chansung commited on
Commit
a7bcb23
1 Parent(s): a9cb8e1

Model save

Browse files
README.md ADDED
@@ -0,0 +1,78 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ ---
2
+ base_model: meta-llama/Meta-Llama-3-8B
3
+ datasets:
4
+ - generator
5
+ library_name: peft
6
+ license: llama3
7
+ tags:
8
+ - trl
9
+ - sft
10
+ - generated_from_trainer
11
+ model-index:
12
+ - name: llama3-8b-coding-gpt4o-100k
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
+ # llama3-8b-coding-gpt4o-100k
20
+
21
+ This model is a fine-tuned version of [meta-llama/Meta-Llama-3-8B](https://huggingface.co/meta-llama/Meta-Llama-3-8B) on the generator dataset.
22
+ It achieves the following results on the evaluation set:
23
+ - Loss: 1.5174
24
+
25
+ ## Model description
26
+
27
+ More information needed
28
+
29
+ ## Intended uses & limitations
30
+
31
+ More information needed
32
+
33
+ ## Training and evaluation data
34
+
35
+ More information needed
36
+
37
+ ## Training procedure
38
+
39
+ ### Training hyperparameters
40
+
41
+ The following hyperparameters were used during training:
42
+ - learning_rate: 0.002
43
+ - train_batch_size: 8
44
+ - eval_batch_size: 8
45
+ - seed: 42
46
+ - distributed_type: multi-GPU
47
+ - num_devices: 8
48
+ - gradient_accumulation_steps: 2
49
+ - total_train_batch_size: 128
50
+ - total_eval_batch_size: 64
51
+ - optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
52
+ - lr_scheduler_type: cosine
53
+ - lr_scheduler_warmup_ratio: 0.1
54
+ - num_epochs: 10
55
+
56
+ ### Training results
57
+
58
+ | Training Loss | Epoch | Step | Validation Loss |
59
+ |:-------------:|:-----:|:----:|:---------------:|
60
+ | 0.4861 | 1.0 | 135 | 1.2495 |
61
+ | 0.458 | 2.0 | 270 | 1.2390 |
62
+ | 0.4423 | 3.0 | 405 | 1.2549 |
63
+ | 0.4244 | 4.0 | 540 | 1.2665 |
64
+ | 0.4051 | 5.0 | 675 | 1.2714 |
65
+ | 0.3815 | 6.0 | 810 | 1.2959 |
66
+ | 0.3546 | 7.0 | 945 | 1.3560 |
67
+ | 0.3233 | 8.0 | 1080 | 1.4125 |
68
+ | 0.2969 | 9.0 | 1215 | 1.4809 |
69
+ | 0.2818 | 10.0 | 1350 | 1.5174 |
70
+
71
+
72
+ ### Framework versions
73
+
74
+ - PEFT 0.12.0
75
+ - Transformers 4.44.0
76
+ - Pytorch 2.2.0+cu121
77
+ - Datasets 2.20.0
78
+ - Tokenizers 0.19.1
adapter_model.safetensors CHANGED
@@ -1,3 +1,3 @@
1
  version https://git-lfs.github.com/spec/v1
2
- oid sha256:3b583256fda97f4048cf886386c896d02091abdcdd5a2a661991ba556addf45e
3
  size 2155922488
 
1
  version https://git-lfs.github.com/spec/v1
2
+ oid sha256:8917d4c48cb421134d8fee0d433f26f32d32dfd62fc4729fb61364bcc2fe2ae5
3
  size 2155922488
all_results.json ADDED
@@ -0,0 +1,9 @@
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "epoch": 10.0,
3
+ "total_flos": 7.982333171800736e+18,
4
+ "train_loss": 0.3983345487382677,
5
+ "train_runtime": 11606.8402,
6
+ "train_samples": 116368,
7
+ "train_samples_per_second": 14.865,
8
+ "train_steps_per_second": 0.116
9
+ }
runs/Aug10_01-50-35_e8f6cb577ded/events.out.tfevents.1723254790.e8f6cb577ded.87185.0 CHANGED
@@ -1,3 +1,3 @@
1
  version https://git-lfs.github.com/spec/v1
2
- oid sha256:869261f83b31eebd4c1c5103cbaf7c42e192660dc9d64191117908a76e9d588a
3
- size 63374
 
1
  version https://git-lfs.github.com/spec/v1
2
+ oid sha256:4f508566b0010a302ec433c9685e3db5dd40fec22cf4ceac0a46dd38597dd2ce
3
+ size 66109
train_results.json ADDED
@@ -0,0 +1,9 @@
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "epoch": 10.0,
3
+ "total_flos": 7.982333171800736e+18,
4
+ "train_loss": 0.3983345487382677,
5
+ "train_runtime": 11606.8402,
6
+ "train_samples": 116368,
7
+ "train_samples_per_second": 14.865,
8
+ "train_steps_per_second": 0.116
9
+ }
trainer_state.json ADDED
@@ -0,0 +1,2019 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "best_metric": null,
3
+ "best_model_checkpoint": null,
4
+ "epoch": 10.0,
5
+ "eval_steps": 500,
6
+ "global_step": 1350,
7
+ "is_hyper_param_search": false,
8
+ "is_local_process_zero": true,
9
+ "is_world_process_zero": true,
10
+ "log_history": [
11
+ {
12
+ "epoch": 0.007407407407407408,
13
+ "grad_norm": 1.5567783117294312,
14
+ "learning_rate": 1.4814814814814815e-05,
15
+ "loss": 1.5566,
16
+ "step": 1
17
+ },
18
+ {
19
+ "epoch": 0.037037037037037035,
20
+ "grad_norm": 1.6362663507461548,
21
+ "learning_rate": 7.407407407407407e-05,
22
+ "loss": 1.5121,
23
+ "step": 5
24
+ },
25
+ {
26
+ "epoch": 0.07407407407407407,
27
+ "grad_norm": 0.9970850944519043,
28
+ "learning_rate": 0.00014814814814814815,
29
+ "loss": 1.2449,
30
+ "step": 10
31
+ },
32
+ {
33
+ "epoch": 0.1111111111111111,
34
+ "grad_norm": 0.688450813293457,
35
+ "learning_rate": 0.0002222222222222222,
36
+ "loss": 0.8674,
37
+ "step": 15
38
+ },
39
+ {
40
+ "epoch": 0.14814814814814814,
41
+ "grad_norm": 0.4350931942462921,
42
+ "learning_rate": 0.0002962962962962963,
43
+ "loss": 0.7491,
44
+ "step": 20
45
+ },
46
+ {
47
+ "epoch": 0.18518518518518517,
48
+ "grad_norm": 0.377754271030426,
49
+ "learning_rate": 0.00037037037037037035,
50
+ "loss": 0.6649,
51
+ "step": 25
52
+ },
53
+ {
54
+ "epoch": 0.2222222222222222,
55
+ "grad_norm": 0.19140222668647766,
56
+ "learning_rate": 0.0004444444444444444,
57
+ "loss": 0.6335,
58
+ "step": 30
59
+ },
60
+ {
61
+ "epoch": 0.25925925925925924,
62
+ "grad_norm": 0.16032004356384277,
63
+ "learning_rate": 0.0005185185185185185,
64
+ "loss": 0.6068,
65
+ "step": 35
66
+ },
67
+ {
68
+ "epoch": 0.2962962962962963,
69
+ "grad_norm": 0.15596596896648407,
70
+ "learning_rate": 0.0005925925925925926,
71
+ "loss": 0.5878,
72
+ "step": 40
73
+ },
74
+ {
75
+ "epoch": 0.3333333333333333,
76
+ "grad_norm": 0.12440178543329239,
77
+ "learning_rate": 0.0006666666666666666,
78
+ "loss": 0.564,
79
+ "step": 45
80
+ },
81
+ {
82
+ "epoch": 0.37037037037037035,
83
+ "grad_norm": 0.13573868572711945,
84
+ "learning_rate": 0.0007407407407407407,
85
+ "loss": 0.56,
86
+ "step": 50
87
+ },
88
+ {
89
+ "epoch": 0.4074074074074074,
90
+ "grad_norm": 0.10565729439258575,
91
+ "learning_rate": 0.0008148148148148148,
92
+ "loss": 0.5418,
93
+ "step": 55
94
+ },
95
+ {
96
+ "epoch": 0.4444444444444444,
97
+ "grad_norm": 0.11647824943065643,
98
+ "learning_rate": 0.0008888888888888888,
99
+ "loss": 0.5356,
100
+ "step": 60
101
+ },
102
+ {
103
+ "epoch": 0.48148148148148145,
104
+ "grad_norm": 0.10235206037759781,
105
+ "learning_rate": 0.0009629629629629629,
106
+ "loss": 0.5294,
107
+ "step": 65
108
+ },
109
+ {
110
+ "epoch": 0.5185185185185185,
111
+ "grad_norm": 0.17172235250473022,
112
+ "learning_rate": 0.001037037037037037,
113
+ "loss": 0.5216,
114
+ "step": 70
115
+ },
116
+ {
117
+ "epoch": 0.5555555555555556,
118
+ "grad_norm": 0.12478260695934296,
119
+ "learning_rate": 0.0011111111111111111,
120
+ "loss": 0.5218,
121
+ "step": 75
122
+ },
123
+ {
124
+ "epoch": 0.5925925925925926,
125
+ "grad_norm": 0.11295782774686813,
126
+ "learning_rate": 0.0011851851851851852,
127
+ "loss": 0.5144,
128
+ "step": 80
129
+ },
130
+ {
131
+ "epoch": 0.6296296296296297,
132
+ "grad_norm": 0.1066703274846077,
133
+ "learning_rate": 0.0012592592592592592,
134
+ "loss": 0.5154,
135
+ "step": 85
136
+ },
137
+ {
138
+ "epoch": 0.6666666666666666,
139
+ "grad_norm": 0.0921861082315445,
140
+ "learning_rate": 0.0013333333333333333,
141
+ "loss": 0.5003,
142
+ "step": 90
143
+ },
144
+ {
145
+ "epoch": 0.7037037037037037,
146
+ "grad_norm": 0.09984983503818512,
147
+ "learning_rate": 0.0014074074074074076,
148
+ "loss": 0.5042,
149
+ "step": 95
150
+ },
151
+ {
152
+ "epoch": 0.7407407407407407,
153
+ "grad_norm": 0.13562288880348206,
154
+ "learning_rate": 0.0014814814814814814,
155
+ "loss": 0.5003,
156
+ "step": 100
157
+ },
158
+ {
159
+ "epoch": 0.7777777777777778,
160
+ "grad_norm": 0.09528646618127823,
161
+ "learning_rate": 0.0015555555555555557,
162
+ "loss": 0.4996,
163
+ "step": 105
164
+ },
165
+ {
166
+ "epoch": 0.8148148148148148,
167
+ "grad_norm": 0.14511393010616302,
168
+ "learning_rate": 0.0016296296296296295,
169
+ "loss": 0.4929,
170
+ "step": 110
171
+ },
172
+ {
173
+ "epoch": 0.8518518518518519,
174
+ "grad_norm": 0.0997464582324028,
175
+ "learning_rate": 0.0017037037037037038,
176
+ "loss": 0.4906,
177
+ "step": 115
178
+ },
179
+ {
180
+ "epoch": 0.8888888888888888,
181
+ "grad_norm": 0.14288371801376343,
182
+ "learning_rate": 0.0017777777777777776,
183
+ "loss": 0.4924,
184
+ "step": 120
185
+ },
186
+ {
187
+ "epoch": 0.9259259259259259,
188
+ "grad_norm": 0.12957949936389923,
189
+ "learning_rate": 0.001851851851851852,
190
+ "loss": 0.4879,
191
+ "step": 125
192
+ },
193
+ {
194
+ "epoch": 0.9629629629629629,
195
+ "grad_norm": 0.10427533835172653,
196
+ "learning_rate": 0.0019259259259259258,
197
+ "loss": 0.4856,
198
+ "step": 130
199
+ },
200
+ {
201
+ "epoch": 1.0,
202
+ "grad_norm": 0.11492197960615158,
203
+ "learning_rate": 0.002,
204
+ "loss": 0.4861,
205
+ "step": 135
206
+ },
207
+ {
208
+ "epoch": 1.0,
209
+ "eval_loss": 1.2494666576385498,
210
+ "eval_runtime": 1.452,
211
+ "eval_samples_per_second": 2.755,
212
+ "eval_steps_per_second": 0.689,
213
+ "step": 135
214
+ },
215
+ {
216
+ "epoch": 1.037037037037037,
217
+ "grad_norm": 0.20287227630615234,
218
+ "learning_rate": 0.0019999164298554373,
219
+ "loss": 0.4759,
220
+ "step": 140
221
+ },
222
+ {
223
+ "epoch": 1.074074074074074,
224
+ "grad_norm": 0.10903054475784302,
225
+ "learning_rate": 0.0019996657333896874,
226
+ "loss": 0.4752,
227
+ "step": 145
228
+ },
229
+ {
230
+ "epoch": 1.1111111111111112,
231
+ "grad_norm": 0.09817971289157867,
232
+ "learning_rate": 0.00199924795250423,
233
+ "loss": 0.4771,
234
+ "step": 150
235
+ },
236
+ {
237
+ "epoch": 1.1481481481481481,
238
+ "grad_norm": 0.10313747823238373,
239
+ "learning_rate": 0.001998663157027083,
240
+ "loss": 0.471,
241
+ "step": 155
242
+ },
243
+ {
244
+ "epoch": 1.1851851851851851,
245
+ "grad_norm": 0.10586988180875778,
246
+ "learning_rate": 0.001997911444701132,
247
+ "loss": 0.4675,
248
+ "step": 160
249
+ },
250
+ {
251
+ "epoch": 1.2222222222222223,
252
+ "grad_norm": 0.10676765441894531,
253
+ "learning_rate": 0.001996992941167792,
254
+ "loss": 0.4743,
255
+ "step": 165
256
+ },
257
+ {
258
+ "epoch": 1.2592592592592593,
259
+ "grad_norm": 0.09956058114767075,
260
+ "learning_rate": 0.0019959077999460095,
261
+ "loss": 0.4682,
262
+ "step": 170
263
+ },
264
+ {
265
+ "epoch": 1.2962962962962963,
266
+ "grad_norm": 0.08940426260232925,
267
+ "learning_rate": 0.0019946562024066015,
268
+ "loss": 0.4667,
269
+ "step": 175
270
+ },
271
+ {
272
+ "epoch": 1.3333333333333333,
273
+ "grad_norm": 0.09569676965475082,
274
+ "learning_rate": 0.001993238357741943,
275
+ "loss": 0.4742,
276
+ "step": 180
277
+ },
278
+ {
279
+ "epoch": 1.3703703703703702,
280
+ "grad_norm": 0.1325625479221344,
281
+ "learning_rate": 0.0019916545029310014,
282
+ "loss": 0.4735,
283
+ "step": 185
284
+ },
285
+ {
286
+ "epoch": 1.4074074074074074,
287
+ "grad_norm": 0.09514327347278595,
288
+ "learning_rate": 0.0019899049026997273,
289
+ "loss": 0.473,
290
+ "step": 190
291
+ },
292
+ {
293
+ "epoch": 1.4444444444444444,
294
+ "grad_norm": 0.10093410313129425,
295
+ "learning_rate": 0.001987989849476809,
296
+ "loss": 0.4693,
297
+ "step": 195
298
+ },
299
+ {
300
+ "epoch": 1.4814814814814814,
301
+ "grad_norm": 0.10901673138141632,
302
+ "learning_rate": 0.0019859096633447963,
303
+ "loss": 0.4666,
304
+ "step": 200
305
+ },
306
+ {
307
+ "epoch": 1.5185185185185186,
308
+ "grad_norm": 0.10339543968439102,
309
+ "learning_rate": 0.001983664691986601,
310
+ "loss": 0.4712,
311
+ "step": 205
312
+ },
313
+ {
314
+ "epoch": 1.5555555555555556,
315
+ "grad_norm": 0.0933491587638855,
316
+ "learning_rate": 0.001981255310627385,
317
+ "loss": 0.4692,
318
+ "step": 210
319
+ },
320
+ {
321
+ "epoch": 1.5925925925925926,
322
+ "grad_norm": 0.09102772176265717,
323
+ "learning_rate": 0.0019786819219718443,
324
+ "loss": 0.4666,
325
+ "step": 215
326
+ },
327
+ {
328
+ "epoch": 1.6296296296296298,
329
+ "grad_norm": 0.08935283869504929,
330
+ "learning_rate": 0.0019759449561369035,
331
+ "loss": 0.4605,
332
+ "step": 220
333
+ },
334
+ {
335
+ "epoch": 1.6666666666666665,
336
+ "grad_norm": 0.10174907743930817,
337
+ "learning_rate": 0.0019730448705798237,
338
+ "loss": 0.465,
339
+ "step": 225
340
+ },
341
+ {
342
+ "epoch": 1.7037037037037037,
343
+ "grad_norm": 0.09616223722696304,
344
+ "learning_rate": 0.0019699821500217436,
345
+ "loss": 0.4684,
346
+ "step": 230
347
+ },
348
+ {
349
+ "epoch": 1.7407407407407407,
350
+ "grad_norm": 0.09224896878004074,
351
+ "learning_rate": 0.001966757306366662,
352
+ "loss": 0.468,
353
+ "step": 235
354
+ },
355
+ {
356
+ "epoch": 1.7777777777777777,
357
+ "grad_norm": 0.09403350204229355,
358
+ "learning_rate": 0.0019633708786158804,
359
+ "loss": 0.4658,
360
+ "step": 240
361
+ },
362
+ {
363
+ "epoch": 1.8148148148148149,
364
+ "grad_norm": 0.09764115512371063,
365
+ "learning_rate": 0.001959823432777912,
366
+ "loss": 0.4682,
367
+ "step": 245
368
+ },
369
+ {
370
+ "epoch": 1.8518518518518519,
371
+ "grad_norm": 0.08690910041332245,
372
+ "learning_rate": 0.0019561155617738796,
373
+ "loss": 0.4679,
374
+ "step": 250
375
+ },
376
+ {
377
+ "epoch": 1.8888888888888888,
378
+ "grad_norm": 0.10882115364074707,
379
+ "learning_rate": 0.0019522478853384153,
380
+ "loss": 0.46,
381
+ "step": 255
382
+ },
383
+ {
384
+ "epoch": 1.925925925925926,
385
+ "grad_norm": 0.10638313740491867,
386
+ "learning_rate": 0.0019482210499160765,
387
+ "loss": 0.4601,
388
+ "step": 260
389
+ },
390
+ {
391
+ "epoch": 1.9629629629629628,
392
+ "grad_norm": 0.1394616961479187,
393
+ "learning_rate": 0.0019440357285533,
394
+ "loss": 0.4649,
395
+ "step": 265
396
+ },
397
+ {
398
+ "epoch": 2.0,
399
+ "grad_norm": 0.11232441663742065,
400
+ "learning_rate": 0.0019396926207859084,
401
+ "loss": 0.458,
402
+ "step": 270
403
+ },
404
+ {
405
+ "epoch": 2.0,
406
+ "eval_loss": 1.2390342950820923,
407
+ "eval_runtime": 1.4571,
408
+ "eval_samples_per_second": 2.745,
409
+ "eval_steps_per_second": 0.686,
410
+ "step": 270
411
+ },
412
+ {
413
+ "epoch": 2.037037037037037,
414
+ "grad_norm": 0.11058547347784042,
415
+ "learning_rate": 0.0019351924525221897,
416
+ "loss": 0.4336,
417
+ "step": 275
418
+ },
419
+ {
420
+ "epoch": 2.074074074074074,
421
+ "grad_norm": 0.10051153600215912,
422
+ "learning_rate": 0.0019305359759215685,
423
+ "loss": 0.4345,
424
+ "step": 280
425
+ },
426
+ {
427
+ "epoch": 2.111111111111111,
428
+ "grad_norm": 0.09568148106336594,
429
+ "learning_rate": 0.0019257239692688907,
430
+ "loss": 0.4356,
431
+ "step": 285
432
+ },
433
+ {
434
+ "epoch": 2.148148148148148,
435
+ "grad_norm": 0.09497468173503876,
436
+ "learning_rate": 0.0019207572368443383,
437
+ "loss": 0.44,
438
+ "step": 290
439
+ },
440
+ {
441
+ "epoch": 2.185185185185185,
442
+ "grad_norm": 0.10157410800457001,
443
+ "learning_rate": 0.001915636608789006,
444
+ "loss": 0.439,
445
+ "step": 295
446
+ },
447
+ {
448
+ "epoch": 2.2222222222222223,
449
+ "grad_norm": 0.1098947674036026,
450
+ "learning_rate": 0.0019103629409661467,
451
+ "loss": 0.44,
452
+ "step": 300
453
+ },
454
+ {
455
+ "epoch": 2.259259259259259,
456
+ "grad_norm": 0.09858433902263641,
457
+ "learning_rate": 0.0019049371148181253,
458
+ "loss": 0.4466,
459
+ "step": 305
460
+ },
461
+ {
462
+ "epoch": 2.2962962962962963,
463
+ "grad_norm": 0.09663781523704529,
464
+ "learning_rate": 0.0018993600372190932,
465
+ "loss": 0.4408,
466
+ "step": 310
467
+ },
468
+ {
469
+ "epoch": 2.3333333333333335,
470
+ "grad_norm": 0.100925512611866,
471
+ "learning_rate": 0.0018936326403234123,
472
+ "loss": 0.4393,
473
+ "step": 315
474
+ },
475
+ {
476
+ "epoch": 2.3703703703703702,
477
+ "grad_norm": 0.10806870460510254,
478
+ "learning_rate": 0.0018877558814098562,
479
+ "loss": 0.4393,
480
+ "step": 320
481
+ },
482
+ {
483
+ "epoch": 2.4074074074074074,
484
+ "grad_norm": 0.10387130826711655,
485
+ "learning_rate": 0.001881730742721608,
486
+ "loss": 0.4445,
487
+ "step": 325
488
+ },
489
+ {
490
+ "epoch": 2.4444444444444446,
491
+ "grad_norm": 0.09329431504011154,
492
+ "learning_rate": 0.0018755582313020908,
493
+ "loss": 0.439,
494
+ "step": 330
495
+ },
496
+ {
497
+ "epoch": 2.4814814814814814,
498
+ "grad_norm": 0.09396202117204666,
499
+ "learning_rate": 0.0018692393788266478,
500
+ "loss": 0.4379,
501
+ "step": 335
502
+ },
503
+ {
504
+ "epoch": 2.5185185185185186,
505
+ "grad_norm": 0.10305757075548172,
506
+ "learning_rate": 0.0018627752414301084,
507
+ "loss": 0.4412,
508
+ "step": 340
509
+ },
510
+ {
511
+ "epoch": 2.5555555555555554,
512
+ "grad_norm": 0.1034080982208252,
513
+ "learning_rate": 0.0018561668995302665,
514
+ "loss": 0.4445,
515
+ "step": 345
516
+ },
517
+ {
518
+ "epoch": 2.5925925925925926,
519
+ "grad_norm": 0.09808813035488129,
520
+ "learning_rate": 0.0018494154576472975,
521
+ "loss": 0.4454,
522
+ "step": 350
523
+ },
524
+ {
525
+ "epoch": 2.6296296296296298,
526
+ "grad_norm": 0.0979294404387474,
527
+ "learning_rate": 0.0018425220442191495,
528
+ "loss": 0.4498,
529
+ "step": 355
530
+ },
531
+ {
532
+ "epoch": 2.6666666666666665,
533
+ "grad_norm": 0.09154608845710754,
534
+ "learning_rate": 0.0018354878114129364,
535
+ "loss": 0.4416,
536
+ "step": 360
537
+ },
538
+ {
539
+ "epoch": 2.7037037037037037,
540
+ "grad_norm": 0.0931951180100441,
541
+ "learning_rate": 0.0018283139349323631,
542
+ "loss": 0.4439,
543
+ "step": 365
544
+ },
545
+ {
546
+ "epoch": 2.7407407407407405,
547
+ "grad_norm": 0.09334207326173782,
548
+ "learning_rate": 0.0018210016138212187,
549
+ "loss": 0.4443,
550
+ "step": 370
551
+ },
552
+ {
553
+ "epoch": 2.7777777777777777,
554
+ "grad_norm": 0.092356376349926,
555
+ "learning_rate": 0.0018135520702629675,
556
+ "loss": 0.4429,
557
+ "step": 375
558
+ },
559
+ {
560
+ "epoch": 2.814814814814815,
561
+ "grad_norm": 0.09269876778125763,
562
+ "learning_rate": 0.0018059665493764742,
563
+ "loss": 0.4443,
564
+ "step": 380
565
+ },
566
+ {
567
+ "epoch": 2.851851851851852,
568
+ "grad_norm": 0.10383119434118271,
569
+ "learning_rate": 0.0017982463190078929,
570
+ "loss": 0.4436,
571
+ "step": 385
572
+ },
573
+ {
574
+ "epoch": 2.888888888888889,
575
+ "grad_norm": 0.0941496342420578,
576
+ "learning_rate": 0.0017903926695187593,
577
+ "loss": 0.4456,
578
+ "step": 390
579
+ },
580
+ {
581
+ "epoch": 2.925925925925926,
582
+ "grad_norm": 0.09286876022815704,
583
+ "learning_rate": 0.0017824069135703197,
584
+ "loss": 0.445,
585
+ "step": 395
586
+ },
587
+ {
588
+ "epoch": 2.962962962962963,
589
+ "grad_norm": 0.09152144938707352,
590
+ "learning_rate": 0.0017742903859041324,
591
+ "loss": 0.4499,
592
+ "step": 400
593
+ },
594
+ {
595
+ "epoch": 3.0,
596
+ "grad_norm": 0.09554123133420944,
597
+ "learning_rate": 0.001766044443118978,
598
+ "loss": 0.4423,
599
+ "step": 405
600
+ },
601
+ {
602
+ "epoch": 3.0,
603
+ "eval_loss": 1.2548832893371582,
604
+ "eval_runtime": 1.4432,
605
+ "eval_samples_per_second": 2.772,
606
+ "eval_steps_per_second": 0.693,
607
+ "step": 405
608
+ },
609
+ {
610
+ "epoch": 3.037037037037037,
611
+ "grad_norm": 0.0980718806385994,
612
+ "learning_rate": 0.001757670463444118,
613
+ "loss": 0.4156,
614
+ "step": 410
615
+ },
616
+ {
617
+ "epoch": 3.074074074074074,
618
+ "grad_norm": 0.09404606372117996,
619
+ "learning_rate": 0.0017491698465089362,
620
+ "loss": 0.4121,
621
+ "step": 415
622
+ },
623
+ {
624
+ "epoch": 3.111111111111111,
625
+ "grad_norm": 0.11583345383405685,
626
+ "learning_rate": 0.0017405440131090047,
627
+ "loss": 0.4172,
628
+ "step": 420
629
+ },
630
+ {
631
+ "epoch": 3.148148148148148,
632
+ "grad_norm": 0.09314367175102234,
633
+ "learning_rate": 0.0017317944049686123,
634
+ "loss": 0.4166,
635
+ "step": 425
636
+ },
637
+ {
638
+ "epoch": 3.185185185185185,
639
+ "grad_norm": 0.1007940024137497,
640
+ "learning_rate": 0.001722922484499793,
641
+ "loss": 0.4123,
642
+ "step": 430
643
+ },
644
+ {
645
+ "epoch": 3.2222222222222223,
646
+ "grad_norm": 0.0978422611951828,
647
+ "learning_rate": 0.0017139297345578992,
648
+ "loss": 0.4199,
649
+ "step": 435
650
+ },
651
+ {
652
+ "epoch": 3.259259259259259,
653
+ "grad_norm": 0.09395431727170944,
654
+ "learning_rate": 0.0017048176581937562,
655
+ "loss": 0.4133,
656
+ "step": 440
657
+ },
658
+ {
659
+ "epoch": 3.2962962962962963,
660
+ "grad_norm": 0.09783247113227844,
661
+ "learning_rate": 0.0016955877784024418,
662
+ "loss": 0.4253,
663
+ "step": 445
664
+ },
665
+ {
666
+ "epoch": 3.3333333333333335,
667
+ "grad_norm": 0.0955362394452095,
668
+ "learning_rate": 0.0016862416378687337,
669
+ "loss": 0.4204,
670
+ "step": 450
671
+ },
672
+ {
673
+ "epoch": 3.3703703703703702,
674
+ "grad_norm": 0.09792539477348328,
675
+ "learning_rate": 0.001676780798709262,
676
+ "loss": 0.4232,
677
+ "step": 455
678
+ },
679
+ {
680
+ "epoch": 3.4074074074074074,
681
+ "grad_norm": 0.09116431325674057,
682
+ "learning_rate": 0.0016672068422114196,
683
+ "loss": 0.4211,
684
+ "step": 460
685
+ },
686
+ {
687
+ "epoch": 3.4444444444444446,
688
+ "grad_norm": 0.1013198271393776,
689
+ "learning_rate": 0.0016575213685690638,
690
+ "loss": 0.4202,
691
+ "step": 465
692
+ },
693
+ {
694
+ "epoch": 3.4814814814814814,
695
+ "grad_norm": 0.09579209238290787,
696
+ "learning_rate": 0.0016477259966150588,
697
+ "loss": 0.4268,
698
+ "step": 470
699
+ },
700
+ {
701
+ "epoch": 3.5185185185185186,
702
+ "grad_norm": 0.09915994852781296,
703
+ "learning_rate": 0.001637822363550706,
704
+ "loss": 0.4274,
705
+ "step": 475
706
+ },
707
+ {
708
+ "epoch": 3.5555555555555554,
709
+ "grad_norm": 0.09255506843328476,
710
+ "learning_rate": 0.0016278121246720988,
711
+ "loss": 0.4237,
712
+ "step": 480
713
+ },
714
+ {
715
+ "epoch": 3.5925925925925926,
716
+ "grad_norm": 0.09609281271696091,
717
+ "learning_rate": 0.001617696953093457,
718
+ "loss": 0.4287,
719
+ "step": 485
720
+ },
721
+ {
722
+ "epoch": 3.6296296296296298,
723
+ "grad_norm": 0.10273302346467972,
724
+ "learning_rate": 0.0016074785394674836,
725
+ "loss": 0.4301,
726
+ "step": 490
727
+ },
728
+ {
729
+ "epoch": 3.6666666666666665,
730
+ "grad_norm": 0.09646812826395035,
731
+ "learning_rate": 0.0015971585917027862,
732
+ "loss": 0.4282,
733
+ "step": 495
734
+ },
735
+ {
736
+ "epoch": 3.7037037037037037,
737
+ "grad_norm": 0.09089499711990356,
738
+ "learning_rate": 0.001586738834678418,
739
+ "loss": 0.425,
740
+ "step": 500
741
+ },
742
+ {
743
+ "epoch": 3.7407407407407405,
744
+ "grad_norm": 0.08903223276138306,
745
+ "learning_rate": 0.0015762210099555802,
746
+ "loss": 0.4222,
747
+ "step": 505
748
+ },
749
+ {
750
+ "epoch": 3.7777777777777777,
751
+ "grad_norm": 0.09616349637508392,
752
+ "learning_rate": 0.0015656068754865387,
753
+ "loss": 0.4243,
754
+ "step": 510
755
+ },
756
+ {
757
+ "epoch": 3.814814814814815,
758
+ "grad_norm": 0.0883878841996193,
759
+ "learning_rate": 0.001554898205320797,
760
+ "loss": 0.4278,
761
+ "step": 515
762
+ },
763
+ {
764
+ "epoch": 3.851851851851852,
765
+ "grad_norm": 0.0974721610546112,
766
+ "learning_rate": 0.0015440967893085827,
767
+ "loss": 0.4239,
768
+ "step": 520
769
+ },
770
+ {
771
+ "epoch": 3.888888888888889,
772
+ "grad_norm": 0.09724871814250946,
773
+ "learning_rate": 0.0015332044328016914,
774
+ "loss": 0.4269,
775
+ "step": 525
776
+ },
777
+ {
778
+ "epoch": 3.925925925925926,
779
+ "grad_norm": 0.09783729910850525,
780
+ "learning_rate": 0.0015222229563517384,
781
+ "loss": 0.4289,
782
+ "step": 530
783
+ },
784
+ {
785
+ "epoch": 3.962962962962963,
786
+ "grad_norm": 0.09811478108167648,
787
+ "learning_rate": 0.0015111541954058731,
788
+ "loss": 0.4265,
789
+ "step": 535
790
+ },
791
+ {
792
+ "epoch": 4.0,
793
+ "grad_norm": 0.09431273490190506,
794
+ "learning_rate": 0.0015,
795
+ "loss": 0.4244,
796
+ "step": 540
797
+ },
798
+ {
799
+ "epoch": 4.0,
800
+ "eval_loss": 1.266510009765625,
801
+ "eval_runtime": 1.4433,
802
+ "eval_samples_per_second": 2.771,
803
+ "eval_steps_per_second": 0.693,
804
+ "step": 540
805
+ },
806
+ {
807
+ "epoch": 4.037037037037037,
808
+ "grad_norm": 0.09484298527240753,
809
+ "learning_rate": 0.0014887622344495642,
810
+ "loss": 0.3886,
811
+ "step": 545
812
+ },
813
+ {
814
+ "epoch": 4.074074074074074,
815
+ "grad_norm": 0.09763394296169281,
816
+ "learning_rate": 0.001477442777037949,
817
+ "loss": 0.3867,
818
+ "step": 550
819
+ },
820
+ {
821
+ "epoch": 4.111111111111111,
822
+ "grad_norm": 0.09587694704532623,
823
+ "learning_rate": 0.001466043519702539,
824
+ "loss": 0.3934,
825
+ "step": 555
826
+ },
827
+ {
828
+ "epoch": 4.148148148148148,
829
+ "grad_norm": 0.09805364161729813,
830
+ "learning_rate": 0.0014545663677185006,
831
+ "loss": 0.3913,
832
+ "step": 560
833
+ },
834
+ {
835
+ "epoch": 4.185185185185185,
836
+ "grad_norm": 0.09342525154352188,
837
+ "learning_rate": 0.0014430132393803352,
838
+ "loss": 0.3962,
839
+ "step": 565
840
+ },
841
+ {
842
+ "epoch": 4.222222222222222,
843
+ "grad_norm": 0.09320686757564545,
844
+ "learning_rate": 0.0014313860656812536,
845
+ "loss": 0.393,
846
+ "step": 570
847
+ },
848
+ {
849
+ "epoch": 4.2592592592592595,
850
+ "grad_norm": 0.09312278032302856,
851
+ "learning_rate": 0.001419686789990429,
852
+ "loss": 0.3956,
853
+ "step": 575
854
+ },
855
+ {
856
+ "epoch": 4.296296296296296,
857
+ "grad_norm": 0.09693987667560577,
858
+ "learning_rate": 0.0014079173677281835,
859
+ "loss": 0.4003,
860
+ "step": 580
861
+ },
862
+ {
863
+ "epoch": 4.333333333333333,
864
+ "grad_norm": 0.09647519141435623,
865
+ "learning_rate": 0.001396079766039157,
866
+ "loss": 0.4026,
867
+ "step": 585
868
+ },
869
+ {
870
+ "epoch": 4.37037037037037,
871
+ "grad_norm": 0.09753508865833282,
872
+ "learning_rate": 0.0013841759634635176,
873
+ "loss": 0.4047,
874
+ "step": 590
875
+ },
876
+ {
877
+ "epoch": 4.407407407407407,
878
+ "grad_norm": 0.09481139481067657,
879
+ "learning_rate": 0.00137220794960627,
880
+ "loss": 0.4028,
881
+ "step": 595
882
+ },
883
+ {
884
+ "epoch": 4.444444444444445,
885
+ "grad_norm": 0.0947929173707962,
886
+ "learning_rate": 0.0013601777248047106,
887
+ "loss": 0.4018,
888
+ "step": 600
889
+ },
890
+ {
891
+ "epoch": 4.481481481481482,
892
+ "grad_norm": 0.10154122114181519,
893
+ "learning_rate": 0.0013480872997940906,
894
+ "loss": 0.4019,
895
+ "step": 605
896
+ },
897
+ {
898
+ "epoch": 4.518518518518518,
899
+ "grad_norm": 0.09206040948629379,
900
+ "learning_rate": 0.0013359386953715423,
901
+ "loss": 0.401,
902
+ "step": 610
903
+ },
904
+ {
905
+ "epoch": 4.555555555555555,
906
+ "grad_norm": 0.0979878157377243,
907
+ "learning_rate": 0.0013237339420583212,
908
+ "loss": 0.4046,
909
+ "step": 615
910
+ },
911
+ {
912
+ "epoch": 4.592592592592593,
913
+ "grad_norm": 0.09499992430210114,
914
+ "learning_rate": 0.0013114750797604247,
915
+ "loss": 0.4092,
916
+ "step": 620
917
+ },
918
+ {
919
+ "epoch": 4.62962962962963,
920
+ "grad_norm": 0.096099354326725,
921
+ "learning_rate": 0.0012991641574276419,
922
+ "loss": 0.4066,
923
+ "step": 625
924
+ },
925
+ {
926
+ "epoch": 4.666666666666667,
927
+ "grad_norm": 0.09620559960603714,
928
+ "learning_rate": 0.0012868032327110904,
929
+ "loss": 0.4075,
930
+ "step": 630
931
+ },
932
+ {
933
+ "epoch": 4.703703703703704,
934
+ "grad_norm": 0.09676729887723923,
935
+ "learning_rate": 0.0012743943716193016,
936
+ "loss": 0.4026,
937
+ "step": 635
938
+ },
939
+ {
940
+ "epoch": 4.7407407407407405,
941
+ "grad_norm": 0.09284202009439468,
942
+ "learning_rate": 0.0012619396481729059,
943
+ "loss": 0.4055,
944
+ "step": 640
945
+ },
946
+ {
947
+ "epoch": 4.777777777777778,
948
+ "grad_norm": 0.09661979228258133,
949
+ "learning_rate": 0.0012494411440579815,
950
+ "loss": 0.4068,
951
+ "step": 645
952
+ },
953
+ {
954
+ "epoch": 4.814814814814815,
955
+ "grad_norm": 0.09566741436719894,
956
+ "learning_rate": 0.001236900948278119,
957
+ "loss": 0.4021,
958
+ "step": 650
959
+ },
960
+ {
961
+ "epoch": 4.851851851851852,
962
+ "grad_norm": 0.09348838031291962,
963
+ "learning_rate": 0.0012243211568052678,
964
+ "loss": 0.4024,
965
+ "step": 655
966
+ },
967
+ {
968
+ "epoch": 4.888888888888889,
969
+ "grad_norm": 0.09663164615631104,
970
+ "learning_rate": 0.0012117038722294108,
971
+ "loss": 0.4062,
972
+ "step": 660
973
+ },
974
+ {
975
+ "epoch": 4.925925925925926,
976
+ "grad_norm": 0.09402230381965637,
977
+ "learning_rate": 0.0011990512034071405,
978
+ "loss": 0.4028,
979
+ "step": 665
980
+ },
981
+ {
982
+ "epoch": 4.962962962962963,
983
+ "grad_norm": 0.10056190937757492,
984
+ "learning_rate": 0.0011863652651091822,
985
+ "loss": 0.4074,
986
+ "step": 670
987
+ },
988
+ {
989
+ "epoch": 5.0,
990
+ "grad_norm": 0.09207284450531006,
991
+ "learning_rate": 0.0011736481776669307,
992
+ "loss": 0.4051,
993
+ "step": 675
994
+ },
995
+ {
996
+ "epoch": 5.0,
997
+ "eval_loss": 1.271437644958496,
998
+ "eval_runtime": 1.4527,
999
+ "eval_samples_per_second": 2.753,
1000
+ "eval_steps_per_second": 0.688,
1001
+ "step": 675
1002
+ },
1003
+ {
1004
+ "epoch": 5.037037037037037,
1005
+ "grad_norm": 0.10166580975055695,
1006
+ "learning_rate": 0.0011609020666180573,
1007
+ "loss": 0.369,
1008
+ "step": 680
1009
+ },
1010
+ {
1011
+ "epoch": 5.074074074074074,
1012
+ "grad_norm": 0.10062967240810394,
1013
+ "learning_rate": 0.001148129062351249,
1014
+ "loss": 0.3679,
1015
+ "step": 685
1016
+ },
1017
+ {
1018
+ "epoch": 5.111111111111111,
1019
+ "grad_norm": 0.09751473367214203,
1020
+ "learning_rate": 0.0011353312997501312,
1021
+ "loss": 0.3679,
1022
+ "step": 690
1023
+ },
1024
+ {
1025
+ "epoch": 5.148148148148148,
1026
+ "grad_norm": 0.0990433469414711,
1027
+ "learning_rate": 0.0011225109178364455,
1028
+ "loss": 0.3685,
1029
+ "step": 695
1030
+ },
1031
+ {
1032
+ "epoch": 5.185185185185185,
1033
+ "grad_norm": 0.099190853536129,
1034
+ "learning_rate": 0.0011096700594125316,
1035
+ "loss": 0.3736,
1036
+ "step": 700
1037
+ },
1038
+ {
1039
+ "epoch": 5.222222222222222,
1040
+ "grad_norm": 0.1061362773180008,
1041
+ "learning_rate": 0.0010968108707031792,
1042
+ "loss": 0.3751,
1043
+ "step": 705
1044
+ },
1045
+ {
1046
+ "epoch": 5.2592592592592595,
1047
+ "grad_norm": 0.11798923462629318,
1048
+ "learning_rate": 0.0010839355009969068,
1049
+ "loss": 0.3757,
1050
+ "step": 710
1051
+ },
1052
+ {
1053
+ "epoch": 5.296296296296296,
1054
+ "grad_norm": 0.09905427694320679,
1055
+ "learning_rate": 0.00107104610228673,
1056
+ "loss": 0.375,
1057
+ "step": 715
1058
+ },
1059
+ {
1060
+ "epoch": 5.333333333333333,
1061
+ "grad_norm": 0.1025015115737915,
1062
+ "learning_rate": 0.0010581448289104759,
1063
+ "loss": 0.3763,
1064
+ "step": 720
1065
+ },
1066
+ {
1067
+ "epoch": 5.37037037037037,
1068
+ "grad_norm": 0.1149529442191124,
1069
+ "learning_rate": 0.0010452338371907063,
1070
+ "loss": 0.3882,
1071
+ "step": 725
1072
+ },
1073
+ {
1074
+ "epoch": 5.407407407407407,
1075
+ "grad_norm": 0.12777069211006165,
1076
+ "learning_rate": 0.0010323152850743107,
1077
+ "loss": 0.3812,
1078
+ "step": 730
1079
+ },
1080
+ {
1081
+ "epoch": 5.444444444444445,
1082
+ "grad_norm": 0.10847526788711548,
1083
+ "learning_rate": 0.0010193913317718243,
1084
+ "loss": 0.3832,
1085
+ "step": 735
1086
+ },
1087
+ {
1088
+ "epoch": 5.481481481481482,
1089
+ "grad_norm": 0.11118727922439575,
1090
+ "learning_rate": 0.0010064641373965393,
1091
+ "loss": 0.384,
1092
+ "step": 740
1093
+ },
1094
+ {
1095
+ "epoch": 5.518518518518518,
1096
+ "grad_norm": 0.12322206795215607,
1097
+ "learning_rate": 0.0009935358626034607,
1098
+ "loss": 0.3826,
1099
+ "step": 745
1100
+ },
1101
+ {
1102
+ "epoch": 5.555555555555555,
1103
+ "grad_norm": 0.1018897145986557,
1104
+ "learning_rate": 0.0009806086682281757,
1105
+ "loss": 0.3828,
1106
+ "step": 750
1107
+ },
1108
+ {
1109
+ "epoch": 5.592592592592593,
1110
+ "grad_norm": 0.10415022075176239,
1111
+ "learning_rate": 0.0009676847149256894,
1112
+ "loss": 0.3834,
1113
+ "step": 755
1114
+ },
1115
+ {
1116
+ "epoch": 5.62962962962963,
1117
+ "grad_norm": 0.10056640207767487,
1118
+ "learning_rate": 0.0009547661628092937,
1119
+ "loss": 0.379,
1120
+ "step": 760
1121
+ },
1122
+ {
1123
+ "epoch": 5.666666666666667,
1124
+ "grad_norm": 0.13305579125881195,
1125
+ "learning_rate": 0.0009418551710895242,
1126
+ "loss": 0.3836,
1127
+ "step": 765
1128
+ },
1129
+ {
1130
+ "epoch": 5.703703703703704,
1131
+ "grad_norm": 0.1132049411535263,
1132
+ "learning_rate": 0.0009289538977132702,
1133
+ "loss": 0.3815,
1134
+ "step": 770
1135
+ },
1136
+ {
1137
+ "epoch": 5.7407407407407405,
1138
+ "grad_norm": 0.12073713541030884,
1139
+ "learning_rate": 0.000916064499003093,
1140
+ "loss": 0.384,
1141
+ "step": 775
1142
+ },
1143
+ {
1144
+ "epoch": 5.777777777777778,
1145
+ "grad_norm": 0.0997130498290062,
1146
+ "learning_rate": 0.000903189129296821,
1147
+ "loss": 0.3836,
1148
+ "step": 780
1149
+ },
1150
+ {
1151
+ "epoch": 5.814814814814815,
1152
+ "grad_norm": 0.1098228394985199,
1153
+ "learning_rate": 0.0008903299405874684,
1154
+ "loss": 0.3901,
1155
+ "step": 785
1156
+ },
1157
+ {
1158
+ "epoch": 5.851851851851852,
1159
+ "grad_norm": 0.10409754514694214,
1160
+ "learning_rate": 0.0008774890821635547,
1161
+ "loss": 0.3806,
1162
+ "step": 790
1163
+ },
1164
+ {
1165
+ "epoch": 5.888888888888889,
1166
+ "grad_norm": 0.09349874407052994,
1167
+ "learning_rate": 0.0008646687002498692,
1168
+ "loss": 0.3821,
1169
+ "step": 795
1170
+ },
1171
+ {
1172
+ "epoch": 5.925925925925926,
1173
+ "grad_norm": 0.0936858206987381,
1174
+ "learning_rate": 0.0008518709376487514,
1175
+ "loss": 0.3842,
1176
+ "step": 800
1177
+ },
1178
+ {
1179
+ "epoch": 5.962962962962963,
1180
+ "grad_norm": 0.09671808034181595,
1181
+ "learning_rate": 0.0008390979333819426,
1182
+ "loss": 0.3813,
1183
+ "step": 805
1184
+ },
1185
+ {
1186
+ "epoch": 6.0,
1187
+ "grad_norm": 0.10419617593288422,
1188
+ "learning_rate": 0.0008263518223330697,
1189
+ "loss": 0.3815,
1190
+ "step": 810
1191
+ },
1192
+ {
1193
+ "epoch": 6.0,
1194
+ "eval_loss": 1.2959271669387817,
1195
+ "eval_runtime": 1.4543,
1196
+ "eval_samples_per_second": 2.75,
1197
+ "eval_steps_per_second": 0.688,
1198
+ "step": 810
1199
+ },
1200
+ {
1201
+ "epoch": 6.037037037037037,
1202
+ "grad_norm": 0.10344818234443665,
1203
+ "learning_rate": 0.0008136347348908179,
1204
+ "loss": 0.3456,
1205
+ "step": 815
1206
+ },
1207
+ {
1208
+ "epoch": 6.074074074074074,
1209
+ "grad_norm": 0.11311297118663788,
1210
+ "learning_rate": 0.0008009487965928596,
1211
+ "loss": 0.3457,
1212
+ "step": 820
1213
+ },
1214
+ {
1215
+ "epoch": 6.111111111111111,
1216
+ "grad_norm": 0.1126752719283104,
1217
+ "learning_rate": 0.0007882961277705895,
1218
+ "loss": 0.3446,
1219
+ "step": 825
1220
+ },
1221
+ {
1222
+ "epoch": 6.148148148148148,
1223
+ "grad_norm": 0.10734600573778152,
1224
+ "learning_rate": 0.0007756788431947326,
1225
+ "loss": 0.3441,
1226
+ "step": 830
1227
+ },
1228
+ {
1229
+ "epoch": 6.185185185185185,
1230
+ "grad_norm": 0.10664735734462738,
1231
+ "learning_rate": 0.0007630990517218807,
1232
+ "loss": 0.3464,
1233
+ "step": 835
1234
+ },
1235
+ {
1236
+ "epoch": 6.222222222222222,
1237
+ "grad_norm": 0.10784178227186203,
1238
+ "learning_rate": 0.0007505588559420188,
1239
+ "loss": 0.3484,
1240
+ "step": 840
1241
+ },
1242
+ {
1243
+ "epoch": 6.2592592592592595,
1244
+ "grad_norm": 0.09735342860221863,
1245
+ "learning_rate": 0.0007380603518270941,
1246
+ "loss": 0.3473,
1247
+ "step": 845
1248
+ },
1249
+ {
1250
+ "epoch": 6.296296296296296,
1251
+ "grad_norm": 0.10385815799236298,
1252
+ "learning_rate": 0.0007256056283806986,
1253
+ "loss": 0.3493,
1254
+ "step": 850
1255
+ },
1256
+ {
1257
+ "epoch": 6.333333333333333,
1258
+ "grad_norm": 0.10252544283866882,
1259
+ "learning_rate": 0.0007131967672889101,
1260
+ "loss": 0.3531,
1261
+ "step": 855
1262
+ },
1263
+ {
1264
+ "epoch": 6.37037037037037,
1265
+ "grad_norm": 0.10720902681350708,
1266
+ "learning_rate": 0.0007008358425723586,
1267
+ "loss": 0.3543,
1268
+ "step": 860
1269
+ },
1270
+ {
1271
+ "epoch": 6.407407407407407,
1272
+ "grad_norm": 0.1041482537984848,
1273
+ "learning_rate": 0.0006885249202395753,
1274
+ "loss": 0.3508,
1275
+ "step": 865
1276
+ },
1277
+ {
1278
+ "epoch": 6.444444444444445,
1279
+ "grad_norm": 0.10373668372631073,
1280
+ "learning_rate": 0.000676266057941679,
1281
+ "loss": 0.3534,
1282
+ "step": 870
1283
+ },
1284
+ {
1285
+ "epoch": 6.481481481481482,
1286
+ "grad_norm": 0.10245037823915482,
1287
+ "learning_rate": 0.0006640613046284581,
1288
+ "loss": 0.3521,
1289
+ "step": 875
1290
+ },
1291
+ {
1292
+ "epoch": 6.518518518518518,
1293
+ "grad_norm": 0.10254081338644028,
1294
+ "learning_rate": 0.0006519127002059096,
1295
+ "loss": 0.3538,
1296
+ "step": 880
1297
+ },
1298
+ {
1299
+ "epoch": 6.555555555555555,
1300
+ "grad_norm": 0.10260630398988724,
1301
+ "learning_rate": 0.0006398222751952898,
1302
+ "loss": 0.3537,
1303
+ "step": 885
1304
+ },
1305
+ {
1306
+ "epoch": 6.592592592592593,
1307
+ "grad_norm": 0.10130611807107925,
1308
+ "learning_rate": 0.0006277920503937303,
1309
+ "loss": 0.3515,
1310
+ "step": 890
1311
+ },
1312
+ {
1313
+ "epoch": 6.62962962962963,
1314
+ "grad_norm": 0.10895968973636627,
1315
+ "learning_rate": 0.0006158240365364823,
1316
+ "loss": 0.3578,
1317
+ "step": 895
1318
+ },
1319
+ {
1320
+ "epoch": 6.666666666666667,
1321
+ "grad_norm": 0.09870075434446335,
1322
+ "learning_rate": 0.0006039202339608432,
1323
+ "loss": 0.3512,
1324
+ "step": 900
1325
+ },
1326
+ {
1327
+ "epoch": 6.703703703703704,
1328
+ "grad_norm": 0.10364022850990295,
1329
+ "learning_rate": 0.0005920826322718165,
1330
+ "loss": 0.3537,
1331
+ "step": 905
1332
+ },
1333
+ {
1334
+ "epoch": 6.7407407407407405,
1335
+ "grad_norm": 0.10551033914089203,
1336
+ "learning_rate": 0.000580313210009571,
1337
+ "loss": 0.3566,
1338
+ "step": 910
1339
+ },
1340
+ {
1341
+ "epoch": 6.777777777777778,
1342
+ "grad_norm": 0.10657215118408203,
1343
+ "learning_rate": 0.0005686139343187468,
1344
+ "loss": 0.3552,
1345
+ "step": 915
1346
+ },
1347
+ {
1348
+ "epoch": 6.814814814814815,
1349
+ "grad_norm": 0.10223071277141571,
1350
+ "learning_rate": 0.0005569867606196651,
1351
+ "loss": 0.3584,
1352
+ "step": 920
1353
+ },
1354
+ {
1355
+ "epoch": 6.851851851851852,
1356
+ "grad_norm": 0.10146836936473846,
1357
+ "learning_rate": 0.0005454336322814994,
1358
+ "loss": 0.3535,
1359
+ "step": 925
1360
+ },
1361
+ {
1362
+ "epoch": 6.888888888888889,
1363
+ "grad_norm": 0.1027546152472496,
1364
+ "learning_rate": 0.0005339564802974615,
1365
+ "loss": 0.3501,
1366
+ "step": 930
1367
+ },
1368
+ {
1369
+ "epoch": 6.925925925925926,
1370
+ "grad_norm": 0.10245343297719955,
1371
+ "learning_rate": 0.0005225572229620509,
1372
+ "loss": 0.3512,
1373
+ "step": 935
1374
+ },
1375
+ {
1376
+ "epoch": 6.962962962962963,
1377
+ "grad_norm": 0.10256995260715485,
1378
+ "learning_rate": 0.0005112377655504359,
1379
+ "loss": 0.3543,
1380
+ "step": 940
1381
+ },
1382
+ {
1383
+ "epoch": 7.0,
1384
+ "grad_norm": 0.10365499556064606,
1385
+ "learning_rate": 0.0005000000000000002,
1386
+ "loss": 0.3546,
1387
+ "step": 945
1388
+ },
1389
+ {
1390
+ "epoch": 7.0,
1391
+ "eval_loss": 1.3559757471084595,
1392
+ "eval_runtime": 1.4533,
1393
+ "eval_samples_per_second": 2.752,
1394
+ "eval_steps_per_second": 0.688,
1395
+ "step": 945
1396
+ },
1397
+ {
1398
+ "epoch": 7.037037037037037,
1399
+ "grad_norm": 0.11704354733228683,
1400
+ "learning_rate": 0.0004888458045941269,
1401
+ "loss": 0.32,
1402
+ "step": 950
1403
+ },
1404
+ {
1405
+ "epoch": 7.074074074074074,
1406
+ "grad_norm": 0.11646736413240433,
1407
+ "learning_rate": 0.0004777770436482617,
1408
+ "loss": 0.3177,
1409
+ "step": 955
1410
+ },
1411
+ {
1412
+ "epoch": 7.111111111111111,
1413
+ "grad_norm": 0.11117232590913773,
1414
+ "learning_rate": 0.000466795567198309,
1415
+ "loss": 0.3144,
1416
+ "step": 960
1417
+ },
1418
+ {
1419
+ "epoch": 7.148148148148148,
1420
+ "grad_norm": 0.10937786102294922,
1421
+ "learning_rate": 0.0004559032106914173,
1422
+ "loss": 0.3212,
1423
+ "step": 965
1424
+ },
1425
+ {
1426
+ "epoch": 7.185185185185185,
1427
+ "grad_norm": 0.11477228999137878,
1428
+ "learning_rate": 0.0004451017946792032,
1429
+ "loss": 0.3219,
1430
+ "step": 970
1431
+ },
1432
+ {
1433
+ "epoch": 7.222222222222222,
1434
+ "grad_norm": 0.10524013638496399,
1435
+ "learning_rate": 0.0004343931245134616,
1436
+ "loss": 0.3167,
1437
+ "step": 975
1438
+ },
1439
+ {
1440
+ "epoch": 7.2592592592592595,
1441
+ "grad_norm": 0.10898813605308533,
1442
+ "learning_rate": 0.0004237789900444197,
1443
+ "loss": 0.3204,
1444
+ "step": 980
1445
+ },
1446
+ {
1447
+ "epoch": 7.296296296296296,
1448
+ "grad_norm": 0.11245737224817276,
1449
+ "learning_rate": 0.0004132611653215822,
1450
+ "loss": 0.3216,
1451
+ "step": 985
1452
+ },
1453
+ {
1454
+ "epoch": 7.333333333333333,
1455
+ "grad_norm": 0.1109575405716896,
1456
+ "learning_rate": 0.00040284140829721405,
1457
+ "loss": 0.3211,
1458
+ "step": 990
1459
+ },
1460
+ {
1461
+ "epoch": 7.37037037037037,
1462
+ "grad_norm": 0.10827223211526871,
1463
+ "learning_rate": 0.00039252146053251637,
1464
+ "loss": 0.3224,
1465
+ "step": 995
1466
+ },
1467
+ {
1468
+ "epoch": 7.407407407407407,
1469
+ "grad_norm": 0.11438044160604477,
1470
+ "learning_rate": 0.00038230304690654306,
1471
+ "loss": 0.3243,
1472
+ "step": 1000
1473
+ },
1474
+ {
1475
+ "epoch": 7.444444444444445,
1476
+ "grad_norm": 0.1066223755478859,
1477
+ "learning_rate": 0.00037218787532790164,
1478
+ "loss": 0.3253,
1479
+ "step": 1005
1480
+ },
1481
+ {
1482
+ "epoch": 7.481481481481482,
1483
+ "grad_norm": 0.11840826272964478,
1484
+ "learning_rate": 0.0003621776364492939,
1485
+ "loss": 0.327,
1486
+ "step": 1010
1487
+ },
1488
+ {
1489
+ "epoch": 7.518518518518518,
1490
+ "grad_norm": 0.1115390807390213,
1491
+ "learning_rate": 0.0003522740033849411,
1492
+ "loss": 0.3261,
1493
+ "step": 1015
1494
+ },
1495
+ {
1496
+ "epoch": 7.555555555555555,
1497
+ "grad_norm": 0.1104753240942955,
1498
+ "learning_rate": 0.0003424786314309365,
1499
+ "loss": 0.3225,
1500
+ "step": 1020
1501
+ },
1502
+ {
1503
+ "epoch": 7.592592592592593,
1504
+ "grad_norm": 0.10727293789386749,
1505
+ "learning_rate": 0.00033279315778858033,
1506
+ "loss": 0.3237,
1507
+ "step": 1025
1508
+ },
1509
+ {
1510
+ "epoch": 7.62962962962963,
1511
+ "grad_norm": 0.11141736060380936,
1512
+ "learning_rate": 0.0003232192012907381,
1513
+ "loss": 0.3237,
1514
+ "step": 1030
1515
+ },
1516
+ {
1517
+ "epoch": 7.666666666666667,
1518
+ "grad_norm": 0.10661887377500534,
1519
+ "learning_rate": 0.0003137583621312665,
1520
+ "loss": 0.3257,
1521
+ "step": 1035
1522
+ },
1523
+ {
1524
+ "epoch": 7.703703703703704,
1525
+ "grad_norm": 0.11351703852415085,
1526
+ "learning_rate": 0.000304412221597558,
1527
+ "loss": 0.3236,
1528
+ "step": 1040
1529
+ },
1530
+ {
1531
+ "epoch": 7.7407407407407405,
1532
+ "grad_norm": 0.10875287652015686,
1533
+ "learning_rate": 0.0002951823418062439,
1534
+ "loss": 0.3268,
1535
+ "step": 1045
1536
+ },
1537
+ {
1538
+ "epoch": 7.777777777777778,
1539
+ "grad_norm": 0.1116643026471138,
1540
+ "learning_rate": 0.0002860702654421011,
1541
+ "loss": 0.3239,
1542
+ "step": 1050
1543
+ },
1544
+ {
1545
+ "epoch": 7.814814814814815,
1546
+ "grad_norm": 0.10941953957080841,
1547
+ "learning_rate": 0.0002770775155002071,
1548
+ "loss": 0.3257,
1549
+ "step": 1055
1550
+ },
1551
+ {
1552
+ "epoch": 7.851851851851852,
1553
+ "grad_norm": 0.10806366801261902,
1554
+ "learning_rate": 0.00026820559503138797,
1555
+ "loss": 0.3235,
1556
+ "step": 1060
1557
+ },
1558
+ {
1559
+ "epoch": 7.888888888888889,
1560
+ "grad_norm": 0.1069023609161377,
1561
+ "learning_rate": 0.0002594559868909956,
1562
+ "loss": 0.3293,
1563
+ "step": 1065
1564
+ },
1565
+ {
1566
+ "epoch": 7.925925925925926,
1567
+ "grad_norm": 0.10821282863616943,
1568
+ "learning_rate": 0.000250830153491064,
1569
+ "loss": 0.3267,
1570
+ "step": 1070
1571
+ },
1572
+ {
1573
+ "epoch": 7.962962962962963,
1574
+ "grad_norm": 0.1114460751414299,
1575
+ "learning_rate": 0.00024232953655588209,
1576
+ "loss": 0.3225,
1577
+ "step": 1075
1578
+ },
1579
+ {
1580
+ "epoch": 8.0,
1581
+ "grad_norm": 0.1069159284234047,
1582
+ "learning_rate": 0.0002339555568810221,
1583
+ "loss": 0.3233,
1584
+ "step": 1080
1585
+ },
1586
+ {
1587
+ "epoch": 8.0,
1588
+ "eval_loss": 1.4125341176986694,
1589
+ "eval_runtime": 1.4532,
1590
+ "eval_samples_per_second": 2.753,
1591
+ "eval_steps_per_second": 0.688,
1592
+ "step": 1080
1593
+ },
1594
+ {
1595
+ "epoch": 8.037037037037036,
1596
+ "grad_norm": 0.13299891352653503,
1597
+ "learning_rate": 0.00022570961409586754,
1598
+ "loss": 0.2956,
1599
+ "step": 1085
1600
+ },
1601
+ {
1602
+ "epoch": 8.074074074074074,
1603
+ "grad_norm": 0.11145825684070587,
1604
+ "learning_rate": 0.00021759308642968023,
1605
+ "loss": 0.2952,
1606
+ "step": 1090
1607
+ },
1608
+ {
1609
+ "epoch": 8.11111111111111,
1610
+ "grad_norm": 0.11993227154016495,
1611
+ "learning_rate": 0.00020960733048124082,
1612
+ "loss": 0.2951,
1613
+ "step": 1095
1614
+ },
1615
+ {
1616
+ "epoch": 8.148148148148149,
1617
+ "grad_norm": 0.11672375351190567,
1618
+ "learning_rate": 0.00020175368099210702,
1619
+ "loss": 0.2961,
1620
+ "step": 1100
1621
+ },
1622
+ {
1623
+ "epoch": 8.185185185185185,
1624
+ "grad_norm": 0.11903874576091766,
1625
+ "learning_rate": 0.00019403345062352572,
1626
+ "loss": 0.2981,
1627
+ "step": 1105
1628
+ },
1629
+ {
1630
+ "epoch": 8.222222222222221,
1631
+ "grad_norm": 0.11281085014343262,
1632
+ "learning_rate": 0.00018644792973703252,
1633
+ "loss": 0.2983,
1634
+ "step": 1110
1635
+ },
1636
+ {
1637
+ "epoch": 8.25925925925926,
1638
+ "grad_norm": 0.11996857821941376,
1639
+ "learning_rate": 0.00017899838617878162,
1640
+ "loss": 0.2993,
1641
+ "step": 1115
1642
+ },
1643
+ {
1644
+ "epoch": 8.296296296296296,
1645
+ "grad_norm": 0.11176000535488129,
1646
+ "learning_rate": 0.00017168606506763696,
1647
+ "loss": 0.2972,
1648
+ "step": 1120
1649
+ },
1650
+ {
1651
+ "epoch": 8.333333333333334,
1652
+ "grad_norm": 0.11802016943693161,
1653
+ "learning_rate": 0.00016451218858706373,
1654
+ "loss": 0.2977,
1655
+ "step": 1125
1656
+ },
1657
+ {
1658
+ "epoch": 8.37037037037037,
1659
+ "grad_norm": 0.11810103803873062,
1660
+ "learning_rate": 0.00015747795578085046,
1661
+ "loss": 0.3002,
1662
+ "step": 1130
1663
+ },
1664
+ {
1665
+ "epoch": 8.407407407407407,
1666
+ "grad_norm": 0.12034923583269119,
1667
+ "learning_rate": 0.0001505845423527027,
1668
+ "loss": 0.2961,
1669
+ "step": 1135
1670
+ },
1671
+ {
1672
+ "epoch": 8.444444444444445,
1673
+ "grad_norm": 0.11696241796016693,
1674
+ "learning_rate": 0.00014383310046973364,
1675
+ "loss": 0.2977,
1676
+ "step": 1140
1677
+ },
1678
+ {
1679
+ "epoch": 8.481481481481481,
1680
+ "grad_norm": 0.11664384603500366,
1681
+ "learning_rate": 0.00013722475856989158,
1682
+ "loss": 0.2952,
1683
+ "step": 1145
1684
+ },
1685
+ {
1686
+ "epoch": 8.518518518518519,
1687
+ "grad_norm": 0.117145836353302,
1688
+ "learning_rate": 0.00013076062117335218,
1689
+ "loss": 0.3016,
1690
+ "step": 1150
1691
+ },
1692
+ {
1693
+ "epoch": 8.555555555555555,
1694
+ "grad_norm": 0.11361709982156754,
1695
+ "learning_rate": 0.00012444176869790924,
1696
+ "loss": 0.2988,
1697
+ "step": 1155
1698
+ },
1699
+ {
1700
+ "epoch": 8.592592592592592,
1701
+ "grad_norm": 0.1155712679028511,
1702
+ "learning_rate": 0.00011826925727839199,
1703
+ "loss": 0.2977,
1704
+ "step": 1160
1705
+ },
1706
+ {
1707
+ "epoch": 8.62962962962963,
1708
+ "grad_norm": 0.1212184950709343,
1709
+ "learning_rate": 0.00011224411859014417,
1710
+ "loss": 0.298,
1711
+ "step": 1165
1712
+ },
1713
+ {
1714
+ "epoch": 8.666666666666666,
1715
+ "grad_norm": 0.11797547340393066,
1716
+ "learning_rate": 0.00010636735967658784,
1717
+ "loss": 0.3007,
1718
+ "step": 1170
1719
+ },
1720
+ {
1721
+ "epoch": 8.703703703703704,
1722
+ "grad_norm": 0.11559978872537613,
1723
+ "learning_rate": 0.00010063996278090704,
1724
+ "loss": 0.2958,
1725
+ "step": 1175
1726
+ },
1727
+ {
1728
+ "epoch": 8.74074074074074,
1729
+ "grad_norm": 0.11640750616788864,
1730
+ "learning_rate": 9.506288518187466e-05,
1731
+ "loss": 0.2966,
1732
+ "step": 1180
1733
+ },
1734
+ {
1735
+ "epoch": 8.777777777777779,
1736
+ "grad_norm": 0.11927841603755951,
1737
+ "learning_rate": 8.963705903385344e-05,
1738
+ "loss": 0.2953,
1739
+ "step": 1185
1740
+ },
1741
+ {
1742
+ "epoch": 8.814814814814815,
1743
+ "grad_norm": 0.11425163596868515,
1744
+ "learning_rate": 8.436339121099412e-05,
1745
+ "loss": 0.2989,
1746
+ "step": 1190
1747
+ },
1748
+ {
1749
+ "epoch": 8.851851851851851,
1750
+ "grad_norm": 0.11373434215784073,
1751
+ "learning_rate": 7.92427631556617e-05,
1752
+ "loss": 0.2984,
1753
+ "step": 1195
1754
+ },
1755
+ {
1756
+ "epoch": 8.88888888888889,
1757
+ "grad_norm": 0.11790241301059723,
1758
+ "learning_rate": 7.427603073110967e-05,
1759
+ "loss": 0.2972,
1760
+ "step": 1200
1761
+ },
1762
+ {
1763
+ "epoch": 8.925925925925926,
1764
+ "grad_norm": 0.11773653328418732,
1765
+ "learning_rate": 6.946402407843155e-05,
1766
+ "loss": 0.3012,
1767
+ "step": 1205
1768
+ },
1769
+ {
1770
+ "epoch": 8.962962962962964,
1771
+ "grad_norm": 0.12333875894546509,
1772
+ "learning_rate": 6.480754747781037e-05,
1773
+ "loss": 0.2959,
1774
+ "step": 1210
1775
+ },
1776
+ {
1777
+ "epoch": 9.0,
1778
+ "grad_norm": 0.11808749288320541,
1779
+ "learning_rate": 6.0307379214091684e-05,
1780
+ "loss": 0.2969,
1781
+ "step": 1215
1782
+ },
1783
+ {
1784
+ "epoch": 9.0,
1785
+ "eval_loss": 1.4809459447860718,
1786
+ "eval_runtime": 1.4606,
1787
+ "eval_samples_per_second": 2.739,
1788
+ "eval_steps_per_second": 0.685,
1789
+ "step": 1215
1790
+ },
1791
+ {
1792
+ "epoch": 9.037037037037036,
1793
+ "grad_norm": 0.1122315376996994,
1794
+ "learning_rate": 5.596427144670002e-05,
1795
+ "loss": 0.2797,
1796
+ "step": 1220
1797
+ },
1798
+ {
1799
+ "epoch": 9.074074074074074,
1800
+ "grad_norm": 0.12401442974805832,
1801
+ "learning_rate": 5.1778950083923526e-05,
1802
+ "loss": 0.2823,
1803
+ "step": 1225
1804
+ },
1805
+ {
1806
+ "epoch": 9.11111111111111,
1807
+ "grad_norm": 0.11285774409770966,
1808
+ "learning_rate": 4.775211466158469e-05,
1809
+ "loss": 0.2825,
1810
+ "step": 1230
1811
+ },
1812
+ {
1813
+ "epoch": 9.148148148148149,
1814
+ "grad_norm": 0.11427191644906998,
1815
+ "learning_rate": 4.3884438226120426e-05,
1816
+ "loss": 0.2815,
1817
+ "step": 1235
1818
+ },
1819
+ {
1820
+ "epoch": 9.185185185185185,
1821
+ "grad_norm": 0.11915598809719086,
1822
+ "learning_rate": 4.017656722208807e-05,
1823
+ "loss": 0.2806,
1824
+ "step": 1240
1825
+ },
1826
+ {
1827
+ "epoch": 9.222222222222221,
1828
+ "grad_norm": 0.11690084636211395,
1829
+ "learning_rate": 3.6629121384119666e-05,
1830
+ "loss": 0.2811,
1831
+ "step": 1245
1832
+ },
1833
+ {
1834
+ "epoch": 9.25925925925926,
1835
+ "grad_norm": 0.11301770061254501,
1836
+ "learning_rate": 3.324269363333799e-05,
1837
+ "loss": 0.2811,
1838
+ "step": 1250
1839
+ },
1840
+ {
1841
+ "epoch": 9.296296296296296,
1842
+ "grad_norm": 0.1201760470867157,
1843
+ "learning_rate": 3.0017849978256518e-05,
1844
+ "loss": 0.2826,
1845
+ "step": 1255
1846
+ },
1847
+ {
1848
+ "epoch": 9.333333333333334,
1849
+ "grad_norm": 0.11819873005151749,
1850
+ "learning_rate": 2.6955129420176194e-05,
1851
+ "loss": 0.2787,
1852
+ "step": 1260
1853
+ },
1854
+ {
1855
+ "epoch": 9.37037037037037,
1856
+ "grad_norm": 0.11501555889844894,
1857
+ "learning_rate": 2.4055043863096426e-05,
1858
+ "loss": 0.2803,
1859
+ "step": 1265
1860
+ },
1861
+ {
1862
+ "epoch": 9.407407407407407,
1863
+ "grad_norm": 0.11644010990858078,
1864
+ "learning_rate": 2.1318078028155885e-05,
1865
+ "loss": 0.2823,
1866
+ "step": 1270
1867
+ },
1868
+ {
1869
+ "epoch": 9.444444444444445,
1870
+ "grad_norm": 0.11667327582836151,
1871
+ "learning_rate": 1.874468937261531e-05,
1872
+ "loss": 0.2836,
1873
+ "step": 1275
1874
+ },
1875
+ {
1876
+ "epoch": 9.481481481481481,
1877
+ "grad_norm": 0.11722666025161743,
1878
+ "learning_rate": 1.6335308013398887e-05,
1879
+ "loss": 0.2837,
1880
+ "step": 1280
1881
+ },
1882
+ {
1883
+ "epoch": 9.518518518518519,
1884
+ "grad_norm": 0.11853759735822678,
1885
+ "learning_rate": 1.4090336655203539e-05,
1886
+ "loss": 0.2816,
1887
+ "step": 1285
1888
+ },
1889
+ {
1890
+ "epoch": 9.555555555555555,
1891
+ "grad_norm": 0.11931838095188141,
1892
+ "learning_rate": 1.2010150523190988e-05,
1893
+ "loss": 0.2831,
1894
+ "step": 1290
1895
+ },
1896
+ {
1897
+ "epoch": 9.592592592592592,
1898
+ "grad_norm": 0.11536389589309692,
1899
+ "learning_rate": 1.0095097300273027e-05,
1900
+ "loss": 0.2824,
1901
+ "step": 1295
1902
+ },
1903
+ {
1904
+ "epoch": 9.62962962962963,
1905
+ "grad_norm": 0.11747179180383682,
1906
+ "learning_rate": 8.345497068998897e-06,
1907
+ "loss": 0.2849,
1908
+ "step": 1300
1909
+ },
1910
+ {
1911
+ "epoch": 9.666666666666666,
1912
+ "grad_norm": 0.12529109418392181,
1913
+ "learning_rate": 6.761642258056977e-06,
1914
+ "loss": 0.2841,
1915
+ "step": 1305
1916
+ },
1917
+ {
1918
+ "epoch": 9.703703703703704,
1919
+ "grad_norm": 0.11867683380842209,
1920
+ "learning_rate": 5.343797593398536e-06,
1921
+ "loss": 0.2822,
1922
+ "step": 1310
1923
+ },
1924
+ {
1925
+ "epoch": 9.74074074074074,
1926
+ "grad_norm": 0.11928539723157883,
1927
+ "learning_rate": 4.092200053990691e-06,
1928
+ "loss": 0.2809,
1929
+ "step": 1315
1930
+ },
1931
+ {
1932
+ "epoch": 9.777777777777779,
1933
+ "grad_norm": 0.11743851751089096,
1934
+ "learning_rate": 3.007058832207976e-06,
1935
+ "loss": 0.2819,
1936
+ "step": 1320
1937
+ },
1938
+ {
1939
+ "epoch": 9.814814814814815,
1940
+ "grad_norm": 0.11580769717693329,
1941
+ "learning_rate": 2.088555298867978e-06,
1942
+ "loss": 0.2819,
1943
+ "step": 1325
1944
+ },
1945
+ {
1946
+ "epoch": 9.851851851851851,
1947
+ "grad_norm": 0.11537632346153259,
1948
+ "learning_rate": 1.3368429729168074e-06,
1949
+ "loss": 0.2814,
1950
+ "step": 1330
1951
+ },
1952
+ {
1953
+ "epoch": 9.88888888888889,
1954
+ "grad_norm": 0.1173846423625946,
1955
+ "learning_rate": 7.520474957699585e-07,
1956
+ "loss": 0.2832,
1957
+ "step": 1335
1958
+ },
1959
+ {
1960
+ "epoch": 9.925925925925926,
1961
+ "grad_norm": 0.11481310427188873,
1962
+ "learning_rate": 3.3426661031255026e-07,
1963
+ "loss": 0.285,
1964
+ "step": 1340
1965
+ },
1966
+ {
1967
+ "epoch": 9.962962962962964,
1968
+ "grad_norm": 0.11797128617763519,
1969
+ "learning_rate": 8.357014456272793e-08,
1970
+ "loss": 0.2824,
1971
+ "step": 1345
1972
+ },
1973
+ {
1974
+ "epoch": 10.0,
1975
+ "grad_norm": 0.11149542033672333,
1976
+ "learning_rate": 0.0,
1977
+ "loss": 0.2818,
1978
+ "step": 1350
1979
+ },
1980
+ {
1981
+ "epoch": 10.0,
1982
+ "eval_loss": 1.517443060874939,
1983
+ "eval_runtime": 1.4076,
1984
+ "eval_samples_per_second": 2.842,
1985
+ "eval_steps_per_second": 0.71,
1986
+ "step": 1350
1987
+ },
1988
+ {
1989
+ "epoch": 10.0,
1990
+ "step": 1350,
1991
+ "total_flos": 7.982333171800736e+18,
1992
+ "train_loss": 0.3983345487382677,
1993
+ "train_runtime": 11606.8402,
1994
+ "train_samples_per_second": 14.865,
1995
+ "train_steps_per_second": 0.116
1996
+ }
1997
+ ],
1998
+ "logging_steps": 5,
1999
+ "max_steps": 1350,
2000
+ "num_input_tokens_seen": 0,
2001
+ "num_train_epochs": 10,
2002
+ "save_steps": 100,
2003
+ "stateful_callbacks": {
2004
+ "TrainerControl": {
2005
+ "args": {
2006
+ "should_epoch_stop": false,
2007
+ "should_evaluate": false,
2008
+ "should_log": false,
2009
+ "should_save": true,
2010
+ "should_training_stop": true
2011
+ },
2012
+ "attributes": {}
2013
+ }
2014
+ },
2015
+ "total_flos": 7.982333171800736e+18,
2016
+ "train_batch_size": 8,
2017
+ "trial_name": null,
2018
+ "trial_params": null
2019
+ }