Hugging Face's logo

rayane-donni
/
zephyr-7b-sft-qlora

PEFT
Safetensors
mistral
alignment-handbook
trl
sft
Generated from Trainer
Model card Files Community
rayane-donni commited on
Commit
5653ec5
·
verified ·
1 Parent(s): 5a143b9

Model save

Browse files
Files changed (11) hide show
  1. README.md +64 -0
  2. adapter_config.json +31 -0
  3. adapter_model.safetensors +3 -0
  4. all_results.json +8 -0
  5. special_tokens_map.json +24 -0
  6. tokenizer.json +0 -0
  7. tokenizer.model +3 -0
  8. tokenizer_config.json +43 -0
  9. train_results.json +8 -0
  10. trainer_state.json +4097 -0
  11. training_args.bin +3 -0
README.md ADDED
@@ -0,0 +1,64 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ ---
2
+ license: apache-2.0
3
+ library_name: peft
4
+ tags:
5
+ - trl
6
+ - sft
7
+ - generated_from_trainer
8
+ base_model: mistralai/Mistral-7B-v0.1
9
+ datasets:
10
+ - generator
11
+ model-index:
12
+ - name: zephyr-7b-sft-qlora
13
+ results: []
14
+ ---
15
+
16
+ <!-- This model card has been generated automatically according to the information the Trainer had access to. You
17
+ should probably proofread and complete it, then remove this comment. -->
18
+
19
+ # zephyr-7b-sft-qlora
20
+
21
+ This model is a fine-tuned version of [mistralai/Mistral-7B-v0.1](https://huggingface.co/mistralai/Mistral-7B-v0.1) on the generator dataset.
22
+
23
+ ## Model description
24
+
25
+ More information needed
26
+
27
+ ## Intended uses & limitations
28
+
29
+ More information needed
30
+
31
+ ## Training and evaluation data
32
+
33
+ More information needed
34
+
35
+ ## Training procedure
36
+
37
+ ### Training hyperparameters
38
+
39
+ The following hyperparameters were used during training:
40
+ - learning_rate: 0.0002
41
+ - train_batch_size: 2
42
+ - eval_batch_size: 4
43
+ - seed: 42
44
+ - distributed_type: multi-GPU
45
+ - num_devices: 4
46
+ - gradient_accumulation_steps: 4
47
+ - total_train_batch_size: 32
48
+ - total_eval_batch_size: 16
49
+ - optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
50
+ - lr_scheduler_type: cosine
51
+ - lr_scheduler_warmup_ratio: 0.1
52
+ - num_epochs: 2
53
+
54
+ ### Training results
55
+
56
+
57
+
58
+ ### Framework versions
59
+
60
+ - PEFT 0.7.1
61
+ - Transformers 4.39.3
62
+ - Pytorch 2.1.2+cu121
63
+ - Datasets 2.18.0
64
+ - Tokenizers 0.15.2
adapter_config.json ADDED
@@ -0,0 +1,31 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "alpha_pattern": {},
3
+ "auto_mapping": null,
4
+ "base_model_name_or_path": "mistralai/Mistral-7B-v0.1",
5
+ "bias": "none",
6
+ "fan_in_fan_out": false,
7
+ "inference_mode": true,
8
+ "init_lora_weights": true,
9
+ "layers_pattern": null,
10
+ "layers_to_transform": null,
11
+ "loftq_config": {},
12
+ "lora_alpha": 16,
13
+ "lora_dropout": 0.05,
14
+ "megatron_config": null,
15
+ "megatron_core": "megatron.core",
16
+ "modules_to_save": null,
17
+ "peft_type": "LORA",
18
+ "r": 16,
19
+ "rank_pattern": {},
20
+ "revision": null,
21
+ "target_modules": [
22
+ "down_proj",
23
+ "v_proj",
24
+ "o_proj",
25
+ "k_proj",
26
+ "up_proj",
27
+ "q_proj",
28
+ "gate_proj"
29
+ ],
30
+ "task_type": "CAUSAL_LM"
31
+ }
adapter_model.safetensors ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:7c32f1622149c9ad4f8f513ce314636fae8bba523ee7e32e593396848dca1530
3
+ size 83946192
all_results.json ADDED
@@ -0,0 +1,8 @@
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "epoch": 0.17,
3
+ "train_loss": 0.0,
4
+ "train_runtime": 1.4575,
5
+ "train_samples": 41573,
6
+ "train_samples_per_second": 38212.736,
7
+ "train_steps_per_second": 1193.805
8
+ }
special_tokens_map.json ADDED
@@ -0,0 +1,24 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "bos_token": {
3
+ "content": "<s>",
4
+ "lstrip": false,
5
+ "normalized": false,
6
+ "rstrip": false,
7
+ "single_word": false
8
+ },
9
+ "eos_token": {
10
+ "content": "</s>",
11
+ "lstrip": false,
12
+ "normalized": false,
13
+ "rstrip": false,
14
+ "single_word": false
15
+ },
16
+ "pad_token": "</s>",
17
+ "unk_token": {
18
+ "content": "<unk>",
19
+ "lstrip": false,
20
+ "normalized": false,
21
+ "rstrip": false,
22
+ "single_word": false
23
+ }
24
+ }
tokenizer.json ADDED
The diff for this file is too large to render. See raw diff
 
tokenizer.model ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:dadfd56d766715c61d2ef780a525ab43b8e6da4de6865bda3d95fdef5e134055
3
+ size 493443
tokenizer_config.json ADDED
@@ -0,0 +1,43 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "add_bos_token": true,
3
+ "add_eos_token": false,
4
+ "added_tokens_decoder": {
5
+ "0": {
6
+ "content": "<unk>",
7
+ "lstrip": false,
8
+ "normalized": false,
9
+ "rstrip": false,
10
+ "single_word": false,
11
+ "special": true
12
+ },
13
+ "1": {
14
+ "content": "<s>",
15
+ "lstrip": false,
16
+ "normalized": false,
17
+ "rstrip": false,
18
+ "single_word": false,
19
+ "special": true
20
+ },
21
+ "2": {
22
+ "content": "</s>",
23
+ "lstrip": false,
24
+ "normalized": false,
25
+ "rstrip": false,
26
+ "single_word": false,
27
+ "special": true
28
+ }
29
+ },
30
+ "additional_special_tokens": [],
31
+ "bos_token": "<s>",
32
+ "chat_template": "{% for message in messages %}\n{% if message['role'] == 'user' %}\n{{ '<|user|>\n' + message['content'] + eos_token }}\n{% elif message['role'] == 'system' %}\n{{ '<|system|>\n' + message['content'] + eos_token }}\n{% elif message['role'] == 'assistant' %}\n{{ '<|assistant|>\n' + message['content'] + eos_token }}\n{% endif %}\n{% if loop.last and add_generation_prompt %}\n{{ '<|assistant|>' }}\n{% endif %}\n{% endfor %}",
33
+ "clean_up_tokenization_spaces": false,
34
+ "eos_token": "</s>",
35
+ "legacy": true,
36
+ "model_max_length": 2048,
37
+ "pad_token": "</s>",
38
+ "sp_model_kwargs": {},
39
+ "spaces_between_special_tokens": false,
40
+ "tokenizer_class": "LlamaTokenizer",
41
+ "unk_token": "<unk>",
42
+ "use_default_system_prompt": false
43
+ }
train_results.json ADDED
@@ -0,0 +1,8 @@
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "epoch": 0.17,
3
+ "train_loss": 0.0,
4
+ "train_runtime": 1.4575,
5
+ "train_samples": 41573,
6
+ "train_samples_per_second": 38212.736,
7
+ "train_steps_per_second": 1193.805
8
+ }
trainer_state.json ADDED
@@ -0,0 +1,4097 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "best_metric": null,
3
+ "best_model_checkpoint": null,
4
+ "epoch": 0.16639651141107112,
5
+ "eval_steps": 500,
6
+ "global_step": 2900,
7
+ "is_hyper_param_search": false,
8
+ "is_local_process_zero": true,
9
+ "is_world_process_zero": true,
10
+ "log_history": [
11
+ {
12
+ "epoch": 0.0,
13
+ "grad_norm": 0.423828125,
14
+ "learning_rate": 1.1474469305794606e-07,
15
+ "loss": 1.3588,
16
+ "step": 1
17
+ },
18
+ {
19
+ "epoch": 0.0,
20
+ "grad_norm": 0.51953125,
21
+ "learning_rate": 5.737234652897304e-07,
22
+ "loss": 1.0991,
23
+ "step": 5
24
+ },
25
+ {
26
+ "epoch": 0.0,
27
+ "grad_norm": 0.345703125,
28
+ "learning_rate": 1.1474469305794607e-06,
29
+ "loss": 1.1267,
30
+ "step": 10
31
+ },
32
+ {
33
+ "epoch": 0.0,
34
+ "grad_norm": 0.421875,
35
+ "learning_rate": 1.721170395869191e-06,
36
+ "loss": 1.1761,
37
+ "step": 15
38
+ },
39
+ {
40
+ "epoch": 0.0,
41
+ "grad_norm": 0.34765625,
42
+ "learning_rate": 2.2948938611589215e-06,
43
+ "loss": 1.1985,
44
+ "step": 20
45
+ },
46
+ {
47
+ "epoch": 0.0,
48
+ "grad_norm": 0.353515625,
49
+ "learning_rate": 2.868617326448652e-06,
50
+ "loss": 1.1269,
51
+ "step": 25
52
+ },
53
+ {
54
+ "epoch": 0.0,
55
+ "grad_norm": 0.30859375,
56
+ "learning_rate": 3.442340791738382e-06,
57
+ "loss": 1.0619,
58
+ "step": 30
59
+ },
60
+ {
61
+ "epoch": 0.0,
62
+ "grad_norm": 0.328125,
63
+ "learning_rate": 4.016064257028113e-06,
64
+ "loss": 1.1175,
65
+ "step": 35
66
+ },
67
+ {
68
+ "epoch": 0.0,
69
+ "grad_norm": 0.328125,
70
+ "learning_rate": 4.589787722317843e-06,
71
+ "loss": 1.1421,
72
+ "step": 40
73
+ },
74
+ {
75
+ "epoch": 0.0,
76
+ "grad_norm": 0.32421875,
77
+ "learning_rate": 5.163511187607573e-06,
78
+ "loss": 1.1014,
79
+ "step": 45
80
+ },
81
+ {
82
+ "epoch": 0.0,
83
+ "grad_norm": 0.341796875,
84
+ "learning_rate": 5.737234652897304e-06,
85
+ "loss": 1.1381,
86
+ "step": 50
87
+ },
88
+ {
89
+ "epoch": 0.0,
90
+ "grad_norm": 0.330078125,
91
+ "learning_rate": 6.310958118187034e-06,
92
+ "loss": 1.1281,
93
+ "step": 55
94
+ },
95
+ {
96
+ "epoch": 0.0,
97
+ "grad_norm": 0.318359375,
98
+ "learning_rate": 6.884681583476764e-06,
99
+ "loss": 1.1071,
100
+ "step": 60
101
+ },
102
+ {
103
+ "epoch": 0.0,
104
+ "grad_norm": 0.32421875,
105
+ "learning_rate": 7.4584050487664955e-06,
106
+ "loss": 1.1442,
107
+ "step": 65
108
+ },
109
+ {
110
+ "epoch": 0.0,
111
+ "grad_norm": 0.326171875,
112
+ "learning_rate": 8.032128514056226e-06,
113
+ "loss": 1.1747,
114
+ "step": 70
115
+ },
116
+ {
117
+ "epoch": 0.0,
118
+ "grad_norm": 0.287109375,
119
+ "learning_rate": 8.605851979345956e-06,
120
+ "loss": 1.0971,
121
+ "step": 75
122
+ },
123
+ {
124
+ "epoch": 0.0,
125
+ "grad_norm": 0.306640625,
126
+ "learning_rate": 9.179575444635686e-06,
127
+ "loss": 1.1356,
128
+ "step": 80
129
+ },
130
+ {
131
+ "epoch": 0.0,
132
+ "grad_norm": 0.279296875,
133
+ "learning_rate": 9.753298909925416e-06,
134
+ "loss": 1.0909,
135
+ "step": 85
136
+ },
137
+ {
138
+ "epoch": 0.01,
139
+ "grad_norm": 0.298828125,
140
+ "learning_rate": 1.0327022375215146e-05,
141
+ "loss": 1.0388,
142
+ "step": 90
143
+ },
144
+ {
145
+ "epoch": 0.01,
146
+ "grad_norm": 0.294921875,
147
+ "learning_rate": 1.0900745840504876e-05,
148
+ "loss": 1.1107,
149
+ "step": 95
150
+ },
151
+ {
152
+ "epoch": 0.01,
153
+ "grad_norm": 0.30078125,
154
+ "learning_rate": 1.1474469305794608e-05,
155
+ "loss": 1.0708,
156
+ "step": 100
157
+ },
158
+ {
159
+ "epoch": 0.01,
160
+ "grad_norm": 0.373046875,
161
+ "learning_rate": 1.2048192771084338e-05,
162
+ "loss": 1.1582,
163
+ "step": 105
164
+ },
165
+ {
166
+ "epoch": 0.01,
167
+ "grad_norm": 0.3984375,
168
+ "learning_rate": 1.2621916236374069e-05,
169
+ "loss": 1.0057,
170
+ "step": 110
171
+ },
172
+ {
173
+ "epoch": 0.01,
174
+ "grad_norm": 0.25390625,
175
+ "learning_rate": 1.3195639701663797e-05,
176
+ "loss": 0.9732,
177
+ "step": 115
178
+ },
179
+ {
180
+ "epoch": 0.01,
181
+ "grad_norm": 0.291015625,
182
+ "learning_rate": 1.3769363166953527e-05,
183
+ "loss": 0.9737,
184
+ "step": 120
185
+ },
186
+ {
187
+ "epoch": 0.01,
188
+ "grad_norm": 0.2734375,
189
+ "learning_rate": 1.434308663224326e-05,
190
+ "loss": 1.044,
191
+ "step": 125
192
+ },
193
+ {
194
+ "epoch": 0.01,
195
+ "grad_norm": 0.302734375,
196
+ "learning_rate": 1.4916810097532991e-05,
197
+ "loss": 1.022,
198
+ "step": 130
199
+ },
200
+ {
201
+ "epoch": 0.01,
202
+ "grad_norm": 0.2392578125,
203
+ "learning_rate": 1.549053356282272e-05,
204
+ "loss": 0.9906,
205
+ "step": 135
206
+ },
207
+ {
208
+ "epoch": 0.01,
209
+ "grad_norm": 0.248046875,
210
+ "learning_rate": 1.606425702811245e-05,
211
+ "loss": 0.9876,
212
+ "step": 140
213
+ },
214
+ {
215
+ "epoch": 0.01,
216
+ "grad_norm": 0.251953125,
217
+ "learning_rate": 1.663798049340218e-05,
218
+ "loss": 0.9876,
219
+ "step": 145
220
+ },
221
+ {
222
+ "epoch": 0.01,
223
+ "grad_norm": 0.29296875,
224
+ "learning_rate": 1.721170395869191e-05,
225
+ "loss": 0.9867,
226
+ "step": 150
227
+ },
228
+ {
229
+ "epoch": 0.01,
230
+ "grad_norm": 0.26171875,
231
+ "learning_rate": 1.7785427423981642e-05,
232
+ "loss": 0.9854,
233
+ "step": 155
234
+ },
235
+ {
236
+ "epoch": 0.01,
237
+ "grad_norm": 0.328125,
238
+ "learning_rate": 1.8359150889271372e-05,
239
+ "loss": 1.002,
240
+ "step": 160
241
+ },
242
+ {
243
+ "epoch": 0.01,
244
+ "grad_norm": 0.28515625,
245
+ "learning_rate": 1.8932874354561102e-05,
246
+ "loss": 1.025,
247
+ "step": 165
248
+ },
249
+ {
250
+ "epoch": 0.01,
251
+ "grad_norm": 0.283203125,
252
+ "learning_rate": 1.9506597819850832e-05,
253
+ "loss": 1.0148,
254
+ "step": 170
255
+ },
256
+ {
257
+ "epoch": 0.01,
258
+ "grad_norm": 0.27734375,
259
+ "learning_rate": 2.0080321285140562e-05,
260
+ "loss": 0.9671,
261
+ "step": 175
262
+ },
263
+ {
264
+ "epoch": 0.01,
265
+ "grad_norm": 0.2451171875,
266
+ "learning_rate": 2.0654044750430293e-05,
267
+ "loss": 1.0353,
268
+ "step": 180
269
+ },
270
+ {
271
+ "epoch": 0.01,
272
+ "grad_norm": 0.265625,
273
+ "learning_rate": 2.1227768215720023e-05,
274
+ "loss": 1.0402,
275
+ "step": 185
276
+ },
277
+ {
278
+ "epoch": 0.01,
279
+ "grad_norm": 0.26953125,
280
+ "learning_rate": 2.1801491681009753e-05,
281
+ "loss": 1.05,
282
+ "step": 190
283
+ },
284
+ {
285
+ "epoch": 0.01,
286
+ "grad_norm": 0.265625,
287
+ "learning_rate": 2.2375215146299486e-05,
288
+ "loss": 0.9227,
289
+ "step": 195
290
+ },
291
+ {
292
+ "epoch": 0.01,
293
+ "grad_norm": 0.267578125,
294
+ "learning_rate": 2.2948938611589217e-05,
295
+ "loss": 1.0784,
296
+ "step": 200
297
+ },
298
+ {
299
+ "epoch": 0.01,
300
+ "grad_norm": 0.318359375,
301
+ "learning_rate": 2.3522662076878947e-05,
302
+ "loss": 1.0928,
303
+ "step": 205
304
+ },
305
+ {
306
+ "epoch": 0.01,
307
+ "grad_norm": 0.283203125,
308
+ "learning_rate": 2.4096385542168677e-05,
309
+ "loss": 1.0673,
310
+ "step": 210
311
+ },
312
+ {
313
+ "epoch": 0.01,
314
+ "grad_norm": 0.271484375,
315
+ "learning_rate": 2.4670109007458407e-05,
316
+ "loss": 1.02,
317
+ "step": 215
318
+ },
319
+ {
320
+ "epoch": 0.01,
321
+ "grad_norm": 0.294921875,
322
+ "learning_rate": 2.5243832472748137e-05,
323
+ "loss": 0.9736,
324
+ "step": 220
325
+ },
326
+ {
327
+ "epoch": 0.01,
328
+ "grad_norm": 0.271484375,
329
+ "learning_rate": 2.5817555938037867e-05,
330
+ "loss": 1.0254,
331
+ "step": 225
332
+ },
333
+ {
334
+ "epoch": 0.01,
335
+ "grad_norm": 0.294921875,
336
+ "learning_rate": 2.6391279403327594e-05,
337
+ "loss": 1.1087,
338
+ "step": 230
339
+ },
340
+ {
341
+ "epoch": 0.01,
342
+ "grad_norm": 0.28125,
343
+ "learning_rate": 2.6965002868617328e-05,
344
+ "loss": 1.0058,
345
+ "step": 235
346
+ },
347
+ {
348
+ "epoch": 0.01,
349
+ "grad_norm": 0.298828125,
350
+ "learning_rate": 2.7538726333907055e-05,
351
+ "loss": 1.0454,
352
+ "step": 240
353
+ },
354
+ {
355
+ "epoch": 0.01,
356
+ "grad_norm": 0.29296875,
357
+ "learning_rate": 2.8112449799196788e-05,
358
+ "loss": 1.0543,
359
+ "step": 245
360
+ },
361
+ {
362
+ "epoch": 0.01,
363
+ "grad_norm": 0.3046875,
364
+ "learning_rate": 2.868617326448652e-05,
365
+ "loss": 1.0177,
366
+ "step": 250
367
+ },
368
+ {
369
+ "epoch": 0.01,
370
+ "grad_norm": 0.28125,
371
+ "learning_rate": 2.925989672977625e-05,
372
+ "loss": 0.9926,
373
+ "step": 255
374
+ },
375
+ {
376
+ "epoch": 0.01,
377
+ "grad_norm": 0.353515625,
378
+ "learning_rate": 2.9833620195065982e-05,
379
+ "loss": 0.966,
380
+ "step": 260
381
+ },
382
+ {
383
+ "epoch": 0.02,
384
+ "grad_norm": 0.296875,
385
+ "learning_rate": 3.040734366035571e-05,
386
+ "loss": 1.0338,
387
+ "step": 265
388
+ },
389
+ {
390
+ "epoch": 0.02,
391
+ "grad_norm": 0.28125,
392
+ "learning_rate": 3.098106712564544e-05,
393
+ "loss": 0.9461,
394
+ "step": 270
395
+ },
396
+ {
397
+ "epoch": 0.02,
398
+ "grad_norm": 0.287109375,
399
+ "learning_rate": 3.155479059093517e-05,
400
+ "loss": 0.9601,
401
+ "step": 275
402
+ },
403
+ {
404
+ "epoch": 0.02,
405
+ "grad_norm": 0.3125,
406
+ "learning_rate": 3.21285140562249e-05,
407
+ "loss": 0.9784,
408
+ "step": 280
409
+ },
410
+ {
411
+ "epoch": 0.02,
412
+ "grad_norm": 0.291015625,
413
+ "learning_rate": 3.2702237521514636e-05,
414
+ "loss": 1.0201,
415
+ "step": 285
416
+ },
417
+ {
418
+ "epoch": 0.02,
419
+ "grad_norm": 0.3046875,
420
+ "learning_rate": 3.327596098680436e-05,
421
+ "loss": 1.0516,
422
+ "step": 290
423
+ },
424
+ {
425
+ "epoch": 0.02,
426
+ "grad_norm": 0.30859375,
427
+ "learning_rate": 3.3849684452094096e-05,
428
+ "loss": 1.0645,
429
+ "step": 295
430
+ },
431
+ {
432
+ "epoch": 0.02,
433
+ "grad_norm": 0.30078125,
434
+ "learning_rate": 3.442340791738382e-05,
435
+ "loss": 0.9631,
436
+ "step": 300
437
+ },
438
+ {
439
+ "epoch": 0.02,
440
+ "grad_norm": 0.29296875,
441
+ "learning_rate": 3.499713138267356e-05,
442
+ "loss": 0.9992,
443
+ "step": 305
444
+ },
445
+ {
446
+ "epoch": 0.02,
447
+ "grad_norm": 0.291015625,
448
+ "learning_rate": 3.5570854847963284e-05,
449
+ "loss": 0.9193,
450
+ "step": 310
451
+ },
452
+ {
453
+ "epoch": 0.02,
454
+ "grad_norm": 0.328125,
455
+ "learning_rate": 3.614457831325301e-05,
456
+ "loss": 1.0957,
457
+ "step": 315
458
+ },
459
+ {
460
+ "epoch": 0.02,
461
+ "grad_norm": 0.306640625,
462
+ "learning_rate": 3.6718301778542744e-05,
463
+ "loss": 0.9923,
464
+ "step": 320
465
+ },
466
+ {
467
+ "epoch": 0.02,
468
+ "grad_norm": 0.318359375,
469
+ "learning_rate": 3.729202524383247e-05,
470
+ "loss": 1.0164,
471
+ "step": 325
472
+ },
473
+ {
474
+ "epoch": 0.02,
475
+ "grad_norm": 0.318359375,
476
+ "learning_rate": 3.7865748709122204e-05,
477
+ "loss": 1.0474,
478
+ "step": 330
479
+ },
480
+ {
481
+ "epoch": 0.02,
482
+ "grad_norm": 0.3046875,
483
+ "learning_rate": 3.843947217441193e-05,
484
+ "loss": 1.0354,
485
+ "step": 335
486
+ },
487
+ {
488
+ "epoch": 0.02,
489
+ "grad_norm": 0.3046875,
490
+ "learning_rate": 3.9013195639701665e-05,
491
+ "loss": 1.0156,
492
+ "step": 340
493
+ },
494
+ {
495
+ "epoch": 0.02,
496
+ "grad_norm": 0.279296875,
497
+ "learning_rate": 3.958691910499139e-05,
498
+ "loss": 1.0118,
499
+ "step": 345
500
+ },
501
+ {
502
+ "epoch": 0.02,
503
+ "grad_norm": 0.310546875,
504
+ "learning_rate": 4.0160642570281125e-05,
505
+ "loss": 1.0196,
506
+ "step": 350
507
+ },
508
+ {
509
+ "epoch": 0.02,
510
+ "grad_norm": 0.302734375,
511
+ "learning_rate": 4.073436603557086e-05,
512
+ "loss": 1.0496,
513
+ "step": 355
514
+ },
515
+ {
516
+ "epoch": 0.02,
517
+ "grad_norm": 0.3125,
518
+ "learning_rate": 4.1308089500860585e-05,
519
+ "loss": 1.0211,
520
+ "step": 360
521
+ },
522
+ {
523
+ "epoch": 0.02,
524
+ "grad_norm": 0.287109375,
525
+ "learning_rate": 4.188181296615032e-05,
526
+ "loss": 1.0123,
527
+ "step": 365
528
+ },
529
+ {
530
+ "epoch": 0.02,
531
+ "grad_norm": 0.296875,
532
+ "learning_rate": 4.2455536431440046e-05,
533
+ "loss": 0.9195,
534
+ "step": 370
535
+ },
536
+ {
537
+ "epoch": 0.02,
538
+ "grad_norm": 0.2890625,
539
+ "learning_rate": 4.302925989672978e-05,
540
+ "loss": 0.9713,
541
+ "step": 375
542
+ },
543
+ {
544
+ "epoch": 0.02,
545
+ "grad_norm": 0.283203125,
546
+ "learning_rate": 4.3602983362019506e-05,
547
+ "loss": 0.9928,
548
+ "step": 380
549
+ },
550
+ {
551
+ "epoch": 0.02,
552
+ "grad_norm": 0.294921875,
553
+ "learning_rate": 4.417670682730924e-05,
554
+ "loss": 0.9875,
555
+ "step": 385
556
+ },
557
+ {
558
+ "epoch": 0.02,
559
+ "grad_norm": 0.310546875,
560
+ "learning_rate": 4.475043029259897e-05,
561
+ "loss": 0.9784,
562
+ "step": 390
563
+ },
564
+ {
565
+ "epoch": 0.02,
566
+ "grad_norm": 0.287109375,
567
+ "learning_rate": 4.53241537578887e-05,
568
+ "loss": 1.0111,
569
+ "step": 395
570
+ },
571
+ {
572
+ "epoch": 0.02,
573
+ "grad_norm": 0.279296875,
574
+ "learning_rate": 4.589787722317843e-05,
575
+ "loss": 0.9552,
576
+ "step": 400
577
+ },
578
+ {
579
+ "epoch": 0.02,
580
+ "grad_norm": 0.30078125,
581
+ "learning_rate": 4.647160068846816e-05,
582
+ "loss": 0.9802,
583
+ "step": 405
584
+ },
585
+ {
586
+ "epoch": 0.02,
587
+ "grad_norm": 0.33203125,
588
+ "learning_rate": 4.7045324153757894e-05,
589
+ "loss": 0.9704,
590
+ "step": 410
591
+ },
592
+ {
593
+ "epoch": 0.02,
594
+ "grad_norm": 0.279296875,
595
+ "learning_rate": 4.761904761904762e-05,
596
+ "loss": 1.0407,
597
+ "step": 415
598
+ },
599
+ {
600
+ "epoch": 0.02,
601
+ "grad_norm": 0.30078125,
602
+ "learning_rate": 4.8192771084337354e-05,
603
+ "loss": 0.9629,
604
+ "step": 420
605
+ },
606
+ {
607
+ "epoch": 0.02,
608
+ "grad_norm": 0.279296875,
609
+ "learning_rate": 4.876649454962709e-05,
610
+ "loss": 1.0004,
611
+ "step": 425
612
+ },
613
+ {
614
+ "epoch": 0.02,
615
+ "grad_norm": 0.30859375,
616
+ "learning_rate": 4.9340218014916814e-05,
617
+ "loss": 1.0286,
618
+ "step": 430
619
+ },
620
+ {
621
+ "epoch": 0.02,
622
+ "grad_norm": 0.28125,
623
+ "learning_rate": 4.991394148020654e-05,
624
+ "loss": 1.056,
625
+ "step": 435
626
+ },
627
+ {
628
+ "epoch": 0.03,
629
+ "grad_norm": 0.255859375,
630
+ "learning_rate": 5.0487664945496275e-05,
631
+ "loss": 0.9442,
632
+ "step": 440
633
+ },
634
+ {
635
+ "epoch": 0.03,
636
+ "grad_norm": 0.2578125,
637
+ "learning_rate": 5.1061388410786e-05,
638
+ "loss": 1.0159,
639
+ "step": 445
640
+ },
641
+ {
642
+ "epoch": 0.03,
643
+ "grad_norm": 0.275390625,
644
+ "learning_rate": 5.1635111876075735e-05,
645
+ "loss": 0.9709,
646
+ "step": 450
647
+ },
648
+ {
649
+ "epoch": 0.03,
650
+ "grad_norm": 0.314453125,
651
+ "learning_rate": 5.220883534136547e-05,
652
+ "loss": 0.9863,
653
+ "step": 455
654
+ },
655
+ {
656
+ "epoch": 0.03,
657
+ "grad_norm": 0.2890625,
658
+ "learning_rate": 5.278255880665519e-05,
659
+ "loss": 1.0526,
660
+ "step": 460
661
+ },
662
+ {
663
+ "epoch": 0.03,
664
+ "grad_norm": 0.275390625,
665
+ "learning_rate": 5.335628227194492e-05,
666
+ "loss": 0.9403,
667
+ "step": 465
668
+ },
669
+ {
670
+ "epoch": 0.03,
671
+ "grad_norm": 0.271484375,
672
+ "learning_rate": 5.3930005737234656e-05,
673
+ "loss": 1.0661,
674
+ "step": 470
675
+ },
676
+ {
677
+ "epoch": 0.03,
678
+ "grad_norm": 0.291015625,
679
+ "learning_rate": 5.450372920252439e-05,
680
+ "loss": 0.9987,
681
+ "step": 475
682
+ },
683
+ {
684
+ "epoch": 0.03,
685
+ "grad_norm": 0.275390625,
686
+ "learning_rate": 5.507745266781411e-05,
687
+ "loss": 0.965,
688
+ "step": 480
689
+ },
690
+ {
691
+ "epoch": 0.03,
692
+ "grad_norm": 0.30859375,
693
+ "learning_rate": 5.565117613310384e-05,
694
+ "loss": 1.0283,
695
+ "step": 485
696
+ },
697
+ {
698
+ "epoch": 0.03,
699
+ "grad_norm": 0.302734375,
700
+ "learning_rate": 5.6224899598393576e-05,
701
+ "loss": 0.93,
702
+ "step": 490
703
+ },
704
+ {
705
+ "epoch": 0.03,
706
+ "grad_norm": 0.298828125,
707
+ "learning_rate": 5.679862306368331e-05,
708
+ "loss": 0.9552,
709
+ "step": 495
710
+ },
711
+ {
712
+ "epoch": 0.03,
713
+ "grad_norm": 0.31640625,
714
+ "learning_rate": 5.737234652897304e-05,
715
+ "loss": 1.0001,
716
+ "step": 500
717
+ },
718
+ {
719
+ "epoch": 0.03,
720
+ "grad_norm": 0.306640625,
721
+ "learning_rate": 5.794606999426276e-05,
722
+ "loss": 0.9641,
723
+ "step": 505
724
+ },
725
+ {
726
+ "epoch": 0.03,
727
+ "grad_norm": 0.26953125,
728
+ "learning_rate": 5.85197934595525e-05,
729
+ "loss": 0.9903,
730
+ "step": 510
731
+ },
732
+ {
733
+ "epoch": 0.03,
734
+ "grad_norm": 0.28125,
735
+ "learning_rate": 5.909351692484223e-05,
736
+ "loss": 1.0984,
737
+ "step": 515
738
+ },
739
+ {
740
+ "epoch": 0.03,
741
+ "grad_norm": 0.31640625,
742
+ "learning_rate": 5.9667240390131964e-05,
743
+ "loss": 1.0631,
744
+ "step": 520
745
+ },
746
+ {
747
+ "epoch": 0.03,
748
+ "grad_norm": 0.265625,
749
+ "learning_rate": 6.02409638554217e-05,
750
+ "loss": 1.0094,
751
+ "step": 525
752
+ },
753
+ {
754
+ "epoch": 0.03,
755
+ "grad_norm": 0.28515625,
756
+ "learning_rate": 6.081468732071142e-05,
757
+ "loss": 0.9601,
758
+ "step": 530
759
+ },
760
+ {
761
+ "epoch": 0.03,
762
+ "grad_norm": 0.26171875,
763
+ "learning_rate": 6.138841078600115e-05,
764
+ "loss": 0.966,
765
+ "step": 535
766
+ },
767
+ {
768
+ "epoch": 0.03,
769
+ "grad_norm": 0.265625,
770
+ "learning_rate": 6.196213425129088e-05,
771
+ "loss": 1.001,
772
+ "step": 540
773
+ },
774
+ {
775
+ "epoch": 0.03,
776
+ "grad_norm": 0.271484375,
777
+ "learning_rate": 6.253585771658062e-05,
778
+ "loss": 0.9451,
779
+ "step": 545
780
+ },
781
+ {
782
+ "epoch": 0.03,
783
+ "grad_norm": 0.28515625,
784
+ "learning_rate": 6.310958118187034e-05,
785
+ "loss": 1.0467,
786
+ "step": 550
787
+ },
788
+ {
789
+ "epoch": 0.03,
790
+ "grad_norm": 0.259765625,
791
+ "learning_rate": 6.368330464716007e-05,
792
+ "loss": 0.9509,
793
+ "step": 555
794
+ },
795
+ {
796
+ "epoch": 0.03,
797
+ "grad_norm": 0.28515625,
798
+ "learning_rate": 6.42570281124498e-05,
799
+ "loss": 1.004,
800
+ "step": 560
801
+ },
802
+ {
803
+ "epoch": 0.03,
804
+ "grad_norm": 0.28125,
805
+ "learning_rate": 6.483075157773954e-05,
806
+ "loss": 0.9926,
807
+ "step": 565
808
+ },
809
+ {
810
+ "epoch": 0.03,
811
+ "grad_norm": 0.251953125,
812
+ "learning_rate": 6.540447504302927e-05,
813
+ "loss": 1.0299,
814
+ "step": 570
815
+ },
816
+ {
817
+ "epoch": 0.03,
818
+ "grad_norm": 0.271484375,
819
+ "learning_rate": 6.597819850831899e-05,
820
+ "loss": 1.0158,
821
+ "step": 575
822
+ },
823
+ {
824
+ "epoch": 0.03,
825
+ "grad_norm": 0.283203125,
826
+ "learning_rate": 6.655192197360873e-05,
827
+ "loss": 0.938,
828
+ "step": 580
829
+ },
830
+ {
831
+ "epoch": 0.03,
832
+ "grad_norm": 0.2578125,
833
+ "learning_rate": 6.712564543889846e-05,
834
+ "loss": 1.0229,
835
+ "step": 585
836
+ },
837
+ {
838
+ "epoch": 0.03,
839
+ "grad_norm": 0.27734375,
840
+ "learning_rate": 6.769936890418819e-05,
841
+ "loss": 1.0166,
842
+ "step": 590
843
+ },
844
+ {
845
+ "epoch": 0.03,
846
+ "grad_norm": 0.271484375,
847
+ "learning_rate": 6.827309236947793e-05,
848
+ "loss": 1.0477,
849
+ "step": 595
850
+ },
851
+ {
852
+ "epoch": 0.03,
853
+ "grad_norm": 0.271484375,
854
+ "learning_rate": 6.884681583476765e-05,
855
+ "loss": 1.063,
856
+ "step": 600
857
+ },
858
+ {
859
+ "epoch": 0.03,
860
+ "grad_norm": 0.271484375,
861
+ "learning_rate": 6.942053930005738e-05,
862
+ "loss": 0.9473,
863
+ "step": 605
864
+ },
865
+ {
866
+ "epoch": 0.04,
867
+ "grad_norm": 0.26953125,
868
+ "learning_rate": 6.999426276534711e-05,
869
+ "loss": 0.9762,
870
+ "step": 610
871
+ },
872
+ {
873
+ "epoch": 0.04,
874
+ "grad_norm": 0.25,
875
+ "learning_rate": 7.056798623063683e-05,
876
+ "loss": 0.9429,
877
+ "step": 615
878
+ },
879
+ {
880
+ "epoch": 0.04,
881
+ "grad_norm": 0.283203125,
882
+ "learning_rate": 7.114170969592657e-05,
883
+ "loss": 1.0625,
884
+ "step": 620
885
+ },
886
+ {
887
+ "epoch": 0.04,
888
+ "grad_norm": 0.25,
889
+ "learning_rate": 7.17154331612163e-05,
890
+ "loss": 1.0392,
891
+ "step": 625
892
+ },
893
+ {
894
+ "epoch": 0.04,
895
+ "grad_norm": 0.271484375,
896
+ "learning_rate": 7.228915662650602e-05,
897
+ "loss": 0.9726,
898
+ "step": 630
899
+ },
900
+ {
901
+ "epoch": 0.04,
902
+ "grad_norm": 0.2578125,
903
+ "learning_rate": 7.286288009179575e-05,
904
+ "loss": 0.9595,
905
+ "step": 635
906
+ },
907
+ {
908
+ "epoch": 0.04,
909
+ "grad_norm": 0.2734375,
910
+ "learning_rate": 7.343660355708549e-05,
911
+ "loss": 0.9844,
912
+ "step": 640
913
+ },
914
+ {
915
+ "epoch": 0.04,
916
+ "grad_norm": 0.265625,
917
+ "learning_rate": 7.401032702237521e-05,
918
+ "loss": 0.9771,
919
+ "step": 645
920
+ },
921
+ {
922
+ "epoch": 0.04,
923
+ "grad_norm": 0.263671875,
924
+ "learning_rate": 7.458405048766494e-05,
925
+ "loss": 0.9184,
926
+ "step": 650
927
+ },
928
+ {
929
+ "epoch": 0.04,
930
+ "grad_norm": 0.255859375,
931
+ "learning_rate": 7.515777395295467e-05,
932
+ "loss": 1.0352,
933
+ "step": 655
934
+ },
935
+ {
936
+ "epoch": 0.04,
937
+ "grad_norm": 0.265625,
938
+ "learning_rate": 7.573149741824441e-05,
939
+ "loss": 0.9668,
940
+ "step": 660
941
+ },
942
+ {
943
+ "epoch": 0.04,
944
+ "grad_norm": 0.267578125,
945
+ "learning_rate": 7.630522088353414e-05,
946
+ "loss": 0.9868,
947
+ "step": 665
948
+ },
949
+ {
950
+ "epoch": 0.04,
951
+ "grad_norm": 0.251953125,
952
+ "learning_rate": 7.687894434882386e-05,
953
+ "loss": 0.8749,
954
+ "step": 670
955
+ },
956
+ {
957
+ "epoch": 0.04,
958
+ "grad_norm": 0.265625,
959
+ "learning_rate": 7.74526678141136e-05,
960
+ "loss": 1.0655,
961
+ "step": 675
962
+ },
963
+ {
964
+ "epoch": 0.04,
965
+ "grad_norm": 0.255859375,
966
+ "learning_rate": 7.802639127940333e-05,
967
+ "loss": 1.0624,
968
+ "step": 680
969
+ },
970
+ {
971
+ "epoch": 0.04,
972
+ "grad_norm": 0.259765625,
973
+ "learning_rate": 7.860011474469306e-05,
974
+ "loss": 0.9675,
975
+ "step": 685
976
+ },
977
+ {
978
+ "epoch": 0.04,
979
+ "grad_norm": 0.27734375,
980
+ "learning_rate": 7.917383820998278e-05,
981
+ "loss": 0.9624,
982
+ "step": 690
983
+ },
984
+ {
985
+ "epoch": 0.04,
986
+ "grad_norm": 0.2578125,
987
+ "learning_rate": 7.974756167527252e-05,
988
+ "loss": 0.9586,
989
+ "step": 695
990
+ },
991
+ {
992
+ "epoch": 0.04,
993
+ "grad_norm": 0.265625,
994
+ "learning_rate": 8.032128514056225e-05,
995
+ "loss": 1.0463,
996
+ "step": 700
997
+ },
998
+ {
999
+ "epoch": 0.04,
1000
+ "grad_norm": 0.244140625,
1001
+ "learning_rate": 8.089500860585198e-05,
1002
+ "loss": 0.9695,
1003
+ "step": 705
1004
+ },
1005
+ {
1006
+ "epoch": 0.04,
1007
+ "grad_norm": 0.251953125,
1008
+ "learning_rate": 8.146873207114172e-05,
1009
+ "loss": 0.9292,
1010
+ "step": 710
1011
+ },
1012
+ {
1013
+ "epoch": 0.04,
1014
+ "grad_norm": 0.2578125,
1015
+ "learning_rate": 8.204245553643144e-05,
1016
+ "loss": 1.0259,
1017
+ "step": 715
1018
+ },
1019
+ {
1020
+ "epoch": 0.04,
1021
+ "grad_norm": 0.25,
1022
+ "learning_rate": 8.261617900172117e-05,
1023
+ "loss": 0.9621,
1024
+ "step": 720
1025
+ },
1026
+ {
1027
+ "epoch": 0.04,
1028
+ "grad_norm": 0.25390625,
1029
+ "learning_rate": 8.31899024670109e-05,
1030
+ "loss": 0.9825,
1031
+ "step": 725
1032
+ },
1033
+ {
1034
+ "epoch": 0.04,
1035
+ "grad_norm": 0.2451171875,
1036
+ "learning_rate": 8.376362593230064e-05,
1037
+ "loss": 1.0375,
1038
+ "step": 730
1039
+ },
1040
+ {
1041
+ "epoch": 0.04,
1042
+ "grad_norm": 0.27734375,
1043
+ "learning_rate": 8.433734939759037e-05,
1044
+ "loss": 1.0185,
1045
+ "step": 735
1046
+ },
1047
+ {
1048
+ "epoch": 0.04,
1049
+ "grad_norm": 0.244140625,
1050
+ "learning_rate": 8.491107286288009e-05,
1051
+ "loss": 0.9533,
1052
+ "step": 740
1053
+ },
1054
+ {
1055
+ "epoch": 0.04,
1056
+ "grad_norm": 0.2451171875,
1057
+ "learning_rate": 8.548479632816982e-05,
1058
+ "loss": 1.0193,
1059
+ "step": 745
1060
+ },
1061
+ {
1062
+ "epoch": 0.04,
1063
+ "grad_norm": 0.2451171875,
1064
+ "learning_rate": 8.605851979345956e-05,
1065
+ "loss": 0.9726,
1066
+ "step": 750
1067
+ },
1068
+ {
1069
+ "epoch": 0.04,
1070
+ "grad_norm": 0.25,
1071
+ "learning_rate": 8.663224325874929e-05,
1072
+ "loss": 0.9539,
1073
+ "step": 755
1074
+ },
1075
+ {
1076
+ "epoch": 0.04,
1077
+ "grad_norm": 0.2470703125,
1078
+ "learning_rate": 8.720596672403901e-05,
1079
+ "loss": 0.9903,
1080
+ "step": 760
1081
+ },
1082
+ {
1083
+ "epoch": 0.04,
1084
+ "grad_norm": 0.2490234375,
1085
+ "learning_rate": 8.777969018932875e-05,
1086
+ "loss": 0.9379,
1087
+ "step": 765
1088
+ },
1089
+ {
1090
+ "epoch": 0.04,
1091
+ "grad_norm": 0.251953125,
1092
+ "learning_rate": 8.835341365461848e-05,
1093
+ "loss": 1.0387,
1094
+ "step": 770
1095
+ },
1096
+ {
1097
+ "epoch": 0.04,
1098
+ "grad_norm": 0.2373046875,
1099
+ "learning_rate": 8.892713711990821e-05,
1100
+ "loss": 0.935,
1101
+ "step": 775
1102
+ },
1103
+ {
1104
+ "epoch": 0.04,
1105
+ "grad_norm": 0.26171875,
1106
+ "learning_rate": 8.950086058519795e-05,
1107
+ "loss": 1.0,
1108
+ "step": 780
1109
+ },
1110
+ {
1111
+ "epoch": 0.05,
1112
+ "grad_norm": 0.2470703125,
1113
+ "learning_rate": 9.007458405048767e-05,
1114
+ "loss": 0.9975,
1115
+ "step": 785
1116
+ },
1117
+ {
1118
+ "epoch": 0.05,
1119
+ "grad_norm": 0.2490234375,
1120
+ "learning_rate": 9.06483075157774e-05,
1121
+ "loss": 0.9693,
1122
+ "step": 790
1123
+ },
1124
+ {
1125
+ "epoch": 0.05,
1126
+ "grad_norm": 0.2470703125,
1127
+ "learning_rate": 9.122203098106713e-05,
1128
+ "loss": 1.0198,
1129
+ "step": 795
1130
+ },
1131
+ {
1132
+ "epoch": 0.05,
1133
+ "grad_norm": 0.2392578125,
1134
+ "learning_rate": 9.179575444635687e-05,
1135
+ "loss": 0.9223,
1136
+ "step": 800
1137
+ },
1138
+ {
1139
+ "epoch": 0.05,
1140
+ "grad_norm": 0.248046875,
1141
+ "learning_rate": 9.23694779116466e-05,
1142
+ "loss": 0.9482,
1143
+ "step": 805
1144
+ },
1145
+ {
1146
+ "epoch": 0.05,
1147
+ "grad_norm": 0.2451171875,
1148
+ "learning_rate": 9.294320137693632e-05,
1149
+ "loss": 0.9712,
1150
+ "step": 810
1151
+ },
1152
+ {
1153
+ "epoch": 0.05,
1154
+ "grad_norm": 0.25,
1155
+ "learning_rate": 9.351692484222605e-05,
1156
+ "loss": 0.9429,
1157
+ "step": 815
1158
+ },
1159
+ {
1160
+ "epoch": 0.05,
1161
+ "grad_norm": 0.24609375,
1162
+ "learning_rate": 9.409064830751579e-05,
1163
+ "loss": 0.9846,
1164
+ "step": 820
1165
+ },
1166
+ {
1167
+ "epoch": 0.05,
1168
+ "grad_norm": 0.234375,
1169
+ "learning_rate": 9.466437177280552e-05,
1170
+ "loss": 1.0339,
1171
+ "step": 825
1172
+ },
1173
+ {
1174
+ "epoch": 0.05,
1175
+ "grad_norm": 0.2470703125,
1176
+ "learning_rate": 9.523809523809524e-05,
1177
+ "loss": 1.026,
1178
+ "step": 830
1179
+ },
1180
+ {
1181
+ "epoch": 0.05,
1182
+ "grad_norm": 0.244140625,
1183
+ "learning_rate": 9.581181870338497e-05,
1184
+ "loss": 0.9849,
1185
+ "step": 835
1186
+ },
1187
+ {
1188
+ "epoch": 0.05,
1189
+ "grad_norm": 0.2314453125,
1190
+ "learning_rate": 9.638554216867471e-05,
1191
+ "loss": 0.9534,
1192
+ "step": 840
1193
+ },
1194
+ {
1195
+ "epoch": 0.05,
1196
+ "grad_norm": 0.23828125,
1197
+ "learning_rate": 9.695926563396444e-05,
1198
+ "loss": 0.9447,
1199
+ "step": 845
1200
+ },
1201
+ {
1202
+ "epoch": 0.05,
1203
+ "grad_norm": 0.251953125,
1204
+ "learning_rate": 9.753298909925417e-05,
1205
+ "loss": 1.0123,
1206
+ "step": 850
1207
+ },
1208
+ {
1209
+ "epoch": 0.05,
1210
+ "grad_norm": 0.2490234375,
1211
+ "learning_rate": 9.81067125645439e-05,
1212
+ "loss": 0.9959,
1213
+ "step": 855
1214
+ },
1215
+ {
1216
+ "epoch": 0.05,
1217
+ "grad_norm": 0.2578125,
1218
+ "learning_rate": 9.868043602983363e-05,
1219
+ "loss": 1.029,
1220
+ "step": 860
1221
+ },
1222
+ {
1223
+ "epoch": 0.05,
1224
+ "grad_norm": 0.2314453125,
1225
+ "learning_rate": 9.925415949512336e-05,
1226
+ "loss": 0.9831,
1227
+ "step": 865
1228
+ },
1229
+ {
1230
+ "epoch": 0.05,
1231
+ "grad_norm": 0.2578125,
1232
+ "learning_rate": 9.982788296041308e-05,
1233
+ "loss": 0.9834,
1234
+ "step": 870
1235
+ },
1236
+ {
1237
+ "epoch": 0.05,
1238
+ "grad_norm": 0.25390625,
1239
+ "learning_rate": 0.00010040160642570282,
1240
+ "loss": 0.9969,
1241
+ "step": 875
1242
+ },
1243
+ {
1244
+ "epoch": 0.05,
1245
+ "grad_norm": 0.25,
1246
+ "learning_rate": 0.00010097532989099255,
1247
+ "loss": 1.0441,
1248
+ "step": 880
1249
+ },
1250
+ {
1251
+ "epoch": 0.05,
1252
+ "grad_norm": 0.236328125,
1253
+ "learning_rate": 0.00010154905335628228,
1254
+ "loss": 1.0314,
1255
+ "step": 885
1256
+ },
1257
+ {
1258
+ "epoch": 0.05,
1259
+ "grad_norm": 0.2392578125,
1260
+ "learning_rate": 0.000102122776821572,
1261
+ "loss": 1.0093,
1262
+ "step": 890
1263
+ },
1264
+ {
1265
+ "epoch": 0.05,
1266
+ "grad_norm": 0.2333984375,
1267
+ "learning_rate": 0.00010269650028686174,
1268
+ "loss": 0.9604,
1269
+ "step": 895
1270
+ },
1271
+ {
1272
+ "epoch": 0.05,
1273
+ "grad_norm": 0.2412109375,
1274
+ "learning_rate": 0.00010327022375215147,
1275
+ "loss": 1.0466,
1276
+ "step": 900
1277
+ },
1278
+ {
1279
+ "epoch": 0.05,
1280
+ "grad_norm": 0.24609375,
1281
+ "learning_rate": 0.00010384394721744119,
1282
+ "loss": 0.9441,
1283
+ "step": 905
1284
+ },
1285
+ {
1286
+ "epoch": 0.05,
1287
+ "grad_norm": 0.2333984375,
1288
+ "learning_rate": 0.00010441767068273094,
1289
+ "loss": 1.0899,
1290
+ "step": 910
1291
+ },
1292
+ {
1293
+ "epoch": 0.05,
1294
+ "grad_norm": 0.2294921875,
1295
+ "learning_rate": 0.00010499139414802066,
1296
+ "loss": 0.9531,
1297
+ "step": 915
1298
+ },
1299
+ {
1300
+ "epoch": 0.05,
1301
+ "grad_norm": 0.24609375,
1302
+ "learning_rate": 0.00010556511761331038,
1303
+ "loss": 1.0328,
1304
+ "step": 920
1305
+ },
1306
+ {
1307
+ "epoch": 0.05,
1308
+ "grad_norm": 0.23828125,
1309
+ "learning_rate": 0.00010613884107860012,
1310
+ "loss": 0.9897,
1311
+ "step": 925
1312
+ },
1313
+ {
1314
+ "epoch": 0.05,
1315
+ "grad_norm": 0.2294921875,
1316
+ "learning_rate": 0.00010671256454388984,
1317
+ "loss": 0.9566,
1318
+ "step": 930
1319
+ },
1320
+ {
1321
+ "epoch": 0.05,
1322
+ "grad_norm": 0.271484375,
1323
+ "learning_rate": 0.00010728628800917956,
1324
+ "loss": 1.0191,
1325
+ "step": 935
1326
+ },
1327
+ {
1328
+ "epoch": 0.05,
1329
+ "grad_norm": 0.2314453125,
1330
+ "learning_rate": 0.00010786001147446931,
1331
+ "loss": 0.9694,
1332
+ "step": 940
1333
+ },
1334
+ {
1335
+ "epoch": 0.05,
1336
+ "grad_norm": 0.2373046875,
1337
+ "learning_rate": 0.00010843373493975903,
1338
+ "loss": 0.9672,
1339
+ "step": 945
1340
+ },
1341
+ {
1342
+ "epoch": 0.05,
1343
+ "grad_norm": 0.22265625,
1344
+ "learning_rate": 0.00010900745840504878,
1345
+ "loss": 0.916,
1346
+ "step": 950
1347
+ },
1348
+ {
1349
+ "epoch": 0.05,
1350
+ "grad_norm": 0.2373046875,
1351
+ "learning_rate": 0.0001095811818703385,
1352
+ "loss": 0.9865,
1353
+ "step": 955
1354
+ },
1355
+ {
1356
+ "epoch": 0.06,
1357
+ "grad_norm": 0.2490234375,
1358
+ "learning_rate": 0.00011015490533562822,
1359
+ "loss": 0.9618,
1360
+ "step": 960
1361
+ },
1362
+ {
1363
+ "epoch": 0.06,
1364
+ "grad_norm": 0.2431640625,
1365
+ "learning_rate": 0.00011072862880091797,
1366
+ "loss": 0.9468,
1367
+ "step": 965
1368
+ },
1369
+ {
1370
+ "epoch": 0.06,
1371
+ "grad_norm": 0.240234375,
1372
+ "learning_rate": 0.00011130235226620769,
1373
+ "loss": 0.9658,
1374
+ "step": 970
1375
+ },
1376
+ {
1377
+ "epoch": 0.06,
1378
+ "grad_norm": 0.255859375,
1379
+ "learning_rate": 0.00011187607573149743,
1380
+ "loss": 0.9294,
1381
+ "step": 975
1382
+ },
1383
+ {
1384
+ "epoch": 0.06,
1385
+ "grad_norm": 0.2314453125,
1386
+ "learning_rate": 0.00011244979919678715,
1387
+ "loss": 0.9726,
1388
+ "step": 980
1389
+ },
1390
+ {
1391
+ "epoch": 0.06,
1392
+ "grad_norm": 0.2353515625,
1393
+ "learning_rate": 0.00011302352266207687,
1394
+ "loss": 0.9686,
1395
+ "step": 985
1396
+ },
1397
+ {
1398
+ "epoch": 0.06,
1399
+ "grad_norm": 0.259765625,
1400
+ "learning_rate": 0.00011359724612736662,
1401
+ "loss": 0.9164,
1402
+ "step": 990
1403
+ },
1404
+ {
1405
+ "epoch": 0.06,
1406
+ "grad_norm": 0.23828125,
1407
+ "learning_rate": 0.00011417096959265634,
1408
+ "loss": 0.9311,
1409
+ "step": 995
1410
+ },
1411
+ {
1412
+ "epoch": 0.06,
1413
+ "grad_norm": 0.240234375,
1414
+ "learning_rate": 0.00011474469305794609,
1415
+ "loss": 1.0245,
1416
+ "step": 1000
1417
+ },
1418
+ {
1419
+ "epoch": 0.06,
1420
+ "grad_norm": 0.2265625,
1421
+ "learning_rate": 0.0001153184165232358,
1422
+ "loss": 0.9739,
1423
+ "step": 1005
1424
+ },
1425
+ {
1426
+ "epoch": 0.06,
1427
+ "grad_norm": 0.2421875,
1428
+ "learning_rate": 0.00011589213998852553,
1429
+ "loss": 1.0052,
1430
+ "step": 1010
1431
+ },
1432
+ {
1433
+ "epoch": 0.06,
1434
+ "grad_norm": 0.25,
1435
+ "learning_rate": 0.00011646586345381527,
1436
+ "loss": 1.0301,
1437
+ "step": 1015
1438
+ },
1439
+ {
1440
+ "epoch": 0.06,
1441
+ "grad_norm": 0.25390625,
1442
+ "learning_rate": 0.000117039586919105,
1443
+ "loss": 0.9816,
1444
+ "step": 1020
1445
+ },
1446
+ {
1447
+ "epoch": 0.06,
1448
+ "grad_norm": 0.234375,
1449
+ "learning_rate": 0.00011761331038439474,
1450
+ "loss": 0.9639,
1451
+ "step": 1025
1452
+ },
1453
+ {
1454
+ "epoch": 0.06,
1455
+ "grad_norm": 0.2275390625,
1456
+ "learning_rate": 0.00011818703384968446,
1457
+ "loss": 0.9754,
1458
+ "step": 1030
1459
+ },
1460
+ {
1461
+ "epoch": 0.06,
1462
+ "grad_norm": 0.236328125,
1463
+ "learning_rate": 0.00011876075731497418,
1464
+ "loss": 0.9676,
1465
+ "step": 1035
1466
+ },
1467
+ {
1468
+ "epoch": 0.06,
1469
+ "grad_norm": 0.2119140625,
1470
+ "learning_rate": 0.00011933448078026393,
1471
+ "loss": 0.9609,
1472
+ "step": 1040
1473
+ },
1474
+ {
1475
+ "epoch": 0.06,
1476
+ "grad_norm": 0.22265625,
1477
+ "learning_rate": 0.00011990820424555365,
1478
+ "loss": 1.0846,
1479
+ "step": 1045
1480
+ },
1481
+ {
1482
+ "epoch": 0.06,
1483
+ "grad_norm": 0.228515625,
1484
+ "learning_rate": 0.0001204819277108434,
1485
+ "loss": 1.0062,
1486
+ "step": 1050
1487
+ },
1488
+ {
1489
+ "epoch": 0.06,
1490
+ "grad_norm": 0.26171875,
1491
+ "learning_rate": 0.00012105565117613311,
1492
+ "loss": 0.9671,
1493
+ "step": 1055
1494
+ },
1495
+ {
1496
+ "epoch": 0.06,
1497
+ "grad_norm": 0.2353515625,
1498
+ "learning_rate": 0.00012162937464142283,
1499
+ "loss": 0.9461,
1500
+ "step": 1060
1501
+ },
1502
+ {
1503
+ "epoch": 0.06,
1504
+ "grad_norm": 0.23828125,
1505
+ "learning_rate": 0.00012220309810671257,
1506
+ "loss": 1.0213,
1507
+ "step": 1065
1508
+ },
1509
+ {
1510
+ "epoch": 0.06,
1511
+ "grad_norm": 0.2392578125,
1512
+ "learning_rate": 0.0001227768215720023,
1513
+ "loss": 0.9022,
1514
+ "step": 1070
1515
+ },
1516
+ {
1517
+ "epoch": 0.06,
1518
+ "grad_norm": 0.2353515625,
1519
+ "learning_rate": 0.000123350545037292,
1520
+ "loss": 0.9297,
1521
+ "step": 1075
1522
+ },
1523
+ {
1524
+ "epoch": 0.06,
1525
+ "grad_norm": 0.234375,
1526
+ "learning_rate": 0.00012392426850258177,
1527
+ "loss": 0.983,
1528
+ "step": 1080
1529
+ },
1530
+ {
1531
+ "epoch": 0.06,
1532
+ "grad_norm": 0.234375,
1533
+ "learning_rate": 0.00012449799196787148,
1534
+ "loss": 0.9703,
1535
+ "step": 1085
1536
+ },
1537
+ {
1538
+ "epoch": 0.06,
1539
+ "grad_norm": 0.2236328125,
1540
+ "learning_rate": 0.00012507171543316124,
1541
+ "loss": 0.9242,
1542
+ "step": 1090
1543
+ },
1544
+ {
1545
+ "epoch": 0.06,
1546
+ "grad_norm": 0.337890625,
1547
+ "learning_rate": 0.00012564543889845094,
1548
+ "loss": 0.9759,
1549
+ "step": 1095
1550
+ },
1551
+ {
1552
+ "epoch": 0.06,
1553
+ "grad_norm": 0.2412109375,
1554
+ "learning_rate": 0.00012621916236374068,
1555
+ "loss": 0.9818,
1556
+ "step": 1100
1557
+ },
1558
+ {
1559
+ "epoch": 0.06,
1560
+ "grad_norm": 0.2470703125,
1561
+ "learning_rate": 0.0001267928858290304,
1562
+ "loss": 0.9421,
1563
+ "step": 1105
1564
+ },
1565
+ {
1566
+ "epoch": 0.06,
1567
+ "grad_norm": 0.23046875,
1568
+ "learning_rate": 0.00012736660929432014,
1569
+ "loss": 0.9781,
1570
+ "step": 1110
1571
+ },
1572
+ {
1573
+ "epoch": 0.06,
1574
+ "grad_norm": 0.2236328125,
1575
+ "learning_rate": 0.00012794033275960988,
1576
+ "loss": 0.9641,
1577
+ "step": 1115
1578
+ },
1579
+ {
1580
+ "epoch": 0.06,
1581
+ "grad_norm": 0.224609375,
1582
+ "learning_rate": 0.0001285140562248996,
1583
+ "loss": 0.9432,
1584
+ "step": 1120
1585
+ },
1586
+ {
1587
+ "epoch": 0.06,
1588
+ "grad_norm": 0.224609375,
1589
+ "learning_rate": 0.00012908777969018932,
1590
+ "loss": 0.9871,
1591
+ "step": 1125
1592
+ },
1593
+ {
1594
+ "epoch": 0.06,
1595
+ "grad_norm": 0.23828125,
1596
+ "learning_rate": 0.00012966150315547908,
1597
+ "loss": 0.9821,
1598
+ "step": 1130
1599
+ },
1600
+ {
1601
+ "epoch": 0.07,
1602
+ "grad_norm": 0.2392578125,
1603
+ "learning_rate": 0.00013023522662076878,
1604
+ "loss": 1.0521,
1605
+ "step": 1135
1606
+ },
1607
+ {
1608
+ "epoch": 0.07,
1609
+ "grad_norm": 0.2265625,
1610
+ "learning_rate": 0.00013080895008605854,
1611
+ "loss": 0.9457,
1612
+ "step": 1140
1613
+ },
1614
+ {
1615
+ "epoch": 0.07,
1616
+ "grad_norm": 0.2294921875,
1617
+ "learning_rate": 0.00013138267355134825,
1618
+ "loss": 1.0108,
1619
+ "step": 1145
1620
+ },
1621
+ {
1622
+ "epoch": 0.07,
1623
+ "grad_norm": 0.236328125,
1624
+ "learning_rate": 0.00013195639701663798,
1625
+ "loss": 1.0137,
1626
+ "step": 1150
1627
+ },
1628
+ {
1629
+ "epoch": 0.07,
1630
+ "grad_norm": 0.2265625,
1631
+ "learning_rate": 0.00013253012048192772,
1632
+ "loss": 0.991,
1633
+ "step": 1155
1634
+ },
1635
+ {
1636
+ "epoch": 0.07,
1637
+ "grad_norm": 0.236328125,
1638
+ "learning_rate": 0.00013310384394721745,
1639
+ "loss": 1.0097,
1640
+ "step": 1160
1641
+ },
1642
+ {
1643
+ "epoch": 0.07,
1644
+ "grad_norm": 0.2333984375,
1645
+ "learning_rate": 0.00013367756741250719,
1646
+ "loss": 0.9865,
1647
+ "step": 1165
1648
+ },
1649
+ {
1650
+ "epoch": 0.07,
1651
+ "grad_norm": 0.2275390625,
1652
+ "learning_rate": 0.00013425129087779692,
1653
+ "loss": 0.9605,
1654
+ "step": 1170
1655
+ },
1656
+ {
1657
+ "epoch": 0.07,
1658
+ "grad_norm": 0.236328125,
1659
+ "learning_rate": 0.00013482501434308663,
1660
+ "loss": 0.9711,
1661
+ "step": 1175
1662
+ },
1663
+ {
1664
+ "epoch": 0.07,
1665
+ "grad_norm": 0.228515625,
1666
+ "learning_rate": 0.00013539873780837639,
1667
+ "loss": 0.9318,
1668
+ "step": 1180
1669
+ },
1670
+ {
1671
+ "epoch": 0.07,
1672
+ "grad_norm": 0.23046875,
1673
+ "learning_rate": 0.0001359724612736661,
1674
+ "loss": 0.9614,
1675
+ "step": 1185
1676
+ },
1677
+ {
1678
+ "epoch": 0.07,
1679
+ "grad_norm": 0.2216796875,
1680
+ "learning_rate": 0.00013654618473895585,
1681
+ "loss": 0.9332,
1682
+ "step": 1190
1683
+ },
1684
+ {
1685
+ "epoch": 0.07,
1686
+ "grad_norm": 0.2412109375,
1687
+ "learning_rate": 0.00013711990820424556,
1688
+ "loss": 1.0134,
1689
+ "step": 1195
1690
+ },
1691
+ {
1692
+ "epoch": 0.07,
1693
+ "grad_norm": 0.2353515625,
1694
+ "learning_rate": 0.0001376936316695353,
1695
+ "loss": 0.9594,
1696
+ "step": 1200
1697
+ },
1698
+ {
1699
+ "epoch": 0.07,
1700
+ "grad_norm": 0.2294921875,
1701
+ "learning_rate": 0.00013826735513482503,
1702
+ "loss": 0.9513,
1703
+ "step": 1205
1704
+ },
1705
+ {
1706
+ "epoch": 0.07,
1707
+ "grad_norm": 0.2451171875,
1708
+ "learning_rate": 0.00013884107860011476,
1709
+ "loss": 0.924,
1710
+ "step": 1210
1711
+ },
1712
+ {
1713
+ "epoch": 0.07,
1714
+ "grad_norm": 0.2333984375,
1715
+ "learning_rate": 0.00013941480206540447,
1716
+ "loss": 0.9583,
1717
+ "step": 1215
1718
+ },
1719
+ {
1720
+ "epoch": 0.07,
1721
+ "grad_norm": 0.21875,
1722
+ "learning_rate": 0.00013998852553069423,
1723
+ "loss": 0.9737,
1724
+ "step": 1220
1725
+ },
1726
+ {
1727
+ "epoch": 0.07,
1728
+ "grad_norm": 0.2216796875,
1729
+ "learning_rate": 0.00014056224899598393,
1730
+ "loss": 0.9217,
1731
+ "step": 1225
1732
+ },
1733
+ {
1734
+ "epoch": 0.07,
1735
+ "grad_norm": 0.244140625,
1736
+ "learning_rate": 0.00014113597246127367,
1737
+ "loss": 0.9655,
1738
+ "step": 1230
1739
+ },
1740
+ {
1741
+ "epoch": 0.07,
1742
+ "grad_norm": 0.232421875,
1743
+ "learning_rate": 0.0001417096959265634,
1744
+ "loss": 0.9355,
1745
+ "step": 1235
1746
+ },
1747
+ {
1748
+ "epoch": 0.07,
1749
+ "grad_norm": 0.224609375,
1750
+ "learning_rate": 0.00014228341939185313,
1751
+ "loss": 0.9576,
1752
+ "step": 1240
1753
+ },
1754
+ {
1755
+ "epoch": 0.07,
1756
+ "grad_norm": 0.234375,
1757
+ "learning_rate": 0.00014285714285714287,
1758
+ "loss": 0.9402,
1759
+ "step": 1245
1760
+ },
1761
+ {
1762
+ "epoch": 0.07,
1763
+ "grad_norm": 0.2275390625,
1764
+ "learning_rate": 0.0001434308663224326,
1765
+ "loss": 1.0237,
1766
+ "step": 1250
1767
+ },
1768
+ {
1769
+ "epoch": 0.07,
1770
+ "grad_norm": 0.2451171875,
1771
+ "learning_rate": 0.00014400458978772233,
1772
+ "loss": 0.9935,
1773
+ "step": 1255
1774
+ },
1775
+ {
1776
+ "epoch": 0.07,
1777
+ "grad_norm": 0.23046875,
1778
+ "learning_rate": 0.00014457831325301204,
1779
+ "loss": 0.9788,
1780
+ "step": 1260
1781
+ },
1782
+ {
1783
+ "epoch": 0.07,
1784
+ "grad_norm": 0.2314453125,
1785
+ "learning_rate": 0.00014515203671830177,
1786
+ "loss": 1.0283,
1787
+ "step": 1265
1788
+ },
1789
+ {
1790
+ "epoch": 0.07,
1791
+ "grad_norm": 0.2216796875,
1792
+ "learning_rate": 0.0001457257601835915,
1793
+ "loss": 0.9474,
1794
+ "step": 1270
1795
+ },
1796
+ {
1797
+ "epoch": 0.07,
1798
+ "grad_norm": 0.2353515625,
1799
+ "learning_rate": 0.00014629948364888124,
1800
+ "loss": 0.9659,
1801
+ "step": 1275
1802
+ },
1803
+ {
1804
+ "epoch": 0.07,
1805
+ "grad_norm": 0.236328125,
1806
+ "learning_rate": 0.00014687320711417098,
1807
+ "loss": 1.0318,
1808
+ "step": 1280
1809
+ },
1810
+ {
1811
+ "epoch": 0.07,
1812
+ "grad_norm": 0.2451171875,
1813
+ "learning_rate": 0.0001474469305794607,
1814
+ "loss": 1.0086,
1815
+ "step": 1285
1816
+ },
1817
+ {
1818
+ "epoch": 0.07,
1819
+ "grad_norm": 0.236328125,
1820
+ "learning_rate": 0.00014802065404475042,
1821
+ "loss": 0.9403,
1822
+ "step": 1290
1823
+ },
1824
+ {
1825
+ "epoch": 0.07,
1826
+ "grad_norm": 0.25,
1827
+ "learning_rate": 0.00014859437751004018,
1828
+ "loss": 1.0317,
1829
+ "step": 1295
1830
+ },
1831
+ {
1832
+ "epoch": 0.07,
1833
+ "grad_norm": 0.2353515625,
1834
+ "learning_rate": 0.00014916810097532988,
1835
+ "loss": 0.9529,
1836
+ "step": 1300
1837
+ },
1838
+ {
1839
+ "epoch": 0.07,
1840
+ "grad_norm": 0.25390625,
1841
+ "learning_rate": 0.00014974182444061964,
1842
+ "loss": 0.9657,
1843
+ "step": 1305
1844
+ },
1845
+ {
1846
+ "epoch": 0.08,
1847
+ "grad_norm": 0.234375,
1848
+ "learning_rate": 0.00015031554790590935,
1849
+ "loss": 0.9273,
1850
+ "step": 1310
1851
+ },
1852
+ {
1853
+ "epoch": 0.08,
1854
+ "grad_norm": 0.2216796875,
1855
+ "learning_rate": 0.00015088927137119908,
1856
+ "loss": 0.9357,
1857
+ "step": 1315
1858
+ },
1859
+ {
1860
+ "epoch": 0.08,
1861
+ "grad_norm": 0.23828125,
1862
+ "learning_rate": 0.00015146299483648882,
1863
+ "loss": 0.9419,
1864
+ "step": 1320
1865
+ },
1866
+ {
1867
+ "epoch": 0.08,
1868
+ "grad_norm": 0.248046875,
1869
+ "learning_rate": 0.00015203671830177855,
1870
+ "loss": 0.9859,
1871
+ "step": 1325
1872
+ },
1873
+ {
1874
+ "epoch": 0.08,
1875
+ "grad_norm": 0.232421875,
1876
+ "learning_rate": 0.00015261044176706828,
1877
+ "loss": 0.9877,
1878
+ "step": 1330
1879
+ },
1880
+ {
1881
+ "epoch": 0.08,
1882
+ "grad_norm": 0.248046875,
1883
+ "learning_rate": 0.00015318416523235802,
1884
+ "loss": 0.9402,
1885
+ "step": 1335
1886
+ },
1887
+ {
1888
+ "epoch": 0.08,
1889
+ "grad_norm": 0.232421875,
1890
+ "learning_rate": 0.00015375788869764772,
1891
+ "loss": 0.9792,
1892
+ "step": 1340
1893
+ },
1894
+ {
1895
+ "epoch": 0.08,
1896
+ "grad_norm": 0.2578125,
1897
+ "learning_rate": 0.00015433161216293748,
1898
+ "loss": 1.027,
1899
+ "step": 1345
1900
+ },
1901
+ {
1902
+ "epoch": 0.08,
1903
+ "grad_norm": 0.2177734375,
1904
+ "learning_rate": 0.0001549053356282272,
1905
+ "loss": 0.9546,
1906
+ "step": 1350
1907
+ },
1908
+ {
1909
+ "epoch": 0.08,
1910
+ "grad_norm": 0.2314453125,
1911
+ "learning_rate": 0.00015547905909351695,
1912
+ "loss": 0.9848,
1913
+ "step": 1355
1914
+ },
1915
+ {
1916
+ "epoch": 0.08,
1917
+ "grad_norm": 0.240234375,
1918
+ "learning_rate": 0.00015605278255880666,
1919
+ "loss": 0.9394,
1920
+ "step": 1360
1921
+ },
1922
+ {
1923
+ "epoch": 0.08,
1924
+ "grad_norm": 0.2333984375,
1925
+ "learning_rate": 0.0001566265060240964,
1926
+ "loss": 1.0092,
1927
+ "step": 1365
1928
+ },
1929
+ {
1930
+ "epoch": 0.08,
1931
+ "grad_norm": 0.2255859375,
1932
+ "learning_rate": 0.00015720022948938613,
1933
+ "loss": 0.9365,
1934
+ "step": 1370
1935
+ },
1936
+ {
1937
+ "epoch": 0.08,
1938
+ "grad_norm": 0.2138671875,
1939
+ "learning_rate": 0.00015777395295467586,
1940
+ "loss": 0.9653,
1941
+ "step": 1375
1942
+ },
1943
+ {
1944
+ "epoch": 0.08,
1945
+ "grad_norm": 0.265625,
1946
+ "learning_rate": 0.00015834767641996557,
1947
+ "loss": 1.0078,
1948
+ "step": 1380
1949
+ },
1950
+ {
1951
+ "epoch": 0.08,
1952
+ "grad_norm": 0.265625,
1953
+ "learning_rate": 0.00015892139988525533,
1954
+ "loss": 0.9501,
1955
+ "step": 1385
1956
+ },
1957
+ {
1958
+ "epoch": 0.08,
1959
+ "grad_norm": 0.2451171875,
1960
+ "learning_rate": 0.00015949512335054503,
1961
+ "loss": 0.9533,
1962
+ "step": 1390
1963
+ },
1964
+ {
1965
+ "epoch": 0.08,
1966
+ "grad_norm": 0.2197265625,
1967
+ "learning_rate": 0.0001600688468158348,
1968
+ "loss": 0.9657,
1969
+ "step": 1395
1970
+ },
1971
+ {
1972
+ "epoch": 0.08,
1973
+ "grad_norm": 0.23046875,
1974
+ "learning_rate": 0.0001606425702811245,
1975
+ "loss": 0.9324,
1976
+ "step": 1400
1977
+ },
1978
+ {
1979
+ "epoch": 0.08,
1980
+ "grad_norm": 0.2412109375,
1981
+ "learning_rate": 0.00016121629374641423,
1982
+ "loss": 1.0704,
1983
+ "step": 1405
1984
+ },
1985
+ {
1986
+ "epoch": 0.08,
1987
+ "grad_norm": 0.2373046875,
1988
+ "learning_rate": 0.00016179001721170397,
1989
+ "loss": 1.0436,
1990
+ "step": 1410
1991
+ },
1992
+ {
1993
+ "epoch": 0.08,
1994
+ "grad_norm": 0.2392578125,
1995
+ "learning_rate": 0.0001623637406769937,
1996
+ "loss": 0.9883,
1997
+ "step": 1415
1998
+ },
1999
+ {
2000
+ "epoch": 0.08,
2001
+ "grad_norm": 0.224609375,
2002
+ "learning_rate": 0.00016293746414228343,
2003
+ "loss": 0.9992,
2004
+ "step": 1420
2005
+ },
2006
+ {
2007
+ "epoch": 0.08,
2008
+ "grad_norm": 0.2412109375,
2009
+ "learning_rate": 0.00016351118760757317,
2010
+ "loss": 0.9545,
2011
+ "step": 1425
2012
+ },
2013
+ {
2014
+ "epoch": 0.08,
2015
+ "grad_norm": 0.2265625,
2016
+ "learning_rate": 0.00016408491107286287,
2017
+ "loss": 1.0417,
2018
+ "step": 1430
2019
+ },
2020
+ {
2021
+ "epoch": 0.08,
2022
+ "grad_norm": 0.240234375,
2023
+ "learning_rate": 0.00016465863453815263,
2024
+ "loss": 0.935,
2025
+ "step": 1435
2026
+ },
2027
+ {
2028
+ "epoch": 0.08,
2029
+ "grad_norm": 0.267578125,
2030
+ "learning_rate": 0.00016523235800344234,
2031
+ "loss": 1.0409,
2032
+ "step": 1440
2033
+ },
2034
+ {
2035
+ "epoch": 0.08,
2036
+ "grad_norm": 0.244140625,
2037
+ "learning_rate": 0.0001658060814687321,
2038
+ "loss": 0.9488,
2039
+ "step": 1445
2040
+ },
2041
+ {
2042
+ "epoch": 0.08,
2043
+ "grad_norm": 0.2138671875,
2044
+ "learning_rate": 0.0001663798049340218,
2045
+ "loss": 0.9972,
2046
+ "step": 1450
2047
+ },
2048
+ {
2049
+ "epoch": 0.08,
2050
+ "grad_norm": 0.2373046875,
2051
+ "learning_rate": 0.00016695352839931154,
2052
+ "loss": 0.9906,
2053
+ "step": 1455
2054
+ },
2055
+ {
2056
+ "epoch": 0.08,
2057
+ "grad_norm": 0.2333984375,
2058
+ "learning_rate": 0.00016752725186460127,
2059
+ "loss": 0.9048,
2060
+ "step": 1460
2061
+ },
2062
+ {
2063
+ "epoch": 0.08,
2064
+ "grad_norm": 0.2421875,
2065
+ "learning_rate": 0.000168100975329891,
2066
+ "loss": 0.9976,
2067
+ "step": 1465
2068
+ },
2069
+ {
2070
+ "epoch": 0.08,
2071
+ "grad_norm": 0.267578125,
2072
+ "learning_rate": 0.00016867469879518074,
2073
+ "loss": 1.0322,
2074
+ "step": 1470
2075
+ },
2076
+ {
2077
+ "epoch": 0.08,
2078
+ "grad_norm": 0.265625,
2079
+ "learning_rate": 0.00016924842226047048,
2080
+ "loss": 1.0866,
2081
+ "step": 1475
2082
+ },
2083
+ {
2084
+ "epoch": 0.08,
2085
+ "grad_norm": 0.2412109375,
2086
+ "learning_rate": 0.00016982214572576018,
2087
+ "loss": 1.0016,
2088
+ "step": 1480
2089
+ },
2090
+ {
2091
+ "epoch": 0.09,
2092
+ "grad_norm": 0.234375,
2093
+ "learning_rate": 0.00017039586919104992,
2094
+ "loss": 0.9241,
2095
+ "step": 1485
2096
+ },
2097
+ {
2098
+ "epoch": 0.09,
2099
+ "grad_norm": 0.2177734375,
2100
+ "learning_rate": 0.00017096959265633965,
2101
+ "loss": 0.962,
2102
+ "step": 1490
2103
+ },
2104
+ {
2105
+ "epoch": 0.09,
2106
+ "grad_norm": 0.2314453125,
2107
+ "learning_rate": 0.00017154331612162938,
2108
+ "loss": 0.9042,
2109
+ "step": 1495
2110
+ },
2111
+ {
2112
+ "epoch": 0.09,
2113
+ "grad_norm": 0.2333984375,
2114
+ "learning_rate": 0.00017211703958691912,
2115
+ "loss": 1.0099,
2116
+ "step": 1500
2117
+ },
2118
+ {
2119
+ "epoch": 0.09,
2120
+ "grad_norm": 0.232421875,
2121
+ "learning_rate": 0.00017269076305220885,
2122
+ "loss": 1.0163,
2123
+ "step": 1505
2124
+ },
2125
+ {
2126
+ "epoch": 0.09,
2127
+ "grad_norm": 0.25390625,
2128
+ "learning_rate": 0.00017326448651749858,
2129
+ "loss": 1.0498,
2130
+ "step": 1510
2131
+ },
2132
+ {
2133
+ "epoch": 0.09,
2134
+ "grad_norm": 0.2421875,
2135
+ "learning_rate": 0.0001738382099827883,
2136
+ "loss": 0.9888,
2137
+ "step": 1515
2138
+ },
2139
+ {
2140
+ "epoch": 0.09,
2141
+ "grad_norm": 0.2490234375,
2142
+ "learning_rate": 0.00017441193344807802,
2143
+ "loss": 1.0013,
2144
+ "step": 1520
2145
+ },
2146
+ {
2147
+ "epoch": 0.09,
2148
+ "grad_norm": 0.2490234375,
2149
+ "learning_rate": 0.00017498565691336776,
2150
+ "loss": 1.0155,
2151
+ "step": 1525
2152
+ },
2153
+ {
2154
+ "epoch": 0.09,
2155
+ "grad_norm": 0.234375,
2156
+ "learning_rate": 0.0001755593803786575,
2157
+ "loss": 0.9526,
2158
+ "step": 1530
2159
+ },
2160
+ {
2161
+ "epoch": 0.09,
2162
+ "grad_norm": 0.236328125,
2163
+ "learning_rate": 0.00017613310384394722,
2164
+ "loss": 0.9016,
2165
+ "step": 1535
2166
+ },
2167
+ {
2168
+ "epoch": 0.09,
2169
+ "grad_norm": 0.240234375,
2170
+ "learning_rate": 0.00017670682730923696,
2171
+ "loss": 0.9581,
2172
+ "step": 1540
2173
+ },
2174
+ {
2175
+ "epoch": 0.09,
2176
+ "grad_norm": 0.2353515625,
2177
+ "learning_rate": 0.00017728055077452666,
2178
+ "loss": 1.0365,
2179
+ "step": 1545
2180
+ },
2181
+ {
2182
+ "epoch": 0.09,
2183
+ "grad_norm": 0.240234375,
2184
+ "learning_rate": 0.00017785427423981642,
2185
+ "loss": 1.0005,
2186
+ "step": 1550
2187
+ },
2188
+ {
2189
+ "epoch": 0.09,
2190
+ "grad_norm": 0.251953125,
2191
+ "learning_rate": 0.00017842799770510613,
2192
+ "loss": 0.9476,
2193
+ "step": 1555
2194
+ },
2195
+ {
2196
+ "epoch": 0.09,
2197
+ "grad_norm": 0.2255859375,
2198
+ "learning_rate": 0.0001790017211703959,
2199
+ "loss": 0.9278,
2200
+ "step": 1560
2201
+ },
2202
+ {
2203
+ "epoch": 0.09,
2204
+ "grad_norm": 0.2412109375,
2205
+ "learning_rate": 0.0001795754446356856,
2206
+ "loss": 0.9874,
2207
+ "step": 1565
2208
+ },
2209
+ {
2210
+ "epoch": 0.09,
2211
+ "grad_norm": 0.2451171875,
2212
+ "learning_rate": 0.00018014916810097533,
2213
+ "loss": 0.9641,
2214
+ "step": 1570
2215
+ },
2216
+ {
2217
+ "epoch": 0.09,
2218
+ "grad_norm": 0.2412109375,
2219
+ "learning_rate": 0.00018072289156626507,
2220
+ "loss": 0.9107,
2221
+ "step": 1575
2222
+ },
2223
+ {
2224
+ "epoch": 0.09,
2225
+ "grad_norm": 0.2412109375,
2226
+ "learning_rate": 0.0001812966150315548,
2227
+ "loss": 0.9186,
2228
+ "step": 1580
2229
+ },
2230
+ {
2231
+ "epoch": 0.09,
2232
+ "grad_norm": 0.23046875,
2233
+ "learning_rate": 0.00018187033849684453,
2234
+ "loss": 0.9491,
2235
+ "step": 1585
2236
+ },
2237
+ {
2238
+ "epoch": 0.09,
2239
+ "grad_norm": 0.255859375,
2240
+ "learning_rate": 0.00018244406196213427,
2241
+ "loss": 0.9631,
2242
+ "step": 1590
2243
+ },
2244
+ {
2245
+ "epoch": 0.09,
2246
+ "grad_norm": 0.2451171875,
2247
+ "learning_rate": 0.00018301778542742397,
2248
+ "loss": 0.9594,
2249
+ "step": 1595
2250
+ },
2251
+ {
2252
+ "epoch": 0.09,
2253
+ "grad_norm": 0.2451171875,
2254
+ "learning_rate": 0.00018359150889271373,
2255
+ "loss": 1.023,
2256
+ "step": 1600
2257
+ },
2258
+ {
2259
+ "epoch": 0.09,
2260
+ "grad_norm": 0.244140625,
2261
+ "learning_rate": 0.00018416523235800344,
2262
+ "loss": 0.9928,
2263
+ "step": 1605
2264
+ },
2265
+ {
2266
+ "epoch": 0.09,
2267
+ "grad_norm": 0.25,
2268
+ "learning_rate": 0.0001847389558232932,
2269
+ "loss": 1.0005,
2270
+ "step": 1610
2271
+ },
2272
+ {
2273
+ "epoch": 0.09,
2274
+ "grad_norm": 0.234375,
2275
+ "learning_rate": 0.0001853126792885829,
2276
+ "loss": 1.0217,
2277
+ "step": 1615
2278
+ },
2279
+ {
2280
+ "epoch": 0.09,
2281
+ "grad_norm": 0.251953125,
2282
+ "learning_rate": 0.00018588640275387264,
2283
+ "loss": 0.9643,
2284
+ "step": 1620
2285
+ },
2286
+ {
2287
+ "epoch": 0.09,
2288
+ "grad_norm": 0.2421875,
2289
+ "learning_rate": 0.00018646012621916237,
2290
+ "loss": 1.0031,
2291
+ "step": 1625
2292
+ },
2293
+ {
2294
+ "epoch": 0.09,
2295
+ "grad_norm": 0.2275390625,
2296
+ "learning_rate": 0.0001870338496844521,
2297
+ "loss": 1.0036,
2298
+ "step": 1630
2299
+ },
2300
+ {
2301
+ "epoch": 0.09,
2302
+ "grad_norm": 0.2265625,
2303
+ "learning_rate": 0.00018760757314974184,
2304
+ "loss": 0.9301,
2305
+ "step": 1635
2306
+ },
2307
+ {
2308
+ "epoch": 0.09,
2309
+ "grad_norm": 0.24609375,
2310
+ "learning_rate": 0.00018818129661503157,
2311
+ "loss": 0.9543,
2312
+ "step": 1640
2313
+ },
2314
+ {
2315
+ "epoch": 0.09,
2316
+ "grad_norm": 0.263671875,
2317
+ "learning_rate": 0.00018875502008032128,
2318
+ "loss": 1.0256,
2319
+ "step": 1645
2320
+ },
2321
+ {
2322
+ "epoch": 0.09,
2323
+ "grad_norm": 0.244140625,
2324
+ "learning_rate": 0.00018932874354561104,
2325
+ "loss": 0.9054,
2326
+ "step": 1650
2327
+ },
2328
+ {
2329
+ "epoch": 0.09,
2330
+ "grad_norm": 0.2412109375,
2331
+ "learning_rate": 0.00018990246701090075,
2332
+ "loss": 1.0048,
2333
+ "step": 1655
2334
+ },
2335
+ {
2336
+ "epoch": 0.1,
2337
+ "grad_norm": 0.24609375,
2338
+ "learning_rate": 0.00019047619047619048,
2339
+ "loss": 0.9333,
2340
+ "step": 1660
2341
+ },
2342
+ {
2343
+ "epoch": 0.1,
2344
+ "grad_norm": 0.2412109375,
2345
+ "learning_rate": 0.00019104991394148021,
2346
+ "loss": 0.96,
2347
+ "step": 1665
2348
+ },
2349
+ {
2350
+ "epoch": 0.1,
2351
+ "grad_norm": 0.2412109375,
2352
+ "learning_rate": 0.00019162363740676995,
2353
+ "loss": 0.9713,
2354
+ "step": 1670
2355
+ },
2356
+ {
2357
+ "epoch": 0.1,
2358
+ "grad_norm": 0.2490234375,
2359
+ "learning_rate": 0.00019219736087205968,
2360
+ "loss": 0.961,
2361
+ "step": 1675
2362
+ },
2363
+ {
2364
+ "epoch": 0.1,
2365
+ "grad_norm": 0.26171875,
2366
+ "learning_rate": 0.00019277108433734942,
2367
+ "loss": 1.0021,
2368
+ "step": 1680
2369
+ },
2370
+ {
2371
+ "epoch": 0.1,
2372
+ "grad_norm": 0.24609375,
2373
+ "learning_rate": 0.00019334480780263912,
2374
+ "loss": 0.9664,
2375
+ "step": 1685
2376
+ },
2377
+ {
2378
+ "epoch": 0.1,
2379
+ "grad_norm": 0.2431640625,
2380
+ "learning_rate": 0.00019391853126792888,
2381
+ "loss": 0.9807,
2382
+ "step": 1690
2383
+ },
2384
+ {
2385
+ "epoch": 0.1,
2386
+ "grad_norm": 0.2392578125,
2387
+ "learning_rate": 0.0001944922547332186,
2388
+ "loss": 1.0138,
2389
+ "step": 1695
2390
+ },
2391
+ {
2392
+ "epoch": 0.1,
2393
+ "grad_norm": 0.2451171875,
2394
+ "learning_rate": 0.00019506597819850835,
2395
+ "loss": 0.9767,
2396
+ "step": 1700
2397
+ },
2398
+ {
2399
+ "epoch": 0.1,
2400
+ "grad_norm": 0.236328125,
2401
+ "learning_rate": 0.00019563970166379806,
2402
+ "loss": 0.9553,
2403
+ "step": 1705
2404
+ },
2405
+ {
2406
+ "epoch": 0.1,
2407
+ "grad_norm": 0.2470703125,
2408
+ "learning_rate": 0.0001962134251290878,
2409
+ "loss": 0.9531,
2410
+ "step": 1710
2411
+ },
2412
+ {
2413
+ "epoch": 0.1,
2414
+ "grad_norm": 0.2578125,
2415
+ "learning_rate": 0.00019678714859437752,
2416
+ "loss": 1.0003,
2417
+ "step": 1715
2418
+ },
2419
+ {
2420
+ "epoch": 0.1,
2421
+ "grad_norm": 0.25,
2422
+ "learning_rate": 0.00019736087205966726,
2423
+ "loss": 1.0358,
2424
+ "step": 1720
2425
+ },
2426
+ {
2427
+ "epoch": 0.1,
2428
+ "grad_norm": 0.251953125,
2429
+ "learning_rate": 0.000197934595524957,
2430
+ "loss": 1.0139,
2431
+ "step": 1725
2432
+ },
2433
+ {
2434
+ "epoch": 0.1,
2435
+ "grad_norm": 0.2578125,
2436
+ "learning_rate": 0.00019850831899024672,
2437
+ "loss": 0.9449,
2438
+ "step": 1730
2439
+ },
2440
+ {
2441
+ "epoch": 0.1,
2442
+ "grad_norm": 0.24609375,
2443
+ "learning_rate": 0.00019908204245553643,
2444
+ "loss": 0.9687,
2445
+ "step": 1735
2446
+ },
2447
+ {
2448
+ "epoch": 0.1,
2449
+ "grad_norm": 0.27734375,
2450
+ "learning_rate": 0.00019965576592082616,
2451
+ "loss": 0.9651,
2452
+ "step": 1740
2453
+ },
2454
+ {
2455
+ "epoch": 0.1,
2456
+ "grad_norm": 0.326171875,
2457
+ "learning_rate": 0.00019999999197655853,
2458
+ "loss": 0.9889,
2459
+ "step": 1745
2460
+ },
2461
+ {
2462
+ "epoch": 0.1,
2463
+ "grad_norm": 0.259765625,
2464
+ "learning_rate": 0.0001999999017128567,
2465
+ "loss": 0.9731,
2466
+ "step": 1750
2467
+ },
2468
+ {
2469
+ "epoch": 0.1,
2470
+ "grad_norm": 0.25,
2471
+ "learning_rate": 0.00019999971115624204,
2472
+ "loss": 0.9449,
2473
+ "step": 1755
2474
+ },
2475
+ {
2476
+ "epoch": 0.1,
2477
+ "grad_norm": 0.2431640625,
2478
+ "learning_rate": 0.00019999942030690567,
2479
+ "loss": 1.0263,
2480
+ "step": 1760
2481
+ },
2482
+ {
2483
+ "epoch": 0.1,
2484
+ "grad_norm": 0.248046875,
2485
+ "learning_rate": 0.0001999990291651393,
2486
+ "loss": 1.0108,
2487
+ "step": 1765
2488
+ },
2489
+ {
2490
+ "epoch": 0.1,
2491
+ "grad_norm": 3.59375,
2492
+ "learning_rate": 0.00019999853773133513,
2493
+ "loss": 0.9885,
2494
+ "step": 1770
2495
+ },
2496
+ {
2497
+ "epoch": 0.1,
2498
+ "grad_norm": 1.8828125,
2499
+ "learning_rate": 0.00019999794600598616,
2500
+ "loss": 1.0399,
2501
+ "step": 1775
2502
+ },
2503
+ {
2504
+ "epoch": 0.1,
2505
+ "grad_norm": 5.21875,
2506
+ "learning_rate": 0.00019999725398968577,
2507
+ "loss": 0.9831,
2508
+ "step": 1780
2509
+ },
2510
+ {
2511
+ "epoch": 0.1,
2512
+ "grad_norm": 0.380859375,
2513
+ "learning_rate": 0.000199996461683128,
2514
+ "loss": 1.0011,
2515
+ "step": 1785
2516
+ },
2517
+ {
2518
+ "epoch": 0.1,
2519
+ "grad_norm": 0.234375,
2520
+ "learning_rate": 0.00019999556908710753,
2521
+ "loss": 0.9378,
2522
+ "step": 1790
2523
+ },
2524
+ {
2525
+ "epoch": 0.1,
2526
+ "grad_norm": 0.2578125,
2527
+ "learning_rate": 0.00019999457620251953,
2528
+ "loss": 0.8633,
2529
+ "step": 1795
2530
+ },
2531
+ {
2532
+ "epoch": 0.1,
2533
+ "grad_norm": 0.25390625,
2534
+ "learning_rate": 0.0001999934830303598,
2535
+ "loss": 0.9294,
2536
+ "step": 1800
2537
+ },
2538
+ {
2539
+ "epoch": 0.1,
2540
+ "grad_norm": 0.2451171875,
2541
+ "learning_rate": 0.00019999228957172477,
2542
+ "loss": 0.9073,
2543
+ "step": 1805
2544
+ },
2545
+ {
2546
+ "epoch": 0.1,
2547
+ "grad_norm": 0.263671875,
2548
+ "learning_rate": 0.0001999909958278113,
2549
+ "loss": 0.9657,
2550
+ "step": 1810
2551
+ },
2552
+ {
2553
+ "epoch": 0.1,
2554
+ "grad_norm": 0.33203125,
2555
+ "learning_rate": 0.000199989601799917,
2556
+ "loss": 0.9259,
2557
+ "step": 1815
2558
+ },
2559
+ {
2560
+ "epoch": 0.1,
2561
+ "grad_norm": 0.294921875,
2562
+ "learning_rate": 0.00019998810748943994,
2563
+ "loss": 1.0024,
2564
+ "step": 1820
2565
+ },
2566
+ {
2567
+ "epoch": 0.1,
2568
+ "grad_norm": 0.330078125,
2569
+ "learning_rate": 0.00019998651289787885,
2570
+ "loss": 0.9861,
2571
+ "step": 1825
2572
+ },
2573
+ {
2574
+ "epoch": 0.11,
2575
+ "grad_norm": 0.240234375,
2576
+ "learning_rate": 0.00019998481802683293,
2577
+ "loss": 0.9961,
2578
+ "step": 1830
2579
+ },
2580
+ {
2581
+ "epoch": 0.11,
2582
+ "grad_norm": 0.275390625,
2583
+ "learning_rate": 0.00019998302287800208,
2584
+ "loss": 0.982,
2585
+ "step": 1835
2586
+ },
2587
+ {
2588
+ "epoch": 0.11,
2589
+ "grad_norm": 0.302734375,
2590
+ "learning_rate": 0.00019998112745318669,
2591
+ "loss": 0.9971,
2592
+ "step": 1840
2593
+ },
2594
+ {
2595
+ "epoch": 0.11,
2596
+ "grad_norm": 0.2392578125,
2597
+ "learning_rate": 0.00019997913175428771,
2598
+ "loss": 0.9621,
2599
+ "step": 1845
2600
+ },
2601
+ {
2602
+ "epoch": 0.11,
2603
+ "grad_norm": 0.2470703125,
2604
+ "learning_rate": 0.00019997703578330674,
2605
+ "loss": 1.0447,
2606
+ "step": 1850
2607
+ },
2608
+ {
2609
+ "epoch": 0.11,
2610
+ "grad_norm": 0.2333984375,
2611
+ "learning_rate": 0.00019997483954234583,
2612
+ "loss": 0.9805,
2613
+ "step": 1855
2614
+ },
2615
+ {
2616
+ "epoch": 0.11,
2617
+ "grad_norm": 0.251953125,
2618
+ "learning_rate": 0.00019997254303360772,
2619
+ "loss": 0.9045,
2620
+ "step": 1860
2621
+ },
2622
+ {
2623
+ "epoch": 0.11,
2624
+ "grad_norm": 0.25390625,
2625
+ "learning_rate": 0.0001999701462593956,
2626
+ "loss": 0.987,
2627
+ "step": 1865
2628
+ },
2629
+ {
2630
+ "epoch": 0.11,
2631
+ "grad_norm": 0.248046875,
2632
+ "learning_rate": 0.00019996764922211328,
2633
+ "loss": 0.9118,
2634
+ "step": 1870
2635
+ },
2636
+ {
2637
+ "epoch": 0.11,
2638
+ "grad_norm": 0.26953125,
2639
+ "learning_rate": 0.0001999650519242651,
2640
+ "loss": 0.9849,
2641
+ "step": 1875
2642
+ },
2643
+ {
2644
+ "epoch": 0.11,
2645
+ "grad_norm": 0.2451171875,
2646
+ "learning_rate": 0.00019996235436845603,
2647
+ "loss": 0.9767,
2648
+ "step": 1880
2649
+ },
2650
+ {
2651
+ "epoch": 0.11,
2652
+ "grad_norm": 0.251953125,
2653
+ "learning_rate": 0.00019995955655739147,
2654
+ "loss": 0.9148,
2655
+ "step": 1885
2656
+ },
2657
+ {
2658
+ "epoch": 0.11,
2659
+ "grad_norm": 0.267578125,
2660
+ "learning_rate": 0.00019995665849387742,
2661
+ "loss": 0.949,
2662
+ "step": 1890
2663
+ },
2664
+ {
2665
+ "epoch": 0.11,
2666
+ "grad_norm": 0.2275390625,
2667
+ "learning_rate": 0.0001999536601808205,
2668
+ "loss": 0.952,
2669
+ "step": 1895
2670
+ },
2671
+ {
2672
+ "epoch": 0.11,
2673
+ "grad_norm": 0.2314453125,
2674
+ "learning_rate": 0.00019995056162122775,
2675
+ "loss": 1.0401,
2676
+ "step": 1900
2677
+ },
2678
+ {
2679
+ "epoch": 0.11,
2680
+ "grad_norm": 0.2470703125,
2681
+ "learning_rate": 0.0001999473628182068,
2682
+ "loss": 1.0086,
2683
+ "step": 1905
2684
+ },
2685
+ {
2686
+ "epoch": 0.11,
2687
+ "grad_norm": 0.2470703125,
2688
+ "learning_rate": 0.00019994406377496588,
2689
+ "loss": 0.9144,
2690
+ "step": 1910
2691
+ },
2692
+ {
2693
+ "epoch": 0.11,
2694
+ "grad_norm": 0.267578125,
2695
+ "learning_rate": 0.00019994066449481368,
2696
+ "loss": 0.9385,
2697
+ "step": 1915
2698
+ },
2699
+ {
2700
+ "epoch": 0.11,
2701
+ "grad_norm": 0.251953125,
2702
+ "learning_rate": 0.0001999371649811594,
2703
+ "loss": 0.8985,
2704
+ "step": 1920
2705
+ },
2706
+ {
2707
+ "epoch": 0.11,
2708
+ "grad_norm": 0.25390625,
2709
+ "learning_rate": 0.00019993356523751287,
2710
+ "loss": 1.0068,
2711
+ "step": 1925
2712
+ },
2713
+ {
2714
+ "epoch": 0.11,
2715
+ "grad_norm": 0.279296875,
2716
+ "learning_rate": 0.00019992986526748432,
2717
+ "loss": 0.9062,
2718
+ "step": 1930
2719
+ },
2720
+ {
2721
+ "epoch": 0.11,
2722
+ "grad_norm": 0.24609375,
2723
+ "learning_rate": 0.00019992606507478463,
2724
+ "loss": 1.0012,
2725
+ "step": 1935
2726
+ },
2727
+ {
2728
+ "epoch": 0.11,
2729
+ "grad_norm": 0.263671875,
2730
+ "learning_rate": 0.0001999221646632251,
2731
+ "loss": 0.9275,
2732
+ "step": 1940
2733
+ },
2734
+ {
2735
+ "epoch": 0.11,
2736
+ "grad_norm": 0.267578125,
2737
+ "learning_rate": 0.0001999181640367175,
2738
+ "loss": 1.013,
2739
+ "step": 1945
2740
+ },
2741
+ {
2742
+ "epoch": 0.11,
2743
+ "grad_norm": 0.24609375,
2744
+ "learning_rate": 0.00019991406319927428,
2745
+ "loss": 0.9457,
2746
+ "step": 1950
2747
+ },
2748
+ {
2749
+ "epoch": 0.11,
2750
+ "grad_norm": 0.2734375,
2751
+ "learning_rate": 0.00019990986215500826,
2752
+ "loss": 0.9166,
2753
+ "step": 1955
2754
+ },
2755
+ {
2756
+ "epoch": 0.11,
2757
+ "grad_norm": 0.2578125,
2758
+ "learning_rate": 0.00019990556090813277,
2759
+ "loss": 0.98,
2760
+ "step": 1960
2761
+ },
2762
+ {
2763
+ "epoch": 0.11,
2764
+ "grad_norm": 0.26953125,
2765
+ "learning_rate": 0.00019990115946296168,
2766
+ "loss": 0.9796,
2767
+ "step": 1965
2768
+ },
2769
+ {
2770
+ "epoch": 0.11,
2771
+ "grad_norm": 0.255859375,
2772
+ "learning_rate": 0.00019989665782390933,
2773
+ "loss": 0.965,
2774
+ "step": 1970
2775
+ },
2776
+ {
2777
+ "epoch": 0.11,
2778
+ "grad_norm": 0.240234375,
2779
+ "learning_rate": 0.00019989205599549057,
2780
+ "loss": 0.9783,
2781
+ "step": 1975
2782
+ },
2783
+ {
2784
+ "epoch": 0.11,
2785
+ "grad_norm": 0.25390625,
2786
+ "learning_rate": 0.00019988735398232066,
2787
+ "loss": 0.9994,
2788
+ "step": 1980
2789
+ },
2790
+ {
2791
+ "epoch": 0.11,
2792
+ "grad_norm": 0.2451171875,
2793
+ "learning_rate": 0.00019988255178911543,
2794
+ "loss": 0.9957,
2795
+ "step": 1985
2796
+ },
2797
+ {
2798
+ "epoch": 0.11,
2799
+ "grad_norm": 0.251953125,
2800
+ "learning_rate": 0.00019987764942069113,
2801
+ "loss": 0.961,
2802
+ "step": 1990
2803
+ },
2804
+ {
2805
+ "epoch": 0.11,
2806
+ "grad_norm": 0.25390625,
2807
+ "learning_rate": 0.00019987264688196453,
2808
+ "loss": 1.0016,
2809
+ "step": 1995
2810
+ },
2811
+ {
2812
+ "epoch": 0.11,
2813
+ "grad_norm": 0.2431640625,
2814
+ "learning_rate": 0.00019986754417795278,
2815
+ "loss": 0.9121,
2816
+ "step": 2000
2817
+ },
2818
+ {
2819
+ "epoch": 0.12,
2820
+ "grad_norm": 0.265625,
2821
+ "learning_rate": 0.00019986234131377353,
2822
+ "loss": 0.928,
2823
+ "step": 2005
2824
+ },
2825
+ {
2826
+ "epoch": 0.12,
2827
+ "grad_norm": 0.263671875,
2828
+ "learning_rate": 0.00019985703829464492,
2829
+ "loss": 1.0261,
2830
+ "step": 2010
2831
+ },
2832
+ {
2833
+ "epoch": 0.12,
2834
+ "grad_norm": 0.271484375,
2835
+ "learning_rate": 0.0001998516351258855,
2836
+ "loss": 1.0033,
2837
+ "step": 2015
2838
+ },
2839
+ {
2840
+ "epoch": 0.12,
2841
+ "grad_norm": 0.2333984375,
2842
+ "learning_rate": 0.00019984613181291426,
2843
+ "loss": 0.9315,
2844
+ "step": 2020
2845
+ },
2846
+ {
2847
+ "epoch": 0.12,
2848
+ "grad_norm": 0.263671875,
2849
+ "learning_rate": 0.00019984052836125065,
2850
+ "loss": 0.9373,
2851
+ "step": 2025
2852
+ },
2853
+ {
2854
+ "epoch": 0.12,
2855
+ "grad_norm": 0.2470703125,
2856
+ "learning_rate": 0.00019983482477651455,
2857
+ "loss": 0.8958,
2858
+ "step": 2030
2859
+ },
2860
+ {
2861
+ "epoch": 0.12,
2862
+ "grad_norm": 0.263671875,
2863
+ "learning_rate": 0.00019982902106442622,
2864
+ "loss": 0.9794,
2865
+ "step": 2035
2866
+ },
2867
+ {
2868
+ "epoch": 0.12,
2869
+ "grad_norm": 0.259765625,
2870
+ "learning_rate": 0.00019982311723080643,
2871
+ "loss": 0.967,
2872
+ "step": 2040
2873
+ },
2874
+ {
2875
+ "epoch": 0.12,
2876
+ "grad_norm": 0.24609375,
2877
+ "learning_rate": 0.00019981711328157626,
2878
+ "loss": 0.8816,
2879
+ "step": 2045
2880
+ },
2881
+ {
2882
+ "epoch": 0.12,
2883
+ "grad_norm": 0.259765625,
2884
+ "learning_rate": 0.00019981100922275728,
2885
+ "loss": 0.9894,
2886
+ "step": 2050
2887
+ },
2888
+ {
2889
+ "epoch": 0.12,
2890
+ "grad_norm": 0.255859375,
2891
+ "learning_rate": 0.00019980480506047143,
2892
+ "loss": 1.0528,
2893
+ "step": 2055
2894
+ },
2895
+ {
2896
+ "epoch": 0.12,
2897
+ "grad_norm": 0.26171875,
2898
+ "learning_rate": 0.00019979850080094108,
2899
+ "loss": 0.9716,
2900
+ "step": 2060
2901
+ },
2902
+ {
2903
+ "epoch": 0.12,
2904
+ "grad_norm": 0.265625,
2905
+ "learning_rate": 0.00019979209645048889,
2906
+ "loss": 0.9402,
2907
+ "step": 2065
2908
+ },
2909
+ {
2910
+ "epoch": 0.12,
2911
+ "grad_norm": 0.25390625,
2912
+ "learning_rate": 0.00019978559201553803,
2913
+ "loss": 0.9335,
2914
+ "step": 2070
2915
+ },
2916
+ {
2917
+ "epoch": 0.12,
2918
+ "grad_norm": 0.255859375,
2919
+ "learning_rate": 0.000199778987502612,
2920
+ "loss": 0.9645,
2921
+ "step": 2075
2922
+ },
2923
+ {
2924
+ "epoch": 0.12,
2925
+ "grad_norm": 0.25390625,
2926
+ "learning_rate": 0.00019977228291833462,
2927
+ "loss": 1.0292,
2928
+ "step": 2080
2929
+ },
2930
+ {
2931
+ "epoch": 0.12,
2932
+ "grad_norm": 0.248046875,
2933
+ "learning_rate": 0.00019976547826943019,
2934
+ "loss": 0.9104,
2935
+ "step": 2085
2936
+ },
2937
+ {
2938
+ "epoch": 0.12,
2939
+ "grad_norm": 0.28125,
2940
+ "learning_rate": 0.00019975857356272322,
2941
+ "loss": 0.9186,
2942
+ "step": 2090
2943
+ },
2944
+ {
2945
+ "epoch": 0.12,
2946
+ "grad_norm": 0.25,
2947
+ "learning_rate": 0.00019975156880513867,
2948
+ "loss": 0.9163,
2949
+ "step": 2095
2950
+ },
2951
+ {
2952
+ "epoch": 0.12,
2953
+ "grad_norm": 0.2578125,
2954
+ "learning_rate": 0.00019974446400370185,
2955
+ "loss": 0.9274,
2956
+ "step": 2100
2957
+ },
2958
+ {
2959
+ "epoch": 0.12,
2960
+ "grad_norm": 0.2578125,
2961
+ "learning_rate": 0.00019973725916553838,
2962
+ "loss": 0.9103,
2963
+ "step": 2105
2964
+ },
2965
+ {
2966
+ "epoch": 0.12,
2967
+ "grad_norm": 0.326171875,
2968
+ "learning_rate": 0.00019972995429787415,
2969
+ "loss": 0.9821,
2970
+ "step": 2110
2971
+ },
2972
+ {
2973
+ "epoch": 0.12,
2974
+ "grad_norm": 0.25,
2975
+ "learning_rate": 0.00019972254940803553,
2976
+ "loss": 0.929,
2977
+ "step": 2115
2978
+ },
2979
+ {
2980
+ "epoch": 0.12,
2981
+ "grad_norm": 0.2578125,
2982
+ "learning_rate": 0.00019971504450344902,
2983
+ "loss": 1.0017,
2984
+ "step": 2120
2985
+ },
2986
+ {
2987
+ "epoch": 0.12,
2988
+ "grad_norm": 0.24609375,
2989
+ "learning_rate": 0.00019970743959164155,
2990
+ "loss": 0.9616,
2991
+ "step": 2125
2992
+ },
2993
+ {
2994
+ "epoch": 0.12,
2995
+ "grad_norm": 0.26171875,
2996
+ "learning_rate": 0.00019969973468024032,
2997
+ "loss": 0.9711,
2998
+ "step": 2130
2999
+ },
3000
+ {
3001
+ "epoch": 0.12,
3002
+ "grad_norm": 0.255859375,
3003
+ "learning_rate": 0.0001996919297769728,
3004
+ "loss": 0.9774,
3005
+ "step": 2135
3006
+ },
3007
+ {
3008
+ "epoch": 0.12,
3009
+ "grad_norm": 0.25390625,
3010
+ "learning_rate": 0.00019968402488966677,
3011
+ "loss": 0.905,
3012
+ "step": 2140
3013
+ },
3014
+ {
3015
+ "epoch": 0.12,
3016
+ "grad_norm": 0.25,
3017
+ "learning_rate": 0.00019967602002625027,
3018
+ "loss": 0.9145,
3019
+ "step": 2145
3020
+ },
3021
+ {
3022
+ "epoch": 0.12,
3023
+ "grad_norm": 0.2734375,
3024
+ "learning_rate": 0.00019966791519475169,
3025
+ "loss": 1.0031,
3026
+ "step": 2150
3027
+ },
3028
+ {
3029
+ "epoch": 0.12,
3030
+ "grad_norm": 0.25390625,
3031
+ "learning_rate": 0.00019965971040329948,
3032
+ "loss": 0.9594,
3033
+ "step": 2155
3034
+ },
3035
+ {
3036
+ "epoch": 0.12,
3037
+ "grad_norm": 0.255859375,
3038
+ "learning_rate": 0.00019965140566012253,
3039
+ "loss": 0.905,
3040
+ "step": 2160
3041
+ },
3042
+ {
3043
+ "epoch": 0.12,
3044
+ "grad_norm": 0.28515625,
3045
+ "learning_rate": 0.00019964300097355,
3046
+ "loss": 0.9611,
3047
+ "step": 2165
3048
+ },
3049
+ {
3050
+ "epoch": 0.12,
3051
+ "grad_norm": 0.255859375,
3052
+ "learning_rate": 0.0001996344963520111,
3053
+ "loss": 0.9991,
3054
+ "step": 2170
3055
+ },
3056
+ {
3057
+ "epoch": 0.12,
3058
+ "grad_norm": 0.244140625,
3059
+ "learning_rate": 0.00019962589180403542,
3060
+ "loss": 0.9994,
3061
+ "step": 2175
3062
+ },
3063
+ {
3064
+ "epoch": 0.13,
3065
+ "grad_norm": 0.259765625,
3066
+ "learning_rate": 0.00019961718733825268,
3067
+ "loss": 0.9634,
3068
+ "step": 2180
3069
+ },
3070
+ {
3071
+ "epoch": 0.13,
3072
+ "grad_norm": 0.2392578125,
3073
+ "learning_rate": 0.00019960838296339287,
3074
+ "loss": 0.9136,
3075
+ "step": 2185
3076
+ },
3077
+ {
3078
+ "epoch": 0.13,
3079
+ "grad_norm": 0.267578125,
3080
+ "learning_rate": 0.00019959947868828618,
3081
+ "loss": 1.0055,
3082
+ "step": 2190
3083
+ },
3084
+ {
3085
+ "epoch": 0.13,
3086
+ "grad_norm": 0.263671875,
3087
+ "learning_rate": 0.00019959047452186294,
3088
+ "loss": 1.0155,
3089
+ "step": 2195
3090
+ },
3091
+ {
3092
+ "epoch": 0.13,
3093
+ "grad_norm": 0.248046875,
3094
+ "learning_rate": 0.00019958137047315375,
3095
+ "loss": 0.9357,
3096
+ "step": 2200
3097
+ },
3098
+ {
3099
+ "epoch": 0.13,
3100
+ "grad_norm": 0.251953125,
3101
+ "learning_rate": 0.0001995721665512893,
3102
+ "loss": 0.9869,
3103
+ "step": 2205
3104
+ },
3105
+ {
3106
+ "epoch": 0.13,
3107
+ "grad_norm": 0.234375,
3108
+ "learning_rate": 0.00019956286276550048,
3109
+ "loss": 0.9503,
3110
+ "step": 2210
3111
+ },
3112
+ {
3113
+ "epoch": 0.13,
3114
+ "grad_norm": 0.265625,
3115
+ "learning_rate": 0.00019955345912511837,
3116
+ "loss": 0.9793,
3117
+ "step": 2215
3118
+ },
3119
+ {
3120
+ "epoch": 0.13,
3121
+ "grad_norm": 0.2470703125,
3122
+ "learning_rate": 0.0001995439556395741,
3123
+ "loss": 0.8982,
3124
+ "step": 2220
3125
+ },
3126
+ {
3127
+ "epoch": 0.13,
3128
+ "grad_norm": 0.2392578125,
3129
+ "learning_rate": 0.00019953435231839906,
3130
+ "loss": 1.0068,
3131
+ "step": 2225
3132
+ },
3133
+ {
3134
+ "epoch": 0.13,
3135
+ "grad_norm": 0.240234375,
3136
+ "learning_rate": 0.0001995246491712247,
3137
+ "loss": 0.9048,
3138
+ "step": 2230
3139
+ },
3140
+ {
3141
+ "epoch": 0.13,
3142
+ "grad_norm": 0.251953125,
3143
+ "learning_rate": 0.00019951484620778258,
3144
+ "loss": 0.9954,
3145
+ "step": 2235
3146
+ },
3147
+ {
3148
+ "epoch": 0.13,
3149
+ "grad_norm": 0.244140625,
3150
+ "learning_rate": 0.00019950494343790438,
3151
+ "loss": 0.9552,
3152
+ "step": 2240
3153
+ },
3154
+ {
3155
+ "epoch": 0.13,
3156
+ "grad_norm": 0.271484375,
3157
+ "learning_rate": 0.00019949494087152193,
3158
+ "loss": 0.9025,
3159
+ "step": 2245
3160
+ },
3161
+ {
3162
+ "epoch": 0.13,
3163
+ "grad_norm": 0.2431640625,
3164
+ "learning_rate": 0.00019948483851866703,
3165
+ "loss": 1.0312,
3166
+ "step": 2250
3167
+ },
3168
+ {
3169
+ "epoch": 0.13,
3170
+ "grad_norm": 0.2451171875,
3171
+ "learning_rate": 0.0001994746363894717,
3172
+ "loss": 0.9475,
3173
+ "step": 2255
3174
+ },
3175
+ {
3176
+ "epoch": 0.13,
3177
+ "grad_norm": 0.25390625,
3178
+ "learning_rate": 0.000199464334494168,
3179
+ "loss": 0.8839,
3180
+ "step": 2260
3181
+ },
3182
+ {
3183
+ "epoch": 0.13,
3184
+ "grad_norm": 0.25390625,
3185
+ "learning_rate": 0.00019945393284308792,
3186
+ "loss": 1.0769,
3187
+ "step": 2265
3188
+ },
3189
+ {
3190
+ "epoch": 0.13,
3191
+ "grad_norm": 0.251953125,
3192
+ "learning_rate": 0.0001994434314466636,
3193
+ "loss": 0.9279,
3194
+ "step": 2270
3195
+ },
3196
+ {
3197
+ "epoch": 0.13,
3198
+ "grad_norm": 0.251953125,
3199
+ "learning_rate": 0.00019943283031542726,
3200
+ "loss": 0.9383,
3201
+ "step": 2275
3202
+ },
3203
+ {
3204
+ "epoch": 0.13,
3205
+ "grad_norm": 0.26171875,
3206
+ "learning_rate": 0.00019942212946001103,
3207
+ "loss": 1.0344,
3208
+ "step": 2280
3209
+ },
3210
+ {
3211
+ "epoch": 0.13,
3212
+ "grad_norm": 0.248046875,
3213
+ "learning_rate": 0.00019941132889114718,
3214
+ "loss": 0.9627,
3215
+ "step": 2285
3216
+ },
3217
+ {
3218
+ "epoch": 0.13,
3219
+ "grad_norm": 0.251953125,
3220
+ "learning_rate": 0.0001994004286196679,
3221
+ "loss": 0.9751,
3222
+ "step": 2290
3223
+ },
3224
+ {
3225
+ "epoch": 0.13,
3226
+ "grad_norm": 0.244140625,
3227
+ "learning_rate": 0.0001993894286565054,
3228
+ "loss": 0.8882,
3229
+ "step": 2295
3230
+ },
3231
+ {
3232
+ "epoch": 0.13,
3233
+ "grad_norm": 0.275390625,
3234
+ "learning_rate": 0.00019937832901269187,
3235
+ "loss": 1.0061,
3236
+ "step": 2300
3237
+ },
3238
+ {
3239
+ "epoch": 0.13,
3240
+ "grad_norm": 0.26171875,
3241
+ "learning_rate": 0.00019936712969935948,
3242
+ "loss": 0.9872,
3243
+ "step": 2305
3244
+ },
3245
+ {
3246
+ "epoch": 0.13,
3247
+ "grad_norm": 0.259765625,
3248
+ "learning_rate": 0.00019935583072774039,
3249
+ "loss": 1.0268,
3250
+ "step": 2310
3251
+ },
3252
+ {
3253
+ "epoch": 0.13,
3254
+ "grad_norm": 0.267578125,
3255
+ "learning_rate": 0.0001993444321091666,
3256
+ "loss": 1.0224,
3257
+ "step": 2315
3258
+ },
3259
+ {
3260
+ "epoch": 0.13,
3261
+ "grad_norm": 0.24609375,
3262
+ "learning_rate": 0.0001993329338550702,
3263
+ "loss": 0.9347,
3264
+ "step": 2320
3265
+ },
3266
+ {
3267
+ "epoch": 0.13,
3268
+ "grad_norm": 0.27734375,
3269
+ "learning_rate": 0.00019932133597698313,
3270
+ "loss": 0.9402,
3271
+ "step": 2325
3272
+ },
3273
+ {
3274
+ "epoch": 0.13,
3275
+ "grad_norm": 0.255859375,
3276
+ "learning_rate": 0.0001993096384865372,
3277
+ "loss": 0.9403,
3278
+ "step": 2330
3279
+ },
3280
+ {
3281
+ "epoch": 0.13,
3282
+ "grad_norm": 0.255859375,
3283
+ "learning_rate": 0.00019929784139546426,
3284
+ "loss": 0.9711,
3285
+ "step": 2335
3286
+ },
3287
+ {
3288
+ "epoch": 0.13,
3289
+ "grad_norm": 0.27734375,
3290
+ "learning_rate": 0.00019928594471559587,
3291
+ "loss": 1.043,
3292
+ "step": 2340
3293
+ },
3294
+ {
3295
+ "epoch": 0.13,
3296
+ "grad_norm": 0.283203125,
3297
+ "learning_rate": 0.00019927394845886361,
3298
+ "loss": 1.0126,
3299
+ "step": 2345
3300
+ },
3301
+ {
3302
+ "epoch": 0.13,
3303
+ "grad_norm": 0.2578125,
3304
+ "learning_rate": 0.00019926185263729896,
3305
+ "loss": 0.9614,
3306
+ "step": 2350
3307
+ },
3308
+ {
3309
+ "epoch": 0.14,
3310
+ "grad_norm": 0.248046875,
3311
+ "learning_rate": 0.00019924965726303304,
3312
+ "loss": 0.9057,
3313
+ "step": 2355
3314
+ },
3315
+ {
3316
+ "epoch": 0.14,
3317
+ "grad_norm": 0.255859375,
3318
+ "learning_rate": 0.0001992373623482971,
3319
+ "loss": 0.911,
3320
+ "step": 2360
3321
+ },
3322
+ {
3323
+ "epoch": 0.14,
3324
+ "grad_norm": 0.2392578125,
3325
+ "learning_rate": 0.00019922496790542195,
3326
+ "loss": 0.9586,
3327
+ "step": 2365
3328
+ },
3329
+ {
3330
+ "epoch": 0.14,
3331
+ "grad_norm": 0.28125,
3332
+ "learning_rate": 0.00019921247394683844,
3333
+ "loss": 0.9456,
3334
+ "step": 2370
3335
+ },
3336
+ {
3337
+ "epoch": 0.14,
3338
+ "grad_norm": 0.26171875,
3339
+ "learning_rate": 0.00019919988048507713,
3340
+ "loss": 1.0318,
3341
+ "step": 2375
3342
+ },
3343
+ {
3344
+ "epoch": 0.14,
3345
+ "grad_norm": 0.27734375,
3346
+ "learning_rate": 0.00019918718753276834,
3347
+ "loss": 1.0036,
3348
+ "step": 2380
3349
+ },
3350
+ {
3351
+ "epoch": 0.14,
3352
+ "grad_norm": 0.251953125,
3353
+ "learning_rate": 0.00019917439510264227,
3354
+ "loss": 0.9168,
3355
+ "step": 2385
3356
+ },
3357
+ {
3358
+ "epoch": 0.14,
3359
+ "grad_norm": 0.26171875,
3360
+ "learning_rate": 0.0001991615032075288,
3361
+ "loss": 0.9881,
3362
+ "step": 2390
3363
+ },
3364
+ {
3365
+ "epoch": 0.14,
3366
+ "grad_norm": 0.255859375,
3367
+ "learning_rate": 0.00019914851186035755,
3368
+ "loss": 0.993,
3369
+ "step": 2395
3370
+ },
3371
+ {
3372
+ "epoch": 0.14,
3373
+ "grad_norm": 0.2578125,
3374
+ "learning_rate": 0.00019913542107415801,
3375
+ "loss": 0.9292,
3376
+ "step": 2400
3377
+ },
3378
+ {
3379
+ "epoch": 0.14,
3380
+ "grad_norm": 0.26171875,
3381
+ "learning_rate": 0.00019912223086205932,
3382
+ "loss": 0.9554,
3383
+ "step": 2405
3384
+ },
3385
+ {
3386
+ "epoch": 0.14,
3387
+ "grad_norm": 0.27734375,
3388
+ "learning_rate": 0.00019910894123729032,
3389
+ "loss": 0.9793,
3390
+ "step": 2410
3391
+ },
3392
+ {
3393
+ "epoch": 0.14,
3394
+ "grad_norm": 0.26171875,
3395
+ "learning_rate": 0.00019909555221317955,
3396
+ "loss": 1.0241,
3397
+ "step": 2415
3398
+ },
3399
+ {
3400
+ "epoch": 0.14,
3401
+ "grad_norm": 0.240234375,
3402
+ "learning_rate": 0.00019908206380315528,
3403
+ "loss": 0.9552,
3404
+ "step": 2420
3405
+ },
3406
+ {
3407
+ "epoch": 0.14,
3408
+ "grad_norm": 0.24609375,
3409
+ "learning_rate": 0.00019906847602074547,
3410
+ "loss": 0.8985,
3411
+ "step": 2425
3412
+ },
3413
+ {
3414
+ "epoch": 0.14,
3415
+ "grad_norm": 0.2734375,
3416
+ "learning_rate": 0.00019905478887957773,
3417
+ "loss": 0.968,
3418
+ "step": 2430
3419
+ },
3420
+ {
3421
+ "epoch": 0.14,
3422
+ "grad_norm": 0.2333984375,
3423
+ "learning_rate": 0.00019904100239337923,
3424
+ "loss": 0.9779,
3425
+ "step": 2435
3426
+ },
3427
+ {
3428
+ "epoch": 0.14,
3429
+ "grad_norm": 0.26171875,
3430
+ "learning_rate": 0.00019902711657597693,
3431
+ "loss": 1.0531,
3432
+ "step": 2440
3433
+ },
3434
+ {
3435
+ "epoch": 0.14,
3436
+ "grad_norm": 0.27734375,
3437
+ "learning_rate": 0.00019901313144129727,
3438
+ "loss": 0.9641,
3439
+ "step": 2445
3440
+ },
3441
+ {
3442
+ "epoch": 0.14,
3443
+ "grad_norm": 0.25390625,
3444
+ "learning_rate": 0.00019899904700336642,
3445
+ "loss": 1.0373,
3446
+ "step": 2450
3447
+ },
3448
+ {
3449
+ "epoch": 0.14,
3450
+ "grad_norm": 0.2490234375,
3451
+ "learning_rate": 0.00019898486327631006,
3452
+ "loss": 1.0087,
3453
+ "step": 2455
3454
+ },
3455
+ {
3456
+ "epoch": 0.14,
3457
+ "grad_norm": 0.265625,
3458
+ "learning_rate": 0.00019897058027435347,
3459
+ "loss": 1.0076,
3460
+ "step": 2460
3461
+ },
3462
+ {
3463
+ "epoch": 0.14,
3464
+ "grad_norm": 0.2734375,
3465
+ "learning_rate": 0.00019895619801182148,
3466
+ "loss": 1.0085,
3467
+ "step": 2465
3468
+ },
3469
+ {
3470
+ "epoch": 0.14,
3471
+ "grad_norm": 0.26171875,
3472
+ "learning_rate": 0.00019894171650313856,
3473
+ "loss": 0.9728,
3474
+ "step": 2470
3475
+ },
3476
+ {
3477
+ "epoch": 0.14,
3478
+ "grad_norm": 0.279296875,
3479
+ "learning_rate": 0.00019892713576282863,
3480
+ "loss": 1.0219,
3481
+ "step": 2475
3482
+ },
3483
+ {
3484
+ "epoch": 0.14,
3485
+ "grad_norm": 0.24609375,
3486
+ "learning_rate": 0.00019891245580551509,
3487
+ "loss": 0.9703,
3488
+ "step": 2480
3489
+ },
3490
+ {
3491
+ "epoch": 0.14,
3492
+ "grad_norm": 0.25390625,
3493
+ "learning_rate": 0.000198897676645921,
3494
+ "loss": 0.9839,
3495
+ "step": 2485
3496
+ },
3497
+ {
3498
+ "epoch": 0.14,
3499
+ "grad_norm": 0.251953125,
3500
+ "learning_rate": 0.00019888279829886877,
3501
+ "loss": 1.0064,
3502
+ "step": 2490
3503
+ },
3504
+ {
3505
+ "epoch": 0.14,
3506
+ "grad_norm": 0.255859375,
3507
+ "learning_rate": 0.00019886782077928038,
3508
+ "loss": 0.9125,
3509
+ "step": 2495
3510
+ },
3511
+ {
3512
+ "epoch": 0.14,
3513
+ "grad_norm": 0.27734375,
3514
+ "learning_rate": 0.0001988527441021772,
3515
+ "loss": 1.0033,
3516
+ "step": 2500
3517
+ },
3518
+ {
3519
+ "epoch": 0.14,
3520
+ "grad_norm": 0.25390625,
3521
+ "learning_rate": 0.0001988375682826801,
3522
+ "loss": 0.9256,
3523
+ "step": 2505
3524
+ },
3525
+ {
3526
+ "epoch": 0.14,
3527
+ "grad_norm": 0.279296875,
3528
+ "learning_rate": 0.00019882229333600932,
3529
+ "loss": 0.9901,
3530
+ "step": 2510
3531
+ },
3532
+ {
3533
+ "epoch": 0.14,
3534
+ "grad_norm": 0.259765625,
3535
+ "learning_rate": 0.00019880691927748467,
3536
+ "loss": 1.0494,
3537
+ "step": 2515
3538
+ },
3539
+ {
3540
+ "epoch": 0.14,
3541
+ "grad_norm": 0.291015625,
3542
+ "learning_rate": 0.00019879144612252515,
3543
+ "loss": 0.9436,
3544
+ "step": 2520
3545
+ },
3546
+ {
3547
+ "epoch": 0.14,
3548
+ "grad_norm": 0.259765625,
3549
+ "learning_rate": 0.00019877587388664934,
3550
+ "loss": 0.9294,
3551
+ "step": 2525
3552
+ },
3553
+ {
3554
+ "epoch": 0.15,
3555
+ "grad_norm": 0.27734375,
3556
+ "learning_rate": 0.000198760202585475,
3557
+ "loss": 0.9661,
3558
+ "step": 2530
3559
+ },
3560
+ {
3561
+ "epoch": 0.15,
3562
+ "grad_norm": 0.26171875,
3563
+ "learning_rate": 0.00019874443223471945,
3564
+ "loss": 0.9766,
3565
+ "step": 2535
3566
+ },
3567
+ {
3568
+ "epoch": 0.15,
3569
+ "grad_norm": 0.25,
3570
+ "learning_rate": 0.0001987285628501992,
3571
+ "loss": 1.0039,
3572
+ "step": 2540
3573
+ },
3574
+ {
3575
+ "epoch": 0.15,
3576
+ "grad_norm": 0.28515625,
3577
+ "learning_rate": 0.00019871259444783016,
3578
+ "loss": 0.9862,
3579
+ "step": 2545
3580
+ },
3581
+ {
3582
+ "epoch": 0.15,
3583
+ "grad_norm": 0.255859375,
3584
+ "learning_rate": 0.0001986965270436275,
3585
+ "loss": 0.981,
3586
+ "step": 2550
3587
+ },
3588
+ {
3589
+ "epoch": 0.15,
3590
+ "grad_norm": 0.259765625,
3591
+ "learning_rate": 0.00019868036065370567,
3592
+ "loss": 0.9779,
3593
+ "step": 2555
3594
+ },
3595
+ {
3596
+ "epoch": 0.15,
3597
+ "grad_norm": 0.2490234375,
3598
+ "learning_rate": 0.00019866409529427852,
3599
+ "loss": 0.9966,
3600
+ "step": 2560
3601
+ },
3602
+ {
3603
+ "epoch": 0.15,
3604
+ "grad_norm": 0.271484375,
3605
+ "learning_rate": 0.00019864773098165898,
3606
+ "loss": 1.037,
3607
+ "step": 2565
3608
+ },
3609
+ {
3610
+ "epoch": 0.15,
3611
+ "grad_norm": 0.248046875,
3612
+ "learning_rate": 0.00019863126773225935,
3613
+ "loss": 0.9612,
3614
+ "step": 2570
3615
+ },
3616
+ {
3617
+ "epoch": 0.15,
3618
+ "grad_norm": 0.283203125,
3619
+ "learning_rate": 0.00019861470556259113,
3620
+ "loss": 0.9836,
3621
+ "step": 2575
3622
+ },
3623
+ {
3624
+ "epoch": 0.15,
3625
+ "grad_norm": 0.25390625,
3626
+ "learning_rate": 0.00019859804448926503,
3627
+ "loss": 1.0336,
3628
+ "step": 2580
3629
+ },
3630
+ {
3631
+ "epoch": 0.15,
3632
+ "grad_norm": 0.26953125,
3633
+ "learning_rate": 0.0001985812845289909,
3634
+ "loss": 1.0019,
3635
+ "step": 2585
3636
+ },
3637
+ {
3638
+ "epoch": 0.15,
3639
+ "grad_norm": 0.26171875,
3640
+ "learning_rate": 0.0001985644256985778,
3641
+ "loss": 0.9405,
3642
+ "step": 2590
3643
+ },
3644
+ {
3645
+ "epoch": 0.15,
3646
+ "grad_norm": 0.263671875,
3647
+ "learning_rate": 0.000198547468014934,
3648
+ "loss": 0.9213,
3649
+ "step": 2595
3650
+ },
3651
+ {
3652
+ "epoch": 0.15,
3653
+ "grad_norm": 0.265625,
3654
+ "learning_rate": 0.00019853041149506687,
3655
+ "loss": 0.9565,
3656
+ "step": 2600
3657
+ },
3658
+ {
3659
+ "epoch": 0.15,
3660
+ "grad_norm": 0.275390625,
3661
+ "learning_rate": 0.0001985132561560829,
3662
+ "loss": 1.0474,
3663
+ "step": 2605
3664
+ },
3665
+ {
3666
+ "epoch": 0.15,
3667
+ "grad_norm": 0.267578125,
3668
+ "learning_rate": 0.00019849600201518768,
3669
+ "loss": 1.0079,
3670
+ "step": 2610
3671
+ },
3672
+ {
3673
+ "epoch": 0.15,
3674
+ "grad_norm": 0.27734375,
3675
+ "learning_rate": 0.00019847864908968592,
3676
+ "loss": 1.0497,
3677
+ "step": 2615
3678
+ },
3679
+ {
3680
+ "epoch": 0.15,
3681
+ "grad_norm": 0.28125,
3682
+ "learning_rate": 0.0001984611973969814,
3683
+ "loss": 1.004,
3684
+ "step": 2620
3685
+ },
3686
+ {
3687
+ "epoch": 0.15,
3688
+ "grad_norm": 0.26953125,
3689
+ "learning_rate": 0.0001984436469545769,
3690
+ "loss": 0.9408,
3691
+ "step": 2625
3692
+ },
3693
+ {
3694
+ "epoch": 0.15,
3695
+ "grad_norm": 0.240234375,
3696
+ "learning_rate": 0.00019842599778007437,
3697
+ "loss": 0.9531,
3698
+ "step": 2630
3699
+ },
3700
+ {
3701
+ "epoch": 0.15,
3702
+ "grad_norm": 0.2392578125,
3703
+ "learning_rate": 0.00019840824989117464,
3704
+ "loss": 0.9601,
3705
+ "step": 2635
3706
+ },
3707
+ {
3708
+ "epoch": 0.15,
3709
+ "grad_norm": 0.27734375,
3710
+ "learning_rate": 0.0001983904033056776,
3711
+ "loss": 1.0082,
3712
+ "step": 2640
3713
+ },
3714
+ {
3715
+ "epoch": 0.15,
3716
+ "grad_norm": 0.298828125,
3717
+ "learning_rate": 0.00019837245804148218,
3718
+ "loss": 0.9194,
3719
+ "step": 2645
3720
+ },
3721
+ {
3722
+ "epoch": 0.15,
3723
+ "grad_norm": 0.251953125,
3724
+ "learning_rate": 0.00019835441411658616,
3725
+ "loss": 1.0234,
3726
+ "step": 2650
3727
+ },
3728
+ {
3729
+ "epoch": 0.15,
3730
+ "grad_norm": 0.28515625,
3731
+ "learning_rate": 0.00019833627154908635,
3732
+ "loss": 1.0333,
3733
+ "step": 2655
3734
+ },
3735
+ {
3736
+ "epoch": 0.15,
3737
+ "grad_norm": 0.248046875,
3738
+ "learning_rate": 0.00019831803035717853,
3739
+ "loss": 0.9928,
3740
+ "step": 2660
3741
+ },
3742
+ {
3743
+ "epoch": 0.15,
3744
+ "grad_norm": 0.25,
3745
+ "learning_rate": 0.00019829969055915728,
3746
+ "loss": 0.9827,
3747
+ "step": 2665
3748
+ },
3749
+ {
3750
+ "epoch": 0.15,
3751
+ "grad_norm": 0.265625,
3752
+ "learning_rate": 0.00019828125217341618,
3753
+ "loss": 0.9619,
3754
+ "step": 2670
3755
+ },
3756
+ {
3757
+ "epoch": 0.15,
3758
+ "grad_norm": 0.267578125,
3759
+ "learning_rate": 0.0001982627152184476,
3760
+ "loss": 0.9026,
3761
+ "step": 2675
3762
+ },
3763
+ {
3764
+ "epoch": 0.15,
3765
+ "grad_norm": 0.259765625,
3766
+ "learning_rate": 0.00019824407971284286,
3767
+ "loss": 0.9216,
3768
+ "step": 2680
3769
+ },
3770
+ {
3771
+ "epoch": 0.15,
3772
+ "grad_norm": 0.255859375,
3773
+ "learning_rate": 0.000198225345675292,
3774
+ "loss": 0.9962,
3775
+ "step": 2685
3776
+ },
3777
+ {
3778
+ "epoch": 0.15,
3779
+ "grad_norm": 0.2578125,
3780
+ "learning_rate": 0.00019820651312458403,
3781
+ "loss": 0.9276,
3782
+ "step": 2690
3783
+ },
3784
+ {
3785
+ "epoch": 0.15,
3786
+ "grad_norm": 0.263671875,
3787
+ "learning_rate": 0.00019818758207960663,
3788
+ "loss": 0.9638,
3789
+ "step": 2695
3790
+ },
3791
+ {
3792
+ "epoch": 0.15,
3793
+ "grad_norm": 0.263671875,
3794
+ "learning_rate": 0.00019816855255934635,
3795
+ "loss": 1.0146,
3796
+ "step": 2700
3797
+ },
3798
+ {
3799
+ "epoch": 0.16,
3800
+ "grad_norm": 0.26171875,
3801
+ "learning_rate": 0.0001981494245828884,
3802
+ "loss": 1.0147,
3803
+ "step": 2705
3804
+ },
3805
+ {
3806
+ "epoch": 0.16,
3807
+ "grad_norm": 0.259765625,
3808
+ "learning_rate": 0.00019813019816941689,
3809
+ "loss": 1.0377,
3810
+ "step": 2710
3811
+ },
3812
+ {
3813
+ "epoch": 0.16,
3814
+ "grad_norm": 0.2470703125,
3815
+ "learning_rate": 0.00019811087333821453,
3816
+ "loss": 0.9633,
3817
+ "step": 2715
3818
+ },
3819
+ {
3820
+ "epoch": 0.16,
3821
+ "grad_norm": 0.2578125,
3822
+ "learning_rate": 0.00019809145010866276,
3823
+ "loss": 0.9543,
3824
+ "step": 2720
3825
+ },
3826
+ {
3827
+ "epoch": 0.16,
3828
+ "grad_norm": 0.267578125,
3829
+ "learning_rate": 0.00019807192850024175,
3830
+ "loss": 0.9566,
3831
+ "step": 2725
3832
+ },
3833
+ {
3834
+ "epoch": 0.16,
3835
+ "grad_norm": 0.2392578125,
3836
+ "learning_rate": 0.00019805230853253033,
3837
+ "loss": 0.9164,
3838
+ "step": 2730
3839
+ },
3840
+ {
3841
+ "epoch": 0.16,
3842
+ "grad_norm": 0.26171875,
3843
+ "learning_rate": 0.00019803259022520587,
3844
+ "loss": 0.9965,
3845
+ "step": 2735
3846
+ },
3847
+ {
3848
+ "epoch": 0.16,
3849
+ "grad_norm": 0.2392578125,
3850
+ "learning_rate": 0.0001980127735980445,
3851
+ "loss": 0.937,
3852
+ "step": 2740
3853
+ },
3854
+ {
3855
+ "epoch": 0.16,
3856
+ "grad_norm": 0.267578125,
3857
+ "learning_rate": 0.00019799285867092096,
3858
+ "loss": 0.968,
3859
+ "step": 2745
3860
+ },
3861
+ {
3862
+ "epoch": 0.16,
3863
+ "grad_norm": 0.283203125,
3864
+ "learning_rate": 0.00019797284546380848,
3865
+ "loss": 0.9503,
3866
+ "step": 2750
3867
+ },
3868
+ {
3869
+ "epoch": 0.16,
3870
+ "grad_norm": 0.240234375,
3871
+ "learning_rate": 0.00019795273399677893,
3872
+ "loss": 1.038,
3873
+ "step": 2755
3874
+ },
3875
+ {
3876
+ "epoch": 0.16,
3877
+ "grad_norm": 0.255859375,
3878
+ "learning_rate": 0.00019793252429000266,
3879
+ "loss": 0.961,
3880
+ "step": 2760
3881
+ },
3882
+ {
3883
+ "epoch": 0.16,
3884
+ "grad_norm": 0.255859375,
3885
+ "learning_rate": 0.00019791221636374865,
3886
+ "loss": 0.9376,
3887
+ "step": 2765
3888
+ },
3889
+ {
3890
+ "epoch": 0.16,
3891
+ "grad_norm": 0.259765625,
3892
+ "learning_rate": 0.0001978918102383843,
3893
+ "loss": 0.9586,
3894
+ "step": 2770
3895
+ },
3896
+ {
3897
+ "epoch": 0.16,
3898
+ "grad_norm": 0.287109375,
3899
+ "learning_rate": 0.00019787130593437553,
3900
+ "loss": 1.018,
3901
+ "step": 2775
3902
+ },
3903
+ {
3904
+ "epoch": 0.16,
3905
+ "grad_norm": 0.2578125,
3906
+ "learning_rate": 0.00019785070347228673,
3907
+ "loss": 0.9563,
3908
+ "step": 2780
3909
+ },
3910
+ {
3911
+ "epoch": 0.16,
3912
+ "grad_norm": 0.2578125,
3913
+ "learning_rate": 0.00019783000287278078,
3914
+ "loss": 1.0686,
3915
+ "step": 2785
3916
+ },
3917
+ {
3918
+ "epoch": 0.16,
3919
+ "grad_norm": 0.255859375,
3920
+ "learning_rate": 0.00019780920415661882,
3921
+ "loss": 1.0066,
3922
+ "step": 2790
3923
+ },
3924
+ {
3925
+ "epoch": 0.16,
3926
+ "grad_norm": 0.267578125,
3927
+ "learning_rate": 0.0001977883073446606,
3928
+ "loss": 0.9735,
3929
+ "step": 2795
3930
+ },
3931
+ {
3932
+ "epoch": 0.16,
3933
+ "grad_norm": 0.25,
3934
+ "learning_rate": 0.00019776731245786414,
3935
+ "loss": 1.0353,
3936
+ "step": 2800
3937
+ },
3938
+ {
3939
+ "epoch": 0.16,
3940
+ "grad_norm": 0.255859375,
3941
+ "learning_rate": 0.00019774621951728583,
3942
+ "loss": 0.9904,
3943
+ "step": 2805
3944
+ },
3945
+ {
3946
+ "epoch": 0.16,
3947
+ "grad_norm": 0.251953125,
3948
+ "learning_rate": 0.00019772502854408042,
3949
+ "loss": 0.9548,
3950
+ "step": 2810
3951
+ },
3952
+ {
3953
+ "epoch": 0.16,
3954
+ "grad_norm": 0.271484375,
3955
+ "learning_rate": 0.000197703739559501,
3956
+ "loss": 0.9768,
3957
+ "step": 2815
3958
+ },
3959
+ {
3960
+ "epoch": 0.16,
3961
+ "grad_norm": 0.265625,
3962
+ "learning_rate": 0.00019768235258489888,
3963
+ "loss": 0.9902,
3964
+ "step": 2820
3965
+ },
3966
+ {
3967
+ "epoch": 0.16,
3968
+ "grad_norm": 0.26953125,
3969
+ "learning_rate": 0.00019766086764172377,
3970
+ "loss": 0.9739,
3971
+ "step": 2825
3972
+ },
3973
+ {
3974
+ "epoch": 0.16,
3975
+ "grad_norm": 0.2578125,
3976
+ "learning_rate": 0.00019763928475152352,
3977
+ "loss": 1.0115,
3978
+ "step": 2830
3979
+ },
3980
+ {
3981
+ "epoch": 0.16,
3982
+ "grad_norm": 0.2470703125,
3983
+ "learning_rate": 0.00019761760393594425,
3984
+ "loss": 0.9852,
3985
+ "step": 2835
3986
+ },
3987
+ {
3988
+ "epoch": 0.16,
3989
+ "grad_norm": 0.263671875,
3990
+ "learning_rate": 0.00019759582521673035,
3991
+ "loss": 0.9584,
3992
+ "step": 2840
3993
+ },
3994
+ {
3995
+ "epoch": 0.16,
3996
+ "grad_norm": 0.265625,
3997
+ "learning_rate": 0.00019757394861572432,
3998
+ "loss": 0.9298,
3999
+ "step": 2845
4000
+ },
4001
+ {
4002
+ "epoch": 0.16,
4003
+ "grad_norm": 0.267578125,
4004
+ "learning_rate": 0.00019755197415486685,
4005
+ "loss": 1.0174,
4006
+ "step": 2850
4007
+ },
4008
+ {
4009
+ "epoch": 0.16,
4010
+ "grad_norm": 0.2470703125,
4011
+ "learning_rate": 0.00019752990185619682,
4012
+ "loss": 0.9562,
4013
+ "step": 2855
4014
+ },
4015
+ {
4016
+ "epoch": 0.16,
4017
+ "grad_norm": 0.390625,
4018
+ "learning_rate": 0.00019750773174185123,
4019
+ "loss": 0.9657,
4020
+ "step": 2860
4021
+ },
4022
+ {
4023
+ "epoch": 0.16,
4024
+ "grad_norm": 0.26953125,
4025
+ "learning_rate": 0.00019748546383406508,
4026
+ "loss": 0.9813,
4027
+ "step": 2865
4028
+ },
4029
+ {
4030
+ "epoch": 0.16,
4031
+ "grad_norm": 0.271484375,
4032
+ "learning_rate": 0.00019746309815517153,
4033
+ "loss": 0.9243,
4034
+ "step": 2870
4035
+ },
4036
+ {
4037
+ "epoch": 0.16,
4038
+ "grad_norm": 0.251953125,
4039
+ "learning_rate": 0.0001974406347276019,
4040
+ "loss": 0.9977,
4041
+ "step": 2875
4042
+ },
4043
+ {
4044
+ "epoch": 0.17,
4045
+ "grad_norm": 0.251953125,
4046
+ "learning_rate": 0.0001974180735738853,
4047
+ "loss": 0.9584,
4048
+ "step": 2880
4049
+ },
4050
+ {
4051
+ "epoch": 0.17,
4052
+ "grad_norm": 0.26171875,
4053
+ "learning_rate": 0.00019739541471664907,
4054
+ "loss": 0.9817,
4055
+ "step": 2885
4056
+ },
4057
+ {
4058
+ "epoch": 0.17,
4059
+ "grad_norm": 0.244140625,
4060
+ "learning_rate": 0.00019737265817861845,
4061
+ "loss": 0.989,
4062
+ "step": 2890
4063
+ },
4064
+ {
4065
+ "epoch": 0.17,
4066
+ "grad_norm": 0.294921875,
4067
+ "learning_rate": 0.00019734980398261666,
4068
+ "loss": 1.0605,
4069
+ "step": 2895
4070
+ },
4071
+ {
4072
+ "epoch": 0.17,
4073
+ "grad_norm": 0.25390625,
4074
+ "learning_rate": 0.00019732685215156483,
4075
+ "loss": 0.9328,
4076
+ "step": 2900
4077
+ },
4078
+ {
4079
+ "epoch": 0.17,
4080
+ "step": 2900,
4081
+ "total_flos": 2.039075623887962e+18,
4082
+ "train_loss": 0.0,
4083
+ "train_runtime": 1.4575,
4084
+ "train_samples_per_second": 38212.736,
4085
+ "train_steps_per_second": 1193.805
4086
+ }
4087
+ ],
4088
+ "logging_steps": 5,
4089
+ "max_steps": 1740,
4090
+ "num_input_tokens_seen": 0,
4091
+ "num_train_epochs": 2,
4092
+ "save_steps": 100,
4093
+ "total_flos": 2.039075623887962e+18,
4094
+ "train_batch_size": 2,
4095
+ "trial_name": null,
4096
+ "trial_params": null
4097
+ }
training_args.bin ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:5eb45c194b280bd04907b41b4ed2b7c768f41d327ecea1edc47a9b00ab6f853f
3
+ size 5048