--- library_name: transformers license: llama3.3 base_model: meta-llama/Llama-3.3-70B-Instruct tags: - generated_from_trainer model-index: - name: dev/shm/EVA-LLaMA-3.33-70B-v0.1 results: [] --- [Built with Axolotl](https://github.com/axolotl-ai-cloud/axolotl)
See axolotl config axolotl version: `0.4.1` ```yaml base_model: meta-llama/Llama-3.3-70B-Instruct plugins: - axolotl.integrations.liger.LigerPlugin liger_rope: true liger_rms_norm: true liger_swiglu: true liger_fused_linear_cross_entropy: true strict: false chat_template: llama3 datasets: - path: datasets/Celeste_Filtered_utf8fix.jsonl type: sharegpt - path: datasets/deduped_not_samantha_norefusals.jsonl type: sharegpt - path: datasets/deduped_SynthRP-Gens_processed_ShareGPT_converted_cleaned.jsonl type: sharegpt - path: datasets/deduped_Synthstruct-Gens_processed_sharegpt_converted_cleaned.jsonl type: sharegpt - path: datasets/Gryphe-4o-WP-filtered-sharegpt_utf8fix.jsonl type: sharegpt - path: datasets/opus-instruct-22k-no_refusals-filtered_utf8fix.jsonl type: sharegpt - path: datasets/Sonnet3-5-charcard-names-filtered-sharegpt_utf8fix.jsonl type: sharegpt - path: datasets/SystemChat_subset_filtered_sharegpt_utf8fix.jsonl type: sharegpt dataset_prepared_path: last_run_prepared val_set_size: 0.001 output_dir: /dev/shm/EVA-LLaMA-3.33-70B-v0.1 sequence_len: 8192 sample_packing: true eval_sample_packing: false pad_to_sequence_len: true wandb_project: EVA-LLaMA-3.33-70B wandb_entity: wandb_watch: wandb_name: Unit-v0.1 wandb_log_model: unfrozen_parameters: - ^lm_head.weight$ - ^model.embed_tokens.weight$ # mlp.down_proj layers - model.layers.40.mlp.down_proj - model.layers.44.mlp.down_proj - model.layers.45.mlp.down_proj - model.layers.46.mlp.down_proj - model.layers.43.mlp.down_proj - model.layers.52.mlp.down_proj - model.layers.47.mlp.down_proj - model.layers.39.mlp.down_proj - model.layers.48.mlp.down_proj - model.layers.49.mlp.down_proj - model.layers.38.mlp.down_proj - model.layers.53.mlp.down_proj - model.layers.35.mlp.down_proj - model.layers.41.mlp.down_proj - model.layers.51.mlp.down_proj - model.layers.42.mlp.down_proj - model.layers.37.mlp.down_proj - model.layers.50.mlp.down_proj - model.layers.76.mlp.down_proj - model.layers.60.mlp.down_proj - model.layers.36.mlp.down_proj - model.layers.54.mlp.down_proj - model.layers.57.mlp.down_proj - model.layers.56.mlp.down_proj - model.layers.59.mlp.down_proj - model.layers.55.mlp.down_proj - model.layers.77.mlp.down_proj - model.layers.61.mlp.down_proj - model.layers.58.mlp.down_proj - model.layers.65.mlp.down_proj - model.layers.75.mlp.down_proj - model.layers.64.mlp.down_proj - model.layers.62.mlp.down_proj - model.layers.68.mlp.down_proj - model.layers.19.mlp.down_proj - model.layers.73.mlp.down_proj - model.layers.66.mlp.down_proj - model.layers.67.mlp.down_proj - model.layers.63.mlp.down_proj - model.layers.74.mlp.down_proj # mlp.gate_proj layers - model.layers.70.mlp.gate_proj - model.layers.71.mlp.gate_proj - model.layers.67.mlp.gate_proj - model.layers.58.mlp.gate_proj - model.layers.55.mlp.gate_proj - model.layers.57.mlp.gate_proj - model.layers.56.mlp.gate_proj - model.layers.66.mlp.gate_proj - model.layers.72.mlp.gate_proj - model.layers.52.mlp.gate_proj - model.layers.69.mlp.gate_proj - model.layers.54.mlp.gate_proj - model.layers.62.mlp.gate_proj - model.layers.60.mlp.gate_proj - model.layers.59.mlp.gate_proj - model.layers.74.mlp.gate_proj - model.layers.51.mlp.gate_proj - model.layers.68.mlp.gate_proj - model.layers.61.mlp.gate_proj - model.layers.53.mlp.gate_proj - model.layers.73.mlp.gate_proj - model.layers.63.mlp.gate_proj - model.layers.48.mlp.gate_proj - model.layers.49.mlp.gate_proj - model.layers.64.mlp.gate_proj - model.layers.50.mlp.gate_proj - model.layers.65.mlp.gate_proj - model.layers.47.mlp.gate_proj - model.layers.44.mlp.gate_proj - model.layers.45.mlp.gate_proj - model.layers.75.mlp.gate_proj - model.layers.46.mlp.gate_proj - model.layers.43.mlp.gate_proj - model.layers.77.mlp.gate_proj - model.layers.41.mlp.gate_proj - model.layers.40.mlp.gate_proj - model.layers.42.mlp.gate_proj - model.layers.32.mlp.gate_proj - model.layers.30.mlp.gate_proj - model.layers.39.mlp.gate_proj # mlp.up_proj layers - model.layers.70.mlp.up_proj - model.layers.67.mlp.up_proj - model.layers.66.mlp.up_proj - model.layers.69.mlp.up_proj - model.layers.62.mlp.up_proj - model.layers.63.mlp.up_proj - model.layers.65.mlp.up_proj - model.layers.68.mlp.up_proj - model.layers.71.mlp.up_proj - model.layers.64.mlp.up_proj - model.layers.61.mlp.up_proj - model.layers.58.mlp.up_proj - model.layers.59.mlp.up_proj - model.layers.57.mlp.up_proj - model.layers.55.mlp.up_proj - model.layers.72.mlp.up_proj - model.layers.54.mlp.up_proj - model.layers.56.mlp.up_proj - model.layers.60.mlp.up_proj - model.layers.73.mlp.up_proj - model.layers.50.mlp.up_proj - model.layers.51.mlp.up_proj - model.layers.53.mlp.up_proj - model.layers.52.mlp.up_proj - model.layers.74.mlp.up_proj - model.layers.49.mlp.up_proj - model.layers.30.mlp.up_proj - model.layers.47.mlp.up_proj - model.layers.46.mlp.up_proj - model.layers.34.mlp.up_proj - model.layers.48.mlp.up_proj - model.layers.38.mlp.up_proj - model.layers.45.mlp.up_proj - model.layers.43.mlp.up_proj - model.layers.29.mlp.up_proj - model.layers.42.mlp.up_proj - model.layers.75.mlp.up_proj - model.layers.35.mlp.up_proj - model.layers.44.mlp.up_proj - model.layers.31.mlp.up_proj # self_attn.k_proj layers - model.layers.72.self_attn.k_proj - model.layers.75.self_attn.k_proj - model.layers.71.self_attn.k_proj - model.layers.74.self_attn.k_proj - model.layers.44.self_attn.k_proj - model.layers.31.self_attn.k_proj - model.layers.33.self_attn.k_proj - model.layers.34.self_attn.k_proj - model.layers.76.self_attn.k_proj - model.layers.78.self_attn.k_proj - model.layers.77.self_attn.k_proj - model.layers.60.self_attn.k_proj - model.layers.56.self_attn.k_proj - model.layers.22.self_attn.k_proj - model.layers.2.self_attn.k_proj - model.layers.18.self_attn.k_proj - model.layers.17.self_attn.k_proj - model.layers.21.self_attn.k_proj - model.layers.19.self_attn.k_proj - model.layers.23.self_attn.k_proj - model.layers.52.self_attn.k_proj - model.layers.73.self_attn.k_proj - model.layers.35.self_attn.k_proj - model.layers.15.self_attn.k_proj - model.layers.27.self_attn.k_proj - model.layers.29.self_attn.k_proj - model.layers.36.self_attn.k_proj - model.layers.28.self_attn.k_proj - model.layers.20.self_attn.k_proj - model.layers.25.self_attn.k_proj - model.layers.37.self_attn.k_proj - model.layers.30.self_attn.k_proj - model.layers.41.self_attn.k_proj - model.layers.16.self_attn.k_proj - model.layers.32.self_attn.k_proj - model.layers.68.self_attn.k_proj - model.layers.26.self_attn.k_proj - model.layers.38.self_attn.k_proj - model.layers.39.self_attn.k_proj - model.layers.70.self_attn.k_proj # self_attn.o_proj layers - model.layers.50.self_attn.o_proj - model.layers.61.self_attn.o_proj - model.layers.46.self_attn.o_proj - model.layers.53.self_attn.o_proj - model.layers.54.self_attn.o_proj - model.layers.19.self_attn.o_proj - model.layers.42.self_attn.o_proj - model.layers.41.self_attn.o_proj - model.layers.49.self_attn.o_proj - model.layers.68.self_attn.o_proj - model.layers.18.self_attn.o_proj - model.layers.45.self_attn.o_proj - model.layers.11.self_attn.o_proj - model.layers.48.self_attn.o_proj - model.layers.51.self_attn.o_proj - model.layers.67.self_attn.o_proj - model.layers.64.self_attn.o_proj - model.layers.13.self_attn.o_proj - model.layers.14.self_attn.o_proj - model.layers.16.self_attn.o_proj - model.layers.17.self_attn.o_proj - model.layers.47.self_attn.o_proj - model.layers.0.self_attn.o_proj - model.layers.20.self_attn.o_proj - model.layers.63.self_attn.o_proj - model.layers.5.self_attn.o_proj - model.layers.15.self_attn.o_proj - model.layers.21.self_attn.o_proj - model.layers.52.self_attn.o_proj - model.layers.12.self_attn.o_proj - model.layers.10.self_attn.o_proj - model.layers.56.self_attn.o_proj - model.layers.62.self_attn.o_proj - model.layers.22.self_attn.o_proj - model.layers.6.self_attn.o_proj - model.layers.7.self_attn.o_proj - model.layers.43.self_attn.o_proj - model.layers.38.self_attn.o_proj - model.layers.9.self_attn.o_proj - model.layers.44.self_attn.o_proj # self_attn.q_proj layers - model.layers.2.self_attn.q_proj - model.layers.4.self_attn.q_proj - model.layers.46.self_attn.q_proj - model.layers.5.self_attn.q_proj - model.layers.7.self_attn.q_proj - model.layers.6.self_attn.q_proj - model.layers.9.self_attn.q_proj - model.layers.10.self_attn.q_proj - model.layers.1.self_attn.q_proj - model.layers.18.self_attn.q_proj - model.layers.62.self_attn.q_proj - model.layers.8.self_attn.q_proj - model.layers.15.self_attn.q_proj - model.layers.14.self_attn.q_proj - model.layers.31.self_attn.q_proj - model.layers.17.self_attn.q_proj - model.layers.16.self_attn.q_proj - model.layers.19.self_attn.q_proj - model.layers.12.self_attn.q_proj - model.layers.33.self_attn.q_proj - model.layers.35.self_attn.q_proj - model.layers.21.self_attn.q_proj - model.layers.13.self_attn.q_proj - model.layers.27.self_attn.q_proj - model.layers.56.self_attn.q_proj - model.layers.34.self_attn.q_proj - model.layers.11.self_attn.q_proj - model.layers.52.self_attn.q_proj - model.layers.28.self_attn.q_proj - model.layers.54.self_attn.q_proj - model.layers.30.self_attn.q_proj - model.layers.29.self_attn.q_proj - model.layers.20.self_attn.q_proj - model.layers.75.self_attn.q_proj - model.layers.37.self_attn.q_proj - model.layers.44.self_attn.q_proj - model.layers.23.self_attn.q_proj - model.layers.64.self_attn.q_proj - model.layers.60.self_attn.q_proj - model.layers.36.self_attn.q_proj # self_attn.v_proj layers - model.layers.11.self_attn.v_proj - model.layers.17.self_attn.v_proj - model.layers.37.self_attn.v_proj - model.layers.40.self_attn.v_proj - model.layers.41.self_attn.v_proj - model.layers.42.self_attn.v_proj - model.layers.43.self_attn.v_proj - model.layers.44.self_attn.v_proj - model.layers.45.self_attn.v_proj - model.layers.46.self_attn.v_proj - model.layers.48.self_attn.v_proj - model.layers.49.self_attn.v_proj - model.layers.50.self_attn.v_proj - model.layers.51.self_attn.v_proj - model.layers.53.self_attn.v_proj - model.layers.54.self_attn.v_proj - model.layers.55.self_attn.v_proj - model.layers.57.self_attn.v_proj - model.layers.58.self_attn.v_proj - model.layers.59.self_attn.v_proj - model.layers.60.self_attn.v_proj - model.layers.61.self_attn.v_proj - model.layers.62.self_attn.v_proj - model.layers.63.self_attn.v_proj - model.layers.64.self_attn.v_proj - model.layers.65.self_attn.v_proj - model.layers.66.self_attn.v_proj - model.layers.67.self_attn.v_proj - model.layers.69.self_attn.v_proj - model.layers.75.self_attn.v_proj - model.layers.18.self_attn.v_proj - model.layers.78.self_attn.v_proj - model.layers.68.self_attn.v_proj - model.layers.47.self_attn.v_proj - model.layers.38.self_attn.v_proj - model.layers.39.self_attn.v_proj - model.layers.71.self_attn.v_proj - model.layers.19.self_attn.v_proj - model.layers.36.self_attn.v_proj - model.layers.20.self_attn.v_proj gradient_accumulation_steps: 8 micro_batch_size: 1 num_epochs: 3 optimizer: paged_adamw_8bit lr_scheduler: cosine learning_rate: 0.00003 max_grad_norm: 2 train_on_inputs: false group_by_length: false bf16: auto fp16: tf32: false gradient_checkpointing: "unsloth" gradient_checkpointing_kwargs: use_reentrant: false early_stopping_patience: resume_from_checkpoint: logging_steps: 1 xformers_attention: flash_attention: true warmup_steps: 20 evals_per_epoch: 4 eval_table_size: saves_per_epoch: 1 debug: deepspeed: deepspeed_configs/zero3_bf16.json weight_decay: 0.2 ```

# dev/shm/EVA-LLaMA-3.33-70B-v0.1 This model is a fine-tuned version of [meta-llama/Llama-3.3-70B-Instruct](https://huggingface.co/meta-llama/Llama-3.3-70B-Instruct) on the None dataset. It achieves the following results on the evaluation set: - Loss: 1.0225 ## Model description More information needed ## Intended uses & limitations More information needed ## Training and evaluation data More information needed ## Training procedure ### Training hyperparameters The following hyperparameters were used during training: - learning_rate: 3e-05 - train_batch_size: 1 - eval_batch_size: 1 - seed: 42 - distributed_type: multi-GPU - num_devices: 8 - gradient_accumulation_steps: 8 - total_train_batch_size: 64 - total_eval_batch_size: 8 - optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08 - lr_scheduler_type: cosine - lr_scheduler_warmup_steps: 20 - num_epochs: 3 ### Training results | Training Loss | Epoch | Step | Validation Loss | |:-------------:|:------:|:----:|:---------------:| | 1.6108 | 0.0061 | 1 | 1.6226 | | 1.0653 | 0.2498 | 41 | 1.0166 | | 0.8656 | 0.4996 | 82 | 0.9681 | | 0.8904 | 0.7494 | 123 | 0.9443 | | 0.9196 | 0.9992 | 164 | 0.9317 | | 0.5136 | 1.2451 | 205 | 0.9584 | | 0.5903 | 1.4947 | 246 | 0.9509 | | 0.544 | 1.7443 | 287 | 0.9394 | | 0.5435 | 1.9939 | 328 | 0.9347 | | 0.2605 | 2.2420 | 369 | 1.0237 | | 0.2796 | 2.4916 | 410 | 1.0240 | | 0.305 | 2.7412 | 451 | 1.0220 | | 0.2457 | 2.9909 | 492 | 1.0225 | ### Framework versions - Transformers 4.45.1 - Pytorch 2.5.1+cu124 - Datasets 2.21.0 - Tokenizers 0.20.3