sedrickkeh commited on
Commit
4b8ae81
·
verified ·
1 Parent(s): 10567dc

End of training

Browse files
README.md CHANGED
@@ -4,6 +4,7 @@ license: llama3.1
4
  base_model: meta-llama/Meta-Llama-3.1-8B
5
  tags:
6
  - llama-factory
 
7
  - generated_from_trainer
8
  model-index:
9
  - name: oh_scale_x.5_compute_equal
@@ -15,7 +16,7 @@ should probably proofread and complete it, then remove this comment. -->
15
 
16
  # oh_scale_x.5_compute_equal
17
 
18
- This model is a fine-tuned version of [meta-llama/Meta-Llama-3.1-8B](https://huggingface.co/meta-llama/Meta-Llama-3.1-8B) on an unknown dataset.
19
  It achieves the following results on the evaluation set:
20
  - Loss: 2.4058
21
 
 
4
  base_model: meta-llama/Meta-Llama-3.1-8B
5
  tags:
6
  - llama-factory
7
+ - full
8
  - generated_from_trainer
9
  model-index:
10
  - name: oh_scale_x.5_compute_equal
 
16
 
17
  # oh_scale_x.5_compute_equal
18
 
19
+ This model is a fine-tuned version of [meta-llama/Meta-Llama-3.1-8B](https://huggingface.co/meta-llama/Meta-Llama-3.1-8B) on the mlfoundations-dev/oh-dcft-v1.3_no-curation_gpt-4o-mini_scale_0.5x dataset.
20
  It achieves the following results on the evaluation set:
21
  - Loss: 2.4058
22
 
all_results.json ADDED
@@ -0,0 +1,12 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "epoch": 24.868123587038433,
3
+ "eval_loss": 2.4057514667510986,
4
+ "eval_runtime": 113.9035,
5
+ "eval_samples_per_second": 39.235,
6
+ "eval_steps_per_second": 0.615,
7
+ "total_flos": 6909319257784320.0,
8
+ "train_loss": 0.2661740447047985,
9
+ "train_runtime": 139979.5045,
10
+ "train_samples_per_second": 15.162,
11
+ "train_steps_per_second": 0.029
12
+ }
eval_results.json ADDED
@@ -0,0 +1,7 @@
 
 
 
 
 
 
 
 
1
+ {
2
+ "epoch": 24.868123587038433,
3
+ "eval_loss": 2.4057514667510986,
4
+ "eval_runtime": 113.9035,
5
+ "eval_samples_per_second": 39.235,
6
+ "eval_steps_per_second": 0.615
7
+ }
train_results.json ADDED
@@ -0,0 +1,8 @@
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "epoch": 24.868123587038433,
3
+ "total_flos": 6909319257784320.0,
4
+ "train_loss": 0.2661740447047985,
5
+ "train_runtime": 139979.5045,
6
+ "train_samples_per_second": 15.162,
7
+ "train_steps_per_second": 0.029
8
+ }
trainer_state.json ADDED
@@ -0,0 +1,3126 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "best_metric": null,
3
+ "best_model_checkpoint": null,
4
+ "epoch": 24.868123587038433,
5
+ "eval_steps": 500,
6
+ "global_step": 4125,
7
+ "is_hyper_param_search": false,
8
+ "is_local_process_zero": true,
9
+ "is_world_process_zero": true,
10
+ "log_history": [
11
+ {
12
+ "epoch": 0.06028636021100226,
13
+ "grad_norm": 14.353901908542692,
14
+ "learning_rate": 5e-06,
15
+ "loss": 1.0595,
16
+ "step": 10
17
+ },
18
+ {
19
+ "epoch": 0.12057272042200452,
20
+ "grad_norm": 1.3180865308999647,
21
+ "learning_rate": 5e-06,
22
+ "loss": 0.9403,
23
+ "step": 20
24
+ },
25
+ {
26
+ "epoch": 0.1808590806330068,
27
+ "grad_norm": 0.9782137323160548,
28
+ "learning_rate": 5e-06,
29
+ "loss": 0.89,
30
+ "step": 30
31
+ },
32
+ {
33
+ "epoch": 0.24114544084400905,
34
+ "grad_norm": 1.3518217541449848,
35
+ "learning_rate": 5e-06,
36
+ "loss": 0.8618,
37
+ "step": 40
38
+ },
39
+ {
40
+ "epoch": 0.30143180105501133,
41
+ "grad_norm": 0.8934828143592951,
42
+ "learning_rate": 5e-06,
43
+ "loss": 0.8447,
44
+ "step": 50
45
+ },
46
+ {
47
+ "epoch": 0.3617181612660136,
48
+ "grad_norm": 0.9919016971761021,
49
+ "learning_rate": 5e-06,
50
+ "loss": 0.8318,
51
+ "step": 60
52
+ },
53
+ {
54
+ "epoch": 0.42200452147701584,
55
+ "grad_norm": 0.9227497685306041,
56
+ "learning_rate": 5e-06,
57
+ "loss": 0.8177,
58
+ "step": 70
59
+ },
60
+ {
61
+ "epoch": 0.4822908816880181,
62
+ "grad_norm": 0.9363087183332998,
63
+ "learning_rate": 5e-06,
64
+ "loss": 0.8106,
65
+ "step": 80
66
+ },
67
+ {
68
+ "epoch": 0.5425772418990203,
69
+ "grad_norm": 1.0736624468965914,
70
+ "learning_rate": 5e-06,
71
+ "loss": 0.8052,
72
+ "step": 90
73
+ },
74
+ {
75
+ "epoch": 0.6028636021100227,
76
+ "grad_norm": 1.353564519927803,
77
+ "learning_rate": 5e-06,
78
+ "loss": 0.7907,
79
+ "step": 100
80
+ },
81
+ {
82
+ "epoch": 0.6631499623210249,
83
+ "grad_norm": 1.0455405570196998,
84
+ "learning_rate": 5e-06,
85
+ "loss": 0.7913,
86
+ "step": 110
87
+ },
88
+ {
89
+ "epoch": 0.7234363225320272,
90
+ "grad_norm": 0.9569192147667731,
91
+ "learning_rate": 5e-06,
92
+ "loss": 0.7828,
93
+ "step": 120
94
+ },
95
+ {
96
+ "epoch": 0.7837226827430294,
97
+ "grad_norm": 0.8298672277424939,
98
+ "learning_rate": 5e-06,
99
+ "loss": 0.7841,
100
+ "step": 130
101
+ },
102
+ {
103
+ "epoch": 0.8440090429540317,
104
+ "grad_norm": 1.2437896161299962,
105
+ "learning_rate": 5e-06,
106
+ "loss": 0.7832,
107
+ "step": 140
108
+ },
109
+ {
110
+ "epoch": 0.9042954031650339,
111
+ "grad_norm": 0.6290099294011746,
112
+ "learning_rate": 5e-06,
113
+ "loss": 0.7818,
114
+ "step": 150
115
+ },
116
+ {
117
+ "epoch": 0.9645817633760362,
118
+ "grad_norm": 0.683050547264518,
119
+ "learning_rate": 5e-06,
120
+ "loss": 0.7807,
121
+ "step": 160
122
+ },
123
+ {
124
+ "epoch": 0.9947249434815373,
125
+ "eval_loss": 0.7690147161483765,
126
+ "eval_runtime": 114.9859,
127
+ "eval_samples_per_second": 38.866,
128
+ "eval_steps_per_second": 0.609,
129
+ "step": 165
130
+ },
131
+ {
132
+ "epoch": 1.0248681235870385,
133
+ "grad_norm": 0.8375316338814506,
134
+ "learning_rate": 5e-06,
135
+ "loss": 0.7706,
136
+ "step": 170
137
+ },
138
+ {
139
+ "epoch": 1.0851544837980407,
140
+ "grad_norm": 0.8491856111019711,
141
+ "learning_rate": 5e-06,
142
+ "loss": 0.7207,
143
+ "step": 180
144
+ },
145
+ {
146
+ "epoch": 1.145440844009043,
147
+ "grad_norm": 1.00264106211233,
148
+ "learning_rate": 5e-06,
149
+ "loss": 0.7264,
150
+ "step": 190
151
+ },
152
+ {
153
+ "epoch": 1.2057272042200453,
154
+ "grad_norm": 0.9524591725477187,
155
+ "learning_rate": 5e-06,
156
+ "loss": 0.7223,
157
+ "step": 200
158
+ },
159
+ {
160
+ "epoch": 1.2660135644310475,
161
+ "grad_norm": 0.8200876998100735,
162
+ "learning_rate": 5e-06,
163
+ "loss": 0.7237,
164
+ "step": 210
165
+ },
166
+ {
167
+ "epoch": 1.3262999246420497,
168
+ "grad_norm": 0.6972921329207209,
169
+ "learning_rate": 5e-06,
170
+ "loss": 0.7233,
171
+ "step": 220
172
+ },
173
+ {
174
+ "epoch": 1.3865862848530521,
175
+ "grad_norm": 1.3472894348419586,
176
+ "learning_rate": 5e-06,
177
+ "loss": 0.7175,
178
+ "step": 230
179
+ },
180
+ {
181
+ "epoch": 1.4468726450640543,
182
+ "grad_norm": 0.8080326013334395,
183
+ "learning_rate": 5e-06,
184
+ "loss": 0.7203,
185
+ "step": 240
186
+ },
187
+ {
188
+ "epoch": 1.5071590052750565,
189
+ "grad_norm": 0.6690842132293575,
190
+ "learning_rate": 5e-06,
191
+ "loss": 0.7184,
192
+ "step": 250
193
+ },
194
+ {
195
+ "epoch": 1.5674453654860587,
196
+ "grad_norm": 0.6680726643782731,
197
+ "learning_rate": 5e-06,
198
+ "loss": 0.7193,
199
+ "step": 260
200
+ },
201
+ {
202
+ "epoch": 1.627731725697061,
203
+ "grad_norm": 0.6582407897638277,
204
+ "learning_rate": 5e-06,
205
+ "loss": 0.7171,
206
+ "step": 270
207
+ },
208
+ {
209
+ "epoch": 1.6880180859080633,
210
+ "grad_norm": 0.6058749327234759,
211
+ "learning_rate": 5e-06,
212
+ "loss": 0.718,
213
+ "step": 280
214
+ },
215
+ {
216
+ "epoch": 1.7483044461190655,
217
+ "grad_norm": 0.6771950284954183,
218
+ "learning_rate": 5e-06,
219
+ "loss": 0.717,
220
+ "step": 290
221
+ },
222
+ {
223
+ "epoch": 1.8085908063300677,
224
+ "grad_norm": 0.620278984859575,
225
+ "learning_rate": 5e-06,
226
+ "loss": 0.721,
227
+ "step": 300
228
+ },
229
+ {
230
+ "epoch": 1.8688771665410702,
231
+ "grad_norm": 0.7376417188133093,
232
+ "learning_rate": 5e-06,
233
+ "loss": 0.7187,
234
+ "step": 310
235
+ },
236
+ {
237
+ "epoch": 1.9291635267520724,
238
+ "grad_norm": 0.841815742734191,
239
+ "learning_rate": 5e-06,
240
+ "loss": 0.7168,
241
+ "step": 320
242
+ },
243
+ {
244
+ "epoch": 1.9894498869630746,
245
+ "grad_norm": 0.9694154154724743,
246
+ "learning_rate": 5e-06,
247
+ "loss": 0.7139,
248
+ "step": 330
249
+ },
250
+ {
251
+ "epoch": 1.995478522984175,
252
+ "eval_loss": 0.7520068287849426,
253
+ "eval_runtime": 112.311,
254
+ "eval_samples_per_second": 39.791,
255
+ "eval_steps_per_second": 0.623,
256
+ "step": 331
257
+ },
258
+ {
259
+ "epoch": 2.049736247174077,
260
+ "grad_norm": 1.3857092066503702,
261
+ "learning_rate": 5e-06,
262
+ "loss": 0.6895,
263
+ "step": 340
264
+ },
265
+ {
266
+ "epoch": 2.110022607385079,
267
+ "grad_norm": 0.9308939279408932,
268
+ "learning_rate": 5e-06,
269
+ "loss": 0.661,
270
+ "step": 350
271
+ },
272
+ {
273
+ "epoch": 2.1703089675960814,
274
+ "grad_norm": 1.7049059921843441,
275
+ "learning_rate": 5e-06,
276
+ "loss": 0.6596,
277
+ "step": 360
278
+ },
279
+ {
280
+ "epoch": 2.230595327807084,
281
+ "grad_norm": 1.1664692858604568,
282
+ "learning_rate": 5e-06,
283
+ "loss": 0.6626,
284
+ "step": 370
285
+ },
286
+ {
287
+ "epoch": 2.290881688018086,
288
+ "grad_norm": 0.8099811209522968,
289
+ "learning_rate": 5e-06,
290
+ "loss": 0.6609,
291
+ "step": 380
292
+ },
293
+ {
294
+ "epoch": 2.351168048229088,
295
+ "grad_norm": 0.7769380652338045,
296
+ "learning_rate": 5e-06,
297
+ "loss": 0.6633,
298
+ "step": 390
299
+ },
300
+ {
301
+ "epoch": 2.4114544084400906,
302
+ "grad_norm": 1.0202300923789958,
303
+ "learning_rate": 5e-06,
304
+ "loss": 0.667,
305
+ "step": 400
306
+ },
307
+ {
308
+ "epoch": 2.4717407686510926,
309
+ "grad_norm": 0.9120675026610565,
310
+ "learning_rate": 5e-06,
311
+ "loss": 0.6654,
312
+ "step": 410
313
+ },
314
+ {
315
+ "epoch": 2.532027128862095,
316
+ "grad_norm": 0.8057600298686861,
317
+ "learning_rate": 5e-06,
318
+ "loss": 0.6643,
319
+ "step": 420
320
+ },
321
+ {
322
+ "epoch": 2.5923134890730974,
323
+ "grad_norm": 0.6688016636812687,
324
+ "learning_rate": 5e-06,
325
+ "loss": 0.6657,
326
+ "step": 430
327
+ },
328
+ {
329
+ "epoch": 2.6525998492840994,
330
+ "grad_norm": 0.7419224625762498,
331
+ "learning_rate": 5e-06,
332
+ "loss": 0.6669,
333
+ "step": 440
334
+ },
335
+ {
336
+ "epoch": 2.712886209495102,
337
+ "grad_norm": 0.7294710798953756,
338
+ "learning_rate": 5e-06,
339
+ "loss": 0.664,
340
+ "step": 450
341
+ },
342
+ {
343
+ "epoch": 2.7731725697061043,
344
+ "grad_norm": 0.7239503892331308,
345
+ "learning_rate": 5e-06,
346
+ "loss": 0.6628,
347
+ "step": 460
348
+ },
349
+ {
350
+ "epoch": 2.8334589299171062,
351
+ "grad_norm": 0.6873637028133951,
352
+ "learning_rate": 5e-06,
353
+ "loss": 0.6634,
354
+ "step": 470
355
+ },
356
+ {
357
+ "epoch": 2.8937452901281087,
358
+ "grad_norm": 0.7070671521244221,
359
+ "learning_rate": 5e-06,
360
+ "loss": 0.67,
361
+ "step": 480
362
+ },
363
+ {
364
+ "epoch": 2.9540316503391106,
365
+ "grad_norm": 0.6467492636416056,
366
+ "learning_rate": 5e-06,
367
+ "loss": 0.6642,
368
+ "step": 490
369
+ },
370
+ {
371
+ "epoch": 2.9962321024868124,
372
+ "eval_loss": 0.7524702548980713,
373
+ "eval_runtime": 115.8914,
374
+ "eval_samples_per_second": 38.562,
375
+ "eval_steps_per_second": 0.604,
376
+ "step": 497
377
+ },
378
+ {
379
+ "epoch": 3.014318010550113,
380
+ "grad_norm": 1.2600144566497484,
381
+ "learning_rate": 5e-06,
382
+ "loss": 0.6595,
383
+ "step": 500
384
+ },
385
+ {
386
+ "epoch": 3.0746043707611155,
387
+ "grad_norm": 0.9439871932745402,
388
+ "learning_rate": 5e-06,
389
+ "loss": 0.6121,
390
+ "step": 510
391
+ },
392
+ {
393
+ "epoch": 3.1348907309721175,
394
+ "grad_norm": 0.9269396364377557,
395
+ "learning_rate": 5e-06,
396
+ "loss": 0.6091,
397
+ "step": 520
398
+ },
399
+ {
400
+ "epoch": 3.19517709118312,
401
+ "grad_norm": 1.4073687560739623,
402
+ "learning_rate": 5e-06,
403
+ "loss": 0.6146,
404
+ "step": 530
405
+ },
406
+ {
407
+ "epoch": 3.255463451394122,
408
+ "grad_norm": 1.0909582280984875,
409
+ "learning_rate": 5e-06,
410
+ "loss": 0.6135,
411
+ "step": 540
412
+ },
413
+ {
414
+ "epoch": 3.3157498116051243,
415
+ "grad_norm": 1.6855484277386785,
416
+ "learning_rate": 5e-06,
417
+ "loss": 0.6181,
418
+ "step": 550
419
+ },
420
+ {
421
+ "epoch": 3.3760361718161267,
422
+ "grad_norm": 1.3960879287332164,
423
+ "learning_rate": 5e-06,
424
+ "loss": 0.6204,
425
+ "step": 560
426
+ },
427
+ {
428
+ "epoch": 3.4363225320271287,
429
+ "grad_norm": 1.3111215484703225,
430
+ "learning_rate": 5e-06,
431
+ "loss": 0.6166,
432
+ "step": 570
433
+ },
434
+ {
435
+ "epoch": 3.496608892238131,
436
+ "grad_norm": 1.4456626678129865,
437
+ "learning_rate": 5e-06,
438
+ "loss": 0.6187,
439
+ "step": 580
440
+ },
441
+ {
442
+ "epoch": 3.5568952524491335,
443
+ "grad_norm": 0.9267972418344134,
444
+ "learning_rate": 5e-06,
445
+ "loss": 0.6198,
446
+ "step": 590
447
+ },
448
+ {
449
+ "epoch": 3.6171816126601355,
450
+ "grad_norm": 1.5516401845259948,
451
+ "learning_rate": 5e-06,
452
+ "loss": 0.6216,
453
+ "step": 600
454
+ },
455
+ {
456
+ "epoch": 3.677467972871138,
457
+ "grad_norm": 1.5014637761221297,
458
+ "learning_rate": 5e-06,
459
+ "loss": 0.618,
460
+ "step": 610
461
+ },
462
+ {
463
+ "epoch": 3.7377543330821403,
464
+ "grad_norm": 1.1059687872166368,
465
+ "learning_rate": 5e-06,
466
+ "loss": 0.6185,
467
+ "step": 620
468
+ },
469
+ {
470
+ "epoch": 3.7980406932931423,
471
+ "grad_norm": 1.2950526783062104,
472
+ "learning_rate": 5e-06,
473
+ "loss": 0.6207,
474
+ "step": 630
475
+ },
476
+ {
477
+ "epoch": 3.8583270535041447,
478
+ "grad_norm": 0.9542402867171873,
479
+ "learning_rate": 5e-06,
480
+ "loss": 0.618,
481
+ "step": 640
482
+ },
483
+ {
484
+ "epoch": 3.918613413715147,
485
+ "grad_norm": 0.7924967732032556,
486
+ "learning_rate": 5e-06,
487
+ "loss": 0.6163,
488
+ "step": 650
489
+ },
490
+ {
491
+ "epoch": 3.978899773926149,
492
+ "grad_norm": 0.9450387587222794,
493
+ "learning_rate": 5e-06,
494
+ "loss": 0.6186,
495
+ "step": 660
496
+ },
497
+ {
498
+ "epoch": 3.99698568198945,
499
+ "eval_loss": 0.7615257501602173,
500
+ "eval_runtime": 111.9191,
501
+ "eval_samples_per_second": 39.931,
502
+ "eval_steps_per_second": 0.625,
503
+ "step": 663
504
+ },
505
+ {
506
+ "epoch": 4.039186134137151,
507
+ "grad_norm": 0.9971689199182937,
508
+ "learning_rate": 5e-06,
509
+ "loss": 0.5958,
510
+ "step": 670
511
+ },
512
+ {
513
+ "epoch": 4.099472494348154,
514
+ "grad_norm": 0.7965799505534403,
515
+ "learning_rate": 5e-06,
516
+ "loss": 0.5627,
517
+ "step": 680
518
+ },
519
+ {
520
+ "epoch": 4.159758854559156,
521
+ "grad_norm": 0.8634698321641859,
522
+ "learning_rate": 5e-06,
523
+ "loss": 0.5642,
524
+ "step": 690
525
+ },
526
+ {
527
+ "epoch": 4.220045214770158,
528
+ "grad_norm": 0.8538005391887241,
529
+ "learning_rate": 5e-06,
530
+ "loss": 0.5721,
531
+ "step": 700
532
+ },
533
+ {
534
+ "epoch": 4.280331574981161,
535
+ "grad_norm": 0.8087517000342034,
536
+ "learning_rate": 5e-06,
537
+ "loss": 0.5702,
538
+ "step": 710
539
+ },
540
+ {
541
+ "epoch": 4.340617935192163,
542
+ "grad_norm": 0.7416451232136964,
543
+ "learning_rate": 5e-06,
544
+ "loss": 0.5735,
545
+ "step": 720
546
+ },
547
+ {
548
+ "epoch": 4.400904295403165,
549
+ "grad_norm": 0.683331985209307,
550
+ "learning_rate": 5e-06,
551
+ "loss": 0.576,
552
+ "step": 730
553
+ },
554
+ {
555
+ "epoch": 4.461190655614168,
556
+ "grad_norm": 0.7531824862918711,
557
+ "learning_rate": 5e-06,
558
+ "loss": 0.5747,
559
+ "step": 740
560
+ },
561
+ {
562
+ "epoch": 4.52147701582517,
563
+ "grad_norm": 0.6679489381777426,
564
+ "learning_rate": 5e-06,
565
+ "loss": 0.5788,
566
+ "step": 750
567
+ },
568
+ {
569
+ "epoch": 4.581763376036172,
570
+ "grad_norm": 0.8184328898914945,
571
+ "learning_rate": 5e-06,
572
+ "loss": 0.5773,
573
+ "step": 760
574
+ },
575
+ {
576
+ "epoch": 4.642049736247174,
577
+ "grad_norm": 0.7709343247764259,
578
+ "learning_rate": 5e-06,
579
+ "loss": 0.5747,
580
+ "step": 770
581
+ },
582
+ {
583
+ "epoch": 4.702336096458176,
584
+ "grad_norm": 0.8008305213299817,
585
+ "learning_rate": 5e-06,
586
+ "loss": 0.5789,
587
+ "step": 780
588
+ },
589
+ {
590
+ "epoch": 4.762622456669178,
591
+ "grad_norm": 0.770151242560135,
592
+ "learning_rate": 5e-06,
593
+ "loss": 0.5808,
594
+ "step": 790
595
+ },
596
+ {
597
+ "epoch": 4.822908816880181,
598
+ "grad_norm": 0.8007315199653617,
599
+ "learning_rate": 5e-06,
600
+ "loss": 0.5766,
601
+ "step": 800
602
+ },
603
+ {
604
+ "epoch": 4.883195177091183,
605
+ "grad_norm": 0.8153924743627864,
606
+ "learning_rate": 5e-06,
607
+ "loss": 0.5794,
608
+ "step": 810
609
+ },
610
+ {
611
+ "epoch": 4.943481537302185,
612
+ "grad_norm": 0.7155989123366884,
613
+ "learning_rate": 5e-06,
614
+ "loss": 0.5777,
615
+ "step": 820
616
+ },
617
+ {
618
+ "epoch": 4.997739261492088,
619
+ "eval_loss": 0.7784610390663147,
620
+ "eval_runtime": 113.9486,
621
+ "eval_samples_per_second": 39.219,
622
+ "eval_steps_per_second": 0.614,
623
+ "step": 829
624
+ },
625
+ {
626
+ "epoch": 5.003767897513188,
627
+ "grad_norm": 1.5968784870292558,
628
+ "learning_rate": 5e-06,
629
+ "loss": 0.5864,
630
+ "step": 830
631
+ },
632
+ {
633
+ "epoch": 5.06405425772419,
634
+ "grad_norm": 1.3160101230444552,
635
+ "learning_rate": 5e-06,
636
+ "loss": 0.5136,
637
+ "step": 840
638
+ },
639
+ {
640
+ "epoch": 5.124340617935192,
641
+ "grad_norm": 0.9218240884563489,
642
+ "learning_rate": 5e-06,
643
+ "loss": 0.514,
644
+ "step": 850
645
+ },
646
+ {
647
+ "epoch": 5.184626978146194,
648
+ "grad_norm": 0.943292128668918,
649
+ "learning_rate": 5e-06,
650
+ "loss": 0.5129,
651
+ "step": 860
652
+ },
653
+ {
654
+ "epoch": 5.244913338357197,
655
+ "grad_norm": 0.9210116431359558,
656
+ "learning_rate": 5e-06,
657
+ "loss": 0.5147,
658
+ "step": 870
659
+ },
660
+ {
661
+ "epoch": 5.305199698568199,
662
+ "grad_norm": 0.9123827846726384,
663
+ "learning_rate": 5e-06,
664
+ "loss": 0.5152,
665
+ "step": 880
666
+ },
667
+ {
668
+ "epoch": 5.365486058779201,
669
+ "grad_norm": 0.8967759483580899,
670
+ "learning_rate": 5e-06,
671
+ "loss": 0.5246,
672
+ "step": 890
673
+ },
674
+ {
675
+ "epoch": 5.425772418990204,
676
+ "grad_norm": 1.0833892045281441,
677
+ "learning_rate": 5e-06,
678
+ "loss": 0.5173,
679
+ "step": 900
680
+ },
681
+ {
682
+ "epoch": 5.486058779201206,
683
+ "grad_norm": 0.8452587501323132,
684
+ "learning_rate": 5e-06,
685
+ "loss": 0.5205,
686
+ "step": 910
687
+ },
688
+ {
689
+ "epoch": 5.546345139412208,
690
+ "grad_norm": 0.9036749110113976,
691
+ "learning_rate": 5e-06,
692
+ "loss": 0.5213,
693
+ "step": 920
694
+ },
695
+ {
696
+ "epoch": 5.6066314996232105,
697
+ "grad_norm": 0.8270647016134544,
698
+ "learning_rate": 5e-06,
699
+ "loss": 0.5214,
700
+ "step": 930
701
+ },
702
+ {
703
+ "epoch": 5.6669178598342125,
704
+ "grad_norm": 0.760029827349666,
705
+ "learning_rate": 5e-06,
706
+ "loss": 0.5233,
707
+ "step": 940
708
+ },
709
+ {
710
+ "epoch": 5.7272042200452145,
711
+ "grad_norm": 1.1680570931837515,
712
+ "learning_rate": 5e-06,
713
+ "loss": 0.5284,
714
+ "step": 950
715
+ },
716
+ {
717
+ "epoch": 5.787490580256217,
718
+ "grad_norm": 1.0453134822125045,
719
+ "learning_rate": 5e-06,
720
+ "loss": 0.5273,
721
+ "step": 960
722
+ },
723
+ {
724
+ "epoch": 5.847776940467219,
725
+ "grad_norm": 0.8063546838482688,
726
+ "learning_rate": 5e-06,
727
+ "loss": 0.5265,
728
+ "step": 970
729
+ },
730
+ {
731
+ "epoch": 5.908063300678221,
732
+ "grad_norm": 0.8921967199529918,
733
+ "learning_rate": 5e-06,
734
+ "loss": 0.5316,
735
+ "step": 980
736
+ },
737
+ {
738
+ "epoch": 5.968349660889224,
739
+ "grad_norm": 0.8942899369042694,
740
+ "learning_rate": 5e-06,
741
+ "loss": 0.5287,
742
+ "step": 990
743
+ },
744
+ {
745
+ "epoch": 5.998492840994725,
746
+ "eval_loss": 0.815434992313385,
747
+ "eval_runtime": 116.1895,
748
+ "eval_samples_per_second": 38.463,
749
+ "eval_steps_per_second": 0.602,
750
+ "step": 995
751
+ },
752
+ {
753
+ "epoch": 6.028636021100226,
754
+ "grad_norm": 1.6908391333792119,
755
+ "learning_rate": 5e-06,
756
+ "loss": 0.5023,
757
+ "step": 1000
758
+ },
759
+ {
760
+ "epoch": 6.088922381311228,
761
+ "grad_norm": 1.2916624414612379,
762
+ "learning_rate": 5e-06,
763
+ "loss": 0.4578,
764
+ "step": 1010
765
+ },
766
+ {
767
+ "epoch": 6.149208741522231,
768
+ "grad_norm": 1.1040568786409888,
769
+ "learning_rate": 5e-06,
770
+ "loss": 0.454,
771
+ "step": 1020
772
+ },
773
+ {
774
+ "epoch": 6.209495101733233,
775
+ "grad_norm": 1.0463754179790778,
776
+ "learning_rate": 5e-06,
777
+ "loss": 0.4592,
778
+ "step": 1030
779
+ },
780
+ {
781
+ "epoch": 6.269781461944235,
782
+ "grad_norm": 1.0493678707628407,
783
+ "learning_rate": 5e-06,
784
+ "loss": 0.4582,
785
+ "step": 1040
786
+ },
787
+ {
788
+ "epoch": 6.330067822155238,
789
+ "grad_norm": 1.105648007217362,
790
+ "learning_rate": 5e-06,
791
+ "loss": 0.4593,
792
+ "step": 1050
793
+ },
794
+ {
795
+ "epoch": 6.39035418236624,
796
+ "grad_norm": 1.0291790248523935,
797
+ "learning_rate": 5e-06,
798
+ "loss": 0.4629,
799
+ "step": 1060
800
+ },
801
+ {
802
+ "epoch": 6.450640542577242,
803
+ "grad_norm": 1.2514460402035084,
804
+ "learning_rate": 5e-06,
805
+ "loss": 0.4634,
806
+ "step": 1070
807
+ },
808
+ {
809
+ "epoch": 6.510926902788244,
810
+ "grad_norm": 0.8518373738036685,
811
+ "learning_rate": 5e-06,
812
+ "loss": 0.4654,
813
+ "step": 1080
814
+ },
815
+ {
816
+ "epoch": 6.571213262999247,
817
+ "grad_norm": 1.071998502866085,
818
+ "learning_rate": 5e-06,
819
+ "loss": 0.4663,
820
+ "step": 1090
821
+ },
822
+ {
823
+ "epoch": 6.6314996232102486,
824
+ "grad_norm": 0.9000534182028347,
825
+ "learning_rate": 5e-06,
826
+ "loss": 0.4658,
827
+ "step": 1100
828
+ },
829
+ {
830
+ "epoch": 6.691785983421251,
831
+ "grad_norm": 0.8995635602376101,
832
+ "learning_rate": 5e-06,
833
+ "loss": 0.469,
834
+ "step": 1110
835
+ },
836
+ {
837
+ "epoch": 6.752072343632253,
838
+ "grad_norm": 0.9011803423576781,
839
+ "learning_rate": 5e-06,
840
+ "loss": 0.4715,
841
+ "step": 1120
842
+ },
843
+ {
844
+ "epoch": 6.812358703843255,
845
+ "grad_norm": 0.9140285189147836,
846
+ "learning_rate": 5e-06,
847
+ "loss": 0.4763,
848
+ "step": 1130
849
+ },
850
+ {
851
+ "epoch": 6.872645064054257,
852
+ "grad_norm": 1.0476263187239303,
853
+ "learning_rate": 5e-06,
854
+ "loss": 0.4781,
855
+ "step": 1140
856
+ },
857
+ {
858
+ "epoch": 6.93293142426526,
859
+ "grad_norm": 1.1369535585860062,
860
+ "learning_rate": 5e-06,
861
+ "loss": 0.4702,
862
+ "step": 1150
863
+ },
864
+ {
865
+ "epoch": 6.993217784476262,
866
+ "grad_norm": 1.2720345806831712,
867
+ "learning_rate": 5e-06,
868
+ "loss": 0.473,
869
+ "step": 1160
870
+ },
871
+ {
872
+ "epoch": 6.999246420497363,
873
+ "eval_loss": 0.8709951639175415,
874
+ "eval_runtime": 116.2672,
875
+ "eval_samples_per_second": 38.437,
876
+ "eval_steps_per_second": 0.602,
877
+ "step": 1161
878
+ },
879
+ {
880
+ "epoch": 7.053504144687264,
881
+ "grad_norm": 1.6175687599813067,
882
+ "learning_rate": 5e-06,
883
+ "loss": 0.4154,
884
+ "step": 1170
885
+ },
886
+ {
887
+ "epoch": 7.113790504898267,
888
+ "grad_norm": 1.2621822187556238,
889
+ "learning_rate": 5e-06,
890
+ "loss": 0.3985,
891
+ "step": 1180
892
+ },
893
+ {
894
+ "epoch": 7.174076865109269,
895
+ "grad_norm": 1.3109771889362003,
896
+ "learning_rate": 5e-06,
897
+ "loss": 0.3937,
898
+ "step": 1190
899
+ },
900
+ {
901
+ "epoch": 7.234363225320271,
902
+ "grad_norm": 1.1476426236895934,
903
+ "learning_rate": 5e-06,
904
+ "loss": 0.3986,
905
+ "step": 1200
906
+ },
907
+ {
908
+ "epoch": 7.294649585531274,
909
+ "grad_norm": 1.1513686323462657,
910
+ "learning_rate": 5e-06,
911
+ "loss": 0.4003,
912
+ "step": 1210
913
+ },
914
+ {
915
+ "epoch": 7.354935945742276,
916
+ "grad_norm": 1.2318284334824612,
917
+ "learning_rate": 5e-06,
918
+ "loss": 0.402,
919
+ "step": 1220
920
+ },
921
+ {
922
+ "epoch": 7.415222305953278,
923
+ "grad_norm": 1.3293034219686575,
924
+ "learning_rate": 5e-06,
925
+ "loss": 0.4041,
926
+ "step": 1230
927
+ },
928
+ {
929
+ "epoch": 7.475508666164281,
930
+ "grad_norm": 1.3126587055332364,
931
+ "learning_rate": 5e-06,
932
+ "loss": 0.4028,
933
+ "step": 1240
934
+ },
935
+ {
936
+ "epoch": 7.535795026375283,
937
+ "grad_norm": 1.4541660160673635,
938
+ "learning_rate": 5e-06,
939
+ "loss": 0.4046,
940
+ "step": 1250
941
+ },
942
+ {
943
+ "epoch": 7.596081386586285,
944
+ "grad_norm": 1.1677113248358406,
945
+ "learning_rate": 5e-06,
946
+ "loss": 0.4064,
947
+ "step": 1260
948
+ },
949
+ {
950
+ "epoch": 7.6563677467972875,
951
+ "grad_norm": 1.2339252526811149,
952
+ "learning_rate": 5e-06,
953
+ "loss": 0.4057,
954
+ "step": 1270
955
+ },
956
+ {
957
+ "epoch": 7.7166541070082895,
958
+ "grad_norm": 0.9795667261721808,
959
+ "learning_rate": 5e-06,
960
+ "loss": 0.4105,
961
+ "step": 1280
962
+ },
963
+ {
964
+ "epoch": 7.776940467219291,
965
+ "grad_norm": 1.3122595751880688,
966
+ "learning_rate": 5e-06,
967
+ "loss": 0.4115,
968
+ "step": 1290
969
+ },
970
+ {
971
+ "epoch": 7.837226827430294,
972
+ "grad_norm": 1.3363743108253807,
973
+ "learning_rate": 5e-06,
974
+ "loss": 0.4094,
975
+ "step": 1300
976
+ },
977
+ {
978
+ "epoch": 7.897513187641296,
979
+ "grad_norm": 1.2278606177387434,
980
+ "learning_rate": 5e-06,
981
+ "loss": 0.411,
982
+ "step": 1310
983
+ },
984
+ {
985
+ "epoch": 7.957799547852298,
986
+ "grad_norm": 1.099485555308857,
987
+ "learning_rate": 5e-06,
988
+ "loss": 0.4134,
989
+ "step": 1320
990
+ },
991
+ {
992
+ "epoch": 8.0,
993
+ "eval_loss": 0.9475046396255493,
994
+ "eval_runtime": 118.217,
995
+ "eval_samples_per_second": 37.803,
996
+ "eval_steps_per_second": 0.592,
997
+ "step": 1327
998
+ },
999
+ {
1000
+ "epoch": 8.0180859080633,
1001
+ "grad_norm": 2.747551612605114,
1002
+ "learning_rate": 5e-06,
1003
+ "loss": 0.3977,
1004
+ "step": 1330
1005
+ },
1006
+ {
1007
+ "epoch": 8.078372268274302,
1008
+ "grad_norm": 1.7260940558261295,
1009
+ "learning_rate": 5e-06,
1010
+ "loss": 0.3441,
1011
+ "step": 1340
1012
+ },
1013
+ {
1014
+ "epoch": 8.138658628485306,
1015
+ "grad_norm": 1.2842675938679606,
1016
+ "learning_rate": 5e-06,
1017
+ "loss": 0.3397,
1018
+ "step": 1350
1019
+ },
1020
+ {
1021
+ "epoch": 8.198944988696308,
1022
+ "grad_norm": 1.1398592198842168,
1023
+ "learning_rate": 5e-06,
1024
+ "loss": 0.3442,
1025
+ "step": 1360
1026
+ },
1027
+ {
1028
+ "epoch": 8.25923134890731,
1029
+ "grad_norm": 1.153557070127385,
1030
+ "learning_rate": 5e-06,
1031
+ "loss": 0.3454,
1032
+ "step": 1370
1033
+ },
1034
+ {
1035
+ "epoch": 8.319517709118312,
1036
+ "grad_norm": 1.3384373413827295,
1037
+ "learning_rate": 5e-06,
1038
+ "loss": 0.3438,
1039
+ "step": 1380
1040
+ },
1041
+ {
1042
+ "epoch": 8.379804069329314,
1043
+ "grad_norm": 1.3554470516864743,
1044
+ "learning_rate": 5e-06,
1045
+ "loss": 0.3493,
1046
+ "step": 1390
1047
+ },
1048
+ {
1049
+ "epoch": 8.440090429540316,
1050
+ "grad_norm": 1.325212009488347,
1051
+ "learning_rate": 5e-06,
1052
+ "loss": 0.3528,
1053
+ "step": 1400
1054
+ },
1055
+ {
1056
+ "epoch": 8.500376789751318,
1057
+ "grad_norm": 1.74556781346271,
1058
+ "learning_rate": 5e-06,
1059
+ "loss": 0.3548,
1060
+ "step": 1410
1061
+ },
1062
+ {
1063
+ "epoch": 8.560663149962322,
1064
+ "grad_norm": 1.3741632805919384,
1065
+ "learning_rate": 5e-06,
1066
+ "loss": 0.3518,
1067
+ "step": 1420
1068
+ },
1069
+ {
1070
+ "epoch": 8.620949510173324,
1071
+ "grad_norm": 1.3019952245252948,
1072
+ "learning_rate": 5e-06,
1073
+ "loss": 0.3521,
1074
+ "step": 1430
1075
+ },
1076
+ {
1077
+ "epoch": 8.681235870384326,
1078
+ "grad_norm": 1.100365748448614,
1079
+ "learning_rate": 5e-06,
1080
+ "loss": 0.3573,
1081
+ "step": 1440
1082
+ },
1083
+ {
1084
+ "epoch": 8.741522230595328,
1085
+ "grad_norm": 1.3911327396968252,
1086
+ "learning_rate": 5e-06,
1087
+ "loss": 0.3574,
1088
+ "step": 1450
1089
+ },
1090
+ {
1091
+ "epoch": 8.80180859080633,
1092
+ "grad_norm": 1.3853784407579808,
1093
+ "learning_rate": 5e-06,
1094
+ "loss": 0.3606,
1095
+ "step": 1460
1096
+ },
1097
+ {
1098
+ "epoch": 8.862094951017333,
1099
+ "grad_norm": 1.278532404930149,
1100
+ "learning_rate": 5e-06,
1101
+ "loss": 0.3567,
1102
+ "step": 1470
1103
+ },
1104
+ {
1105
+ "epoch": 8.922381311228335,
1106
+ "grad_norm": 1.207780040603517,
1107
+ "learning_rate": 5e-06,
1108
+ "loss": 0.3565,
1109
+ "step": 1480
1110
+ },
1111
+ {
1112
+ "epoch": 8.982667671439337,
1113
+ "grad_norm": 1.262306381996002,
1114
+ "learning_rate": 5e-06,
1115
+ "loss": 0.3615,
1116
+ "step": 1490
1117
+ },
1118
+ {
1119
+ "epoch": 8.994724943481538,
1120
+ "eval_loss": 1.0203213691711426,
1121
+ "eval_runtime": 114.5597,
1122
+ "eval_samples_per_second": 39.01,
1123
+ "eval_steps_per_second": 0.611,
1124
+ "step": 1492
1125
+ },
1126
+ {
1127
+ "epoch": 9.04295403165034,
1128
+ "grad_norm": 1.9088952161459727,
1129
+ "learning_rate": 5e-06,
1130
+ "loss": 0.3188,
1131
+ "step": 1500
1132
+ },
1133
+ {
1134
+ "epoch": 9.103240391861341,
1135
+ "grad_norm": 1.5762821812746035,
1136
+ "learning_rate": 5e-06,
1137
+ "loss": 0.2921,
1138
+ "step": 1510
1139
+ },
1140
+ {
1141
+ "epoch": 9.163526752072343,
1142
+ "grad_norm": 1.892762439817433,
1143
+ "learning_rate": 5e-06,
1144
+ "loss": 0.2866,
1145
+ "step": 1520
1146
+ },
1147
+ {
1148
+ "epoch": 9.223813112283345,
1149
+ "grad_norm": 1.5993468972103952,
1150
+ "learning_rate": 5e-06,
1151
+ "loss": 0.2913,
1152
+ "step": 1530
1153
+ },
1154
+ {
1155
+ "epoch": 9.284099472494349,
1156
+ "grad_norm": 1.7180835806783503,
1157
+ "learning_rate": 5e-06,
1158
+ "loss": 0.2925,
1159
+ "step": 1540
1160
+ },
1161
+ {
1162
+ "epoch": 9.34438583270535,
1163
+ "grad_norm": 1.4283006573501846,
1164
+ "learning_rate": 5e-06,
1165
+ "loss": 0.2936,
1166
+ "step": 1550
1167
+ },
1168
+ {
1169
+ "epoch": 9.404672192916353,
1170
+ "grad_norm": 1.472590439034633,
1171
+ "learning_rate": 5e-06,
1172
+ "loss": 0.2957,
1173
+ "step": 1560
1174
+ },
1175
+ {
1176
+ "epoch": 9.464958553127355,
1177
+ "grad_norm": 1.6627373496351208,
1178
+ "learning_rate": 5e-06,
1179
+ "loss": 0.2968,
1180
+ "step": 1570
1181
+ },
1182
+ {
1183
+ "epoch": 9.525244913338357,
1184
+ "grad_norm": 1.6479857681742245,
1185
+ "learning_rate": 5e-06,
1186
+ "loss": 0.2968,
1187
+ "step": 1580
1188
+ },
1189
+ {
1190
+ "epoch": 9.585531273549359,
1191
+ "grad_norm": 1.451039229532527,
1192
+ "learning_rate": 5e-06,
1193
+ "loss": 0.2969,
1194
+ "step": 1590
1195
+ },
1196
+ {
1197
+ "epoch": 9.645817633760362,
1198
+ "grad_norm": 1.338137019241527,
1199
+ "learning_rate": 5e-06,
1200
+ "loss": 0.2999,
1201
+ "step": 1600
1202
+ },
1203
+ {
1204
+ "epoch": 9.706103993971364,
1205
+ "grad_norm": 1.4364529449975805,
1206
+ "learning_rate": 5e-06,
1207
+ "loss": 0.301,
1208
+ "step": 1610
1209
+ },
1210
+ {
1211
+ "epoch": 9.766390354182366,
1212
+ "grad_norm": 1.6181472883899526,
1213
+ "learning_rate": 5e-06,
1214
+ "loss": 0.3021,
1215
+ "step": 1620
1216
+ },
1217
+ {
1218
+ "epoch": 9.826676714393368,
1219
+ "grad_norm": 1.2929981294290136,
1220
+ "learning_rate": 5e-06,
1221
+ "loss": 0.3047,
1222
+ "step": 1630
1223
+ },
1224
+ {
1225
+ "epoch": 9.88696307460437,
1226
+ "grad_norm": 1.5569082204346147,
1227
+ "learning_rate": 5e-06,
1228
+ "loss": 0.3039,
1229
+ "step": 1640
1230
+ },
1231
+ {
1232
+ "epoch": 9.947249434815372,
1233
+ "grad_norm": 1.2611067636631264,
1234
+ "learning_rate": 5e-06,
1235
+ "loss": 0.3057,
1236
+ "step": 1650
1237
+ },
1238
+ {
1239
+ "epoch": 9.995478522984175,
1240
+ "eval_loss": 1.1177444458007812,
1241
+ "eval_runtime": 116.3468,
1242
+ "eval_samples_per_second": 38.411,
1243
+ "eval_steps_per_second": 0.602,
1244
+ "step": 1658
1245
+ },
1246
+ {
1247
+ "epoch": 10.007535795026376,
1248
+ "grad_norm": 1.793363117063337,
1249
+ "learning_rate": 5e-06,
1250
+ "loss": 0.3015,
1251
+ "step": 1660
1252
+ },
1253
+ {
1254
+ "epoch": 10.067822155237378,
1255
+ "grad_norm": 1.9015543562249504,
1256
+ "learning_rate": 5e-06,
1257
+ "loss": 0.2446,
1258
+ "step": 1670
1259
+ },
1260
+ {
1261
+ "epoch": 10.12810851544838,
1262
+ "grad_norm": 1.6166742540525376,
1263
+ "learning_rate": 5e-06,
1264
+ "loss": 0.2417,
1265
+ "step": 1680
1266
+ },
1267
+ {
1268
+ "epoch": 10.188394875659382,
1269
+ "grad_norm": 1.5826959730874415,
1270
+ "learning_rate": 5e-06,
1271
+ "loss": 0.2407,
1272
+ "step": 1690
1273
+ },
1274
+ {
1275
+ "epoch": 10.248681235870384,
1276
+ "grad_norm": 1.313614154478162,
1277
+ "learning_rate": 5e-06,
1278
+ "loss": 0.2421,
1279
+ "step": 1700
1280
+ },
1281
+ {
1282
+ "epoch": 10.308967596081386,
1283
+ "grad_norm": 1.8551338463863283,
1284
+ "learning_rate": 5e-06,
1285
+ "loss": 0.2432,
1286
+ "step": 1710
1287
+ },
1288
+ {
1289
+ "epoch": 10.369253956292388,
1290
+ "grad_norm": 1.3937043583045259,
1291
+ "learning_rate": 5e-06,
1292
+ "loss": 0.2426,
1293
+ "step": 1720
1294
+ },
1295
+ {
1296
+ "epoch": 10.429540316503392,
1297
+ "grad_norm": 1.4908947612613312,
1298
+ "learning_rate": 5e-06,
1299
+ "loss": 0.2458,
1300
+ "step": 1730
1301
+ },
1302
+ {
1303
+ "epoch": 10.489826676714394,
1304
+ "grad_norm": 1.3513472181146375,
1305
+ "learning_rate": 5e-06,
1306
+ "loss": 0.2468,
1307
+ "step": 1740
1308
+ },
1309
+ {
1310
+ "epoch": 10.550113036925396,
1311
+ "grad_norm": 1.2442859437459592,
1312
+ "learning_rate": 5e-06,
1313
+ "loss": 0.2472,
1314
+ "step": 1750
1315
+ },
1316
+ {
1317
+ "epoch": 10.610399397136398,
1318
+ "grad_norm": 1.61049205004398,
1319
+ "learning_rate": 5e-06,
1320
+ "loss": 0.2497,
1321
+ "step": 1760
1322
+ },
1323
+ {
1324
+ "epoch": 10.6706857573474,
1325
+ "grad_norm": 1.4687600663257643,
1326
+ "learning_rate": 5e-06,
1327
+ "loss": 0.2513,
1328
+ "step": 1770
1329
+ },
1330
+ {
1331
+ "epoch": 10.730972117558402,
1332
+ "grad_norm": 1.3544154919254643,
1333
+ "learning_rate": 5e-06,
1334
+ "loss": 0.2534,
1335
+ "step": 1780
1336
+ },
1337
+ {
1338
+ "epoch": 10.791258477769405,
1339
+ "grad_norm": 1.4310611416705883,
1340
+ "learning_rate": 5e-06,
1341
+ "loss": 0.2534,
1342
+ "step": 1790
1343
+ },
1344
+ {
1345
+ "epoch": 10.851544837980407,
1346
+ "grad_norm": 1.5722579222869695,
1347
+ "learning_rate": 5e-06,
1348
+ "loss": 0.2543,
1349
+ "step": 1800
1350
+ },
1351
+ {
1352
+ "epoch": 10.91183119819141,
1353
+ "grad_norm": 1.520704900113862,
1354
+ "learning_rate": 5e-06,
1355
+ "loss": 0.254,
1356
+ "step": 1810
1357
+ },
1358
+ {
1359
+ "epoch": 10.972117558402411,
1360
+ "grad_norm": 1.4393868378454422,
1361
+ "learning_rate": 5e-06,
1362
+ "loss": 0.2565,
1363
+ "step": 1820
1364
+ },
1365
+ {
1366
+ "epoch": 10.996232102486813,
1367
+ "eval_loss": 1.236780047416687,
1368
+ "eval_runtime": 115.9111,
1369
+ "eval_samples_per_second": 38.555,
1370
+ "eval_steps_per_second": 0.604,
1371
+ "step": 1824
1372
+ },
1373
+ {
1374
+ "epoch": 11.032403918613413,
1375
+ "grad_norm": 2.415959560977028,
1376
+ "learning_rate": 5e-06,
1377
+ "loss": 0.2285,
1378
+ "step": 1830
1379
+ },
1380
+ {
1381
+ "epoch": 11.092690278824415,
1382
+ "grad_norm": 1.5442333094800837,
1383
+ "learning_rate": 5e-06,
1384
+ "loss": 0.1975,
1385
+ "step": 1840
1386
+ },
1387
+ {
1388
+ "epoch": 11.152976639035419,
1389
+ "grad_norm": 2.1161682250412257,
1390
+ "learning_rate": 5e-06,
1391
+ "loss": 0.1968,
1392
+ "step": 1850
1393
+ },
1394
+ {
1395
+ "epoch": 11.213262999246421,
1396
+ "grad_norm": 1.6062184104077026,
1397
+ "learning_rate": 5e-06,
1398
+ "loss": 0.1967,
1399
+ "step": 1860
1400
+ },
1401
+ {
1402
+ "epoch": 11.273549359457423,
1403
+ "grad_norm": 1.6876217090206025,
1404
+ "learning_rate": 5e-06,
1405
+ "loss": 0.1937,
1406
+ "step": 1870
1407
+ },
1408
+ {
1409
+ "epoch": 11.333835719668425,
1410
+ "grad_norm": 1.756341727895367,
1411
+ "learning_rate": 5e-06,
1412
+ "loss": 0.1966,
1413
+ "step": 1880
1414
+ },
1415
+ {
1416
+ "epoch": 11.394122079879427,
1417
+ "grad_norm": 1.5508699967732422,
1418
+ "learning_rate": 5e-06,
1419
+ "loss": 0.1997,
1420
+ "step": 1890
1421
+ },
1422
+ {
1423
+ "epoch": 11.454408440090429,
1424
+ "grad_norm": 1.5669766694757912,
1425
+ "learning_rate": 5e-06,
1426
+ "loss": 0.2023,
1427
+ "step": 1900
1428
+ },
1429
+ {
1430
+ "epoch": 11.51469480030143,
1431
+ "grad_norm": 1.4502558429874435,
1432
+ "learning_rate": 5e-06,
1433
+ "loss": 0.202,
1434
+ "step": 1910
1435
+ },
1436
+ {
1437
+ "epoch": 11.574981160512435,
1438
+ "grad_norm": 1.432868245038754,
1439
+ "learning_rate": 5e-06,
1440
+ "loss": 0.2027,
1441
+ "step": 1920
1442
+ },
1443
+ {
1444
+ "epoch": 11.635267520723437,
1445
+ "grad_norm": 1.944951997696116,
1446
+ "learning_rate": 5e-06,
1447
+ "loss": 0.2051,
1448
+ "step": 1930
1449
+ },
1450
+ {
1451
+ "epoch": 11.695553880934439,
1452
+ "grad_norm": 1.5628919140219797,
1453
+ "learning_rate": 5e-06,
1454
+ "loss": 0.2047,
1455
+ "step": 1940
1456
+ },
1457
+ {
1458
+ "epoch": 11.75584024114544,
1459
+ "grad_norm": 1.8554418586433572,
1460
+ "learning_rate": 5e-06,
1461
+ "loss": 0.2036,
1462
+ "step": 1950
1463
+ },
1464
+ {
1465
+ "epoch": 11.816126601356443,
1466
+ "grad_norm": 1.5083234117594833,
1467
+ "learning_rate": 5e-06,
1468
+ "loss": 0.2057,
1469
+ "step": 1960
1470
+ },
1471
+ {
1472
+ "epoch": 11.876412961567446,
1473
+ "grad_norm": 1.6850324704140989,
1474
+ "learning_rate": 5e-06,
1475
+ "loss": 0.2084,
1476
+ "step": 1970
1477
+ },
1478
+ {
1479
+ "epoch": 11.936699321778448,
1480
+ "grad_norm": 1.518863675506513,
1481
+ "learning_rate": 5e-06,
1482
+ "loss": 0.2081,
1483
+ "step": 1980
1484
+ },
1485
+ {
1486
+ "epoch": 11.99698568198945,
1487
+ "grad_norm": 2.025449919349873,
1488
+ "learning_rate": 5e-06,
1489
+ "loss": 0.2099,
1490
+ "step": 1990
1491
+ },
1492
+ {
1493
+ "epoch": 11.99698568198945,
1494
+ "eval_loss": 1.3552354574203491,
1495
+ "eval_runtime": 116.1042,
1496
+ "eval_samples_per_second": 38.491,
1497
+ "eval_steps_per_second": 0.603,
1498
+ "step": 1990
1499
+ },
1500
+ {
1501
+ "epoch": 12.057272042200452,
1502
+ "grad_norm": 1.9707275891443514,
1503
+ "learning_rate": 5e-06,
1504
+ "loss": 0.161,
1505
+ "step": 2000
1506
+ },
1507
+ {
1508
+ "epoch": 12.117558402411454,
1509
+ "grad_norm": 1.60811233115537,
1510
+ "learning_rate": 5e-06,
1511
+ "loss": 0.1527,
1512
+ "step": 2010
1513
+ },
1514
+ {
1515
+ "epoch": 12.177844762622456,
1516
+ "grad_norm": 1.6751301942391925,
1517
+ "learning_rate": 5e-06,
1518
+ "loss": 0.1541,
1519
+ "step": 2020
1520
+ },
1521
+ {
1522
+ "epoch": 12.238131122833458,
1523
+ "grad_norm": 1.4492067853763235,
1524
+ "learning_rate": 5e-06,
1525
+ "loss": 0.1559,
1526
+ "step": 2030
1527
+ },
1528
+ {
1529
+ "epoch": 12.298417483044462,
1530
+ "grad_norm": 1.9142452633048677,
1531
+ "learning_rate": 5e-06,
1532
+ "loss": 0.1576,
1533
+ "step": 2040
1534
+ },
1535
+ {
1536
+ "epoch": 12.358703843255464,
1537
+ "grad_norm": 1.4385285667791092,
1538
+ "learning_rate": 5e-06,
1539
+ "loss": 0.1589,
1540
+ "step": 2050
1541
+ },
1542
+ {
1543
+ "epoch": 12.418990203466466,
1544
+ "grad_norm": 1.4928747098321213,
1545
+ "learning_rate": 5e-06,
1546
+ "loss": 0.1608,
1547
+ "step": 2060
1548
+ },
1549
+ {
1550
+ "epoch": 12.479276563677468,
1551
+ "grad_norm": 1.5019521655912937,
1552
+ "learning_rate": 5e-06,
1553
+ "loss": 0.1605,
1554
+ "step": 2070
1555
+ },
1556
+ {
1557
+ "epoch": 12.53956292388847,
1558
+ "grad_norm": 1.874845955363987,
1559
+ "learning_rate": 5e-06,
1560
+ "loss": 0.1612,
1561
+ "step": 2080
1562
+ },
1563
+ {
1564
+ "epoch": 12.599849284099472,
1565
+ "grad_norm": 1.885802643703012,
1566
+ "learning_rate": 5e-06,
1567
+ "loss": 0.1614,
1568
+ "step": 2090
1569
+ },
1570
+ {
1571
+ "epoch": 12.660135644310476,
1572
+ "grad_norm": 1.515486697883317,
1573
+ "learning_rate": 5e-06,
1574
+ "loss": 0.1622,
1575
+ "step": 2100
1576
+ },
1577
+ {
1578
+ "epoch": 12.720422004521478,
1579
+ "grad_norm": 1.7537896738178245,
1580
+ "learning_rate": 5e-06,
1581
+ "loss": 0.1644,
1582
+ "step": 2110
1583
+ },
1584
+ {
1585
+ "epoch": 12.78070836473248,
1586
+ "grad_norm": 1.6471681441773147,
1587
+ "learning_rate": 5e-06,
1588
+ "loss": 0.1647,
1589
+ "step": 2120
1590
+ },
1591
+ {
1592
+ "epoch": 12.840994724943481,
1593
+ "grad_norm": 1.590934554816475,
1594
+ "learning_rate": 5e-06,
1595
+ "loss": 0.1648,
1596
+ "step": 2130
1597
+ },
1598
+ {
1599
+ "epoch": 12.901281085154483,
1600
+ "grad_norm": 1.7730249951617123,
1601
+ "learning_rate": 5e-06,
1602
+ "loss": 0.1656,
1603
+ "step": 2140
1604
+ },
1605
+ {
1606
+ "epoch": 12.961567445365485,
1607
+ "grad_norm": 1.6645957171669876,
1608
+ "learning_rate": 5e-06,
1609
+ "loss": 0.1676,
1610
+ "step": 2150
1611
+ },
1612
+ {
1613
+ "epoch": 12.997739261492088,
1614
+ "eval_loss": 1.5070669651031494,
1615
+ "eval_runtime": 116.1666,
1616
+ "eval_samples_per_second": 38.471,
1617
+ "eval_steps_per_second": 0.603,
1618
+ "step": 2156
1619
+ },
1620
+ {
1621
+ "epoch": 13.02185380557649,
1622
+ "grad_norm": 2.462408072338029,
1623
+ "learning_rate": 5e-06,
1624
+ "loss": 0.1517,
1625
+ "step": 2160
1626
+ },
1627
+ {
1628
+ "epoch": 13.082140165787491,
1629
+ "grad_norm": 2.4318360950844804,
1630
+ "learning_rate": 5e-06,
1631
+ "loss": 0.1195,
1632
+ "step": 2170
1633
+ },
1634
+ {
1635
+ "epoch": 13.142426525998493,
1636
+ "grad_norm": 1.7426593578459117,
1637
+ "learning_rate": 5e-06,
1638
+ "loss": 0.1201,
1639
+ "step": 2180
1640
+ },
1641
+ {
1642
+ "epoch": 13.202712886209495,
1643
+ "grad_norm": 2.2383839547509696,
1644
+ "learning_rate": 5e-06,
1645
+ "loss": 0.1191,
1646
+ "step": 2190
1647
+ },
1648
+ {
1649
+ "epoch": 13.262999246420497,
1650
+ "grad_norm": 1.5553317913023317,
1651
+ "learning_rate": 5e-06,
1652
+ "loss": 0.118,
1653
+ "step": 2200
1654
+ },
1655
+ {
1656
+ "epoch": 13.323285606631499,
1657
+ "grad_norm": 1.4669913420252614,
1658
+ "learning_rate": 5e-06,
1659
+ "loss": 0.119,
1660
+ "step": 2210
1661
+ },
1662
+ {
1663
+ "epoch": 13.383571966842501,
1664
+ "grad_norm": 1.8080283494554128,
1665
+ "learning_rate": 5e-06,
1666
+ "loss": 0.1196,
1667
+ "step": 2220
1668
+ },
1669
+ {
1670
+ "epoch": 13.443858327053505,
1671
+ "grad_norm": 1.646647327329277,
1672
+ "learning_rate": 5e-06,
1673
+ "loss": 0.1233,
1674
+ "step": 2230
1675
+ },
1676
+ {
1677
+ "epoch": 13.504144687264507,
1678
+ "grad_norm": 1.8533611593149397,
1679
+ "learning_rate": 5e-06,
1680
+ "loss": 0.1241,
1681
+ "step": 2240
1682
+ },
1683
+ {
1684
+ "epoch": 13.564431047475509,
1685
+ "grad_norm": 1.6777607818909321,
1686
+ "learning_rate": 5e-06,
1687
+ "loss": 0.126,
1688
+ "step": 2250
1689
+ },
1690
+ {
1691
+ "epoch": 13.62471740768651,
1692
+ "grad_norm": 1.7745416454251923,
1693
+ "learning_rate": 5e-06,
1694
+ "loss": 0.1266,
1695
+ "step": 2260
1696
+ },
1697
+ {
1698
+ "epoch": 13.685003767897513,
1699
+ "grad_norm": 1.7096006593564836,
1700
+ "learning_rate": 5e-06,
1701
+ "loss": 0.1282,
1702
+ "step": 2270
1703
+ },
1704
+ {
1705
+ "epoch": 13.745290128108515,
1706
+ "grad_norm": 1.8638678064551115,
1707
+ "learning_rate": 5e-06,
1708
+ "loss": 0.1267,
1709
+ "step": 2280
1710
+ },
1711
+ {
1712
+ "epoch": 13.805576488319518,
1713
+ "grad_norm": 1.4262510400727582,
1714
+ "learning_rate": 5e-06,
1715
+ "loss": 0.1273,
1716
+ "step": 2290
1717
+ },
1718
+ {
1719
+ "epoch": 13.86586284853052,
1720
+ "grad_norm": 1.8828592364046501,
1721
+ "learning_rate": 5e-06,
1722
+ "loss": 0.1269,
1723
+ "step": 2300
1724
+ },
1725
+ {
1726
+ "epoch": 13.926149208741522,
1727
+ "grad_norm": 1.6583448018945106,
1728
+ "learning_rate": 5e-06,
1729
+ "loss": 0.1273,
1730
+ "step": 2310
1731
+ },
1732
+ {
1733
+ "epoch": 13.986435568952524,
1734
+ "grad_norm": 1.548491818827999,
1735
+ "learning_rate": 5e-06,
1736
+ "loss": 0.1283,
1737
+ "step": 2320
1738
+ },
1739
+ {
1740
+ "epoch": 13.998492840994725,
1741
+ "eval_loss": 1.6323552131652832,
1742
+ "eval_runtime": 115.7608,
1743
+ "eval_samples_per_second": 38.605,
1744
+ "eval_steps_per_second": 0.605,
1745
+ "step": 2322
1746
+ },
1747
+ {
1748
+ "epoch": 14.046721929163526,
1749
+ "grad_norm": 2.0937924453069203,
1750
+ "learning_rate": 5e-06,
1751
+ "loss": 0.1006,
1752
+ "step": 2330
1753
+ },
1754
+ {
1755
+ "epoch": 14.107008289374528,
1756
+ "grad_norm": 2.139024110314688,
1757
+ "learning_rate": 5e-06,
1758
+ "loss": 0.0897,
1759
+ "step": 2340
1760
+ },
1761
+ {
1762
+ "epoch": 14.167294649585532,
1763
+ "grad_norm": 1.5948191216888472,
1764
+ "learning_rate": 5e-06,
1765
+ "loss": 0.092,
1766
+ "step": 2350
1767
+ },
1768
+ {
1769
+ "epoch": 14.227581009796534,
1770
+ "grad_norm": 1.6158036371008326,
1771
+ "learning_rate": 5e-06,
1772
+ "loss": 0.0916,
1773
+ "step": 2360
1774
+ },
1775
+ {
1776
+ "epoch": 14.287867370007536,
1777
+ "grad_norm": 1.6380184320632138,
1778
+ "learning_rate": 5e-06,
1779
+ "loss": 0.0946,
1780
+ "step": 2370
1781
+ },
1782
+ {
1783
+ "epoch": 14.348153730218538,
1784
+ "grad_norm": 1.5125683894811608,
1785
+ "learning_rate": 5e-06,
1786
+ "loss": 0.0926,
1787
+ "step": 2380
1788
+ },
1789
+ {
1790
+ "epoch": 14.40844009042954,
1791
+ "grad_norm": 1.8291017955611948,
1792
+ "learning_rate": 5e-06,
1793
+ "loss": 0.0967,
1794
+ "step": 2390
1795
+ },
1796
+ {
1797
+ "epoch": 14.468726450640542,
1798
+ "grad_norm": 1.6743144432735446,
1799
+ "learning_rate": 5e-06,
1800
+ "loss": 0.097,
1801
+ "step": 2400
1802
+ },
1803
+ {
1804
+ "epoch": 14.529012810851544,
1805
+ "grad_norm": 1.7276135456842643,
1806
+ "learning_rate": 5e-06,
1807
+ "loss": 0.096,
1808
+ "step": 2410
1809
+ },
1810
+ {
1811
+ "epoch": 14.589299171062548,
1812
+ "grad_norm": 1.734533902590376,
1813
+ "learning_rate": 5e-06,
1814
+ "loss": 0.0977,
1815
+ "step": 2420
1816
+ },
1817
+ {
1818
+ "epoch": 14.64958553127355,
1819
+ "grad_norm": 1.7106037137785368,
1820
+ "learning_rate": 5e-06,
1821
+ "loss": 0.0974,
1822
+ "step": 2430
1823
+ },
1824
+ {
1825
+ "epoch": 14.709871891484552,
1826
+ "grad_norm": 1.848167736152076,
1827
+ "learning_rate": 5e-06,
1828
+ "loss": 0.098,
1829
+ "step": 2440
1830
+ },
1831
+ {
1832
+ "epoch": 14.770158251695554,
1833
+ "grad_norm": 2.0729946870310907,
1834
+ "learning_rate": 5e-06,
1835
+ "loss": 0.0988,
1836
+ "step": 2450
1837
+ },
1838
+ {
1839
+ "epoch": 14.830444611906556,
1840
+ "grad_norm": 1.6522773246662863,
1841
+ "learning_rate": 5e-06,
1842
+ "loss": 0.0996,
1843
+ "step": 2460
1844
+ },
1845
+ {
1846
+ "epoch": 14.890730972117558,
1847
+ "grad_norm": 1.8165186575808512,
1848
+ "learning_rate": 5e-06,
1849
+ "loss": 0.1018,
1850
+ "step": 2470
1851
+ },
1852
+ {
1853
+ "epoch": 14.951017332328561,
1854
+ "grad_norm": 1.8324940323277443,
1855
+ "learning_rate": 5e-06,
1856
+ "loss": 0.1022,
1857
+ "step": 2480
1858
+ },
1859
+ {
1860
+ "epoch": 14.999246420497363,
1861
+ "eval_loss": 1.7541841268539429,
1862
+ "eval_runtime": 116.4567,
1863
+ "eval_samples_per_second": 38.375,
1864
+ "eval_steps_per_second": 0.601,
1865
+ "step": 2488
1866
+ },
1867
+ {
1868
+ "epoch": 15.011303692539563,
1869
+ "grad_norm": 1.7122346572238332,
1870
+ "learning_rate": 5e-06,
1871
+ "loss": 0.0969,
1872
+ "step": 2490
1873
+ },
1874
+ {
1875
+ "epoch": 15.071590052750565,
1876
+ "grad_norm": 1.7869038836513413,
1877
+ "learning_rate": 5e-06,
1878
+ "loss": 0.07,
1879
+ "step": 2500
1880
+ },
1881
+ {
1882
+ "epoch": 15.131876412961567,
1883
+ "grad_norm": 1.5692589038411329,
1884
+ "learning_rate": 5e-06,
1885
+ "loss": 0.069,
1886
+ "step": 2510
1887
+ },
1888
+ {
1889
+ "epoch": 15.19216277317257,
1890
+ "grad_norm": 1.5568543176798626,
1891
+ "learning_rate": 5e-06,
1892
+ "loss": 0.0714,
1893
+ "step": 2520
1894
+ },
1895
+ {
1896
+ "epoch": 15.252449133383571,
1897
+ "grad_norm": 1.8979966448489778,
1898
+ "learning_rate": 5e-06,
1899
+ "loss": 0.0721,
1900
+ "step": 2530
1901
+ },
1902
+ {
1903
+ "epoch": 15.312735493594575,
1904
+ "grad_norm": 1.6079155193057422,
1905
+ "learning_rate": 5e-06,
1906
+ "loss": 0.0734,
1907
+ "step": 2540
1908
+ },
1909
+ {
1910
+ "epoch": 15.373021853805577,
1911
+ "grad_norm": 1.5682954069117738,
1912
+ "learning_rate": 5e-06,
1913
+ "loss": 0.0731,
1914
+ "step": 2550
1915
+ },
1916
+ {
1917
+ "epoch": 15.433308214016579,
1918
+ "grad_norm": 1.607771288791899,
1919
+ "learning_rate": 5e-06,
1920
+ "loss": 0.0736,
1921
+ "step": 2560
1922
+ },
1923
+ {
1924
+ "epoch": 15.493594574227581,
1925
+ "grad_norm": 1.592532966261963,
1926
+ "learning_rate": 5e-06,
1927
+ "loss": 0.0751,
1928
+ "step": 2570
1929
+ },
1930
+ {
1931
+ "epoch": 15.553880934438583,
1932
+ "grad_norm": 2.106042369619277,
1933
+ "learning_rate": 5e-06,
1934
+ "loss": 0.0765,
1935
+ "step": 2580
1936
+ },
1937
+ {
1938
+ "epoch": 15.614167294649585,
1939
+ "grad_norm": 1.9643387382353286,
1940
+ "learning_rate": 5e-06,
1941
+ "loss": 0.0764,
1942
+ "step": 2590
1943
+ },
1944
+ {
1945
+ "epoch": 15.674453654860589,
1946
+ "grad_norm": 2.356472326588705,
1947
+ "learning_rate": 5e-06,
1948
+ "loss": 0.0766,
1949
+ "step": 2600
1950
+ },
1951
+ {
1952
+ "epoch": 15.73474001507159,
1953
+ "grad_norm": 1.7285204414699735,
1954
+ "learning_rate": 5e-06,
1955
+ "loss": 0.0768,
1956
+ "step": 2610
1957
+ },
1958
+ {
1959
+ "epoch": 15.795026375282593,
1960
+ "grad_norm": 1.656141946179993,
1961
+ "learning_rate": 5e-06,
1962
+ "loss": 0.0781,
1963
+ "step": 2620
1964
+ },
1965
+ {
1966
+ "epoch": 15.855312735493595,
1967
+ "grad_norm": 1.751656627220462,
1968
+ "learning_rate": 5e-06,
1969
+ "loss": 0.0778,
1970
+ "step": 2630
1971
+ },
1972
+ {
1973
+ "epoch": 15.915599095704597,
1974
+ "grad_norm": 1.9120339283286005,
1975
+ "learning_rate": 5e-06,
1976
+ "loss": 0.0777,
1977
+ "step": 2640
1978
+ },
1979
+ {
1980
+ "epoch": 15.975885455915598,
1981
+ "grad_norm": 1.7091309765672063,
1982
+ "learning_rate": 5e-06,
1983
+ "loss": 0.0779,
1984
+ "step": 2650
1985
+ },
1986
+ {
1987
+ "epoch": 16.0,
1988
+ "eval_loss": 1.8729431629180908,
1989
+ "eval_runtime": 130.3121,
1990
+ "eval_samples_per_second": 34.295,
1991
+ "eval_steps_per_second": 0.537,
1992
+ "step": 2654
1993
+ },
1994
+ {
1995
+ "epoch": 16.0361718161266,
1996
+ "grad_norm": 1.6873009916146906,
1997
+ "learning_rate": 5e-06,
1998
+ "loss": 0.0634,
1999
+ "step": 2660
2000
+ },
2001
+ {
2002
+ "epoch": 16.096458176337602,
2003
+ "grad_norm": 1.4499459070972593,
2004
+ "learning_rate": 5e-06,
2005
+ "loss": 0.0517,
2006
+ "step": 2670
2007
+ },
2008
+ {
2009
+ "epoch": 16.156744536548604,
2010
+ "grad_norm": 1.518251208097316,
2011
+ "learning_rate": 5e-06,
2012
+ "loss": 0.0532,
2013
+ "step": 2680
2014
+ },
2015
+ {
2016
+ "epoch": 16.217030896759606,
2017
+ "grad_norm": 1.7901282259982598,
2018
+ "learning_rate": 5e-06,
2019
+ "loss": 0.0547,
2020
+ "step": 2690
2021
+ },
2022
+ {
2023
+ "epoch": 16.277317256970612,
2024
+ "grad_norm": 1.6296841948609884,
2025
+ "learning_rate": 5e-06,
2026
+ "loss": 0.0553,
2027
+ "step": 2700
2028
+ },
2029
+ {
2030
+ "epoch": 16.337603617181614,
2031
+ "grad_norm": 1.9077348260850149,
2032
+ "learning_rate": 5e-06,
2033
+ "loss": 0.0551,
2034
+ "step": 2710
2035
+ },
2036
+ {
2037
+ "epoch": 16.397889977392616,
2038
+ "grad_norm": 1.6275792847492503,
2039
+ "learning_rate": 5e-06,
2040
+ "loss": 0.0556,
2041
+ "step": 2720
2042
+ },
2043
+ {
2044
+ "epoch": 16.458176337603618,
2045
+ "grad_norm": 1.8060616409571004,
2046
+ "learning_rate": 5e-06,
2047
+ "loss": 0.0569,
2048
+ "step": 2730
2049
+ },
2050
+ {
2051
+ "epoch": 16.51846269781462,
2052
+ "grad_norm": 1.6503072239622354,
2053
+ "learning_rate": 5e-06,
2054
+ "loss": 0.0568,
2055
+ "step": 2740
2056
+ },
2057
+ {
2058
+ "epoch": 16.578749058025622,
2059
+ "grad_norm": 1.5506661680891511,
2060
+ "learning_rate": 5e-06,
2061
+ "loss": 0.0572,
2062
+ "step": 2750
2063
+ },
2064
+ {
2065
+ "epoch": 16.639035418236624,
2066
+ "grad_norm": 1.6807035773937569,
2067
+ "learning_rate": 5e-06,
2068
+ "loss": 0.0583,
2069
+ "step": 2760
2070
+ },
2071
+ {
2072
+ "epoch": 16.699321778447626,
2073
+ "grad_norm": 1.794347099575113,
2074
+ "learning_rate": 5e-06,
2075
+ "loss": 0.0589,
2076
+ "step": 2770
2077
+ },
2078
+ {
2079
+ "epoch": 16.759608138658628,
2080
+ "grad_norm": 1.6112070974863837,
2081
+ "learning_rate": 5e-06,
2082
+ "loss": 0.0591,
2083
+ "step": 2780
2084
+ },
2085
+ {
2086
+ "epoch": 16.81989449886963,
2087
+ "grad_norm": 1.5309535448790481,
2088
+ "learning_rate": 5e-06,
2089
+ "loss": 0.0595,
2090
+ "step": 2790
2091
+ },
2092
+ {
2093
+ "epoch": 16.88018085908063,
2094
+ "grad_norm": 1.6962829999060645,
2095
+ "learning_rate": 5e-06,
2096
+ "loss": 0.0595,
2097
+ "step": 2800
2098
+ },
2099
+ {
2100
+ "epoch": 16.940467219291634,
2101
+ "grad_norm": 1.5160770218318527,
2102
+ "learning_rate": 5e-06,
2103
+ "loss": 0.0607,
2104
+ "step": 2810
2105
+ },
2106
+ {
2107
+ "epoch": 16.994724943481536,
2108
+ "eval_loss": 1.9862152338027954,
2109
+ "eval_runtime": 135.1067,
2110
+ "eval_samples_per_second": 33.078,
2111
+ "eval_steps_per_second": 0.518,
2112
+ "step": 2819
2113
+ },
2114
+ {
2115
+ "epoch": 17.00075357950264,
2116
+ "grad_norm": 2.340332137108714,
2117
+ "learning_rate": 5e-06,
2118
+ "loss": 0.0615,
2119
+ "step": 2820
2120
+ },
2121
+ {
2122
+ "epoch": 17.06103993971364,
2123
+ "grad_norm": 1.4236109373520875,
2124
+ "learning_rate": 5e-06,
2125
+ "loss": 0.0397,
2126
+ "step": 2830
2127
+ },
2128
+ {
2129
+ "epoch": 17.121326299924643,
2130
+ "grad_norm": 1.5339925411690258,
2131
+ "learning_rate": 5e-06,
2132
+ "loss": 0.0409,
2133
+ "step": 2840
2134
+ },
2135
+ {
2136
+ "epoch": 17.181612660135645,
2137
+ "grad_norm": 1.5223509157958206,
2138
+ "learning_rate": 5e-06,
2139
+ "loss": 0.0416,
2140
+ "step": 2850
2141
+ },
2142
+ {
2143
+ "epoch": 17.241899020346647,
2144
+ "grad_norm": 1.7444832258175693,
2145
+ "learning_rate": 5e-06,
2146
+ "loss": 0.0425,
2147
+ "step": 2860
2148
+ },
2149
+ {
2150
+ "epoch": 17.30218538055765,
2151
+ "grad_norm": 1.7829806133150694,
2152
+ "learning_rate": 5e-06,
2153
+ "loss": 0.0426,
2154
+ "step": 2870
2155
+ },
2156
+ {
2157
+ "epoch": 17.36247174076865,
2158
+ "grad_norm": 1.7776363684895005,
2159
+ "learning_rate": 5e-06,
2160
+ "loss": 0.0437,
2161
+ "step": 2880
2162
+ },
2163
+ {
2164
+ "epoch": 17.422758100979653,
2165
+ "grad_norm": 1.449976018411429,
2166
+ "learning_rate": 5e-06,
2167
+ "loss": 0.0434,
2168
+ "step": 2890
2169
+ },
2170
+ {
2171
+ "epoch": 17.483044461190655,
2172
+ "grad_norm": 1.4737183761321249,
2173
+ "learning_rate": 5e-06,
2174
+ "loss": 0.0443,
2175
+ "step": 2900
2176
+ },
2177
+ {
2178
+ "epoch": 17.543330821401657,
2179
+ "grad_norm": 1.5570813152529674,
2180
+ "learning_rate": 5e-06,
2181
+ "loss": 0.0439,
2182
+ "step": 2910
2183
+ },
2184
+ {
2185
+ "epoch": 17.60361718161266,
2186
+ "grad_norm": 1.6635463270221298,
2187
+ "learning_rate": 5e-06,
2188
+ "loss": 0.0451,
2189
+ "step": 2920
2190
+ },
2191
+ {
2192
+ "epoch": 17.66390354182366,
2193
+ "grad_norm": 1.5633000807042863,
2194
+ "learning_rate": 5e-06,
2195
+ "loss": 0.0452,
2196
+ "step": 2930
2197
+ },
2198
+ {
2199
+ "epoch": 17.724189902034666,
2200
+ "grad_norm": 1.5756718088358965,
2201
+ "learning_rate": 5e-06,
2202
+ "loss": 0.0453,
2203
+ "step": 2940
2204
+ },
2205
+ {
2206
+ "epoch": 17.78447626224567,
2207
+ "grad_norm": 1.5086652524908912,
2208
+ "learning_rate": 5e-06,
2209
+ "loss": 0.0461,
2210
+ "step": 2950
2211
+ },
2212
+ {
2213
+ "epoch": 17.84476262245667,
2214
+ "grad_norm": 1.543593492657027,
2215
+ "learning_rate": 5e-06,
2216
+ "loss": 0.0471,
2217
+ "step": 2960
2218
+ },
2219
+ {
2220
+ "epoch": 17.905048982667672,
2221
+ "grad_norm": 1.8850354234893694,
2222
+ "learning_rate": 5e-06,
2223
+ "loss": 0.0473,
2224
+ "step": 2970
2225
+ },
2226
+ {
2227
+ "epoch": 17.965335342878674,
2228
+ "grad_norm": 1.5531948749022353,
2229
+ "learning_rate": 5e-06,
2230
+ "loss": 0.0481,
2231
+ "step": 2980
2232
+ },
2233
+ {
2234
+ "epoch": 17.995478522984175,
2235
+ "eval_loss": 2.0547046661376953,
2236
+ "eval_runtime": 131.4004,
2237
+ "eval_samples_per_second": 34.011,
2238
+ "eval_steps_per_second": 0.533,
2239
+ "step": 2985
2240
+ },
2241
+ {
2242
+ "epoch": 18.025621703089676,
2243
+ "grad_norm": 1.5738867889136725,
2244
+ "learning_rate": 5e-06,
2245
+ "loss": 0.041,
2246
+ "step": 2990
2247
+ },
2248
+ {
2249
+ "epoch": 18.08590806330068,
2250
+ "grad_norm": 1.7413824765739192,
2251
+ "learning_rate": 5e-06,
2252
+ "loss": 0.0319,
2253
+ "step": 3000
2254
+ },
2255
+ {
2256
+ "epoch": 18.14619442351168,
2257
+ "grad_norm": 1.349257585093222,
2258
+ "learning_rate": 5e-06,
2259
+ "loss": 0.0321,
2260
+ "step": 3010
2261
+ },
2262
+ {
2263
+ "epoch": 18.206480783722682,
2264
+ "grad_norm": 1.5030527061221075,
2265
+ "learning_rate": 5e-06,
2266
+ "loss": 0.033,
2267
+ "step": 3020
2268
+ },
2269
+ {
2270
+ "epoch": 18.266767143933684,
2271
+ "grad_norm": 1.3839757017227572,
2272
+ "learning_rate": 5e-06,
2273
+ "loss": 0.0338,
2274
+ "step": 3030
2275
+ },
2276
+ {
2277
+ "epoch": 18.327053504144686,
2278
+ "grad_norm": 1.3639549234993298,
2279
+ "learning_rate": 5e-06,
2280
+ "loss": 0.034,
2281
+ "step": 3040
2282
+ },
2283
+ {
2284
+ "epoch": 18.38733986435569,
2285
+ "grad_norm": 1.491804900184454,
2286
+ "learning_rate": 5e-06,
2287
+ "loss": 0.0344,
2288
+ "step": 3050
2289
+ },
2290
+ {
2291
+ "epoch": 18.44762622456669,
2292
+ "grad_norm": 1.7182953986203733,
2293
+ "learning_rate": 5e-06,
2294
+ "loss": 0.0345,
2295
+ "step": 3060
2296
+ },
2297
+ {
2298
+ "epoch": 18.507912584777696,
2299
+ "grad_norm": 1.5927159416873042,
2300
+ "learning_rate": 5e-06,
2301
+ "loss": 0.035,
2302
+ "step": 3070
2303
+ },
2304
+ {
2305
+ "epoch": 18.568198944988698,
2306
+ "grad_norm": 1.48048633519207,
2307
+ "learning_rate": 5e-06,
2308
+ "loss": 0.0351,
2309
+ "step": 3080
2310
+ },
2311
+ {
2312
+ "epoch": 18.6284853051997,
2313
+ "grad_norm": 1.5724972628180884,
2314
+ "learning_rate": 5e-06,
2315
+ "loss": 0.0357,
2316
+ "step": 3090
2317
+ },
2318
+ {
2319
+ "epoch": 18.6887716654107,
2320
+ "grad_norm": 1.460368142482016,
2321
+ "learning_rate": 5e-06,
2322
+ "loss": 0.0367,
2323
+ "step": 3100
2324
+ },
2325
+ {
2326
+ "epoch": 18.749058025621704,
2327
+ "grad_norm": 1.5605571994020253,
2328
+ "learning_rate": 5e-06,
2329
+ "loss": 0.037,
2330
+ "step": 3110
2331
+ },
2332
+ {
2333
+ "epoch": 18.809344385832706,
2334
+ "grad_norm": 1.809142213762153,
2335
+ "learning_rate": 5e-06,
2336
+ "loss": 0.0364,
2337
+ "step": 3120
2338
+ },
2339
+ {
2340
+ "epoch": 18.869630746043708,
2341
+ "grad_norm": 1.6290220037965493,
2342
+ "learning_rate": 5e-06,
2343
+ "loss": 0.0367,
2344
+ "step": 3130
2345
+ },
2346
+ {
2347
+ "epoch": 18.92991710625471,
2348
+ "grad_norm": 1.441383521222635,
2349
+ "learning_rate": 5e-06,
2350
+ "loss": 0.0373,
2351
+ "step": 3140
2352
+ },
2353
+ {
2354
+ "epoch": 18.99020346646571,
2355
+ "grad_norm": 1.4650505575255777,
2356
+ "learning_rate": 5e-06,
2357
+ "loss": 0.038,
2358
+ "step": 3150
2359
+ },
2360
+ {
2361
+ "epoch": 18.99623210248681,
2362
+ "eval_loss": 2.1350691318511963,
2363
+ "eval_runtime": 116.4178,
2364
+ "eval_samples_per_second": 38.388,
2365
+ "eval_steps_per_second": 0.601,
2366
+ "step": 3151
2367
+ },
2368
+ {
2369
+ "epoch": 19.050489826676714,
2370
+ "grad_norm": 1.2364462769526054,
2371
+ "learning_rate": 5e-06,
2372
+ "loss": 0.0273,
2373
+ "step": 3160
2374
+ },
2375
+ {
2376
+ "epoch": 19.110776186887716,
2377
+ "grad_norm": 1.2847338125252712,
2378
+ "learning_rate": 5e-06,
2379
+ "loss": 0.0263,
2380
+ "step": 3170
2381
+ },
2382
+ {
2383
+ "epoch": 19.171062547098717,
2384
+ "grad_norm": 1.4364005652974698,
2385
+ "learning_rate": 5e-06,
2386
+ "loss": 0.027,
2387
+ "step": 3180
2388
+ },
2389
+ {
2390
+ "epoch": 19.23134890730972,
2391
+ "grad_norm": 1.4324790800038558,
2392
+ "learning_rate": 5e-06,
2393
+ "loss": 0.0278,
2394
+ "step": 3190
2395
+ },
2396
+ {
2397
+ "epoch": 19.291635267520725,
2398
+ "grad_norm": 1.3696161004609035,
2399
+ "learning_rate": 5e-06,
2400
+ "loss": 0.0268,
2401
+ "step": 3200
2402
+ },
2403
+ {
2404
+ "epoch": 19.351921627731727,
2405
+ "grad_norm": 1.4042401515519942,
2406
+ "learning_rate": 5e-06,
2407
+ "loss": 0.0276,
2408
+ "step": 3210
2409
+ },
2410
+ {
2411
+ "epoch": 19.41220798794273,
2412
+ "grad_norm": 1.4201103499411916,
2413
+ "learning_rate": 5e-06,
2414
+ "loss": 0.0282,
2415
+ "step": 3220
2416
+ },
2417
+ {
2418
+ "epoch": 19.47249434815373,
2419
+ "grad_norm": 1.4787498619597446,
2420
+ "learning_rate": 5e-06,
2421
+ "loss": 0.029,
2422
+ "step": 3230
2423
+ },
2424
+ {
2425
+ "epoch": 19.532780708364733,
2426
+ "grad_norm": 1.3042565121452792,
2427
+ "learning_rate": 5e-06,
2428
+ "loss": 0.0289,
2429
+ "step": 3240
2430
+ },
2431
+ {
2432
+ "epoch": 19.593067068575735,
2433
+ "grad_norm": 1.5616956908222805,
2434
+ "learning_rate": 5e-06,
2435
+ "loss": 0.0291,
2436
+ "step": 3250
2437
+ },
2438
+ {
2439
+ "epoch": 19.653353428786737,
2440
+ "grad_norm": 1.3916636056123413,
2441
+ "learning_rate": 5e-06,
2442
+ "loss": 0.0294,
2443
+ "step": 3260
2444
+ },
2445
+ {
2446
+ "epoch": 19.71363978899774,
2447
+ "grad_norm": 1.5340949993651216,
2448
+ "learning_rate": 5e-06,
2449
+ "loss": 0.0302,
2450
+ "step": 3270
2451
+ },
2452
+ {
2453
+ "epoch": 19.77392614920874,
2454
+ "grad_norm": 1.567955217260001,
2455
+ "learning_rate": 5e-06,
2456
+ "loss": 0.03,
2457
+ "step": 3280
2458
+ },
2459
+ {
2460
+ "epoch": 19.834212509419743,
2461
+ "grad_norm": 1.4614834017683382,
2462
+ "learning_rate": 5e-06,
2463
+ "loss": 0.0302,
2464
+ "step": 3290
2465
+ },
2466
+ {
2467
+ "epoch": 19.894498869630745,
2468
+ "grad_norm": 1.3384969584915662,
2469
+ "learning_rate": 5e-06,
2470
+ "loss": 0.0299,
2471
+ "step": 3300
2472
+ },
2473
+ {
2474
+ "epoch": 19.954785229841747,
2475
+ "grad_norm": 1.6563798754782657,
2476
+ "learning_rate": 5e-06,
2477
+ "loss": 0.0306,
2478
+ "step": 3310
2479
+ },
2480
+ {
2481
+ "epoch": 19.99698568198945,
2482
+ "eval_loss": 2.2255122661590576,
2483
+ "eval_runtime": 131.2328,
2484
+ "eval_samples_per_second": 34.054,
2485
+ "eval_steps_per_second": 0.533,
2486
+ "step": 3317
2487
+ },
2488
+ {
2489
+ "epoch": 20.015071590052752,
2490
+ "grad_norm": 1.2478793413376605,
2491
+ "learning_rate": 5e-06,
2492
+ "loss": 0.0282,
2493
+ "step": 3320
2494
+ },
2495
+ {
2496
+ "epoch": 20.075357950263754,
2497
+ "grad_norm": 1.5652614584389117,
2498
+ "learning_rate": 5e-06,
2499
+ "loss": 0.0201,
2500
+ "step": 3330
2501
+ },
2502
+ {
2503
+ "epoch": 20.135644310474756,
2504
+ "grad_norm": 1.6731787596786802,
2505
+ "learning_rate": 5e-06,
2506
+ "loss": 0.0215,
2507
+ "step": 3340
2508
+ },
2509
+ {
2510
+ "epoch": 20.195930670685758,
2511
+ "grad_norm": 1.2852656312690158,
2512
+ "learning_rate": 5e-06,
2513
+ "loss": 0.0215,
2514
+ "step": 3350
2515
+ },
2516
+ {
2517
+ "epoch": 20.25621703089676,
2518
+ "grad_norm": 1.189629660977167,
2519
+ "learning_rate": 5e-06,
2520
+ "loss": 0.0218,
2521
+ "step": 3360
2522
+ },
2523
+ {
2524
+ "epoch": 20.316503391107762,
2525
+ "grad_norm": 1.280211241755101,
2526
+ "learning_rate": 5e-06,
2527
+ "loss": 0.0225,
2528
+ "step": 3370
2529
+ },
2530
+ {
2531
+ "epoch": 20.376789751318764,
2532
+ "grad_norm": 1.3671510362477786,
2533
+ "learning_rate": 5e-06,
2534
+ "loss": 0.0233,
2535
+ "step": 3380
2536
+ },
2537
+ {
2538
+ "epoch": 20.437076111529766,
2539
+ "grad_norm": 1.2479455610052839,
2540
+ "learning_rate": 5e-06,
2541
+ "loss": 0.0235,
2542
+ "step": 3390
2543
+ },
2544
+ {
2545
+ "epoch": 20.497362471740768,
2546
+ "grad_norm": 1.3487469571257409,
2547
+ "learning_rate": 5e-06,
2548
+ "loss": 0.024,
2549
+ "step": 3400
2550
+ },
2551
+ {
2552
+ "epoch": 20.55764883195177,
2553
+ "grad_norm": 1.296539761041376,
2554
+ "learning_rate": 5e-06,
2555
+ "loss": 0.0239,
2556
+ "step": 3410
2557
+ },
2558
+ {
2559
+ "epoch": 20.617935192162772,
2560
+ "grad_norm": 1.3688473131734242,
2561
+ "learning_rate": 5e-06,
2562
+ "loss": 0.0243,
2563
+ "step": 3420
2564
+ },
2565
+ {
2566
+ "epoch": 20.678221552373774,
2567
+ "grad_norm": 1.3764265527684842,
2568
+ "learning_rate": 5e-06,
2569
+ "loss": 0.0246,
2570
+ "step": 3430
2571
+ },
2572
+ {
2573
+ "epoch": 20.738507912584776,
2574
+ "grad_norm": 1.5833602766458634,
2575
+ "learning_rate": 5e-06,
2576
+ "loss": 0.0249,
2577
+ "step": 3440
2578
+ },
2579
+ {
2580
+ "epoch": 20.79879427279578,
2581
+ "grad_norm": 1.528464092769155,
2582
+ "learning_rate": 5e-06,
2583
+ "loss": 0.0258,
2584
+ "step": 3450
2585
+ },
2586
+ {
2587
+ "epoch": 20.859080633006784,
2588
+ "grad_norm": 1.605313026206358,
2589
+ "learning_rate": 5e-06,
2590
+ "loss": 0.026,
2591
+ "step": 3460
2592
+ },
2593
+ {
2594
+ "epoch": 20.919366993217785,
2595
+ "grad_norm": 1.3923344492334147,
2596
+ "learning_rate": 5e-06,
2597
+ "loss": 0.0259,
2598
+ "step": 3470
2599
+ },
2600
+ {
2601
+ "epoch": 20.979653353428787,
2602
+ "grad_norm": 1.4204063096393778,
2603
+ "learning_rate": 5e-06,
2604
+ "loss": 0.0256,
2605
+ "step": 3480
2606
+ },
2607
+ {
2608
+ "epoch": 20.997739261492086,
2609
+ "eval_loss": 2.269946813583374,
2610
+ "eval_runtime": 116.5456,
2611
+ "eval_samples_per_second": 38.345,
2612
+ "eval_steps_per_second": 0.601,
2613
+ "step": 3483
2614
+ },
2615
+ {
2616
+ "epoch": 21.03993971363979,
2617
+ "grad_norm": 1.310936775235027,
2618
+ "learning_rate": 5e-06,
2619
+ "loss": 0.0208,
2620
+ "step": 3490
2621
+ },
2622
+ {
2623
+ "epoch": 21.10022607385079,
2624
+ "grad_norm": 1.1547005623677518,
2625
+ "learning_rate": 5e-06,
2626
+ "loss": 0.0186,
2627
+ "step": 3500
2628
+ },
2629
+ {
2630
+ "epoch": 21.160512434061793,
2631
+ "grad_norm": 1.2938934451769595,
2632
+ "learning_rate": 5e-06,
2633
+ "loss": 0.0194,
2634
+ "step": 3510
2635
+ },
2636
+ {
2637
+ "epoch": 21.220798794272795,
2638
+ "grad_norm": 1.484320867371485,
2639
+ "learning_rate": 5e-06,
2640
+ "loss": 0.0196,
2641
+ "step": 3520
2642
+ },
2643
+ {
2644
+ "epoch": 21.281085154483797,
2645
+ "grad_norm": 1.4005288463687333,
2646
+ "learning_rate": 5e-06,
2647
+ "loss": 0.02,
2648
+ "step": 3530
2649
+ },
2650
+ {
2651
+ "epoch": 21.3413715146948,
2652
+ "grad_norm": 1.6013274204687469,
2653
+ "learning_rate": 5e-06,
2654
+ "loss": 0.0201,
2655
+ "step": 3540
2656
+ },
2657
+ {
2658
+ "epoch": 21.4016578749058,
2659
+ "grad_norm": 1.4800630752519932,
2660
+ "learning_rate": 5e-06,
2661
+ "loss": 0.02,
2662
+ "step": 3550
2663
+ },
2664
+ {
2665
+ "epoch": 21.461944235116803,
2666
+ "grad_norm": 1.497381379010042,
2667
+ "learning_rate": 5e-06,
2668
+ "loss": 0.0203,
2669
+ "step": 3560
2670
+ },
2671
+ {
2672
+ "epoch": 21.52223059532781,
2673
+ "grad_norm": 1.2261010629715117,
2674
+ "learning_rate": 5e-06,
2675
+ "loss": 0.0208,
2676
+ "step": 3570
2677
+ },
2678
+ {
2679
+ "epoch": 21.58251695553881,
2680
+ "grad_norm": 1.353310824251755,
2681
+ "learning_rate": 5e-06,
2682
+ "loss": 0.0211,
2683
+ "step": 3580
2684
+ },
2685
+ {
2686
+ "epoch": 21.642803315749813,
2687
+ "grad_norm": 1.2550244372657888,
2688
+ "learning_rate": 5e-06,
2689
+ "loss": 0.0217,
2690
+ "step": 3590
2691
+ },
2692
+ {
2693
+ "epoch": 21.703089675960815,
2694
+ "grad_norm": 1.3870144386972025,
2695
+ "learning_rate": 5e-06,
2696
+ "loss": 0.0218,
2697
+ "step": 3600
2698
+ },
2699
+ {
2700
+ "epoch": 21.763376036171817,
2701
+ "grad_norm": 1.2996006226877992,
2702
+ "learning_rate": 5e-06,
2703
+ "loss": 0.0217,
2704
+ "step": 3610
2705
+ },
2706
+ {
2707
+ "epoch": 21.82366239638282,
2708
+ "grad_norm": 1.3533095992501387,
2709
+ "learning_rate": 5e-06,
2710
+ "loss": 0.0216,
2711
+ "step": 3620
2712
+ },
2713
+ {
2714
+ "epoch": 21.88394875659382,
2715
+ "grad_norm": 1.3112078284304194,
2716
+ "learning_rate": 5e-06,
2717
+ "loss": 0.0217,
2718
+ "step": 3630
2719
+ },
2720
+ {
2721
+ "epoch": 21.944235116804823,
2722
+ "grad_norm": 1.3288506152434172,
2723
+ "learning_rate": 5e-06,
2724
+ "loss": 0.0221,
2725
+ "step": 3640
2726
+ },
2727
+ {
2728
+ "epoch": 21.998492840994725,
2729
+ "eval_loss": 2.351545572280884,
2730
+ "eval_runtime": 116.2788,
2731
+ "eval_samples_per_second": 38.433,
2732
+ "eval_steps_per_second": 0.602,
2733
+ "step": 3649
2734
+ },
2735
+ {
2736
+ "epoch": 22.004521477015825,
2737
+ "grad_norm": 1.0649685278407737,
2738
+ "learning_rate": 5e-06,
2739
+ "loss": 0.0218,
2740
+ "step": 3650
2741
+ },
2742
+ {
2743
+ "epoch": 22.064807837226827,
2744
+ "grad_norm": 1.2396804319512318,
2745
+ "learning_rate": 5e-06,
2746
+ "loss": 0.0158,
2747
+ "step": 3660
2748
+ },
2749
+ {
2750
+ "epoch": 22.12509419743783,
2751
+ "grad_norm": 1.2203455145168154,
2752
+ "learning_rate": 5e-06,
2753
+ "loss": 0.0163,
2754
+ "step": 3670
2755
+ },
2756
+ {
2757
+ "epoch": 22.18538055764883,
2758
+ "grad_norm": 1.1547196338255674,
2759
+ "learning_rate": 5e-06,
2760
+ "loss": 0.0169,
2761
+ "step": 3680
2762
+ },
2763
+ {
2764
+ "epoch": 22.245666917859833,
2765
+ "grad_norm": 1.309239398813011,
2766
+ "learning_rate": 5e-06,
2767
+ "loss": 0.0173,
2768
+ "step": 3690
2769
+ },
2770
+ {
2771
+ "epoch": 22.305953278070838,
2772
+ "grad_norm": 1.2683908516455489,
2773
+ "learning_rate": 5e-06,
2774
+ "loss": 0.0173,
2775
+ "step": 3700
2776
+ },
2777
+ {
2778
+ "epoch": 22.36623963828184,
2779
+ "grad_norm": 1.5982780924133835,
2780
+ "learning_rate": 5e-06,
2781
+ "loss": 0.0183,
2782
+ "step": 3710
2783
+ },
2784
+ {
2785
+ "epoch": 22.426525998492842,
2786
+ "grad_norm": 1.4555126747204115,
2787
+ "learning_rate": 5e-06,
2788
+ "loss": 0.0184,
2789
+ "step": 3720
2790
+ },
2791
+ {
2792
+ "epoch": 22.486812358703844,
2793
+ "grad_norm": 1.3675517314579124,
2794
+ "learning_rate": 5e-06,
2795
+ "loss": 0.0186,
2796
+ "step": 3730
2797
+ },
2798
+ {
2799
+ "epoch": 22.547098718914846,
2800
+ "grad_norm": 1.2088813887554757,
2801
+ "learning_rate": 5e-06,
2802
+ "loss": 0.0188,
2803
+ "step": 3740
2804
+ },
2805
+ {
2806
+ "epoch": 22.607385079125848,
2807
+ "grad_norm": 1.157896013440299,
2808
+ "learning_rate": 5e-06,
2809
+ "loss": 0.0194,
2810
+ "step": 3750
2811
+ },
2812
+ {
2813
+ "epoch": 22.66767143933685,
2814
+ "grad_norm": 1.4152388376390785,
2815
+ "learning_rate": 5e-06,
2816
+ "loss": 0.0189,
2817
+ "step": 3760
2818
+ },
2819
+ {
2820
+ "epoch": 22.727957799547852,
2821
+ "grad_norm": 1.2554294042934306,
2822
+ "learning_rate": 5e-06,
2823
+ "loss": 0.019,
2824
+ "step": 3770
2825
+ },
2826
+ {
2827
+ "epoch": 22.788244159758854,
2828
+ "grad_norm": 1.3329931616963409,
2829
+ "learning_rate": 5e-06,
2830
+ "loss": 0.019,
2831
+ "step": 3780
2832
+ },
2833
+ {
2834
+ "epoch": 22.848530519969856,
2835
+ "grad_norm": 1.256565715756104,
2836
+ "learning_rate": 5e-06,
2837
+ "loss": 0.0189,
2838
+ "step": 3790
2839
+ },
2840
+ {
2841
+ "epoch": 22.908816880180858,
2842
+ "grad_norm": 1.368011051794652,
2843
+ "learning_rate": 5e-06,
2844
+ "loss": 0.0195,
2845
+ "step": 3800
2846
+ },
2847
+ {
2848
+ "epoch": 22.96910324039186,
2849
+ "grad_norm": 1.4311223887923525,
2850
+ "learning_rate": 5e-06,
2851
+ "loss": 0.0197,
2852
+ "step": 3810
2853
+ },
2854
+ {
2855
+ "epoch": 22.99924642049736,
2856
+ "eval_loss": 2.359902858734131,
2857
+ "eval_runtime": 117.0325,
2858
+ "eval_samples_per_second": 38.186,
2859
+ "eval_steps_per_second": 0.598,
2860
+ "step": 3815
2861
+ },
2862
+ {
2863
+ "epoch": 23.029389600602865,
2864
+ "grad_norm": 1.114496963570823,
2865
+ "learning_rate": 5e-06,
2866
+ "loss": 0.0171,
2867
+ "step": 3820
2868
+ },
2869
+ {
2870
+ "epoch": 23.089675960813867,
2871
+ "grad_norm": 1.1656429989984474,
2872
+ "learning_rate": 5e-06,
2873
+ "loss": 0.0149,
2874
+ "step": 3830
2875
+ },
2876
+ {
2877
+ "epoch": 23.14996232102487,
2878
+ "grad_norm": 1.3181375592191023,
2879
+ "learning_rate": 5e-06,
2880
+ "loss": 0.0152,
2881
+ "step": 3840
2882
+ },
2883
+ {
2884
+ "epoch": 23.21024868123587,
2885
+ "grad_norm": 1.214891422163979,
2886
+ "learning_rate": 5e-06,
2887
+ "loss": 0.0157,
2888
+ "step": 3850
2889
+ },
2890
+ {
2891
+ "epoch": 23.270535041446873,
2892
+ "grad_norm": 1.1329477739782727,
2893
+ "learning_rate": 5e-06,
2894
+ "loss": 0.0159,
2895
+ "step": 3860
2896
+ },
2897
+ {
2898
+ "epoch": 23.330821401657875,
2899
+ "grad_norm": 1.178978239439168,
2900
+ "learning_rate": 5e-06,
2901
+ "loss": 0.0163,
2902
+ "step": 3870
2903
+ },
2904
+ {
2905
+ "epoch": 23.391107761868877,
2906
+ "grad_norm": 1.1072042006237766,
2907
+ "learning_rate": 5e-06,
2908
+ "loss": 0.0165,
2909
+ "step": 3880
2910
+ },
2911
+ {
2912
+ "epoch": 23.45139412207988,
2913
+ "grad_norm": 1.2281267859101168,
2914
+ "learning_rate": 5e-06,
2915
+ "loss": 0.0168,
2916
+ "step": 3890
2917
+ },
2918
+ {
2919
+ "epoch": 23.51168048229088,
2920
+ "grad_norm": 1.1558899107856422,
2921
+ "learning_rate": 5e-06,
2922
+ "loss": 0.0174,
2923
+ "step": 3900
2924
+ },
2925
+ {
2926
+ "epoch": 23.571966842501883,
2927
+ "grad_norm": 1.217612194947995,
2928
+ "learning_rate": 5e-06,
2929
+ "loss": 0.0173,
2930
+ "step": 3910
2931
+ },
2932
+ {
2933
+ "epoch": 23.632253202712885,
2934
+ "grad_norm": 1.2440180440988633,
2935
+ "learning_rate": 5e-06,
2936
+ "loss": 0.0174,
2937
+ "step": 3920
2938
+ },
2939
+ {
2940
+ "epoch": 23.692539562923887,
2941
+ "grad_norm": 1.3420865819465875,
2942
+ "learning_rate": 5e-06,
2943
+ "loss": 0.0174,
2944
+ "step": 3930
2945
+ },
2946
+ {
2947
+ "epoch": 23.75282592313489,
2948
+ "grad_norm": 1.3593190067484822,
2949
+ "learning_rate": 5e-06,
2950
+ "loss": 0.018,
2951
+ "step": 3940
2952
+ },
2953
+ {
2954
+ "epoch": 23.813112283345895,
2955
+ "grad_norm": 1.2367975594859635,
2956
+ "learning_rate": 5e-06,
2957
+ "loss": 0.0177,
2958
+ "step": 3950
2959
+ },
2960
+ {
2961
+ "epoch": 23.873398643556897,
2962
+ "grad_norm": 1.2214254875430963,
2963
+ "learning_rate": 5e-06,
2964
+ "loss": 0.0179,
2965
+ "step": 3960
2966
+ },
2967
+ {
2968
+ "epoch": 23.9336850037679,
2969
+ "grad_norm": 1.20689456847013,
2970
+ "learning_rate": 5e-06,
2971
+ "loss": 0.018,
2972
+ "step": 3970
2973
+ },
2974
+ {
2975
+ "epoch": 23.9939713639789,
2976
+ "grad_norm": 1.2666923485205688,
2977
+ "learning_rate": 5e-06,
2978
+ "loss": 0.0186,
2979
+ "step": 3980
2980
+ },
2981
+ {
2982
+ "epoch": 24.0,
2983
+ "eval_loss": 2.3888232707977295,
2984
+ "eval_runtime": 116.343,
2985
+ "eval_samples_per_second": 38.412,
2986
+ "eval_steps_per_second": 0.602,
2987
+ "step": 3981
2988
+ },
2989
+ {
2990
+ "epoch": 24.054257724189902,
2991
+ "grad_norm": 1.1066074003233175,
2992
+ "learning_rate": 5e-06,
2993
+ "loss": 0.0141,
2994
+ "step": 3990
2995
+ },
2996
+ {
2997
+ "epoch": 24.114544084400904,
2998
+ "grad_norm": 1.0389652033545478,
2999
+ "learning_rate": 5e-06,
3000
+ "loss": 0.0141,
3001
+ "step": 4000
3002
+ },
3003
+ {
3004
+ "epoch": 24.174830444611906,
3005
+ "grad_norm": 1.1258379344398495,
3006
+ "learning_rate": 5e-06,
3007
+ "loss": 0.0144,
3008
+ "step": 4010
3009
+ },
3010
+ {
3011
+ "epoch": 24.23511680482291,
3012
+ "grad_norm": 1.1758249329629795,
3013
+ "learning_rate": 5e-06,
3014
+ "loss": 0.0148,
3015
+ "step": 4020
3016
+ },
3017
+ {
3018
+ "epoch": 24.29540316503391,
3019
+ "grad_norm": 1.1741885490501298,
3020
+ "learning_rate": 5e-06,
3021
+ "loss": 0.0151,
3022
+ "step": 4030
3023
+ },
3024
+ {
3025
+ "epoch": 24.355689525244912,
3026
+ "grad_norm": 1.1622125971160786,
3027
+ "learning_rate": 5e-06,
3028
+ "loss": 0.0156,
3029
+ "step": 4040
3030
+ },
3031
+ {
3032
+ "epoch": 24.415975885455914,
3033
+ "grad_norm": 1.0899820074898727,
3034
+ "learning_rate": 5e-06,
3035
+ "loss": 0.0154,
3036
+ "step": 4050
3037
+ },
3038
+ {
3039
+ "epoch": 24.476262245666916,
3040
+ "grad_norm": 1.2599823712922462,
3041
+ "learning_rate": 5e-06,
3042
+ "loss": 0.0159,
3043
+ "step": 4060
3044
+ },
3045
+ {
3046
+ "epoch": 24.53654860587792,
3047
+ "grad_norm": 1.140178001121795,
3048
+ "learning_rate": 5e-06,
3049
+ "loss": 0.0157,
3050
+ "step": 4070
3051
+ },
3052
+ {
3053
+ "epoch": 24.596834966088924,
3054
+ "grad_norm": 1.1230288891139422,
3055
+ "learning_rate": 5e-06,
3056
+ "loss": 0.0158,
3057
+ "step": 4080
3058
+ },
3059
+ {
3060
+ "epoch": 24.657121326299926,
3061
+ "grad_norm": 1.1218784125193524,
3062
+ "learning_rate": 5e-06,
3063
+ "loss": 0.0163,
3064
+ "step": 4090
3065
+ },
3066
+ {
3067
+ "epoch": 24.717407686510928,
3068
+ "grad_norm": 1.1524016261830858,
3069
+ "learning_rate": 5e-06,
3070
+ "loss": 0.0164,
3071
+ "step": 4100
3072
+ },
3073
+ {
3074
+ "epoch": 24.77769404672193,
3075
+ "grad_norm": 1.15414666614049,
3076
+ "learning_rate": 5e-06,
3077
+ "loss": 0.0166,
3078
+ "step": 4110
3079
+ },
3080
+ {
3081
+ "epoch": 24.83798040693293,
3082
+ "grad_norm": 1.3244431296269448,
3083
+ "learning_rate": 5e-06,
3084
+ "loss": 0.0169,
3085
+ "step": 4120
3086
+ },
3087
+ {
3088
+ "epoch": 24.868123587038433,
3089
+ "eval_loss": 2.4057514667510986,
3090
+ "eval_runtime": 113.5854,
3091
+ "eval_samples_per_second": 39.345,
3092
+ "eval_steps_per_second": 0.616,
3093
+ "step": 4125
3094
+ },
3095
+ {
3096
+ "epoch": 24.868123587038433,
3097
+ "step": 4125,
3098
+ "total_flos": 6909319257784320.0,
3099
+ "train_loss": 0.2661740447047985,
3100
+ "train_runtime": 139979.5045,
3101
+ "train_samples_per_second": 15.162,
3102
+ "train_steps_per_second": 0.029
3103
+ }
3104
+ ],
3105
+ "logging_steps": 10,
3106
+ "max_steps": 4125,
3107
+ "num_input_tokens_seen": 0,
3108
+ "num_train_epochs": 25,
3109
+ "save_steps": 500,
3110
+ "stateful_callbacks": {
3111
+ "TrainerControl": {
3112
+ "args": {
3113
+ "should_epoch_stop": false,
3114
+ "should_evaluate": false,
3115
+ "should_log": false,
3116
+ "should_save": true,
3117
+ "should_training_stop": true
3118
+ },
3119
+ "attributes": {}
3120
+ }
3121
+ },
3122
+ "total_flos": 6909319257784320.0,
3123
+ "train_batch_size": 8,
3124
+ "trial_name": null,
3125
+ "trial_params": null
3126
+ }
training_eval_loss.png ADDED
training_loss.png ADDED