` was claimed, a column-wise (`block_size` absent) node that ORT
+had been running fine reached our factory and killed `CreateSession`. Review
+then found the same defect on `use_sparse_mixer=1` (Phi-3.5-MoE, GRIN-MoE) and
+on `smooth_softmax=1` (Gemma-style attention sink) — both of which ORT's CPU EP
+runs today — so it is a class, not three bugs.
+
+**Any capability limit a factory enforces must be mirrored in `supports_op`**,
+where a decline is still recoverable. The mirror is now structural rather than
+duplicated: each kernel's attribute validation lives in one function and the
+claim-time guard is that same function's error, so a new factory limit cannot
+fail to appear at claim time. `provider::tests::every_factory_attribute_rejection_is_mirrored_at_claim_time`
+asserts both halves for eleven hostile nodes and fails if they diverge. The
+guarantee is per-wired-op, though: within a wired op drift is impossible, but
+wiring an op is still discipline. An audit of the remaining factories found ten
+that reject something `supports_op` does not pre-check; none is a live
+regression, because each refuses only schema-invalid values or configurations
+ORT's own CPU kernel also refuses.
+
+The attention, MoE and KV-cache ops are now covered end-to-end by
+`plugin_ort_e2e`'s `ASSIGNMENT_FIXTURES` (38 graphs, all on our EP with
+`session.disable_cpu_ep_fallback=1`) and by
+`rope_and_gqa_execute_on_our_ep_and_match_ort_numerics`, which checks the two
+recovered ops against ORT's own kernels rather than only checking placement.
+
 **64 registered ops remain in the shape-table gap.** The list is not prose: it is asserted
 exactly by `every_registered_op_has_a_shape_rule_or_is_a_known_gap`
 (`crates/onnx-runtime-ep-cpu-plugin/tests/shape_inference_coverage.rs`), which