sedrickkeh commited on
Commit
45947d0
·
verified ·
1 Parent(s): 620d681

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.25_compute_equal
@@ -15,7 +16,7 @@ should probably proofread and complete it, then remove this comment. -->
15
 
16
  # oh_scale_x.25_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: 2.3639
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.25_compute_equal
 
16
 
17
  # oh_scale_x.25_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_0.25x dataset.
20
  It achieves the following results on the evaluation set:
21
  - Loss: 2.3639
22
 
all_results.json ADDED
@@ -0,0 +1,12 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "epoch": 45.93475177304965,
3
+ "eval_loss": 2.3638699054718018,
4
+ "eval_runtime": 62.0556,
5
+ "eval_samples_per_second": 38.224,
6
+ "eval_steps_per_second": 0.612,
7
+ "total_flos": 6780341389885440.0,
8
+ "train_loss": 0.15424752476433726,
9
+ "train_runtime": 138136.8738,
10
+ "train_samples_per_second": 15.006,
11
+ "train_steps_per_second": 0.029
12
+ }
eval_results.json ADDED
@@ -0,0 +1,7 @@
 
 
 
 
 
 
 
 
1
+ {
2
+ "epoch": 45.93475177304965,
3
+ "eval_loss": 2.3638699054718018,
4
+ "eval_runtime": 62.0556,
5
+ "eval_samples_per_second": 38.224,
6
+ "eval_steps_per_second": 0.612
7
+ }
train_results.json ADDED
@@ -0,0 +1,8 @@
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "epoch": 45.93475177304965,
3
+ "total_flos": 6780341389885440.0,
4
+ "train_loss": 0.15424752476433726,
5
+ "train_runtime": 138136.8738,
6
+ "train_samples_per_second": 15.006,
7
+ "train_steps_per_second": 0.029
8
+ }
trainer_state.json ADDED
@@ -0,0 +1,3238 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "best_metric": null,
3
+ "best_model_checkpoint": null,
4
+ "epoch": 45.93475177304965,
5
+ "eval_steps": 500,
6
+ "global_step": 4048,
7
+ "is_hyper_param_search": false,
8
+ "is_local_process_zero": true,
9
+ "is_world_process_zero": true,
10
+ "log_history": [
11
+ {
12
+ "epoch": 0.11347517730496454,
13
+ "grad_norm": 2.3027738179328545,
14
+ "learning_rate": 5e-06,
15
+ "loss": 1.0453,
16
+ "step": 10
17
+ },
18
+ {
19
+ "epoch": 0.22695035460992907,
20
+ "grad_norm": 2.6921655569071072,
21
+ "learning_rate": 5e-06,
22
+ "loss": 0.9428,
23
+ "step": 20
24
+ },
25
+ {
26
+ "epoch": 0.3404255319148936,
27
+ "grad_norm": 3.106201627631174,
28
+ "learning_rate": 5e-06,
29
+ "loss": 0.9023,
30
+ "step": 30
31
+ },
32
+ {
33
+ "epoch": 0.45390070921985815,
34
+ "grad_norm": 1.1134207204878144,
35
+ "learning_rate": 5e-06,
36
+ "loss": 0.8741,
37
+ "step": 40
38
+ },
39
+ {
40
+ "epoch": 0.5673758865248227,
41
+ "grad_norm": 1.5570541261244333,
42
+ "learning_rate": 5e-06,
43
+ "loss": 0.8561,
44
+ "step": 50
45
+ },
46
+ {
47
+ "epoch": 0.6808510638297872,
48
+ "grad_norm": 1.2304331395600878,
49
+ "learning_rate": 5e-06,
50
+ "loss": 0.836,
51
+ "step": 60
52
+ },
53
+ {
54
+ "epoch": 0.7943262411347518,
55
+ "grad_norm": 0.8463468873895378,
56
+ "learning_rate": 5e-06,
57
+ "loss": 0.8276,
58
+ "step": 70
59
+ },
60
+ {
61
+ "epoch": 0.9078014184397163,
62
+ "grad_norm": 1.228944154284785,
63
+ "learning_rate": 5e-06,
64
+ "loss": 0.8194,
65
+ "step": 80
66
+ },
67
+ {
68
+ "epoch": 0.9985815602836879,
69
+ "eval_loss": 0.8080979585647583,
70
+ "eval_runtime": 60.7189,
71
+ "eval_samples_per_second": 39.065,
72
+ "eval_steps_per_second": 0.626,
73
+ "step": 88
74
+ },
75
+ {
76
+ "epoch": 1.0212765957446808,
77
+ "grad_norm": 0.7120675758086178,
78
+ "learning_rate": 5e-06,
79
+ "loss": 0.8716,
80
+ "step": 90
81
+ },
82
+ {
83
+ "epoch": 1.1347517730496455,
84
+ "grad_norm": 0.5665363188375315,
85
+ "learning_rate": 5e-06,
86
+ "loss": 0.7617,
87
+ "step": 100
88
+ },
89
+ {
90
+ "epoch": 1.24822695035461,
91
+ "grad_norm": 0.7501407091895282,
92
+ "learning_rate": 5e-06,
93
+ "loss": 0.7499,
94
+ "step": 110
95
+ },
96
+ {
97
+ "epoch": 1.3617021276595744,
98
+ "grad_norm": 0.8887026186759622,
99
+ "learning_rate": 5e-06,
100
+ "loss": 0.7506,
101
+ "step": 120
102
+ },
103
+ {
104
+ "epoch": 1.475177304964539,
105
+ "grad_norm": 0.9778742655108387,
106
+ "learning_rate": 5e-06,
107
+ "loss": 0.7511,
108
+ "step": 130
109
+ },
110
+ {
111
+ "epoch": 1.5886524822695036,
112
+ "grad_norm": 0.9687851476126442,
113
+ "learning_rate": 5e-06,
114
+ "loss": 0.7457,
115
+ "step": 140
116
+ },
117
+ {
118
+ "epoch": 1.702127659574468,
119
+ "grad_norm": 0.9341422096680074,
120
+ "learning_rate": 5e-06,
121
+ "loss": 0.7436,
122
+ "step": 150
123
+ },
124
+ {
125
+ "epoch": 1.8156028368794326,
126
+ "grad_norm": 1.127646790775998,
127
+ "learning_rate": 5e-06,
128
+ "loss": 0.7376,
129
+ "step": 160
130
+ },
131
+ {
132
+ "epoch": 1.9290780141843973,
133
+ "grad_norm": 0.8756484845113162,
134
+ "learning_rate": 5e-06,
135
+ "loss": 0.7435,
136
+ "step": 170
137
+ },
138
+ {
139
+ "epoch": 1.9971631205673759,
140
+ "eval_loss": 0.7863057851791382,
141
+ "eval_runtime": 61.6081,
142
+ "eval_samples_per_second": 38.501,
143
+ "eval_steps_per_second": 0.617,
144
+ "step": 176
145
+ },
146
+ {
147
+ "epoch": 2.0425531914893615,
148
+ "grad_norm": 1.2181284988254628,
149
+ "learning_rate": 5e-06,
150
+ "loss": 0.7763,
151
+ "step": 180
152
+ },
153
+ {
154
+ "epoch": 2.1560283687943262,
155
+ "grad_norm": 1.1289889327658702,
156
+ "learning_rate": 5e-06,
157
+ "loss": 0.6823,
158
+ "step": 190
159
+ },
160
+ {
161
+ "epoch": 2.269503546099291,
162
+ "grad_norm": 0.8462647029938217,
163
+ "learning_rate": 5e-06,
164
+ "loss": 0.6753,
165
+ "step": 200
166
+ },
167
+ {
168
+ "epoch": 2.382978723404255,
169
+ "grad_norm": 0.7466282838810588,
170
+ "learning_rate": 5e-06,
171
+ "loss": 0.6782,
172
+ "step": 210
173
+ },
174
+ {
175
+ "epoch": 2.49645390070922,
176
+ "grad_norm": 1.5023120623230148,
177
+ "learning_rate": 5e-06,
178
+ "loss": 0.6788,
179
+ "step": 220
180
+ },
181
+ {
182
+ "epoch": 2.6099290780141846,
183
+ "grad_norm": 1.4790514704268571,
184
+ "learning_rate": 5e-06,
185
+ "loss": 0.6823,
186
+ "step": 230
187
+ },
188
+ {
189
+ "epoch": 2.723404255319149,
190
+ "grad_norm": 1.400821347106736,
191
+ "learning_rate": 5e-06,
192
+ "loss": 0.6851,
193
+ "step": 240
194
+ },
195
+ {
196
+ "epoch": 2.8368794326241136,
197
+ "grad_norm": 1.4979326003170097,
198
+ "learning_rate": 5e-06,
199
+ "loss": 0.6837,
200
+ "step": 250
201
+ },
202
+ {
203
+ "epoch": 2.950354609929078,
204
+ "grad_norm": 1.0055414499863942,
205
+ "learning_rate": 5e-06,
206
+ "loss": 0.6821,
207
+ "step": 260
208
+ },
209
+ {
210
+ "epoch": 2.9957446808510637,
211
+ "eval_loss": 0.7851720452308655,
212
+ "eval_runtime": 61.627,
213
+ "eval_samples_per_second": 38.49,
214
+ "eval_steps_per_second": 0.617,
215
+ "step": 264
216
+ },
217
+ {
218
+ "epoch": 3.0638297872340425,
219
+ "grad_norm": 1.6752123419187452,
220
+ "learning_rate": 5e-06,
221
+ "loss": 0.7145,
222
+ "step": 270
223
+ },
224
+ {
225
+ "epoch": 3.1773049645390072,
226
+ "grad_norm": 0.9962830747356258,
227
+ "learning_rate": 5e-06,
228
+ "loss": 0.6212,
229
+ "step": 280
230
+ },
231
+ {
232
+ "epoch": 3.2907801418439715,
233
+ "grad_norm": 0.972324563152424,
234
+ "learning_rate": 5e-06,
235
+ "loss": 0.6279,
236
+ "step": 290
237
+ },
238
+ {
239
+ "epoch": 3.404255319148936,
240
+ "grad_norm": 1.148916684368535,
241
+ "learning_rate": 5e-06,
242
+ "loss": 0.6234,
243
+ "step": 300
244
+ },
245
+ {
246
+ "epoch": 3.5177304964539005,
247
+ "grad_norm": 0.9255677977296973,
248
+ "learning_rate": 5e-06,
249
+ "loss": 0.6239,
250
+ "step": 310
251
+ },
252
+ {
253
+ "epoch": 3.631205673758865,
254
+ "grad_norm": 0.8748135331658988,
255
+ "learning_rate": 5e-06,
256
+ "loss": 0.6263,
257
+ "step": 320
258
+ },
259
+ {
260
+ "epoch": 3.74468085106383,
261
+ "grad_norm": 0.7126896324984585,
262
+ "learning_rate": 5e-06,
263
+ "loss": 0.6352,
264
+ "step": 330
265
+ },
266
+ {
267
+ "epoch": 3.8581560283687946,
268
+ "grad_norm": 0.7000351915001751,
269
+ "learning_rate": 5e-06,
270
+ "loss": 0.6357,
271
+ "step": 340
272
+ },
273
+ {
274
+ "epoch": 3.971631205673759,
275
+ "grad_norm": 0.9269318996308881,
276
+ "learning_rate": 5e-06,
277
+ "loss": 0.6325,
278
+ "step": 350
279
+ },
280
+ {
281
+ "epoch": 3.9943262411347518,
282
+ "eval_loss": 0.7985679507255554,
283
+ "eval_runtime": 61.9924,
284
+ "eval_samples_per_second": 38.263,
285
+ "eval_steps_per_second": 0.613,
286
+ "step": 352
287
+ },
288
+ {
289
+ "epoch": 4.085106382978723,
290
+ "grad_norm": 1.3604073736131337,
291
+ "learning_rate": 5e-06,
292
+ "loss": 0.6418,
293
+ "step": 360
294
+ },
295
+ {
296
+ "epoch": 4.198581560283688,
297
+ "grad_norm": 1.064592781888281,
298
+ "learning_rate": 5e-06,
299
+ "loss": 0.57,
300
+ "step": 370
301
+ },
302
+ {
303
+ "epoch": 4.3120567375886525,
304
+ "grad_norm": 1.0456672732780632,
305
+ "learning_rate": 5e-06,
306
+ "loss": 0.5737,
307
+ "step": 380
308
+ },
309
+ {
310
+ "epoch": 4.425531914893617,
311
+ "grad_norm": 0.8594065634354029,
312
+ "learning_rate": 5e-06,
313
+ "loss": 0.5751,
314
+ "step": 390
315
+ },
316
+ {
317
+ "epoch": 4.539007092198582,
318
+ "grad_norm": 0.8133394847298308,
319
+ "learning_rate": 5e-06,
320
+ "loss": 0.5814,
321
+ "step": 400
322
+ },
323
+ {
324
+ "epoch": 4.652482269503546,
325
+ "grad_norm": 0.8444234885021146,
326
+ "learning_rate": 5e-06,
327
+ "loss": 0.5767,
328
+ "step": 410
329
+ },
330
+ {
331
+ "epoch": 4.76595744680851,
332
+ "grad_norm": 0.9079077917670704,
333
+ "learning_rate": 5e-06,
334
+ "loss": 0.5791,
335
+ "step": 420
336
+ },
337
+ {
338
+ "epoch": 4.879432624113475,
339
+ "grad_norm": 0.9376422685057096,
340
+ "learning_rate": 5e-06,
341
+ "loss": 0.5868,
342
+ "step": 430
343
+ },
344
+ {
345
+ "epoch": 4.99290780141844,
346
+ "grad_norm": 0.973277316302177,
347
+ "learning_rate": 5e-06,
348
+ "loss": 0.5795,
349
+ "step": 440
350
+ },
351
+ {
352
+ "epoch": 4.99290780141844,
353
+ "eval_loss": 0.8202199339866638,
354
+ "eval_runtime": 61.7078,
355
+ "eval_samples_per_second": 38.439,
356
+ "eval_steps_per_second": 0.616,
357
+ "step": 440
358
+ },
359
+ {
360
+ "epoch": 5.1063829787234045,
361
+ "grad_norm": 1.3674880756976207,
362
+ "learning_rate": 5e-06,
363
+ "loss": 0.5655,
364
+ "step": 450
365
+ },
366
+ {
367
+ "epoch": 5.219858156028369,
368
+ "grad_norm": 1.7541639365749628,
369
+ "learning_rate": 5e-06,
370
+ "loss": 0.509,
371
+ "step": 460
372
+ },
373
+ {
374
+ "epoch": 5.333333333333333,
375
+ "grad_norm": 1.5509973437926652,
376
+ "learning_rate": 5e-06,
377
+ "loss": 0.5168,
378
+ "step": 470
379
+ },
380
+ {
381
+ "epoch": 5.446808510638298,
382
+ "grad_norm": 1.1574291804275065,
383
+ "learning_rate": 5e-06,
384
+ "loss": 0.5168,
385
+ "step": 480
386
+ },
387
+ {
388
+ "epoch": 5.560283687943262,
389
+ "grad_norm": 2.2427910706765473,
390
+ "learning_rate": 5e-06,
391
+ "loss": 0.5192,
392
+ "step": 490
393
+ },
394
+ {
395
+ "epoch": 5.673758865248227,
396
+ "grad_norm": 1.5662018655408698,
397
+ "learning_rate": 5e-06,
398
+ "loss": 0.5153,
399
+ "step": 500
400
+ },
401
+ {
402
+ "epoch": 5.787234042553192,
403
+ "grad_norm": 1.1983365699034005,
404
+ "learning_rate": 5e-06,
405
+ "loss": 0.5235,
406
+ "step": 510
407
+ },
408
+ {
409
+ "epoch": 5.900709219858156,
410
+ "grad_norm": 0.9749148887193015,
411
+ "learning_rate": 5e-06,
412
+ "loss": 0.5193,
413
+ "step": 520
414
+ },
415
+ {
416
+ "epoch": 5.991489361702127,
417
+ "eval_loss": 0.8596100807189941,
418
+ "eval_runtime": 61.8556,
419
+ "eval_samples_per_second": 38.347,
420
+ "eval_steps_per_second": 0.614,
421
+ "step": 528
422
+ },
423
+ {
424
+ "epoch": 6.01418439716312,
425
+ "grad_norm": 1.9275086532414556,
426
+ "learning_rate": 5e-06,
427
+ "loss": 0.5558,
428
+ "step": 530
429
+ },
430
+ {
431
+ "epoch": 6.127659574468085,
432
+ "grad_norm": 1.6670293640581666,
433
+ "learning_rate": 5e-06,
434
+ "loss": 0.4668,
435
+ "step": 540
436
+ },
437
+ {
438
+ "epoch": 6.24113475177305,
439
+ "grad_norm": 1.4632224010725146,
440
+ "learning_rate": 5e-06,
441
+ "loss": 0.4606,
442
+ "step": 550
443
+ },
444
+ {
445
+ "epoch": 6.3546099290780145,
446
+ "grad_norm": 1.418941753583161,
447
+ "learning_rate": 5e-06,
448
+ "loss": 0.4659,
449
+ "step": 560
450
+ },
451
+ {
452
+ "epoch": 6.468085106382979,
453
+ "grad_norm": 1.2205311444987517,
454
+ "learning_rate": 5e-06,
455
+ "loss": 0.464,
456
+ "step": 570
457
+ },
458
+ {
459
+ "epoch": 6.581560283687943,
460
+ "grad_norm": 1.009077269752528,
461
+ "learning_rate": 5e-06,
462
+ "loss": 0.4692,
463
+ "step": 580
464
+ },
465
+ {
466
+ "epoch": 6.695035460992908,
467
+ "grad_norm": 0.9935626851765949,
468
+ "learning_rate": 5e-06,
469
+ "loss": 0.4726,
470
+ "step": 590
471
+ },
472
+ {
473
+ "epoch": 6.808510638297872,
474
+ "grad_norm": 1.6179148008775062,
475
+ "learning_rate": 5e-06,
476
+ "loss": 0.4747,
477
+ "step": 600
478
+ },
479
+ {
480
+ "epoch": 6.921985815602837,
481
+ "grad_norm": 1.321766747558007,
482
+ "learning_rate": 5e-06,
483
+ "loss": 0.4751,
484
+ "step": 610
485
+ },
486
+ {
487
+ "epoch": 6.990070921985816,
488
+ "eval_loss": 0.9138871431350708,
489
+ "eval_runtime": 61.7848,
490
+ "eval_samples_per_second": 38.391,
491
+ "eval_steps_per_second": 0.615,
492
+ "step": 616
493
+ },
494
+ {
495
+ "epoch": 7.035460992907802,
496
+ "grad_norm": 2.5479949839536995,
497
+ "learning_rate": 5e-06,
498
+ "loss": 0.4914,
499
+ "step": 620
500
+ },
501
+ {
502
+ "epoch": 7.148936170212766,
503
+ "grad_norm": 1.9532287720342911,
504
+ "learning_rate": 5e-06,
505
+ "loss": 0.4067,
506
+ "step": 630
507
+ },
508
+ {
509
+ "epoch": 7.26241134751773,
510
+ "grad_norm": 1.2471863458868895,
511
+ "learning_rate": 5e-06,
512
+ "loss": 0.407,
513
+ "step": 640
514
+ },
515
+ {
516
+ "epoch": 7.375886524822695,
517
+ "grad_norm": 1.380768007840979,
518
+ "learning_rate": 5e-06,
519
+ "loss": 0.4087,
520
+ "step": 650
521
+ },
522
+ {
523
+ "epoch": 7.48936170212766,
524
+ "grad_norm": 1.8120917410891308,
525
+ "learning_rate": 5e-06,
526
+ "loss": 0.4093,
527
+ "step": 660
528
+ },
529
+ {
530
+ "epoch": 7.602836879432624,
531
+ "grad_norm": 1.326806876928333,
532
+ "learning_rate": 5e-06,
533
+ "loss": 0.4097,
534
+ "step": 670
535
+ },
536
+ {
537
+ "epoch": 7.716312056737589,
538
+ "grad_norm": 1.6937687132719013,
539
+ "learning_rate": 5e-06,
540
+ "loss": 0.4158,
541
+ "step": 680
542
+ },
543
+ {
544
+ "epoch": 7.829787234042553,
545
+ "grad_norm": 1.3919385940617122,
546
+ "learning_rate": 5e-06,
547
+ "loss": 0.4179,
548
+ "step": 690
549
+ },
550
+ {
551
+ "epoch": 7.943262411347518,
552
+ "grad_norm": 1.7802559463891072,
553
+ "learning_rate": 5e-06,
554
+ "loss": 0.4221,
555
+ "step": 700
556
+ },
557
+ {
558
+ "epoch": 8.0,
559
+ "eval_loss": 1.000566840171814,
560
+ "eval_runtime": 61.7709,
561
+ "eval_samples_per_second": 38.4,
562
+ "eval_steps_per_second": 0.615,
563
+ "step": 705
564
+ },
565
+ {
566
+ "epoch": 8.056737588652481,
567
+ "grad_norm": 2.1738021359459454,
568
+ "learning_rate": 5e-06,
569
+ "loss": 0.424,
570
+ "step": 710
571
+ },
572
+ {
573
+ "epoch": 8.170212765957446,
574
+ "grad_norm": 2.0438827395655847,
575
+ "learning_rate": 5e-06,
576
+ "loss": 0.3553,
577
+ "step": 720
578
+ },
579
+ {
580
+ "epoch": 8.28368794326241,
581
+ "grad_norm": 1.8850254362666403,
582
+ "learning_rate": 5e-06,
583
+ "loss": 0.3587,
584
+ "step": 730
585
+ },
586
+ {
587
+ "epoch": 8.397163120567376,
588
+ "grad_norm": 2.5094106390967035,
589
+ "learning_rate": 5e-06,
590
+ "loss": 0.3574,
591
+ "step": 740
592
+ },
593
+ {
594
+ "epoch": 8.51063829787234,
595
+ "grad_norm": 2.2572139568178513,
596
+ "learning_rate": 5e-06,
597
+ "loss": 0.3619,
598
+ "step": 750
599
+ },
600
+ {
601
+ "epoch": 8.624113475177305,
602
+ "grad_norm": 1.2704163496310845,
603
+ "learning_rate": 5e-06,
604
+ "loss": 0.3583,
605
+ "step": 760
606
+ },
607
+ {
608
+ "epoch": 8.73758865248227,
609
+ "grad_norm": 1.8304249534362902,
610
+ "learning_rate": 5e-06,
611
+ "loss": 0.3604,
612
+ "step": 770
613
+ },
614
+ {
615
+ "epoch": 8.851063829787234,
616
+ "grad_norm": 1.6235522609505653,
617
+ "learning_rate": 5e-06,
618
+ "loss": 0.363,
619
+ "step": 780
620
+ },
621
+ {
622
+ "epoch": 8.964539007092199,
623
+ "grad_norm": 2.126756301230373,
624
+ "learning_rate": 5e-06,
625
+ "loss": 0.3649,
626
+ "step": 790
627
+ },
628
+ {
629
+ "epoch": 8.998581560283688,
630
+ "eval_loss": 1.0596354007720947,
631
+ "eval_runtime": 62.8012,
632
+ "eval_samples_per_second": 37.77,
633
+ "eval_steps_per_second": 0.605,
634
+ "step": 793
635
+ },
636
+ {
637
+ "epoch": 9.078014184397164,
638
+ "grad_norm": 2.421069501768367,
639
+ "learning_rate": 5e-06,
640
+ "loss": 0.3544,
641
+ "step": 800
642
+ },
643
+ {
644
+ "epoch": 9.191489361702128,
645
+ "grad_norm": 1.648060940441488,
646
+ "learning_rate": 5e-06,
647
+ "loss": 0.3044,
648
+ "step": 810
649
+ },
650
+ {
651
+ "epoch": 9.304964539007091,
652
+ "grad_norm": 1.6084806059069598,
653
+ "learning_rate": 5e-06,
654
+ "loss": 0.3059,
655
+ "step": 820
656
+ },
657
+ {
658
+ "epoch": 9.418439716312056,
659
+ "grad_norm": 1.5401041921688723,
660
+ "learning_rate": 5e-06,
661
+ "loss": 0.3058,
662
+ "step": 830
663
+ },
664
+ {
665
+ "epoch": 9.53191489361702,
666
+ "grad_norm": 2.0293807391338143,
667
+ "learning_rate": 5e-06,
668
+ "loss": 0.3115,
669
+ "step": 840
670
+ },
671
+ {
672
+ "epoch": 9.645390070921986,
673
+ "grad_norm": 2.314645079025493,
674
+ "learning_rate": 5e-06,
675
+ "loss": 0.3145,
676
+ "step": 850
677
+ },
678
+ {
679
+ "epoch": 9.75886524822695,
680
+ "grad_norm": 1.5570050085916418,
681
+ "learning_rate": 5e-06,
682
+ "loss": 0.3106,
683
+ "step": 860
684
+ },
685
+ {
686
+ "epoch": 9.872340425531915,
687
+ "grad_norm": 1.5311554302680037,
688
+ "learning_rate": 5e-06,
689
+ "loss": 0.3138,
690
+ "step": 870
691
+ },
692
+ {
693
+ "epoch": 9.98581560283688,
694
+ "grad_norm": 1.5287839268465846,
695
+ "learning_rate": 5e-06,
696
+ "loss": 0.3192,
697
+ "step": 880
698
+ },
699
+ {
700
+ "epoch": 9.997163120567375,
701
+ "eval_loss": 1.1392488479614258,
702
+ "eval_runtime": 62.4865,
703
+ "eval_samples_per_second": 37.96,
704
+ "eval_steps_per_second": 0.608,
705
+ "step": 881
706
+ },
707
+ {
708
+ "epoch": 10.099290780141844,
709
+ "grad_norm": 2.72751141563365,
710
+ "learning_rate": 5e-06,
711
+ "loss": 0.2913,
712
+ "step": 890
713
+ },
714
+ {
715
+ "epoch": 10.212765957446809,
716
+ "grad_norm": 1.695112625785905,
717
+ "learning_rate": 5e-06,
718
+ "loss": 0.2564,
719
+ "step": 900
720
+ },
721
+ {
722
+ "epoch": 10.326241134751774,
723
+ "grad_norm": 2.3429971574606965,
724
+ "learning_rate": 5e-06,
725
+ "loss": 0.2557,
726
+ "step": 910
727
+ },
728
+ {
729
+ "epoch": 10.439716312056738,
730
+ "grad_norm": 1.8027953487068278,
731
+ "learning_rate": 5e-06,
732
+ "loss": 0.2598,
733
+ "step": 920
734
+ },
735
+ {
736
+ "epoch": 10.553191489361701,
737
+ "grad_norm": 1.638203817216446,
738
+ "learning_rate": 5e-06,
739
+ "loss": 0.2629,
740
+ "step": 930
741
+ },
742
+ {
743
+ "epoch": 10.666666666666666,
744
+ "grad_norm": 1.7806426687502075,
745
+ "learning_rate": 5e-06,
746
+ "loss": 0.2634,
747
+ "step": 940
748
+ },
749
+ {
750
+ "epoch": 10.78014184397163,
751
+ "grad_norm": 1.5926893822981327,
752
+ "learning_rate": 5e-06,
753
+ "loss": 0.2638,
754
+ "step": 950
755
+ },
756
+ {
757
+ "epoch": 10.893617021276595,
758
+ "grad_norm": 1.7428329081390457,
759
+ "learning_rate": 5e-06,
760
+ "loss": 0.2658,
761
+ "step": 960
762
+ },
763
+ {
764
+ "epoch": 10.995744680851065,
765
+ "eval_loss": 1.251742959022522,
766
+ "eval_runtime": 61.8255,
767
+ "eval_samples_per_second": 38.366,
768
+ "eval_steps_per_second": 0.615,
769
+ "step": 969
770
+ },
771
+ {
772
+ "epoch": 11.00709219858156,
773
+ "grad_norm": 3.9263311549935636,
774
+ "learning_rate": 5e-06,
775
+ "loss": 0.2848,
776
+ "step": 970
777
+ },
778
+ {
779
+ "epoch": 11.120567375886525,
780
+ "grad_norm": 2.6049326617817044,
781
+ "learning_rate": 5e-06,
782
+ "loss": 0.2138,
783
+ "step": 980
784
+ },
785
+ {
786
+ "epoch": 11.23404255319149,
787
+ "grad_norm": 1.6222017763370542,
788
+ "learning_rate": 5e-06,
789
+ "loss": 0.213,
790
+ "step": 990
791
+ },
792
+ {
793
+ "epoch": 11.347517730496454,
794
+ "grad_norm": 2.5363164551454944,
795
+ "learning_rate": 5e-06,
796
+ "loss": 0.2145,
797
+ "step": 1000
798
+ },
799
+ {
800
+ "epoch": 11.460992907801419,
801
+ "grad_norm": 1.4653575698277383,
802
+ "learning_rate": 5e-06,
803
+ "loss": 0.2126,
804
+ "step": 1010
805
+ },
806
+ {
807
+ "epoch": 11.574468085106384,
808
+ "grad_norm": 1.661578038944481,
809
+ "learning_rate": 5e-06,
810
+ "loss": 0.2199,
811
+ "step": 1020
812
+ },
813
+ {
814
+ "epoch": 11.687943262411348,
815
+ "grad_norm": 1.6170075184374815,
816
+ "learning_rate": 5e-06,
817
+ "loss": 0.216,
818
+ "step": 1030
819
+ },
820
+ {
821
+ "epoch": 11.801418439716311,
822
+ "grad_norm": 2.84154531134498,
823
+ "learning_rate": 5e-06,
824
+ "loss": 0.2248,
825
+ "step": 1040
826
+ },
827
+ {
828
+ "epoch": 11.914893617021276,
829
+ "grad_norm": 2.304374165266374,
830
+ "learning_rate": 5e-06,
831
+ "loss": 0.2232,
832
+ "step": 1050
833
+ },
834
+ {
835
+ "epoch": 11.994326241134752,
836
+ "eval_loss": 1.3437931537628174,
837
+ "eval_runtime": 62.6563,
838
+ "eval_samples_per_second": 37.857,
839
+ "eval_steps_per_second": 0.606,
840
+ "step": 1057
841
+ },
842
+ {
843
+ "epoch": 12.02836879432624,
844
+ "grad_norm": 3.171954263474723,
845
+ "learning_rate": 5e-06,
846
+ "loss": 0.2283,
847
+ "step": 1060
848
+ },
849
+ {
850
+ "epoch": 12.141843971631205,
851
+ "grad_norm": 2.2055268906349044,
852
+ "learning_rate": 5e-06,
853
+ "loss": 0.1732,
854
+ "step": 1070
855
+ },
856
+ {
857
+ "epoch": 12.25531914893617,
858
+ "grad_norm": 1.966744769081506,
859
+ "learning_rate": 5e-06,
860
+ "loss": 0.1702,
861
+ "step": 1080
862
+ },
863
+ {
864
+ "epoch": 12.368794326241135,
865
+ "grad_norm": 1.4350271294458334,
866
+ "learning_rate": 5e-06,
867
+ "loss": 0.1708,
868
+ "step": 1090
869
+ },
870
+ {
871
+ "epoch": 12.4822695035461,
872
+ "grad_norm": 2.1908087303160437,
873
+ "learning_rate": 5e-06,
874
+ "loss": 0.1716,
875
+ "step": 1100
876
+ },
877
+ {
878
+ "epoch": 12.595744680851064,
879
+ "grad_norm": 2.1524139714858364,
880
+ "learning_rate": 5e-06,
881
+ "loss": 0.1769,
882
+ "step": 1110
883
+ },
884
+ {
885
+ "epoch": 12.709219858156029,
886
+ "grad_norm": 2.315412876413917,
887
+ "learning_rate": 5e-06,
888
+ "loss": 0.1774,
889
+ "step": 1120
890
+ },
891
+ {
892
+ "epoch": 12.822695035460994,
893
+ "grad_norm": 1.779835602481138,
894
+ "learning_rate": 5e-06,
895
+ "loss": 0.1818,
896
+ "step": 1130
897
+ },
898
+ {
899
+ "epoch": 12.936170212765958,
900
+ "grad_norm": 1.5338508372566295,
901
+ "learning_rate": 5e-06,
902
+ "loss": 0.1817,
903
+ "step": 1140
904
+ },
905
+ {
906
+ "epoch": 12.99290780141844,
907
+ "eval_loss": 1.4415781497955322,
908
+ "eval_runtime": 62.5739,
909
+ "eval_samples_per_second": 37.907,
910
+ "eval_steps_per_second": 0.607,
911
+ "step": 1145
912
+ },
913
+ {
914
+ "epoch": 13.049645390070921,
915
+ "grad_norm": 2.4012185669865347,
916
+ "learning_rate": 5e-06,
917
+ "loss": 0.1775,
918
+ "step": 1150
919
+ },
920
+ {
921
+ "epoch": 13.163120567375886,
922
+ "grad_norm": 2.6033021021980955,
923
+ "learning_rate": 5e-06,
924
+ "loss": 0.1378,
925
+ "step": 1160
926
+ },
927
+ {
928
+ "epoch": 13.27659574468085,
929
+ "grad_norm": 1.70623847553698,
930
+ "learning_rate": 5e-06,
931
+ "loss": 0.1358,
932
+ "step": 1170
933
+ },
934
+ {
935
+ "epoch": 13.390070921985815,
936
+ "grad_norm": 2.2305608008154665,
937
+ "learning_rate": 5e-06,
938
+ "loss": 0.1364,
939
+ "step": 1180
940
+ },
941
+ {
942
+ "epoch": 13.50354609929078,
943
+ "grad_norm": 2.7083160759097016,
944
+ "learning_rate": 5e-06,
945
+ "loss": 0.137,
946
+ "step": 1190
947
+ },
948
+ {
949
+ "epoch": 13.617021276595745,
950
+ "grad_norm": 2.69713739478201,
951
+ "learning_rate": 5e-06,
952
+ "loss": 0.1398,
953
+ "step": 1200
954
+ },
955
+ {
956
+ "epoch": 13.73049645390071,
957
+ "grad_norm": 2.3436045100684475,
958
+ "learning_rate": 5e-06,
959
+ "loss": 0.1399,
960
+ "step": 1210
961
+ },
962
+ {
963
+ "epoch": 13.843971631205674,
964
+ "grad_norm": 1.6050917746136801,
965
+ "learning_rate": 5e-06,
966
+ "loss": 0.1412,
967
+ "step": 1220
968
+ },
969
+ {
970
+ "epoch": 13.957446808510639,
971
+ "grad_norm": 2.5589880236873546,
972
+ "learning_rate": 5e-06,
973
+ "loss": 0.1418,
974
+ "step": 1230
975
+ },
976
+ {
977
+ "epoch": 13.991489361702127,
978
+ "eval_loss": 1.5400274991989136,
979
+ "eval_runtime": 62.1433,
980
+ "eval_samples_per_second": 38.17,
981
+ "eval_steps_per_second": 0.611,
982
+ "step": 1233
983
+ },
984
+ {
985
+ "epoch": 14.070921985815604,
986
+ "grad_norm": 2.6974199938795715,
987
+ "learning_rate": 5e-06,
988
+ "loss": 0.1335,
989
+ "step": 1240
990
+ },
991
+ {
992
+ "epoch": 14.184397163120567,
993
+ "grad_norm": 1.669747755191835,
994
+ "learning_rate": 5e-06,
995
+ "loss": 0.1045,
996
+ "step": 1250
997
+ },
998
+ {
999
+ "epoch": 14.297872340425531,
1000
+ "grad_norm": 1.6701536146823392,
1001
+ "learning_rate": 5e-06,
1002
+ "loss": 0.1047,
1003
+ "step": 1260
1004
+ },
1005
+ {
1006
+ "epoch": 14.411347517730496,
1007
+ "grad_norm": 1.5692309327841514,
1008
+ "learning_rate": 5e-06,
1009
+ "loss": 0.1051,
1010
+ "step": 1270
1011
+ },
1012
+ {
1013
+ "epoch": 14.52482269503546,
1014
+ "grad_norm": 1.5854537259008437,
1015
+ "learning_rate": 5e-06,
1016
+ "loss": 0.1092,
1017
+ "step": 1280
1018
+ },
1019
+ {
1020
+ "epoch": 14.638297872340425,
1021
+ "grad_norm": 2.1977634811831757,
1022
+ "learning_rate": 5e-06,
1023
+ "loss": 0.1103,
1024
+ "step": 1290
1025
+ },
1026
+ {
1027
+ "epoch": 14.75177304964539,
1028
+ "grad_norm": 1.4935460100019156,
1029
+ "learning_rate": 5e-06,
1030
+ "loss": 0.112,
1031
+ "step": 1300
1032
+ },
1033
+ {
1034
+ "epoch": 14.865248226950355,
1035
+ "grad_norm": 2.2338875049474316,
1036
+ "learning_rate": 5e-06,
1037
+ "loss": 0.114,
1038
+ "step": 1310
1039
+ },
1040
+ {
1041
+ "epoch": 14.97872340425532,
1042
+ "grad_norm": 1.6452083463902718,
1043
+ "learning_rate": 5e-06,
1044
+ "loss": 0.1144,
1045
+ "step": 1320
1046
+ },
1047
+ {
1048
+ "epoch": 14.990070921985815,
1049
+ "eval_loss": 1.6749097108840942,
1050
+ "eval_runtime": 69.4669,
1051
+ "eval_samples_per_second": 34.146,
1052
+ "eval_steps_per_second": 0.547,
1053
+ "step": 1321
1054
+ },
1055
+ {
1056
+ "epoch": 15.092198581560284,
1057
+ "grad_norm": 2.9909865909950932,
1058
+ "learning_rate": 5e-06,
1059
+ "loss": 0.0978,
1060
+ "step": 1330
1061
+ },
1062
+ {
1063
+ "epoch": 15.205673758865249,
1064
+ "grad_norm": 1.753525186875363,
1065
+ "learning_rate": 5e-06,
1066
+ "loss": 0.0819,
1067
+ "step": 1340
1068
+ },
1069
+ {
1070
+ "epoch": 15.319148936170214,
1071
+ "grad_norm": 1.49718571453873,
1072
+ "learning_rate": 5e-06,
1073
+ "loss": 0.0822,
1074
+ "step": 1350
1075
+ },
1076
+ {
1077
+ "epoch": 15.432624113475176,
1078
+ "grad_norm": 1.5460276195217901,
1079
+ "learning_rate": 5e-06,
1080
+ "loss": 0.0842,
1081
+ "step": 1360
1082
+ },
1083
+ {
1084
+ "epoch": 15.546099290780141,
1085
+ "grad_norm": 2.2302829005472993,
1086
+ "learning_rate": 5e-06,
1087
+ "loss": 0.0846,
1088
+ "step": 1370
1089
+ },
1090
+ {
1091
+ "epoch": 15.659574468085106,
1092
+ "grad_norm": 1.8466734512848562,
1093
+ "learning_rate": 5e-06,
1094
+ "loss": 0.0854,
1095
+ "step": 1380
1096
+ },
1097
+ {
1098
+ "epoch": 15.77304964539007,
1099
+ "grad_norm": 1.826155456821189,
1100
+ "learning_rate": 5e-06,
1101
+ "loss": 0.0859,
1102
+ "step": 1390
1103
+ },
1104
+ {
1105
+ "epoch": 15.886524822695035,
1106
+ "grad_norm": 1.7480925191865653,
1107
+ "learning_rate": 5e-06,
1108
+ "loss": 0.0873,
1109
+ "step": 1400
1110
+ },
1111
+ {
1112
+ "epoch": 16.0,
1113
+ "grad_norm": 4.703406049536698,
1114
+ "learning_rate": 5e-06,
1115
+ "loss": 0.0932,
1116
+ "step": 1410
1117
+ },
1118
+ {
1119
+ "epoch": 16.0,
1120
+ "eval_loss": 1.773341178894043,
1121
+ "eval_runtime": 69.8689,
1122
+ "eval_samples_per_second": 33.949,
1123
+ "eval_steps_per_second": 0.544,
1124
+ "step": 1410
1125
+ },
1126
+ {
1127
+ "epoch": 16.113475177304963,
1128
+ "grad_norm": 2.1931332653452653,
1129
+ "learning_rate": 5e-06,
1130
+ "loss": 0.0618,
1131
+ "step": 1420
1132
+ },
1133
+ {
1134
+ "epoch": 16.22695035460993,
1135
+ "grad_norm": 1.561959511527612,
1136
+ "learning_rate": 5e-06,
1137
+ "loss": 0.0616,
1138
+ "step": 1430
1139
+ },
1140
+ {
1141
+ "epoch": 16.340425531914892,
1142
+ "grad_norm": 2.08368980727909,
1143
+ "learning_rate": 5e-06,
1144
+ "loss": 0.0618,
1145
+ "step": 1440
1146
+ },
1147
+ {
1148
+ "epoch": 16.45390070921986,
1149
+ "grad_norm": 2.633735186380944,
1150
+ "learning_rate": 5e-06,
1151
+ "loss": 0.0632,
1152
+ "step": 1450
1153
+ },
1154
+ {
1155
+ "epoch": 16.56737588652482,
1156
+ "grad_norm": 1.6666433686469015,
1157
+ "learning_rate": 5e-06,
1158
+ "loss": 0.0628,
1159
+ "step": 1460
1160
+ },
1161
+ {
1162
+ "epoch": 16.680851063829788,
1163
+ "grad_norm": 1.5125810239930932,
1164
+ "learning_rate": 5e-06,
1165
+ "loss": 0.063,
1166
+ "step": 1470
1167
+ },
1168
+ {
1169
+ "epoch": 16.79432624113475,
1170
+ "grad_norm": 2.2573637438259464,
1171
+ "learning_rate": 5e-06,
1172
+ "loss": 0.0648,
1173
+ "step": 1480
1174
+ },
1175
+ {
1176
+ "epoch": 16.907801418439718,
1177
+ "grad_norm": 1.766704303804737,
1178
+ "learning_rate": 5e-06,
1179
+ "loss": 0.0669,
1180
+ "step": 1490
1181
+ },
1182
+ {
1183
+ "epoch": 16.99858156028369,
1184
+ "eval_loss": 1.9060131311416626,
1185
+ "eval_runtime": 69.1764,
1186
+ "eval_samples_per_second": 34.289,
1187
+ "eval_steps_per_second": 0.549,
1188
+ "step": 1498
1189
+ },
1190
+ {
1191
+ "epoch": 17.02127659574468,
1192
+ "grad_norm": 2.8884446061839686,
1193
+ "learning_rate": 5e-06,
1194
+ "loss": 0.067,
1195
+ "step": 1500
1196
+ },
1197
+ {
1198
+ "epoch": 17.134751773049647,
1199
+ "grad_norm": 1.4375657511058568,
1200
+ "learning_rate": 5e-06,
1201
+ "loss": 0.045,
1202
+ "step": 1510
1203
+ },
1204
+ {
1205
+ "epoch": 17.24822695035461,
1206
+ "grad_norm": 1.4802152522135432,
1207
+ "learning_rate": 5e-06,
1208
+ "loss": 0.0447,
1209
+ "step": 1520
1210
+ },
1211
+ {
1212
+ "epoch": 17.361702127659573,
1213
+ "grad_norm": 1.614881692739521,
1214
+ "learning_rate": 5e-06,
1215
+ "loss": 0.0473,
1216
+ "step": 1530
1217
+ },
1218
+ {
1219
+ "epoch": 17.47517730496454,
1220
+ "grad_norm": 2.4617340461694472,
1221
+ "learning_rate": 5e-06,
1222
+ "loss": 0.0491,
1223
+ "step": 1540
1224
+ },
1225
+ {
1226
+ "epoch": 17.588652482269502,
1227
+ "grad_norm": 1.4499102037181577,
1228
+ "learning_rate": 5e-06,
1229
+ "loss": 0.0483,
1230
+ "step": 1550
1231
+ },
1232
+ {
1233
+ "epoch": 17.70212765957447,
1234
+ "grad_norm": 1.6979894468070986,
1235
+ "learning_rate": 5e-06,
1236
+ "loss": 0.0489,
1237
+ "step": 1560
1238
+ },
1239
+ {
1240
+ "epoch": 17.81560283687943,
1241
+ "grad_norm": 2.081624941686834,
1242
+ "learning_rate": 5e-06,
1243
+ "loss": 0.0501,
1244
+ "step": 1570
1245
+ },
1246
+ {
1247
+ "epoch": 17.929078014184398,
1248
+ "grad_norm": 1.9921542957081264,
1249
+ "learning_rate": 5e-06,
1250
+ "loss": 0.0506,
1251
+ "step": 1580
1252
+ },
1253
+ {
1254
+ "epoch": 17.997163120567375,
1255
+ "eval_loss": 1.9450756311416626,
1256
+ "eval_runtime": 68.8214,
1257
+ "eval_samples_per_second": 34.466,
1258
+ "eval_steps_per_second": 0.552,
1259
+ "step": 1586
1260
+ },
1261
+ {
1262
+ "epoch": 18.04255319148936,
1263
+ "grad_norm": 1.9224844379964918,
1264
+ "learning_rate": 5e-06,
1265
+ "loss": 0.0503,
1266
+ "step": 1590
1267
+ },
1268
+ {
1269
+ "epoch": 18.156028368794328,
1270
+ "grad_norm": 1.714407414612998,
1271
+ "learning_rate": 5e-06,
1272
+ "loss": 0.0354,
1273
+ "step": 1600
1274
+ },
1275
+ {
1276
+ "epoch": 18.26950354609929,
1277
+ "grad_norm": 1.380425999820701,
1278
+ "learning_rate": 5e-06,
1279
+ "loss": 0.036,
1280
+ "step": 1610
1281
+ },
1282
+ {
1283
+ "epoch": 18.382978723404257,
1284
+ "grad_norm": 1.5291382013616857,
1285
+ "learning_rate": 5e-06,
1286
+ "loss": 0.0386,
1287
+ "step": 1620
1288
+ },
1289
+ {
1290
+ "epoch": 18.49645390070922,
1291
+ "grad_norm": 2.2541583387536037,
1292
+ "learning_rate": 5e-06,
1293
+ "loss": 0.0399,
1294
+ "step": 1630
1295
+ },
1296
+ {
1297
+ "epoch": 18.609929078014183,
1298
+ "grad_norm": 1.7584069820913808,
1299
+ "learning_rate": 5e-06,
1300
+ "loss": 0.0407,
1301
+ "step": 1640
1302
+ },
1303
+ {
1304
+ "epoch": 18.72340425531915,
1305
+ "grad_norm": 1.7575163459677958,
1306
+ "learning_rate": 5e-06,
1307
+ "loss": 0.0408,
1308
+ "step": 1650
1309
+ },
1310
+ {
1311
+ "epoch": 18.836879432624112,
1312
+ "grad_norm": 1.4369028755815154,
1313
+ "learning_rate": 5e-06,
1314
+ "loss": 0.04,
1315
+ "step": 1660
1316
+ },
1317
+ {
1318
+ "epoch": 18.95035460992908,
1319
+ "grad_norm": 1.9850726261264064,
1320
+ "learning_rate": 5e-06,
1321
+ "loss": 0.0412,
1322
+ "step": 1670
1323
+ },
1324
+ {
1325
+ "epoch": 18.995744680851065,
1326
+ "eval_loss": 2.018162727355957,
1327
+ "eval_runtime": 62.4156,
1328
+ "eval_samples_per_second": 38.003,
1329
+ "eval_steps_per_second": 0.609,
1330
+ "step": 1674
1331
+ },
1332
+ {
1333
+ "epoch": 19.06382978723404,
1334
+ "grad_norm": 1.501965463597226,
1335
+ "learning_rate": 5e-06,
1336
+ "loss": 0.0382,
1337
+ "step": 1680
1338
+ },
1339
+ {
1340
+ "epoch": 19.177304964539008,
1341
+ "grad_norm": 1.952580410332778,
1342
+ "learning_rate": 5e-06,
1343
+ "loss": 0.0306,
1344
+ "step": 1690
1345
+ },
1346
+ {
1347
+ "epoch": 19.29078014184397,
1348
+ "grad_norm": 1.729911113753904,
1349
+ "learning_rate": 5e-06,
1350
+ "loss": 0.0306,
1351
+ "step": 1700
1352
+ },
1353
+ {
1354
+ "epoch": 19.404255319148938,
1355
+ "grad_norm": 1.5141444330801705,
1356
+ "learning_rate": 5e-06,
1357
+ "loss": 0.0304,
1358
+ "step": 1710
1359
+ },
1360
+ {
1361
+ "epoch": 19.5177304964539,
1362
+ "grad_norm": 1.3870058186319074,
1363
+ "learning_rate": 5e-06,
1364
+ "loss": 0.031,
1365
+ "step": 1720
1366
+ },
1367
+ {
1368
+ "epoch": 19.631205673758867,
1369
+ "grad_norm": 1.8134623582061118,
1370
+ "learning_rate": 5e-06,
1371
+ "loss": 0.0321,
1372
+ "step": 1730
1373
+ },
1374
+ {
1375
+ "epoch": 19.74468085106383,
1376
+ "grad_norm": 1.699089186796663,
1377
+ "learning_rate": 5e-06,
1378
+ "loss": 0.034,
1379
+ "step": 1740
1380
+ },
1381
+ {
1382
+ "epoch": 19.858156028368793,
1383
+ "grad_norm": 1.3806789087183744,
1384
+ "learning_rate": 5e-06,
1385
+ "loss": 0.034,
1386
+ "step": 1750
1387
+ },
1388
+ {
1389
+ "epoch": 19.97163120567376,
1390
+ "grad_norm": 1.4266442973936173,
1391
+ "learning_rate": 5e-06,
1392
+ "loss": 0.0336,
1393
+ "step": 1760
1394
+ },
1395
+ {
1396
+ "epoch": 19.99432624113475,
1397
+ "eval_loss": 2.0948634147644043,
1398
+ "eval_runtime": 62.5678,
1399
+ "eval_samples_per_second": 37.911,
1400
+ "eval_steps_per_second": 0.607,
1401
+ "step": 1762
1402
+ },
1403
+ {
1404
+ "epoch": 20.085106382978722,
1405
+ "grad_norm": 1.920078997696489,
1406
+ "learning_rate": 5e-06,
1407
+ "loss": 0.0294,
1408
+ "step": 1770
1409
+ },
1410
+ {
1411
+ "epoch": 20.19858156028369,
1412
+ "grad_norm": 1.5002721536366188,
1413
+ "learning_rate": 5e-06,
1414
+ "loss": 0.0258,
1415
+ "step": 1780
1416
+ },
1417
+ {
1418
+ "epoch": 20.31205673758865,
1419
+ "grad_norm": 1.5579738724358545,
1420
+ "learning_rate": 5e-06,
1421
+ "loss": 0.0267,
1422
+ "step": 1790
1423
+ },
1424
+ {
1425
+ "epoch": 20.425531914893618,
1426
+ "grad_norm": 1.455169431793061,
1427
+ "learning_rate": 5e-06,
1428
+ "loss": 0.0266,
1429
+ "step": 1800
1430
+ },
1431
+ {
1432
+ "epoch": 20.53900709219858,
1433
+ "grad_norm": 1.22886010057641,
1434
+ "learning_rate": 5e-06,
1435
+ "loss": 0.0269,
1436
+ "step": 1810
1437
+ },
1438
+ {
1439
+ "epoch": 20.652482269503547,
1440
+ "grad_norm": 1.5116925302103017,
1441
+ "learning_rate": 5e-06,
1442
+ "loss": 0.0282,
1443
+ "step": 1820
1444
+ },
1445
+ {
1446
+ "epoch": 20.76595744680851,
1447
+ "grad_norm": 1.5692932225328788,
1448
+ "learning_rate": 5e-06,
1449
+ "loss": 0.0288,
1450
+ "step": 1830
1451
+ },
1452
+ {
1453
+ "epoch": 20.879432624113477,
1454
+ "grad_norm": 1.391741629484137,
1455
+ "learning_rate": 5e-06,
1456
+ "loss": 0.0298,
1457
+ "step": 1840
1458
+ },
1459
+ {
1460
+ "epoch": 20.99290780141844,
1461
+ "grad_norm": 1.973700678085544,
1462
+ "learning_rate": 5e-06,
1463
+ "loss": 0.0299,
1464
+ "step": 1850
1465
+ },
1466
+ {
1467
+ "epoch": 20.99290780141844,
1468
+ "eval_loss": 2.1437060832977295,
1469
+ "eval_runtime": 62.0314,
1470
+ "eval_samples_per_second": 38.239,
1471
+ "eval_steps_per_second": 0.613,
1472
+ "step": 1850
1473
+ },
1474
+ {
1475
+ "epoch": 21.106382978723403,
1476
+ "grad_norm": 1.1791411901063809,
1477
+ "learning_rate": 5e-06,
1478
+ "loss": 0.0244,
1479
+ "step": 1860
1480
+ },
1481
+ {
1482
+ "epoch": 21.21985815602837,
1483
+ "grad_norm": 1.267123446553761,
1484
+ "learning_rate": 5e-06,
1485
+ "loss": 0.0226,
1486
+ "step": 1870
1487
+ },
1488
+ {
1489
+ "epoch": 21.333333333333332,
1490
+ "grad_norm": 1.3624423761722013,
1491
+ "learning_rate": 5e-06,
1492
+ "loss": 0.023,
1493
+ "step": 1880
1494
+ },
1495
+ {
1496
+ "epoch": 21.4468085106383,
1497
+ "grad_norm": 1.426640337405648,
1498
+ "learning_rate": 5e-06,
1499
+ "loss": 0.0243,
1500
+ "step": 1890
1501
+ },
1502
+ {
1503
+ "epoch": 21.56028368794326,
1504
+ "grad_norm": 1.4553540262096338,
1505
+ "learning_rate": 5e-06,
1506
+ "loss": 0.0242,
1507
+ "step": 1900
1508
+ },
1509
+ {
1510
+ "epoch": 21.673758865248228,
1511
+ "grad_norm": 1.503724635353548,
1512
+ "learning_rate": 5e-06,
1513
+ "loss": 0.0247,
1514
+ "step": 1910
1515
+ },
1516
+ {
1517
+ "epoch": 21.78723404255319,
1518
+ "grad_norm": 1.4126151297962473,
1519
+ "learning_rate": 5e-06,
1520
+ "loss": 0.0255,
1521
+ "step": 1920
1522
+ },
1523
+ {
1524
+ "epoch": 21.900709219858157,
1525
+ "grad_norm": 1.2923917999452894,
1526
+ "learning_rate": 5e-06,
1527
+ "loss": 0.0255,
1528
+ "step": 1930
1529
+ },
1530
+ {
1531
+ "epoch": 21.99148936170213,
1532
+ "eval_loss": 2.1743686199188232,
1533
+ "eval_runtime": 61.954,
1534
+ "eval_samples_per_second": 38.286,
1535
+ "eval_steps_per_second": 0.613,
1536
+ "step": 1938
1537
+ },
1538
+ {
1539
+ "epoch": 22.01418439716312,
1540
+ "grad_norm": 1.2651742889807782,
1541
+ "learning_rate": 5e-06,
1542
+ "loss": 0.0257,
1543
+ "step": 1940
1544
+ },
1545
+ {
1546
+ "epoch": 22.127659574468087,
1547
+ "grad_norm": 1.1234871648540001,
1548
+ "learning_rate": 5e-06,
1549
+ "loss": 0.0183,
1550
+ "step": 1950
1551
+ },
1552
+ {
1553
+ "epoch": 22.24113475177305,
1554
+ "grad_norm": 1.1914682347381635,
1555
+ "learning_rate": 5e-06,
1556
+ "loss": 0.0197,
1557
+ "step": 1960
1558
+ },
1559
+ {
1560
+ "epoch": 22.354609929078013,
1561
+ "grad_norm": 1.5236491827381375,
1562
+ "learning_rate": 5e-06,
1563
+ "loss": 0.0203,
1564
+ "step": 1970
1565
+ },
1566
+ {
1567
+ "epoch": 22.46808510638298,
1568
+ "grad_norm": 1.152425475304377,
1569
+ "learning_rate": 5e-06,
1570
+ "loss": 0.0201,
1571
+ "step": 1980
1572
+ },
1573
+ {
1574
+ "epoch": 22.581560283687942,
1575
+ "grad_norm": 1.5074453816966662,
1576
+ "learning_rate": 5e-06,
1577
+ "loss": 0.0203,
1578
+ "step": 1990
1579
+ },
1580
+ {
1581
+ "epoch": 22.69503546099291,
1582
+ "grad_norm": 1.4232083123752879,
1583
+ "learning_rate": 5e-06,
1584
+ "loss": 0.02,
1585
+ "step": 2000
1586
+ },
1587
+ {
1588
+ "epoch": 22.80851063829787,
1589
+ "grad_norm": 1.3274591200293286,
1590
+ "learning_rate": 5e-06,
1591
+ "loss": 0.0205,
1592
+ "step": 2010
1593
+ },
1594
+ {
1595
+ "epoch": 22.921985815602838,
1596
+ "grad_norm": 1.2163483760719238,
1597
+ "learning_rate": 5e-06,
1598
+ "loss": 0.0214,
1599
+ "step": 2020
1600
+ },
1601
+ {
1602
+ "epoch": 22.990070921985815,
1603
+ "eval_loss": 2.2530956268310547,
1604
+ "eval_runtime": 61.8444,
1605
+ "eval_samples_per_second": 38.354,
1606
+ "eval_steps_per_second": 0.614,
1607
+ "step": 2026
1608
+ },
1609
+ {
1610
+ "epoch": 23.0354609929078,
1611
+ "grad_norm": 1.102674013054533,
1612
+ "learning_rate": 5e-06,
1613
+ "loss": 0.0211,
1614
+ "step": 2030
1615
+ },
1616
+ {
1617
+ "epoch": 23.148936170212767,
1618
+ "grad_norm": 1.280352404689559,
1619
+ "learning_rate": 5e-06,
1620
+ "loss": 0.0166,
1621
+ "step": 2040
1622
+ },
1623
+ {
1624
+ "epoch": 23.26241134751773,
1625
+ "grad_norm": 1.2676632223563031,
1626
+ "learning_rate": 5e-06,
1627
+ "loss": 0.0174,
1628
+ "step": 2050
1629
+ },
1630
+ {
1631
+ "epoch": 23.375886524822697,
1632
+ "grad_norm": 1.338911086977905,
1633
+ "learning_rate": 5e-06,
1634
+ "loss": 0.0179,
1635
+ "step": 2060
1636
+ },
1637
+ {
1638
+ "epoch": 23.48936170212766,
1639
+ "grad_norm": 1.3586671769170666,
1640
+ "learning_rate": 5e-06,
1641
+ "loss": 0.018,
1642
+ "step": 2070
1643
+ },
1644
+ {
1645
+ "epoch": 23.602836879432623,
1646
+ "grad_norm": 1.6478284268488168,
1647
+ "learning_rate": 5e-06,
1648
+ "loss": 0.0182,
1649
+ "step": 2080
1650
+ },
1651
+ {
1652
+ "epoch": 23.71631205673759,
1653
+ "grad_norm": 1.3656912406981414,
1654
+ "learning_rate": 5e-06,
1655
+ "loss": 0.0191,
1656
+ "step": 2090
1657
+ },
1658
+ {
1659
+ "epoch": 23.829787234042552,
1660
+ "grad_norm": 1.2548808655348251,
1661
+ "learning_rate": 5e-06,
1662
+ "loss": 0.0182,
1663
+ "step": 2100
1664
+ },
1665
+ {
1666
+ "epoch": 23.94326241134752,
1667
+ "grad_norm": 1.2709938993829644,
1668
+ "learning_rate": 5e-06,
1669
+ "loss": 0.0183,
1670
+ "step": 2110
1671
+ },
1672
+ {
1673
+ "epoch": 24.0,
1674
+ "eval_loss": 2.2672340869903564,
1675
+ "eval_runtime": 61.7779,
1676
+ "eval_samples_per_second": 38.396,
1677
+ "eval_steps_per_second": 0.615,
1678
+ "step": 2115
1679
+ },
1680
+ {
1681
+ "epoch": 24.05673758865248,
1682
+ "grad_norm": 1.1287652816162261,
1683
+ "learning_rate": 5e-06,
1684
+ "loss": 0.0176,
1685
+ "step": 2120
1686
+ },
1687
+ {
1688
+ "epoch": 24.170212765957448,
1689
+ "grad_norm": 1.514856403878364,
1690
+ "learning_rate": 5e-06,
1691
+ "loss": 0.0149,
1692
+ "step": 2130
1693
+ },
1694
+ {
1695
+ "epoch": 24.28368794326241,
1696
+ "grad_norm": 1.4283915780055492,
1697
+ "learning_rate": 5e-06,
1698
+ "loss": 0.0156,
1699
+ "step": 2140
1700
+ },
1701
+ {
1702
+ "epoch": 24.397163120567377,
1703
+ "grad_norm": 1.059461534861265,
1704
+ "learning_rate": 5e-06,
1705
+ "loss": 0.0159,
1706
+ "step": 2150
1707
+ },
1708
+ {
1709
+ "epoch": 24.51063829787234,
1710
+ "grad_norm": 1.1623165952765633,
1711
+ "learning_rate": 5e-06,
1712
+ "loss": 0.0161,
1713
+ "step": 2160
1714
+ },
1715
+ {
1716
+ "epoch": 24.624113475177303,
1717
+ "grad_norm": 1.117151249059667,
1718
+ "learning_rate": 5e-06,
1719
+ "loss": 0.0167,
1720
+ "step": 2170
1721
+ },
1722
+ {
1723
+ "epoch": 24.73758865248227,
1724
+ "grad_norm": 1.3585899962321324,
1725
+ "learning_rate": 5e-06,
1726
+ "loss": 0.0173,
1727
+ "step": 2180
1728
+ },
1729
+ {
1730
+ "epoch": 24.851063829787233,
1731
+ "grad_norm": 1.2416797002653372,
1732
+ "learning_rate": 5e-06,
1733
+ "loss": 0.0176,
1734
+ "step": 2190
1735
+ },
1736
+ {
1737
+ "epoch": 24.9645390070922,
1738
+ "grad_norm": 1.1197862040396234,
1739
+ "learning_rate": 5e-06,
1740
+ "loss": 0.0176,
1741
+ "step": 2200
1742
+ },
1743
+ {
1744
+ "epoch": 24.99858156028369,
1745
+ "eval_loss": 2.2650251388549805,
1746
+ "eval_runtime": 61.7487,
1747
+ "eval_samples_per_second": 38.414,
1748
+ "eval_steps_per_second": 0.615,
1749
+ "step": 2203
1750
+ },
1751
+ {
1752
+ "epoch": 25.078014184397162,
1753
+ "grad_norm": 0.9878141556093745,
1754
+ "learning_rate": 5e-06,
1755
+ "loss": 0.016,
1756
+ "step": 2210
1757
+ },
1758
+ {
1759
+ "epoch": 25.19148936170213,
1760
+ "grad_norm": 1.1817739397428935,
1761
+ "learning_rate": 5e-06,
1762
+ "loss": 0.0145,
1763
+ "step": 2220
1764
+ },
1765
+ {
1766
+ "epoch": 25.30496453900709,
1767
+ "grad_norm": 1.004904053519453,
1768
+ "learning_rate": 5e-06,
1769
+ "loss": 0.0152,
1770
+ "step": 2230
1771
+ },
1772
+ {
1773
+ "epoch": 25.418439716312058,
1774
+ "grad_norm": 1.120987937715426,
1775
+ "learning_rate": 5e-06,
1776
+ "loss": 0.0153,
1777
+ "step": 2240
1778
+ },
1779
+ {
1780
+ "epoch": 25.53191489361702,
1781
+ "grad_norm": 1.1581554681983095,
1782
+ "learning_rate": 5e-06,
1783
+ "loss": 0.0158,
1784
+ "step": 2250
1785
+ },
1786
+ {
1787
+ "epoch": 25.645390070921987,
1788
+ "grad_norm": 0.9570504069445702,
1789
+ "learning_rate": 5e-06,
1790
+ "loss": 0.0159,
1791
+ "step": 2260
1792
+ },
1793
+ {
1794
+ "epoch": 25.75886524822695,
1795
+ "grad_norm": 1.2223868766654897,
1796
+ "learning_rate": 5e-06,
1797
+ "loss": 0.0167,
1798
+ "step": 2270
1799
+ },
1800
+ {
1801
+ "epoch": 25.872340425531917,
1802
+ "grad_norm": 1.235670723966881,
1803
+ "learning_rate": 5e-06,
1804
+ "loss": 0.0167,
1805
+ "step": 2280
1806
+ },
1807
+ {
1808
+ "epoch": 25.98581560283688,
1809
+ "grad_norm": 1.0449436637521454,
1810
+ "learning_rate": 5e-06,
1811
+ "loss": 0.0165,
1812
+ "step": 2290
1813
+ },
1814
+ {
1815
+ "epoch": 25.997163120567375,
1816
+ "eval_loss": 2.2784597873687744,
1817
+ "eval_runtime": 61.747,
1818
+ "eval_samples_per_second": 38.415,
1819
+ "eval_steps_per_second": 0.615,
1820
+ "step": 2291
1821
+ },
1822
+ {
1823
+ "epoch": 26.099290780141843,
1824
+ "grad_norm": 0.937351445077704,
1825
+ "learning_rate": 5e-06,
1826
+ "loss": 0.0144,
1827
+ "step": 2300
1828
+ },
1829
+ {
1830
+ "epoch": 26.21276595744681,
1831
+ "grad_norm": 1.4726294234141475,
1832
+ "learning_rate": 5e-06,
1833
+ "loss": 0.0138,
1834
+ "step": 2310
1835
+ },
1836
+ {
1837
+ "epoch": 26.326241134751772,
1838
+ "grad_norm": 0.911974339928837,
1839
+ "learning_rate": 5e-06,
1840
+ "loss": 0.0141,
1841
+ "step": 2320
1842
+ },
1843
+ {
1844
+ "epoch": 26.43971631205674,
1845
+ "grad_norm": 0.9153128396132686,
1846
+ "learning_rate": 5e-06,
1847
+ "loss": 0.0141,
1848
+ "step": 2330
1849
+ },
1850
+ {
1851
+ "epoch": 26.5531914893617,
1852
+ "grad_norm": 1.0379804645600088,
1853
+ "learning_rate": 5e-06,
1854
+ "loss": 0.0146,
1855
+ "step": 2340
1856
+ },
1857
+ {
1858
+ "epoch": 26.666666666666668,
1859
+ "grad_norm": 1.009567426911364,
1860
+ "learning_rate": 5e-06,
1861
+ "loss": 0.015,
1862
+ "step": 2350
1863
+ },
1864
+ {
1865
+ "epoch": 26.78014184397163,
1866
+ "grad_norm": 0.9581577917417519,
1867
+ "learning_rate": 5e-06,
1868
+ "loss": 0.0155,
1869
+ "step": 2360
1870
+ },
1871
+ {
1872
+ "epoch": 26.893617021276597,
1873
+ "grad_norm": 0.9973777175459498,
1874
+ "learning_rate": 5e-06,
1875
+ "loss": 0.0152,
1876
+ "step": 2370
1877
+ },
1878
+ {
1879
+ "epoch": 26.995744680851065,
1880
+ "eval_loss": 2.272617816925049,
1881
+ "eval_runtime": 69.2573,
1882
+ "eval_samples_per_second": 34.249,
1883
+ "eval_steps_per_second": 0.549,
1884
+ "step": 2379
1885
+ },
1886
+ {
1887
+ "epoch": 27.00709219858156,
1888
+ "grad_norm": 2.5151039373227637,
1889
+ "learning_rate": 5e-06,
1890
+ "loss": 0.0162,
1891
+ "step": 2380
1892
+ },
1893
+ {
1894
+ "epoch": 27.120567375886523,
1895
+ "grad_norm": 0.8739287942149531,
1896
+ "learning_rate": 5e-06,
1897
+ "loss": 0.0119,
1898
+ "step": 2390
1899
+ },
1900
+ {
1901
+ "epoch": 27.23404255319149,
1902
+ "grad_norm": 0.9923332279176865,
1903
+ "learning_rate": 5e-06,
1904
+ "loss": 0.0123,
1905
+ "step": 2400
1906
+ },
1907
+ {
1908
+ "epoch": 27.347517730496453,
1909
+ "grad_norm": 0.8986384187935266,
1910
+ "learning_rate": 5e-06,
1911
+ "loss": 0.0123,
1912
+ "step": 2410
1913
+ },
1914
+ {
1915
+ "epoch": 27.46099290780142,
1916
+ "grad_norm": 0.9527555500748222,
1917
+ "learning_rate": 5e-06,
1918
+ "loss": 0.0128,
1919
+ "step": 2420
1920
+ },
1921
+ {
1922
+ "epoch": 27.574468085106382,
1923
+ "grad_norm": 0.9573410638147425,
1924
+ "learning_rate": 5e-06,
1925
+ "loss": 0.0131,
1926
+ "step": 2430
1927
+ },
1928
+ {
1929
+ "epoch": 27.68794326241135,
1930
+ "grad_norm": 0.9206613579635727,
1931
+ "learning_rate": 5e-06,
1932
+ "loss": 0.0134,
1933
+ "step": 2440
1934
+ },
1935
+ {
1936
+ "epoch": 27.80141843971631,
1937
+ "grad_norm": 1.0631805922440314,
1938
+ "learning_rate": 5e-06,
1939
+ "loss": 0.0136,
1940
+ "step": 2450
1941
+ },
1942
+ {
1943
+ "epoch": 27.914893617021278,
1944
+ "grad_norm": 0.9873569774398828,
1945
+ "learning_rate": 5e-06,
1946
+ "loss": 0.0141,
1947
+ "step": 2460
1948
+ },
1949
+ {
1950
+ "epoch": 27.99432624113475,
1951
+ "eval_loss": 2.3099989891052246,
1952
+ "eval_runtime": 61.8228,
1953
+ "eval_samples_per_second": 38.368,
1954
+ "eval_steps_per_second": 0.615,
1955
+ "step": 2467
1956
+ },
1957
+ {
1958
+ "epoch": 28.02836879432624,
1959
+ "grad_norm": 0.8367467896199314,
1960
+ "learning_rate": 5e-06,
1961
+ "loss": 0.0142,
1962
+ "step": 2470
1963
+ },
1964
+ {
1965
+ "epoch": 28.141843971631207,
1966
+ "grad_norm": 0.8750575092503129,
1967
+ "learning_rate": 5e-06,
1968
+ "loss": 0.011,
1969
+ "step": 2480
1970
+ },
1971
+ {
1972
+ "epoch": 28.25531914893617,
1973
+ "grad_norm": 0.8433351422057557,
1974
+ "learning_rate": 5e-06,
1975
+ "loss": 0.0113,
1976
+ "step": 2490
1977
+ },
1978
+ {
1979
+ "epoch": 28.368794326241133,
1980
+ "grad_norm": 0.9459082278215922,
1981
+ "learning_rate": 5e-06,
1982
+ "loss": 0.0114,
1983
+ "step": 2500
1984
+ },
1985
+ {
1986
+ "epoch": 28.4822695035461,
1987
+ "grad_norm": 0.8476815269716437,
1988
+ "learning_rate": 5e-06,
1989
+ "loss": 0.0118,
1990
+ "step": 2510
1991
+ },
1992
+ {
1993
+ "epoch": 28.595744680851062,
1994
+ "grad_norm": 0.9919619479253982,
1995
+ "learning_rate": 5e-06,
1996
+ "loss": 0.0119,
1997
+ "step": 2520
1998
+ },
1999
+ {
2000
+ "epoch": 28.70921985815603,
2001
+ "grad_norm": 0.921713687988904,
2002
+ "learning_rate": 5e-06,
2003
+ "loss": 0.0119,
2004
+ "step": 2530
2005
+ },
2006
+ {
2007
+ "epoch": 28.822695035460992,
2008
+ "grad_norm": 0.8904411861697781,
2009
+ "learning_rate": 5e-06,
2010
+ "loss": 0.012,
2011
+ "step": 2540
2012
+ },
2013
+ {
2014
+ "epoch": 28.93617021276596,
2015
+ "grad_norm": 1.2704463003827144,
2016
+ "learning_rate": 5e-06,
2017
+ "loss": 0.0124,
2018
+ "step": 2550
2019
+ },
2020
+ {
2021
+ "epoch": 28.99290780141844,
2022
+ "eval_loss": 2.332291841506958,
2023
+ "eval_runtime": 60.798,
2024
+ "eval_samples_per_second": 39.014,
2025
+ "eval_steps_per_second": 0.625,
2026
+ "step": 2555
2027
+ },
2028
+ {
2029
+ "epoch": 29.04964539007092,
2030
+ "grad_norm": 0.8345079136380029,
2031
+ "learning_rate": 5e-06,
2032
+ "loss": 0.0116,
2033
+ "step": 2560
2034
+ },
2035
+ {
2036
+ "epoch": 29.163120567375888,
2037
+ "grad_norm": 0.7727575462289974,
2038
+ "learning_rate": 5e-06,
2039
+ "loss": 0.0098,
2040
+ "step": 2570
2041
+ },
2042
+ {
2043
+ "epoch": 29.27659574468085,
2044
+ "grad_norm": 0.7449623009916486,
2045
+ "learning_rate": 5e-06,
2046
+ "loss": 0.01,
2047
+ "step": 2580
2048
+ },
2049
+ {
2050
+ "epoch": 29.390070921985817,
2051
+ "grad_norm": 0.823872924226129,
2052
+ "learning_rate": 5e-06,
2053
+ "loss": 0.01,
2054
+ "step": 2590
2055
+ },
2056
+ {
2057
+ "epoch": 29.50354609929078,
2058
+ "grad_norm": 0.8397207934188576,
2059
+ "learning_rate": 5e-06,
2060
+ "loss": 0.0099,
2061
+ "step": 2600
2062
+ },
2063
+ {
2064
+ "epoch": 29.617021276595743,
2065
+ "grad_norm": 0.8116256567720525,
2066
+ "learning_rate": 5e-06,
2067
+ "loss": 0.0102,
2068
+ "step": 2610
2069
+ },
2070
+ {
2071
+ "epoch": 29.73049645390071,
2072
+ "grad_norm": 0.8294250388534566,
2073
+ "learning_rate": 5e-06,
2074
+ "loss": 0.0102,
2075
+ "step": 2620
2076
+ },
2077
+ {
2078
+ "epoch": 29.843971631205672,
2079
+ "grad_norm": 0.8114849444813739,
2080
+ "learning_rate": 5e-06,
2081
+ "loss": 0.0104,
2082
+ "step": 2630
2083
+ },
2084
+ {
2085
+ "epoch": 29.95744680851064,
2086
+ "grad_norm": 0.8852232975531666,
2087
+ "learning_rate": 5e-06,
2088
+ "loss": 0.0106,
2089
+ "step": 2640
2090
+ },
2091
+ {
2092
+ "epoch": 29.99148936170213,
2093
+ "eval_loss": 2.357081651687622,
2094
+ "eval_runtime": 62.2636,
2095
+ "eval_samples_per_second": 38.096,
2096
+ "eval_steps_per_second": 0.61,
2097
+ "step": 2643
2098
+ },
2099
+ {
2100
+ "epoch": 30.070921985815602,
2101
+ "grad_norm": 0.7031992810809015,
2102
+ "learning_rate": 5e-06,
2103
+ "loss": 0.0096,
2104
+ "step": 2650
2105
+ },
2106
+ {
2107
+ "epoch": 30.18439716312057,
2108
+ "grad_norm": 0.7627672024963855,
2109
+ "learning_rate": 5e-06,
2110
+ "loss": 0.0084,
2111
+ "step": 2660
2112
+ },
2113
+ {
2114
+ "epoch": 30.29787234042553,
2115
+ "grad_norm": 0.7110603755577746,
2116
+ "learning_rate": 5e-06,
2117
+ "loss": 0.0084,
2118
+ "step": 2670
2119
+ },
2120
+ {
2121
+ "epoch": 30.411347517730498,
2122
+ "grad_norm": 0.7420329356605581,
2123
+ "learning_rate": 5e-06,
2124
+ "loss": 0.0085,
2125
+ "step": 2680
2126
+ },
2127
+ {
2128
+ "epoch": 30.52482269503546,
2129
+ "grad_norm": 0.7808701527194697,
2130
+ "learning_rate": 5e-06,
2131
+ "loss": 0.0085,
2132
+ "step": 2690
2133
+ },
2134
+ {
2135
+ "epoch": 30.638297872340427,
2136
+ "grad_norm": 0.7874064236769093,
2137
+ "learning_rate": 5e-06,
2138
+ "loss": 0.0085,
2139
+ "step": 2700
2140
+ },
2141
+ {
2142
+ "epoch": 30.75177304964539,
2143
+ "grad_norm": 0.7661676156662441,
2144
+ "learning_rate": 5e-06,
2145
+ "loss": 0.0087,
2146
+ "step": 2710
2147
+ },
2148
+ {
2149
+ "epoch": 30.865248226950353,
2150
+ "grad_norm": 0.8535116914325056,
2151
+ "learning_rate": 5e-06,
2152
+ "loss": 0.0088,
2153
+ "step": 2720
2154
+ },
2155
+ {
2156
+ "epoch": 30.97872340425532,
2157
+ "grad_norm": 0.7958972876528424,
2158
+ "learning_rate": 5e-06,
2159
+ "loss": 0.0091,
2160
+ "step": 2730
2161
+ },
2162
+ {
2163
+ "epoch": 30.990070921985815,
2164
+ "eval_loss": 2.4116153717041016,
2165
+ "eval_runtime": 62.2832,
2166
+ "eval_samples_per_second": 38.084,
2167
+ "eval_steps_per_second": 0.61,
2168
+ "step": 2731
2169
+ },
2170
+ {
2171
+ "epoch": 31.092198581560282,
2172
+ "grad_norm": 0.6485885567051449,
2173
+ "learning_rate": 5e-06,
2174
+ "loss": 0.0078,
2175
+ "step": 2740
2176
+ },
2177
+ {
2178
+ "epoch": 31.20567375886525,
2179
+ "grad_norm": 0.6541844022555007,
2180
+ "learning_rate": 5e-06,
2181
+ "loss": 0.0072,
2182
+ "step": 2750
2183
+ },
2184
+ {
2185
+ "epoch": 31.319148936170212,
2186
+ "grad_norm": 0.776841660846075,
2187
+ "learning_rate": 5e-06,
2188
+ "loss": 0.0073,
2189
+ "step": 2760
2190
+ },
2191
+ {
2192
+ "epoch": 31.43262411347518,
2193
+ "grad_norm": 0.7710605909492212,
2194
+ "learning_rate": 5e-06,
2195
+ "loss": 0.0072,
2196
+ "step": 2770
2197
+ },
2198
+ {
2199
+ "epoch": 31.54609929078014,
2200
+ "grad_norm": 0.6816480202732877,
2201
+ "learning_rate": 5e-06,
2202
+ "loss": 0.0072,
2203
+ "step": 2780
2204
+ },
2205
+ {
2206
+ "epoch": 31.659574468085108,
2207
+ "grad_norm": 0.8400344753440614,
2208
+ "learning_rate": 5e-06,
2209
+ "loss": 0.0073,
2210
+ "step": 2790
2211
+ },
2212
+ {
2213
+ "epoch": 31.77304964539007,
2214
+ "grad_norm": 0.7577115728922557,
2215
+ "learning_rate": 5e-06,
2216
+ "loss": 0.0076,
2217
+ "step": 2800
2218
+ },
2219
+ {
2220
+ "epoch": 31.886524822695037,
2221
+ "grad_norm": 0.8366427457618262,
2222
+ "learning_rate": 5e-06,
2223
+ "loss": 0.0077,
2224
+ "step": 2810
2225
+ },
2226
+ {
2227
+ "epoch": 32.0,
2228
+ "grad_norm": 1.7417184938662238,
2229
+ "learning_rate": 5e-06,
2230
+ "loss": 0.0083,
2231
+ "step": 2820
2232
+ },
2233
+ {
2234
+ "epoch": 32.0,
2235
+ "eval_loss": 2.5119211673736572,
2236
+ "eval_runtime": 62.2182,
2237
+ "eval_samples_per_second": 38.124,
2238
+ "eval_steps_per_second": 0.611,
2239
+ "step": 2820
2240
+ },
2241
+ {
2242
+ "epoch": 32.11347517730496,
2243
+ "grad_norm": 0.6760402035549387,
2244
+ "learning_rate": 5e-06,
2245
+ "loss": 0.006,
2246
+ "step": 2830
2247
+ },
2248
+ {
2249
+ "epoch": 32.226950354609926,
2250
+ "grad_norm": 0.6247844370602216,
2251
+ "learning_rate": 5e-06,
2252
+ "loss": 0.0064,
2253
+ "step": 2840
2254
+ },
2255
+ {
2256
+ "epoch": 32.340425531914896,
2257
+ "grad_norm": 0.8298072821546006,
2258
+ "learning_rate": 5e-06,
2259
+ "loss": 0.0065,
2260
+ "step": 2850
2261
+ },
2262
+ {
2263
+ "epoch": 32.45390070921986,
2264
+ "grad_norm": 0.6225777220105869,
2265
+ "learning_rate": 5e-06,
2266
+ "loss": 0.0064,
2267
+ "step": 2860
2268
+ },
2269
+ {
2270
+ "epoch": 32.56737588652482,
2271
+ "grad_norm": 0.6622379639401021,
2272
+ "learning_rate": 5e-06,
2273
+ "loss": 0.0064,
2274
+ "step": 2870
2275
+ },
2276
+ {
2277
+ "epoch": 32.680851063829785,
2278
+ "grad_norm": 0.6622926501947951,
2279
+ "learning_rate": 5e-06,
2280
+ "loss": 0.0065,
2281
+ "step": 2880
2282
+ },
2283
+ {
2284
+ "epoch": 32.794326241134755,
2285
+ "grad_norm": 0.6348291026878606,
2286
+ "learning_rate": 5e-06,
2287
+ "loss": 0.0072,
2288
+ "step": 2890
2289
+ },
2290
+ {
2291
+ "epoch": 32.90780141843972,
2292
+ "grad_norm": 2.0690919155019616,
2293
+ "learning_rate": 5e-06,
2294
+ "loss": 0.0071,
2295
+ "step": 2900
2296
+ },
2297
+ {
2298
+ "epoch": 32.99858156028369,
2299
+ "eval_loss": 2.4598617553710938,
2300
+ "eval_runtime": 61.935,
2301
+ "eval_samples_per_second": 38.298,
2302
+ "eval_steps_per_second": 0.614,
2303
+ "step": 2908
2304
+ },
2305
+ {
2306
+ "epoch": 33.02127659574468,
2307
+ "grad_norm": 0.536551007465182,
2308
+ "learning_rate": 5e-06,
2309
+ "loss": 0.0072,
2310
+ "step": 2910
2311
+ },
2312
+ {
2313
+ "epoch": 33.13475177304964,
2314
+ "grad_norm": 0.6265202665061125,
2315
+ "learning_rate": 5e-06,
2316
+ "loss": 0.0055,
2317
+ "step": 2920
2318
+ },
2319
+ {
2320
+ "epoch": 33.248226950354606,
2321
+ "grad_norm": 0.6066247337398882,
2322
+ "learning_rate": 5e-06,
2323
+ "loss": 0.0061,
2324
+ "step": 2930
2325
+ },
2326
+ {
2327
+ "epoch": 33.361702127659576,
2328
+ "grad_norm": 0.6329886038923753,
2329
+ "learning_rate": 5e-06,
2330
+ "loss": 0.0062,
2331
+ "step": 2940
2332
+ },
2333
+ {
2334
+ "epoch": 33.47517730496454,
2335
+ "grad_norm": 0.6434289034891333,
2336
+ "learning_rate": 5e-06,
2337
+ "loss": 0.006,
2338
+ "step": 2950
2339
+ },
2340
+ {
2341
+ "epoch": 33.5886524822695,
2342
+ "grad_norm": 0.6060277242963108,
2343
+ "learning_rate": 5e-06,
2344
+ "loss": 0.0062,
2345
+ "step": 2960
2346
+ },
2347
+ {
2348
+ "epoch": 33.702127659574465,
2349
+ "grad_norm": 0.6231645801668283,
2350
+ "learning_rate": 5e-06,
2351
+ "loss": 0.0065,
2352
+ "step": 2970
2353
+ },
2354
+ {
2355
+ "epoch": 33.815602836879435,
2356
+ "grad_norm": 0.6726293815659068,
2357
+ "learning_rate": 5e-06,
2358
+ "loss": 0.0062,
2359
+ "step": 2980
2360
+ },
2361
+ {
2362
+ "epoch": 33.9290780141844,
2363
+ "grad_norm": 0.7144217421088135,
2364
+ "learning_rate": 5e-06,
2365
+ "loss": 0.0066,
2366
+ "step": 2990
2367
+ },
2368
+ {
2369
+ "epoch": 33.99716312056738,
2370
+ "eval_loss": 2.4769325256347656,
2371
+ "eval_runtime": 60.7622,
2372
+ "eval_samples_per_second": 39.037,
2373
+ "eval_steps_per_second": 0.625,
2374
+ "step": 2996
2375
+ },
2376
+ {
2377
+ "epoch": 34.04255319148936,
2378
+ "grad_norm": 0.640917218147658,
2379
+ "learning_rate": 5e-06,
2380
+ "loss": 0.0066,
2381
+ "step": 3000
2382
+ },
2383
+ {
2384
+ "epoch": 34.156028368794324,
2385
+ "grad_norm": 0.5848948305959304,
2386
+ "learning_rate": 5e-06,
2387
+ "loss": 0.0059,
2388
+ "step": 3010
2389
+ },
2390
+ {
2391
+ "epoch": 34.269503546099294,
2392
+ "grad_norm": 0.6093130739371995,
2393
+ "learning_rate": 5e-06,
2394
+ "loss": 0.0056,
2395
+ "step": 3020
2396
+ },
2397
+ {
2398
+ "epoch": 34.38297872340426,
2399
+ "grad_norm": 0.6028806624019981,
2400
+ "learning_rate": 5e-06,
2401
+ "loss": 0.0058,
2402
+ "step": 3030
2403
+ },
2404
+ {
2405
+ "epoch": 34.49645390070922,
2406
+ "grad_norm": 0.5872374541059426,
2407
+ "learning_rate": 5e-06,
2408
+ "loss": 0.0057,
2409
+ "step": 3040
2410
+ },
2411
+ {
2412
+ "epoch": 34.60992907801418,
2413
+ "grad_norm": 0.6073657131269332,
2414
+ "learning_rate": 5e-06,
2415
+ "loss": 0.0057,
2416
+ "step": 3050
2417
+ },
2418
+ {
2419
+ "epoch": 34.723404255319146,
2420
+ "grad_norm": 0.586833117804181,
2421
+ "learning_rate": 5e-06,
2422
+ "loss": 0.0058,
2423
+ "step": 3060
2424
+ },
2425
+ {
2426
+ "epoch": 34.836879432624116,
2427
+ "grad_norm": 0.6606622175333071,
2428
+ "learning_rate": 5e-06,
2429
+ "loss": 0.0064,
2430
+ "step": 3070
2431
+ },
2432
+ {
2433
+ "epoch": 34.95035460992908,
2434
+ "grad_norm": 0.6279271205274822,
2435
+ "learning_rate": 5e-06,
2436
+ "loss": 0.0061,
2437
+ "step": 3080
2438
+ },
2439
+ {
2440
+ "epoch": 34.99574468085106,
2441
+ "eval_loss": 2.4636948108673096,
2442
+ "eval_runtime": 62.1741,
2443
+ "eval_samples_per_second": 38.151,
2444
+ "eval_steps_per_second": 0.611,
2445
+ "step": 3084
2446
+ },
2447
+ {
2448
+ "epoch": 35.06382978723404,
2449
+ "grad_norm": 0.5598672191700598,
2450
+ "learning_rate": 5e-06,
2451
+ "loss": 0.0059,
2452
+ "step": 3090
2453
+ },
2454
+ {
2455
+ "epoch": 35.177304964539005,
2456
+ "grad_norm": 0.5838009342325976,
2457
+ "learning_rate": 5e-06,
2458
+ "loss": 0.0052,
2459
+ "step": 3100
2460
+ },
2461
+ {
2462
+ "epoch": 35.290780141843975,
2463
+ "grad_norm": 0.5591904839383254,
2464
+ "learning_rate": 5e-06,
2465
+ "loss": 0.0055,
2466
+ "step": 3110
2467
+ },
2468
+ {
2469
+ "epoch": 35.40425531914894,
2470
+ "grad_norm": 0.52651340630151,
2471
+ "learning_rate": 5e-06,
2472
+ "loss": 0.0052,
2473
+ "step": 3120
2474
+ },
2475
+ {
2476
+ "epoch": 35.5177304964539,
2477
+ "grad_norm": 0.5557733635066537,
2478
+ "learning_rate": 5e-06,
2479
+ "loss": 0.0054,
2480
+ "step": 3130
2481
+ },
2482
+ {
2483
+ "epoch": 35.63120567375886,
2484
+ "grad_norm": 0.5555621169894426,
2485
+ "learning_rate": 5e-06,
2486
+ "loss": 0.0056,
2487
+ "step": 3140
2488
+ },
2489
+ {
2490
+ "epoch": 35.744680851063826,
2491
+ "grad_norm": 0.6174053410534251,
2492
+ "learning_rate": 5e-06,
2493
+ "loss": 0.006,
2494
+ "step": 3150
2495
+ },
2496
+ {
2497
+ "epoch": 35.858156028368796,
2498
+ "grad_norm": 0.6219808794998958,
2499
+ "learning_rate": 5e-06,
2500
+ "loss": 0.0058,
2501
+ "step": 3160
2502
+ },
2503
+ {
2504
+ "epoch": 35.97163120567376,
2505
+ "grad_norm": 0.6453593970939066,
2506
+ "learning_rate": 5e-06,
2507
+ "loss": 0.0059,
2508
+ "step": 3170
2509
+ },
2510
+ {
2511
+ "epoch": 35.99432624113475,
2512
+ "eval_loss": 2.446837902069092,
2513
+ "eval_runtime": 70.4261,
2514
+ "eval_samples_per_second": 33.681,
2515
+ "eval_steps_per_second": 0.54,
2516
+ "step": 3172
2517
+ },
2518
+ {
2519
+ "epoch": 36.08510638297872,
2520
+ "grad_norm": 0.5743613529876505,
2521
+ "learning_rate": 5e-06,
2522
+ "loss": 0.0054,
2523
+ "step": 3180
2524
+ },
2525
+ {
2526
+ "epoch": 36.198581560283685,
2527
+ "grad_norm": 0.5822243660764591,
2528
+ "learning_rate": 5e-06,
2529
+ "loss": 0.0053,
2530
+ "step": 3190
2531
+ },
2532
+ {
2533
+ "epoch": 36.312056737588655,
2534
+ "grad_norm": 0.6021189745310633,
2535
+ "learning_rate": 5e-06,
2536
+ "loss": 0.0052,
2537
+ "step": 3200
2538
+ },
2539
+ {
2540
+ "epoch": 36.42553191489362,
2541
+ "grad_norm": 0.5853179594306633,
2542
+ "learning_rate": 5e-06,
2543
+ "loss": 0.0053,
2544
+ "step": 3210
2545
+ },
2546
+ {
2547
+ "epoch": 36.53900709219858,
2548
+ "grad_norm": 0.5676622286224795,
2549
+ "learning_rate": 5e-06,
2550
+ "loss": 0.0056,
2551
+ "step": 3220
2552
+ },
2553
+ {
2554
+ "epoch": 36.652482269503544,
2555
+ "grad_norm": 0.6378528653719511,
2556
+ "learning_rate": 5e-06,
2557
+ "loss": 0.0055,
2558
+ "step": 3230
2559
+ },
2560
+ {
2561
+ "epoch": 36.765957446808514,
2562
+ "grad_norm": 0.5795559134784821,
2563
+ "learning_rate": 5e-06,
2564
+ "loss": 0.0054,
2565
+ "step": 3240
2566
+ },
2567
+ {
2568
+ "epoch": 36.87943262411348,
2569
+ "grad_norm": 0.5739478607744279,
2570
+ "learning_rate": 5e-06,
2571
+ "loss": 0.0056,
2572
+ "step": 3250
2573
+ },
2574
+ {
2575
+ "epoch": 36.99290780141844,
2576
+ "grad_norm": 0.6761276352174411,
2577
+ "learning_rate": 5e-06,
2578
+ "loss": 0.0058,
2579
+ "step": 3260
2580
+ },
2581
+ {
2582
+ "epoch": 36.99290780141844,
2583
+ "eval_loss": 2.4386816024780273,
2584
+ "eval_runtime": 64.5541,
2585
+ "eval_samples_per_second": 36.744,
2586
+ "eval_steps_per_second": 0.589,
2587
+ "step": 3260
2588
+ },
2589
+ {
2590
+ "epoch": 37.1063829787234,
2591
+ "grad_norm": 0.5639138084508524,
2592
+ "learning_rate": 5e-06,
2593
+ "loss": 0.0052,
2594
+ "step": 3270
2595
+ },
2596
+ {
2597
+ "epoch": 37.219858156028366,
2598
+ "grad_norm": 0.5552500627772322,
2599
+ "learning_rate": 5e-06,
2600
+ "loss": 0.0051,
2601
+ "step": 3280
2602
+ },
2603
+ {
2604
+ "epoch": 37.333333333333336,
2605
+ "grad_norm": 0.5505999304380521,
2606
+ "learning_rate": 5e-06,
2607
+ "loss": 0.0052,
2608
+ "step": 3290
2609
+ },
2610
+ {
2611
+ "epoch": 37.4468085106383,
2612
+ "grad_norm": 0.6290595858485541,
2613
+ "learning_rate": 5e-06,
2614
+ "loss": 0.0053,
2615
+ "step": 3300
2616
+ },
2617
+ {
2618
+ "epoch": 37.56028368794326,
2619
+ "grad_norm": 0.6689930337019874,
2620
+ "learning_rate": 5e-06,
2621
+ "loss": 0.0052,
2622
+ "step": 3310
2623
+ },
2624
+ {
2625
+ "epoch": 37.673758865248224,
2626
+ "grad_norm": 0.6361115119336014,
2627
+ "learning_rate": 5e-06,
2628
+ "loss": 0.0053,
2629
+ "step": 3320
2630
+ },
2631
+ {
2632
+ "epoch": 37.787234042553195,
2633
+ "grad_norm": 0.5758613903708901,
2634
+ "learning_rate": 5e-06,
2635
+ "loss": 0.0057,
2636
+ "step": 3330
2637
+ },
2638
+ {
2639
+ "epoch": 37.90070921985816,
2640
+ "grad_norm": 0.5488463771978056,
2641
+ "learning_rate": 5e-06,
2642
+ "loss": 0.0056,
2643
+ "step": 3340
2644
+ },
2645
+ {
2646
+ "epoch": 37.99148936170213,
2647
+ "eval_loss": 2.409132480621338,
2648
+ "eval_runtime": 61.4398,
2649
+ "eval_samples_per_second": 38.607,
2650
+ "eval_steps_per_second": 0.618,
2651
+ "step": 3348
2652
+ },
2653
+ {
2654
+ "epoch": 38.01418439716312,
2655
+ "grad_norm": 0.502740899332166,
2656
+ "learning_rate": 5e-06,
2657
+ "loss": 0.006,
2658
+ "step": 3350
2659
+ },
2660
+ {
2661
+ "epoch": 38.12765957446808,
2662
+ "grad_norm": 0.5325341716894662,
2663
+ "learning_rate": 5e-06,
2664
+ "loss": 0.0051,
2665
+ "step": 3360
2666
+ },
2667
+ {
2668
+ "epoch": 38.241134751773046,
2669
+ "grad_norm": 0.5469915840136621,
2670
+ "learning_rate": 5e-06,
2671
+ "loss": 0.0052,
2672
+ "step": 3370
2673
+ },
2674
+ {
2675
+ "epoch": 38.354609929078016,
2676
+ "grad_norm": 0.5898577174992149,
2677
+ "learning_rate": 5e-06,
2678
+ "loss": 0.0053,
2679
+ "step": 3380
2680
+ },
2681
+ {
2682
+ "epoch": 38.46808510638298,
2683
+ "grad_norm": 0.591194838597715,
2684
+ "learning_rate": 5e-06,
2685
+ "loss": 0.0053,
2686
+ "step": 3390
2687
+ },
2688
+ {
2689
+ "epoch": 38.58156028368794,
2690
+ "grad_norm": 0.5781105524402917,
2691
+ "learning_rate": 5e-06,
2692
+ "loss": 0.0054,
2693
+ "step": 3400
2694
+ },
2695
+ {
2696
+ "epoch": 38.695035460992905,
2697
+ "grad_norm": 0.5818767708267519,
2698
+ "learning_rate": 5e-06,
2699
+ "loss": 0.0055,
2700
+ "step": 3410
2701
+ },
2702
+ {
2703
+ "epoch": 38.808510638297875,
2704
+ "grad_norm": 0.6196108940872473,
2705
+ "learning_rate": 5e-06,
2706
+ "loss": 0.0056,
2707
+ "step": 3420
2708
+ },
2709
+ {
2710
+ "epoch": 38.92198581560284,
2711
+ "grad_norm": 0.6091311582013242,
2712
+ "learning_rate": 5e-06,
2713
+ "loss": 0.0056,
2714
+ "step": 3430
2715
+ },
2716
+ {
2717
+ "epoch": 38.99007092198582,
2718
+ "eval_loss": 2.4180121421813965,
2719
+ "eval_runtime": 67.9293,
2720
+ "eval_samples_per_second": 34.919,
2721
+ "eval_steps_per_second": 0.559,
2722
+ "step": 3436
2723
+ },
2724
+ {
2725
+ "epoch": 39.0354609929078,
2726
+ "grad_norm": 0.5203631693062609,
2727
+ "learning_rate": 5e-06,
2728
+ "loss": 0.0059,
2729
+ "step": 3440
2730
+ },
2731
+ {
2732
+ "epoch": 39.148936170212764,
2733
+ "grad_norm": 0.5220175235403596,
2734
+ "learning_rate": 5e-06,
2735
+ "loss": 0.0054,
2736
+ "step": 3450
2737
+ },
2738
+ {
2739
+ "epoch": 39.262411347517734,
2740
+ "grad_norm": 0.5306053779378094,
2741
+ "learning_rate": 5e-06,
2742
+ "loss": 0.0051,
2743
+ "step": 3460
2744
+ },
2745
+ {
2746
+ "epoch": 39.3758865248227,
2747
+ "grad_norm": 0.5733275129436737,
2748
+ "learning_rate": 5e-06,
2749
+ "loss": 0.005,
2750
+ "step": 3470
2751
+ },
2752
+ {
2753
+ "epoch": 39.48936170212766,
2754
+ "grad_norm": 0.6322314662873444,
2755
+ "learning_rate": 5e-06,
2756
+ "loss": 0.0053,
2757
+ "step": 3480
2758
+ },
2759
+ {
2760
+ "epoch": 39.60283687943262,
2761
+ "grad_norm": 0.5610008695326577,
2762
+ "learning_rate": 5e-06,
2763
+ "loss": 0.0054,
2764
+ "step": 3490
2765
+ },
2766
+ {
2767
+ "epoch": 39.716312056737586,
2768
+ "grad_norm": 0.6512700300720512,
2769
+ "learning_rate": 5e-06,
2770
+ "loss": 0.0054,
2771
+ "step": 3500
2772
+ },
2773
+ {
2774
+ "epoch": 39.829787234042556,
2775
+ "grad_norm": 0.6190687455862945,
2776
+ "learning_rate": 5e-06,
2777
+ "loss": 0.0056,
2778
+ "step": 3510
2779
+ },
2780
+ {
2781
+ "epoch": 39.94326241134752,
2782
+ "grad_norm": 0.6109666894463458,
2783
+ "learning_rate": 5e-06,
2784
+ "loss": 0.0057,
2785
+ "step": 3520
2786
+ },
2787
+ {
2788
+ "epoch": 40.0,
2789
+ "eval_loss": 2.419253349304199,
2790
+ "eval_runtime": 62.0127,
2791
+ "eval_samples_per_second": 38.25,
2792
+ "eval_steps_per_second": 0.613,
2793
+ "step": 3525
2794
+ },
2795
+ {
2796
+ "epoch": 40.05673758865248,
2797
+ "grad_norm": 0.5065903135496583,
2798
+ "learning_rate": 5e-06,
2799
+ "loss": 0.0057,
2800
+ "step": 3530
2801
+ },
2802
+ {
2803
+ "epoch": 40.170212765957444,
2804
+ "grad_norm": 0.5264705355565352,
2805
+ "learning_rate": 5e-06,
2806
+ "loss": 0.0052,
2807
+ "step": 3540
2808
+ },
2809
+ {
2810
+ "epoch": 40.283687943262414,
2811
+ "grad_norm": 0.5771888267651291,
2812
+ "learning_rate": 5e-06,
2813
+ "loss": 0.0052,
2814
+ "step": 3550
2815
+ },
2816
+ {
2817
+ "epoch": 40.39716312056738,
2818
+ "grad_norm": 0.5990984567590389,
2819
+ "learning_rate": 5e-06,
2820
+ "loss": 0.0053,
2821
+ "step": 3560
2822
+ },
2823
+ {
2824
+ "epoch": 40.51063829787234,
2825
+ "grad_norm": 0.5735226625803138,
2826
+ "learning_rate": 5e-06,
2827
+ "loss": 0.0053,
2828
+ "step": 3570
2829
+ },
2830
+ {
2831
+ "epoch": 40.6241134751773,
2832
+ "grad_norm": 0.6419191932394923,
2833
+ "learning_rate": 5e-06,
2834
+ "loss": 0.0054,
2835
+ "step": 3580
2836
+ },
2837
+ {
2838
+ "epoch": 40.737588652482266,
2839
+ "grad_norm": 0.6128946066765568,
2840
+ "learning_rate": 5e-06,
2841
+ "loss": 0.0054,
2842
+ "step": 3590
2843
+ },
2844
+ {
2845
+ "epoch": 40.851063829787236,
2846
+ "grad_norm": 0.6089024429918992,
2847
+ "learning_rate": 5e-06,
2848
+ "loss": 0.0058,
2849
+ "step": 3600
2850
+ },
2851
+ {
2852
+ "epoch": 40.9645390070922,
2853
+ "grad_norm": 0.5901415629350402,
2854
+ "learning_rate": 5e-06,
2855
+ "loss": 0.0057,
2856
+ "step": 3610
2857
+ },
2858
+ {
2859
+ "epoch": 40.99858156028369,
2860
+ "eval_loss": 2.4677248001098633,
2861
+ "eval_runtime": 61.1468,
2862
+ "eval_samples_per_second": 38.792,
2863
+ "eval_steps_per_second": 0.621,
2864
+ "step": 3613
2865
+ },
2866
+ {
2867
+ "epoch": 41.07801418439716,
2868
+ "grad_norm": 0.5208524139132839,
2869
+ "learning_rate": 5e-06,
2870
+ "loss": 0.0053,
2871
+ "step": 3620
2872
+ },
2873
+ {
2874
+ "epoch": 41.191489361702125,
2875
+ "grad_norm": 0.5081832637563751,
2876
+ "learning_rate": 5e-06,
2877
+ "loss": 0.0051,
2878
+ "step": 3630
2879
+ },
2880
+ {
2881
+ "epoch": 41.304964539007095,
2882
+ "grad_norm": 0.5335717303413468,
2883
+ "learning_rate": 5e-06,
2884
+ "loss": 0.0053,
2885
+ "step": 3640
2886
+ },
2887
+ {
2888
+ "epoch": 41.41843971631206,
2889
+ "grad_norm": 0.5613593262396614,
2890
+ "learning_rate": 5e-06,
2891
+ "loss": 0.0054,
2892
+ "step": 3650
2893
+ },
2894
+ {
2895
+ "epoch": 41.53191489361702,
2896
+ "grad_norm": 0.6327268082709085,
2897
+ "learning_rate": 5e-06,
2898
+ "loss": 0.0054,
2899
+ "step": 3660
2900
+ },
2901
+ {
2902
+ "epoch": 41.645390070921984,
2903
+ "grad_norm": 0.5361250969249659,
2904
+ "learning_rate": 5e-06,
2905
+ "loss": 0.0054,
2906
+ "step": 3670
2907
+ },
2908
+ {
2909
+ "epoch": 41.758865248226954,
2910
+ "grad_norm": 0.5516534040602991,
2911
+ "learning_rate": 5e-06,
2912
+ "loss": 0.0057,
2913
+ "step": 3680
2914
+ },
2915
+ {
2916
+ "epoch": 41.87234042553192,
2917
+ "grad_norm": 0.6408365010304582,
2918
+ "learning_rate": 5e-06,
2919
+ "loss": 0.0057,
2920
+ "step": 3690
2921
+ },
2922
+ {
2923
+ "epoch": 41.98581560283688,
2924
+ "grad_norm": 0.6048119305492722,
2925
+ "learning_rate": 5e-06,
2926
+ "loss": 0.0058,
2927
+ "step": 3700
2928
+ },
2929
+ {
2930
+ "epoch": 41.99716312056738,
2931
+ "eval_loss": 2.364220142364502,
2932
+ "eval_runtime": 61.7215,
2933
+ "eval_samples_per_second": 38.431,
2934
+ "eval_steps_per_second": 0.616,
2935
+ "step": 3701
2936
+ },
2937
+ {
2938
+ "epoch": 42.09929078014184,
2939
+ "grad_norm": 0.5693627921008746,
2940
+ "learning_rate": 5e-06,
2941
+ "loss": 0.0054,
2942
+ "step": 3710
2943
+ },
2944
+ {
2945
+ "epoch": 42.212765957446805,
2946
+ "grad_norm": 0.566082918703353,
2947
+ "learning_rate": 5e-06,
2948
+ "loss": 0.0052,
2949
+ "step": 3720
2950
+ },
2951
+ {
2952
+ "epoch": 42.326241134751776,
2953
+ "grad_norm": 0.5511507866097272,
2954
+ "learning_rate": 5e-06,
2955
+ "loss": 0.0053,
2956
+ "step": 3730
2957
+ },
2958
+ {
2959
+ "epoch": 42.43971631205674,
2960
+ "grad_norm": 0.559826817930835,
2961
+ "learning_rate": 5e-06,
2962
+ "loss": 0.0054,
2963
+ "step": 3740
2964
+ },
2965
+ {
2966
+ "epoch": 42.5531914893617,
2967
+ "grad_norm": 0.58340912778088,
2968
+ "learning_rate": 5e-06,
2969
+ "loss": 0.0054,
2970
+ "step": 3750
2971
+ },
2972
+ {
2973
+ "epoch": 42.666666666666664,
2974
+ "grad_norm": 0.6002758035231259,
2975
+ "learning_rate": 5e-06,
2976
+ "loss": 0.0055,
2977
+ "step": 3760
2978
+ },
2979
+ {
2980
+ "epoch": 42.780141843971634,
2981
+ "grad_norm": 0.5989358562823475,
2982
+ "learning_rate": 5e-06,
2983
+ "loss": 0.0056,
2984
+ "step": 3770
2985
+ },
2986
+ {
2987
+ "epoch": 42.8936170212766,
2988
+ "grad_norm": 0.626190447474167,
2989
+ "learning_rate": 5e-06,
2990
+ "loss": 0.0058,
2991
+ "step": 3780
2992
+ },
2993
+ {
2994
+ "epoch": 42.99574468085106,
2995
+ "eval_loss": 2.4230844974517822,
2996
+ "eval_runtime": 69.8551,
2997
+ "eval_samples_per_second": 33.956,
2998
+ "eval_steps_per_second": 0.544,
2999
+ "step": 3789
3000
+ },
3001
+ {
3002
+ "epoch": 43.00709219858156,
3003
+ "grad_norm": 1.2904921052987568,
3004
+ "learning_rate": 5e-06,
3005
+ "loss": 0.006,
3006
+ "step": 3790
3007
+ },
3008
+ {
3009
+ "epoch": 43.12056737588652,
3010
+ "grad_norm": 0.5946681024606572,
3011
+ "learning_rate": 5e-06,
3012
+ "loss": 0.0051,
3013
+ "step": 3800
3014
+ },
3015
+ {
3016
+ "epoch": 43.234042553191486,
3017
+ "grad_norm": 0.6247714127627697,
3018
+ "learning_rate": 5e-06,
3019
+ "loss": 0.0053,
3020
+ "step": 3810
3021
+ },
3022
+ {
3023
+ "epoch": 43.347517730496456,
3024
+ "grad_norm": 0.5677050922672181,
3025
+ "learning_rate": 5e-06,
3026
+ "loss": 0.0054,
3027
+ "step": 3820
3028
+ },
3029
+ {
3030
+ "epoch": 43.46099290780142,
3031
+ "grad_norm": 0.583683610881685,
3032
+ "learning_rate": 5e-06,
3033
+ "loss": 0.0055,
3034
+ "step": 3830
3035
+ },
3036
+ {
3037
+ "epoch": 43.57446808510638,
3038
+ "grad_norm": 0.5921120744442437,
3039
+ "learning_rate": 5e-06,
3040
+ "loss": 0.0054,
3041
+ "step": 3840
3042
+ },
3043
+ {
3044
+ "epoch": 43.687943262411345,
3045
+ "grad_norm": 0.6264915981813468,
3046
+ "learning_rate": 5e-06,
3047
+ "loss": 0.0056,
3048
+ "step": 3850
3049
+ },
3050
+ {
3051
+ "epoch": 43.801418439716315,
3052
+ "grad_norm": 0.6015317942981112,
3053
+ "learning_rate": 5e-06,
3054
+ "loss": 0.0058,
3055
+ "step": 3860
3056
+ },
3057
+ {
3058
+ "epoch": 43.91489361702128,
3059
+ "grad_norm": 0.6365257752447925,
3060
+ "learning_rate": 5e-06,
3061
+ "loss": 0.0059,
3062
+ "step": 3870
3063
+ },
3064
+ {
3065
+ "epoch": 43.99432624113475,
3066
+ "eval_loss": 2.413682222366333,
3067
+ "eval_runtime": 62.0169,
3068
+ "eval_samples_per_second": 38.248,
3069
+ "eval_steps_per_second": 0.613,
3070
+ "step": 3877
3071
+ },
3072
+ {
3073
+ "epoch": 44.02836879432624,
3074
+ "grad_norm": 0.5790636141901765,
3075
+ "learning_rate": 5e-06,
3076
+ "loss": 0.0062,
3077
+ "step": 3880
3078
+ },
3079
+ {
3080
+ "epoch": 44.141843971631204,
3081
+ "grad_norm": 0.5977139442568224,
3082
+ "learning_rate": 5e-06,
3083
+ "loss": 0.0052,
3084
+ "step": 3890
3085
+ },
3086
+ {
3087
+ "epoch": 44.255319148936174,
3088
+ "grad_norm": 0.561775775158954,
3089
+ "learning_rate": 5e-06,
3090
+ "loss": 0.0053,
3091
+ "step": 3900
3092
+ },
3093
+ {
3094
+ "epoch": 44.36879432624114,
3095
+ "grad_norm": 0.6449694049046988,
3096
+ "learning_rate": 5e-06,
3097
+ "loss": 0.0056,
3098
+ "step": 3910
3099
+ },
3100
+ {
3101
+ "epoch": 44.4822695035461,
3102
+ "grad_norm": 0.5502986632322298,
3103
+ "learning_rate": 5e-06,
3104
+ "loss": 0.0054,
3105
+ "step": 3920
3106
+ },
3107
+ {
3108
+ "epoch": 44.59574468085106,
3109
+ "grad_norm": 0.6004460230999634,
3110
+ "learning_rate": 5e-06,
3111
+ "loss": 0.0056,
3112
+ "step": 3930
3113
+ },
3114
+ {
3115
+ "epoch": 44.709219858156025,
3116
+ "grad_norm": 0.5848689800167252,
3117
+ "learning_rate": 5e-06,
3118
+ "loss": 0.0055,
3119
+ "step": 3940
3120
+ },
3121
+ {
3122
+ "epoch": 44.822695035460995,
3123
+ "grad_norm": 0.5660229423422497,
3124
+ "learning_rate": 5e-06,
3125
+ "loss": 0.0055,
3126
+ "step": 3950
3127
+ },
3128
+ {
3129
+ "epoch": 44.93617021276596,
3130
+ "grad_norm": 0.6235698314913066,
3131
+ "learning_rate": 5e-06,
3132
+ "loss": 0.0057,
3133
+ "step": 3960
3134
+ },
3135
+ {
3136
+ "epoch": 44.99290780141844,
3137
+ "eval_loss": 2.4166228771209717,
3138
+ "eval_runtime": 69.0142,
3139
+ "eval_samples_per_second": 34.37,
3140
+ "eval_steps_per_second": 0.551,
3141
+ "step": 3965
3142
+ },
3143
+ {
3144
+ "epoch": 45.04964539007092,
3145
+ "grad_norm": 0.602636820068635,
3146
+ "learning_rate": 5e-06,
3147
+ "loss": 0.0057,
3148
+ "step": 3970
3149
+ },
3150
+ {
3151
+ "epoch": 45.163120567375884,
3152
+ "grad_norm": 0.5512354587640222,
3153
+ "learning_rate": 5e-06,
3154
+ "loss": 0.0052,
3155
+ "step": 3980
3156
+ },
3157
+ {
3158
+ "epoch": 45.276595744680854,
3159
+ "grad_norm": 0.5360556245484226,
3160
+ "learning_rate": 5e-06,
3161
+ "loss": 0.0053,
3162
+ "step": 3990
3163
+ },
3164
+ {
3165
+ "epoch": 45.39007092198582,
3166
+ "grad_norm": 0.584753693926125,
3167
+ "learning_rate": 5e-06,
3168
+ "loss": 0.0052,
3169
+ "step": 4000
3170
+ },
3171
+ {
3172
+ "epoch": 45.50354609929078,
3173
+ "grad_norm": 0.5475446229877688,
3174
+ "learning_rate": 5e-06,
3175
+ "loss": 0.0053,
3176
+ "step": 4010
3177
+ },
3178
+ {
3179
+ "epoch": 45.61702127659574,
3180
+ "grad_norm": 0.5833576450707664,
3181
+ "learning_rate": 5e-06,
3182
+ "loss": 0.0055,
3183
+ "step": 4020
3184
+ },
3185
+ {
3186
+ "epoch": 45.730496453900706,
3187
+ "grad_norm": 0.514889308216256,
3188
+ "learning_rate": 5e-06,
3189
+ "loss": 0.0055,
3190
+ "step": 4030
3191
+ },
3192
+ {
3193
+ "epoch": 45.843971631205676,
3194
+ "grad_norm": 0.6093305891992143,
3195
+ "learning_rate": 5e-06,
3196
+ "loss": 0.0056,
3197
+ "step": 4040
3198
+ },
3199
+ {
3200
+ "epoch": 45.93475177304965,
3201
+ "eval_loss": 2.3638699054718018,
3202
+ "eval_runtime": 59.5586,
3203
+ "eval_samples_per_second": 39.826,
3204
+ "eval_steps_per_second": 0.638,
3205
+ "step": 4048
3206
+ },
3207
+ {
3208
+ "epoch": 45.93475177304965,
3209
+ "step": 4048,
3210
+ "total_flos": 6780341389885440.0,
3211
+ "train_loss": 0.15424752476433726,
3212
+ "train_runtime": 138136.8738,
3213
+ "train_samples_per_second": 15.006,
3214
+ "train_steps_per_second": 0.029
3215
+ }
3216
+ ],
3217
+ "logging_steps": 10,
3218
+ "max_steps": 4048,
3219
+ "num_input_tokens_seen": 0,
3220
+ "num_train_epochs": 46,
3221
+ "save_steps": 500,
3222
+ "stateful_callbacks": {
3223
+ "TrainerControl": {
3224
+ "args": {
3225
+ "should_epoch_stop": false,
3226
+ "should_evaluate": false,
3227
+ "should_log": false,
3228
+ "should_save": true,
3229
+ "should_training_stop": true
3230
+ },
3231
+ "attributes": {}
3232
+ }
3233
+ },
3234
+ "total_flos": 6780341389885440.0,
3235
+ "train_batch_size": 8,
3236
+ "trial_name": null,
3237
+ "trial_params": null
3238
+ }
training_eval_loss.png ADDED
training_loss.png ADDED