rbelanec commited on
Commit
21a45fa
·
verified ·
1 Parent(s): 923a7d2

End of training

Browse files
README.md CHANGED
@@ -17,9 +17,9 @@ should probably proofread and complete it, then remove this comment. -->
17
 
18
  # train_copa_456_1768397595
19
 
20
- This model is a fine-tuned version of [meta-llama/Meta-Llama-3-8B-Instruct](https://huggingface.co/meta-llama/Meta-Llama-3-8B-Instruct) on an unknown dataset.
21
  It achieves the following results on the evaluation set:
22
- - Loss: 0.1995
23
  - Num Input Tokens Seen: 273936
24
 
25
  ## Model description
 
17
 
18
  # train_copa_456_1768397595
19
 
20
+ This model is a fine-tuned version of [meta-llama/Meta-Llama-3-8B-Instruct](https://huggingface.co/meta-llama/Meta-Llama-3-8B-Instruct) on the copa dataset.
21
  It achieves the following results on the evaluation set:
22
+ - Loss: 0.1024
23
  - Num Input Tokens Seen: 273936
24
 
25
  ## Model description
all_results.json ADDED
@@ -0,0 +1,13 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "epoch": 10.0,
3
+ "eval_loss": 0.10243535041809082,
4
+ "eval_runtime": 0.9467,
5
+ "eval_samples_per_second": 42.25,
6
+ "eval_steps_per_second": 21.125,
7
+ "num_input_tokens_seen": 273936,
8
+ "total_flos": 1.3438495585861632e+16,
9
+ "train_loss": 0.044879560974069234,
10
+ "train_runtime": 814.6797,
11
+ "train_samples_per_second": 4.419,
12
+ "train_steps_per_second": 2.209
13
+ }
eval_results.json ADDED
@@ -0,0 +1,8 @@
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "epoch": 10.0,
3
+ "eval_loss": 0.10243535041809082,
4
+ "eval_runtime": 0.9467,
5
+ "eval_samples_per_second": 42.25,
6
+ "eval_steps_per_second": 21.125,
7
+ "num_input_tokens_seen": 273936
8
+ }
train_results.json ADDED
@@ -0,0 +1,9 @@
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "epoch": 10.0,
3
+ "num_input_tokens_seen": 273936,
4
+ "total_flos": 1.3438495585861632e+16,
5
+ "train_loss": 0.044879560974069234,
6
+ "train_runtime": 814.6797,
7
+ "train_samples_per_second": 4.419,
8
+ "train_steps_per_second": 2.209
9
+ }
trainer_state.json ADDED
@@ -0,0 +1,3104 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "best_global_step": 90,
3
+ "best_metric": 0.10243535041809082,
4
+ "best_model_checkpoint": "saves_multiple/bitfit/llama-3-8b-instruct/train_copa_456_1768397595/checkpoint-90",
5
+ "epoch": 10.0,
6
+ "eval_steps": 90,
7
+ "global_step": 1800,
8
+ "is_hyper_param_search": false,
9
+ "is_local_process_zero": true,
10
+ "is_world_process_zero": true,
11
+ "log_history": [
12
+ {
13
+ "epoch": 0.027777777777777776,
14
+ "grad_norm": 26.174911499023438,
15
+ "learning_rate": 1.1111111111111112e-06,
16
+ "loss": 0.5621,
17
+ "num_input_tokens_seen": 768,
18
+ "step": 5
19
+ },
20
+ {
21
+ "epoch": 0.05555555555555555,
22
+ "grad_norm": 27.083621978759766,
23
+ "learning_rate": 2.5e-06,
24
+ "loss": 0.5065,
25
+ "num_input_tokens_seen": 1520,
26
+ "step": 10
27
+ },
28
+ {
29
+ "epoch": 0.08333333333333333,
30
+ "grad_norm": 35.399654388427734,
31
+ "learning_rate": 3.888888888888889e-06,
32
+ "loss": 0.3998,
33
+ "num_input_tokens_seen": 2272,
34
+ "step": 15
35
+ },
36
+ {
37
+ "epoch": 0.1111111111111111,
38
+ "grad_norm": 49.66708755493164,
39
+ "learning_rate": 5.277777777777778e-06,
40
+ "loss": 0.6268,
41
+ "num_input_tokens_seen": 3008,
42
+ "step": 20
43
+ },
44
+ {
45
+ "epoch": 0.1388888888888889,
46
+ "grad_norm": 17.423233032226562,
47
+ "learning_rate": 6.666666666666667e-06,
48
+ "loss": 0.5377,
49
+ "num_input_tokens_seen": 3776,
50
+ "step": 25
51
+ },
52
+ {
53
+ "epoch": 0.16666666666666666,
54
+ "grad_norm": 39.209510803222656,
55
+ "learning_rate": 8.055555555555557e-06,
56
+ "loss": 0.9891,
57
+ "num_input_tokens_seen": 4544,
58
+ "step": 30
59
+ },
60
+ {
61
+ "epoch": 0.19444444444444445,
62
+ "grad_norm": 13.324094772338867,
63
+ "learning_rate": 9.444444444444445e-06,
64
+ "loss": 0.2197,
65
+ "num_input_tokens_seen": 5312,
66
+ "step": 35
67
+ },
68
+ {
69
+ "epoch": 0.2222222222222222,
70
+ "grad_norm": 6.746327877044678,
71
+ "learning_rate": 1.0833333333333334e-05,
72
+ "loss": 0.2677,
73
+ "num_input_tokens_seen": 6112,
74
+ "step": 40
75
+ },
76
+ {
77
+ "epoch": 0.25,
78
+ "grad_norm": 4.74421501159668,
79
+ "learning_rate": 1.2222222222222222e-05,
80
+ "loss": 0.2891,
81
+ "num_input_tokens_seen": 6848,
82
+ "step": 45
83
+ },
84
+ {
85
+ "epoch": 0.2777777777777778,
86
+ "grad_norm": 5.368658065795898,
87
+ "learning_rate": 1.3611111111111111e-05,
88
+ "loss": 0.1996,
89
+ "num_input_tokens_seen": 7584,
90
+ "step": 50
91
+ },
92
+ {
93
+ "epoch": 0.3055555555555556,
94
+ "grad_norm": 3.385861396789551,
95
+ "learning_rate": 1.5e-05,
96
+ "loss": 0.2764,
97
+ "num_input_tokens_seen": 8368,
98
+ "step": 55
99
+ },
100
+ {
101
+ "epoch": 0.3333333333333333,
102
+ "grad_norm": 1.4747138023376465,
103
+ "learning_rate": 1.638888888888889e-05,
104
+ "loss": 0.0481,
105
+ "num_input_tokens_seen": 9104,
106
+ "step": 60
107
+ },
108
+ {
109
+ "epoch": 0.3611111111111111,
110
+ "grad_norm": 21.31920623779297,
111
+ "learning_rate": 1.777777777777778e-05,
112
+ "loss": 0.0801,
113
+ "num_input_tokens_seen": 9856,
114
+ "step": 65
115
+ },
116
+ {
117
+ "epoch": 0.3888888888888889,
118
+ "grad_norm": 1.2555230855941772,
119
+ "learning_rate": 1.9166666666666667e-05,
120
+ "loss": 0.4616,
121
+ "num_input_tokens_seen": 10624,
122
+ "step": 70
123
+ },
124
+ {
125
+ "epoch": 0.4166666666666667,
126
+ "grad_norm": 23.720603942871094,
127
+ "learning_rate": 2.0555555555555555e-05,
128
+ "loss": 0.1396,
129
+ "num_input_tokens_seen": 11392,
130
+ "step": 75
131
+ },
132
+ {
133
+ "epoch": 0.4444444444444444,
134
+ "grad_norm": 1.8614143133163452,
135
+ "learning_rate": 2.1944444444444445e-05,
136
+ "loss": 0.0432,
137
+ "num_input_tokens_seen": 12160,
138
+ "step": 80
139
+ },
140
+ {
141
+ "epoch": 0.4722222222222222,
142
+ "grad_norm": 24.082788467407227,
143
+ "learning_rate": 2.3333333333333336e-05,
144
+ "loss": 0.253,
145
+ "num_input_tokens_seen": 12896,
146
+ "step": 85
147
+ },
148
+ {
149
+ "epoch": 0.5,
150
+ "grad_norm": 19.710237503051758,
151
+ "learning_rate": 2.4722222222222223e-05,
152
+ "loss": 0.0976,
153
+ "num_input_tokens_seen": 13632,
154
+ "step": 90
155
+ },
156
+ {
157
+ "epoch": 0.5,
158
+ "eval_loss": 0.10243535041809082,
159
+ "eval_runtime": 0.8457,
160
+ "eval_samples_per_second": 47.297,
161
+ "eval_steps_per_second": 23.649,
162
+ "num_input_tokens_seen": 13632,
163
+ "step": 90
164
+ },
165
+ {
166
+ "epoch": 0.5277777777777778,
167
+ "grad_norm": 25.10673713684082,
168
+ "learning_rate": 2.6111111111111114e-05,
169
+ "loss": 0.0304,
170
+ "num_input_tokens_seen": 14384,
171
+ "step": 95
172
+ },
173
+ {
174
+ "epoch": 0.5555555555555556,
175
+ "grad_norm": 1.2356877326965332,
176
+ "learning_rate": 2.7500000000000004e-05,
177
+ "loss": 0.0045,
178
+ "num_input_tokens_seen": 15136,
179
+ "step": 100
180
+ },
181
+ {
182
+ "epoch": 0.5833333333333334,
183
+ "grad_norm": 0.11366397142410278,
184
+ "learning_rate": 2.8888888888888888e-05,
185
+ "loss": 0.0022,
186
+ "num_input_tokens_seen": 15920,
187
+ "step": 105
188
+ },
189
+ {
190
+ "epoch": 0.6111111111111112,
191
+ "grad_norm": 0.13132458925247192,
192
+ "learning_rate": 3.0277777777777776e-05,
193
+ "loss": 0.0043,
194
+ "num_input_tokens_seen": 16656,
195
+ "step": 110
196
+ },
197
+ {
198
+ "epoch": 0.6388888888888888,
199
+ "grad_norm": 0.2592090964317322,
200
+ "learning_rate": 3.1666666666666666e-05,
201
+ "loss": 0.0029,
202
+ "num_input_tokens_seen": 17440,
203
+ "step": 115
204
+ },
205
+ {
206
+ "epoch": 0.6666666666666666,
207
+ "grad_norm": 14.52552604675293,
208
+ "learning_rate": 3.3055555555555553e-05,
209
+ "loss": 0.2463,
210
+ "num_input_tokens_seen": 18224,
211
+ "step": 120
212
+ },
213
+ {
214
+ "epoch": 0.6944444444444444,
215
+ "grad_norm": 39.94384002685547,
216
+ "learning_rate": 3.444444444444445e-05,
217
+ "loss": 0.1556,
218
+ "num_input_tokens_seen": 19008,
219
+ "step": 125
220
+ },
221
+ {
222
+ "epoch": 0.7222222222222222,
223
+ "grad_norm": 0.04966762289404869,
224
+ "learning_rate": 3.5833333333333335e-05,
225
+ "loss": 0.0313,
226
+ "num_input_tokens_seen": 19776,
227
+ "step": 130
228
+ },
229
+ {
230
+ "epoch": 0.75,
231
+ "grad_norm": 0.26315122842788696,
232
+ "learning_rate": 3.722222222222222e-05,
233
+ "loss": 0.013,
234
+ "num_input_tokens_seen": 20576,
235
+ "step": 135
236
+ },
237
+ {
238
+ "epoch": 0.7777777777777778,
239
+ "grad_norm": 0.07332806289196014,
240
+ "learning_rate": 3.8611111111111116e-05,
241
+ "loss": 0.0135,
242
+ "num_input_tokens_seen": 21312,
243
+ "step": 140
244
+ },
245
+ {
246
+ "epoch": 0.8055555555555556,
247
+ "grad_norm": 0.052172716706991196,
248
+ "learning_rate": 4e-05,
249
+ "loss": 0.1598,
250
+ "num_input_tokens_seen": 22080,
251
+ "step": 145
252
+ },
253
+ {
254
+ "epoch": 0.8333333333333334,
255
+ "grad_norm": 35.53556442260742,
256
+ "learning_rate": 4.138888888888889e-05,
257
+ "loss": 0.2769,
258
+ "num_input_tokens_seen": 22864,
259
+ "step": 150
260
+ },
261
+ {
262
+ "epoch": 0.8611111111111112,
263
+ "grad_norm": 1.3189358711242676,
264
+ "learning_rate": 4.277777777777778e-05,
265
+ "loss": 0.0017,
266
+ "num_input_tokens_seen": 23616,
267
+ "step": 155
268
+ },
269
+ {
270
+ "epoch": 0.8888888888888888,
271
+ "grad_norm": 3.976815938949585,
272
+ "learning_rate": 4.4166666666666665e-05,
273
+ "loss": 0.3282,
274
+ "num_input_tokens_seen": 24352,
275
+ "step": 160
276
+ },
277
+ {
278
+ "epoch": 0.9166666666666666,
279
+ "grad_norm": 1.152937889099121,
280
+ "learning_rate": 4.555555555555556e-05,
281
+ "loss": 0.0081,
282
+ "num_input_tokens_seen": 25088,
283
+ "step": 165
284
+ },
285
+ {
286
+ "epoch": 0.9444444444444444,
287
+ "grad_norm": 0.03279455751180649,
288
+ "learning_rate": 4.6944444444444446e-05,
289
+ "loss": 0.1479,
290
+ "num_input_tokens_seen": 25856,
291
+ "step": 170
292
+ },
293
+ {
294
+ "epoch": 0.9722222222222222,
295
+ "grad_norm": 0.380422443151474,
296
+ "learning_rate": 4.8333333333333334e-05,
297
+ "loss": 0.0089,
298
+ "num_input_tokens_seen": 26624,
299
+ "step": 175
300
+ },
301
+ {
302
+ "epoch": 1.0,
303
+ "grad_norm": 14.139666557312012,
304
+ "learning_rate": 4.972222222222223e-05,
305
+ "loss": 0.0248,
306
+ "num_input_tokens_seen": 27376,
307
+ "step": 180
308
+ },
309
+ {
310
+ "epoch": 1.0,
311
+ "eval_loss": 0.11664140224456787,
312
+ "eval_runtime": 0.8533,
313
+ "eval_samples_per_second": 46.875,
314
+ "eval_steps_per_second": 23.438,
315
+ "num_input_tokens_seen": 27376,
316
+ "step": 180
317
+ },
318
+ {
319
+ "epoch": 1.0277777777777777,
320
+ "grad_norm": 1.0830224752426147,
321
+ "learning_rate": 4.9999247861994194e-05,
322
+ "loss": 0.0022,
323
+ "num_input_tokens_seen": 28128,
324
+ "step": 185
325
+ },
326
+ {
327
+ "epoch": 1.0555555555555556,
328
+ "grad_norm": 0.01833321526646614,
329
+ "learning_rate": 4.9996192378909786e-05,
330
+ "loss": 0.0017,
331
+ "num_input_tokens_seen": 28896,
332
+ "step": 190
333
+ },
334
+ {
335
+ "epoch": 1.0833333333333333,
336
+ "grad_norm": 0.02257794886827469,
337
+ "learning_rate": 4.999078682916774e-05,
338
+ "loss": 0.0007,
339
+ "num_input_tokens_seen": 29648,
340
+ "step": 195
341
+ },
342
+ {
343
+ "epoch": 1.1111111111111112,
344
+ "grad_norm": 1.7842925786972046,
345
+ "learning_rate": 4.998303172098155e-05,
346
+ "loss": 0.1445,
347
+ "num_input_tokens_seen": 30416,
348
+ "step": 200
349
+ },
350
+ {
351
+ "epoch": 1.1388888888888888,
352
+ "grad_norm": 0.03761421516537666,
353
+ "learning_rate": 4.997292778346312e-05,
354
+ "loss": 0.1068,
355
+ "num_input_tokens_seen": 31200,
356
+ "step": 205
357
+ },
358
+ {
359
+ "epoch": 1.1666666666666667,
360
+ "grad_norm": 0.017799263820052147,
361
+ "learning_rate": 4.996047596655418e-05,
362
+ "loss": 0.0098,
363
+ "num_input_tokens_seen": 31968,
364
+ "step": 210
365
+ },
366
+ {
367
+ "epoch": 1.1944444444444444,
368
+ "grad_norm": 0.02381935343146324,
369
+ "learning_rate": 4.994567744093703e-05,
370
+ "loss": 0.0003,
371
+ "num_input_tokens_seen": 32720,
372
+ "step": 215
373
+ },
374
+ {
375
+ "epoch": 1.2222222222222223,
376
+ "grad_norm": 0.033814460039138794,
377
+ "learning_rate": 4.992853359792444e-05,
378
+ "loss": 0.4099,
379
+ "num_input_tokens_seen": 33472,
380
+ "step": 220
381
+ },
382
+ {
383
+ "epoch": 1.25,
384
+ "grad_norm": 0.019769281148910522,
385
+ "learning_rate": 4.9909046049328846e-05,
386
+ "loss": 0.094,
387
+ "num_input_tokens_seen": 34208,
388
+ "step": 225
389
+ },
390
+ {
391
+ "epoch": 1.2777777777777777,
392
+ "grad_norm": 12.754151344299316,
393
+ "learning_rate": 4.988721662731083e-05,
394
+ "loss": 0.2881,
395
+ "num_input_tokens_seen": 34960,
396
+ "step": 230
397
+ },
398
+ {
399
+ "epoch": 1.3055555555555556,
400
+ "grad_norm": 0.020138300955295563,
401
+ "learning_rate": 4.9863047384206835e-05,
402
+ "loss": 0.0205,
403
+ "num_input_tokens_seen": 35728,
404
+ "step": 235
405
+ },
406
+ {
407
+ "epoch": 1.3333333333333333,
408
+ "grad_norm": 1.8282607793807983,
409
+ "learning_rate": 4.983654059233626e-05,
410
+ "loss": 0.0025,
411
+ "num_input_tokens_seen": 36464,
412
+ "step": 240
413
+ },
414
+ {
415
+ "epoch": 1.3611111111111112,
416
+ "grad_norm": 0.02977779507637024,
417
+ "learning_rate": 4.9807698743787744e-05,
418
+ "loss": 0.0003,
419
+ "num_input_tokens_seen": 37200,
420
+ "step": 245
421
+ },
422
+ {
423
+ "epoch": 1.3888888888888888,
424
+ "grad_norm": 0.09747491031885147,
425
+ "learning_rate": 4.9776524550184965e-05,
426
+ "loss": 0.0006,
427
+ "num_input_tokens_seen": 37952,
428
+ "step": 250
429
+ },
430
+ {
431
+ "epoch": 1.4166666666666667,
432
+ "grad_norm": 0.02982584573328495,
433
+ "learning_rate": 4.974302094243164e-05,
434
+ "loss": 0.1759,
435
+ "num_input_tokens_seen": 38688,
436
+ "step": 255
437
+ },
438
+ {
439
+ "epoch": 1.4444444444444444,
440
+ "grad_norm": 48.68693161010742,
441
+ "learning_rate": 4.970719107043595e-05,
442
+ "loss": 0.1863,
443
+ "num_input_tokens_seen": 39472,
444
+ "step": 260
445
+ },
446
+ {
447
+ "epoch": 1.4722222222222223,
448
+ "grad_norm": 8.864044189453125,
449
+ "learning_rate": 4.966903830281449e-05,
450
+ "loss": 0.0908,
451
+ "num_input_tokens_seen": 40240,
452
+ "step": 265
453
+ },
454
+ {
455
+ "epoch": 1.5,
456
+ "grad_norm": 0.22452251613140106,
457
+ "learning_rate": 4.962856622657541e-05,
458
+ "loss": 0.0832,
459
+ "num_input_tokens_seen": 41008,
460
+ "step": 270
461
+ },
462
+ {
463
+ "epoch": 1.5,
464
+ "eval_loss": 0.14009475708007812,
465
+ "eval_runtime": 0.8695,
466
+ "eval_samples_per_second": 46.004,
467
+ "eval_steps_per_second": 23.002,
468
+ "num_input_tokens_seen": 41008,
469
+ "step": 270
470
+ },
471
+ {
472
+ "epoch": 1.5277777777777777,
473
+ "grad_norm": 0.038117777556180954,
474
+ "learning_rate": 4.9585778646781364e-05,
475
+ "loss": 0.0023,
476
+ "num_input_tokens_seen": 41744,
477
+ "step": 275
478
+ },
479
+ {
480
+ "epoch": 1.5555555555555556,
481
+ "grad_norm": 19.886659622192383,
482
+ "learning_rate": 4.9540679586191605e-05,
483
+ "loss": 0.4371,
484
+ "num_input_tokens_seen": 42528,
485
+ "step": 280
486
+ },
487
+ {
488
+ "epoch": 1.5833333333333335,
489
+ "grad_norm": 33.2148323059082,
490
+ "learning_rate": 4.9493273284883854e-05,
491
+ "loss": 0.1143,
492
+ "num_input_tokens_seen": 43280,
493
+ "step": 285
494
+ },
495
+ {
496
+ "epoch": 1.6111111111111112,
497
+ "grad_norm": 9.084549903869629,
498
+ "learning_rate": 4.9443564199855666e-05,
499
+ "loss": 0.1255,
500
+ "num_input_tokens_seen": 44016,
501
+ "step": 290
502
+ },
503
+ {
504
+ "epoch": 1.6388888888888888,
505
+ "grad_norm": 0.012888729572296143,
506
+ "learning_rate": 4.939155700460536e-05,
507
+ "loss": 0.2754,
508
+ "num_input_tokens_seen": 44800,
509
+ "step": 295
510
+ },
511
+ {
512
+ "epoch": 1.6666666666666665,
513
+ "grad_norm": 0.01083407737314701,
514
+ "learning_rate": 4.933725658869267e-05,
515
+ "loss": 0.0569,
516
+ "num_input_tokens_seen": 45584,
517
+ "step": 300
518
+ },
519
+ {
520
+ "epoch": 1.6944444444444444,
521
+ "grad_norm": 0.009935064241290092,
522
+ "learning_rate": 4.9280668057279014e-05,
523
+ "loss": 0.192,
524
+ "num_input_tokens_seen": 46352,
525
+ "step": 305
526
+ },
527
+ {
528
+ "epoch": 1.7222222222222223,
529
+ "grad_norm": 43.675479888916016,
530
+ "learning_rate": 4.9221796730647516e-05,
531
+ "loss": 0.2653,
532
+ "num_input_tokens_seen": 47136,
533
+ "step": 310
534
+ },
535
+ {
536
+ "epoch": 1.75,
537
+ "grad_norm": 0.01382085308432579,
538
+ "learning_rate": 4.916064814370287e-05,
539
+ "loss": 0.0002,
540
+ "num_input_tokens_seen": 47904,
541
+ "step": 315
542
+ },
543
+ {
544
+ "epoch": 1.7777777777777777,
545
+ "grad_norm": 0.05889115855097771,
546
+ "learning_rate": 4.9097228045450864e-05,
547
+ "loss": 0.0328,
548
+ "num_input_tokens_seen": 48704,
549
+ "step": 320
550
+ },
551
+ {
552
+ "epoch": 1.8055555555555556,
553
+ "grad_norm": 0.028889305889606476,
554
+ "learning_rate": 4.9031542398457974e-05,
555
+ "loss": 0.0228,
556
+ "num_input_tokens_seen": 49440,
557
+ "step": 325
558
+ },
559
+ {
560
+ "epoch": 1.8333333333333335,
561
+ "grad_norm": 0.016455378383398056,
562
+ "learning_rate": 4.896359737829071e-05,
563
+ "loss": 0.0645,
564
+ "num_input_tokens_seen": 50224,
565
+ "step": 330
566
+ },
567
+ {
568
+ "epoch": 1.8611111111111112,
569
+ "grad_norm": 2.9751687049865723,
570
+ "learning_rate": 4.889339937293508e-05,
571
+ "loss": 0.011,
572
+ "num_input_tokens_seen": 50976,
573
+ "step": 335
574
+ },
575
+ {
576
+ "epoch": 1.8888888888888888,
577
+ "grad_norm": 26.30304527282715,
578
+ "learning_rate": 4.8820954982195905e-05,
579
+ "loss": 0.0502,
580
+ "num_input_tokens_seen": 51760,
581
+ "step": 340
582
+ },
583
+ {
584
+ "epoch": 1.9166666666666665,
585
+ "grad_norm": 0.008524544537067413,
586
+ "learning_rate": 4.874627101707644e-05,
587
+ "loss": 0.1273,
588
+ "num_input_tokens_seen": 52496,
589
+ "step": 345
590
+ },
591
+ {
592
+ "epoch": 1.9444444444444444,
593
+ "grad_norm": 0.3469292223453522,
594
+ "learning_rate": 4.8669354499137955e-05,
595
+ "loss": 0.0112,
596
+ "num_input_tokens_seen": 53264,
597
+ "step": 350
598
+ },
599
+ {
600
+ "epoch": 1.9722222222222223,
601
+ "grad_norm": 0.02578221634030342,
602
+ "learning_rate": 4.859021265983959e-05,
603
+ "loss": 0.0041,
604
+ "num_input_tokens_seen": 54032,
605
+ "step": 355
606
+ },
607
+ {
608
+ "epoch": 2.0,
609
+ "grad_norm": 0.01661246083676815,
610
+ "learning_rate": 4.850885293985853e-05,
611
+ "loss": 0.0002,
612
+ "num_input_tokens_seen": 54800,
613
+ "step": 360
614
+ },
615
+ {
616
+ "epoch": 2.0,
617
+ "eval_loss": 0.13968539237976074,
618
+ "eval_runtime": 0.8731,
619
+ "eval_samples_per_second": 45.813,
620
+ "eval_steps_per_second": 22.906,
621
+ "num_input_tokens_seen": 54800,
622
+ "step": 360
623
+ },
624
+ {
625
+ "epoch": 2.0277777777777777,
626
+ "grad_norm": 0.009064249694347382,
627
+ "learning_rate": 4.8425282988390376e-05,
628
+ "loss": 0.0901,
629
+ "num_input_tokens_seen": 55536,
630
+ "step": 365
631
+ },
632
+ {
633
+ "epoch": 2.0555555555555554,
634
+ "grad_norm": 0.008344353176653385,
635
+ "learning_rate": 4.8339510662430046e-05,
636
+ "loss": 0.0004,
637
+ "num_input_tokens_seen": 56288,
638
+ "step": 370
639
+ },
640
+ {
641
+ "epoch": 2.0833333333333335,
642
+ "grad_norm": 0.6907618045806885,
643
+ "learning_rate": 4.825154402603308e-05,
644
+ "loss": 0.0072,
645
+ "num_input_tokens_seen": 57072,
646
+ "step": 375
647
+ },
648
+ {
649
+ "epoch": 2.111111111111111,
650
+ "grad_norm": 0.006057972088456154,
651
+ "learning_rate": 4.816139134955746e-05,
652
+ "loss": 0.0002,
653
+ "num_input_tokens_seen": 57840,
654
+ "step": 380
655
+ },
656
+ {
657
+ "epoch": 2.138888888888889,
658
+ "grad_norm": 0.007125409319996834,
659
+ "learning_rate": 4.806906110888606e-05,
660
+ "loss": 0.0004,
661
+ "num_input_tokens_seen": 58592,
662
+ "step": 385
663
+ },
664
+ {
665
+ "epoch": 2.1666666666666665,
666
+ "grad_norm": 0.004793958738446236,
667
+ "learning_rate": 4.797456198462979e-05,
668
+ "loss": 0.1331,
669
+ "num_input_tokens_seen": 59328,
670
+ "step": 390
671
+ },
672
+ {
673
+ "epoch": 2.1944444444444446,
674
+ "grad_norm": 0.009237749502062798,
675
+ "learning_rate": 4.7877902861311446e-05,
676
+ "loss": 0.0028,
677
+ "num_input_tokens_seen": 60080,
678
+ "step": 395
679
+ },
680
+ {
681
+ "epoch": 2.2222222222222223,
682
+ "grad_norm": 0.0056296358816325665,
683
+ "learning_rate": 4.777909282653042e-05,
684
+ "loss": 0.0002,
685
+ "num_input_tokens_seen": 60832,
686
+ "step": 400
687
+ },
688
+ {
689
+ "epoch": 2.25,
690
+ "grad_norm": 0.011304618790745735,
691
+ "learning_rate": 4.7678141170108345e-05,
692
+ "loss": 0.0029,
693
+ "num_input_tokens_seen": 61568,
694
+ "step": 405
695
+ },
696
+ {
697
+ "epoch": 2.2777777777777777,
698
+ "grad_norm": 64.0176010131836,
699
+ "learning_rate": 4.757505738321563e-05,
700
+ "loss": 0.2675,
701
+ "num_input_tokens_seen": 62336,
702
+ "step": 410
703
+ },
704
+ {
705
+ "epoch": 2.3055555555555554,
706
+ "grad_norm": 0.006608088966459036,
707
+ "learning_rate": 4.7469851157479177e-05,
708
+ "loss": 0.4822,
709
+ "num_input_tokens_seen": 63088,
710
+ "step": 415
711
+ },
712
+ {
713
+ "epoch": 2.3333333333333335,
714
+ "grad_norm": 0.012060252949595451,
715
+ "learning_rate": 4.736253238407119e-05,
716
+ "loss": 0.0014,
717
+ "num_input_tokens_seen": 63888,
718
+ "step": 420
719
+ },
720
+ {
721
+ "epoch": 2.361111111111111,
722
+ "grad_norm": 0.0077227340079844,
723
+ "learning_rate": 4.725311115277924e-05,
724
+ "loss": 0.2626,
725
+ "num_input_tokens_seen": 64640,
726
+ "step": 425
727
+ },
728
+ {
729
+ "epoch": 2.388888888888889,
730
+ "grad_norm": 0.1587001085281372,
731
+ "learning_rate": 4.714159775105765e-05,
732
+ "loss": 0.1269,
733
+ "num_input_tokens_seen": 65392,
734
+ "step": 430
735
+ },
736
+ {
737
+ "epoch": 2.4166666666666665,
738
+ "grad_norm": 0.029979098588228226,
739
+ "learning_rate": 4.70280026630603e-05,
740
+ "loss": 0.0013,
741
+ "num_input_tokens_seen": 66176,
742
+ "step": 435
743
+ },
744
+ {
745
+ "epoch": 2.4444444444444446,
746
+ "grad_norm": 41.430625915527344,
747
+ "learning_rate": 4.6912336568654925e-05,
748
+ "loss": 0.0537,
749
+ "num_input_tokens_seen": 66960,
750
+ "step": 440
751
+ },
752
+ {
753
+ "epoch": 2.4722222222222223,
754
+ "grad_norm": 0.01960122212767601,
755
+ "learning_rate": 4.679461034241906e-05,
756
+ "loss": 0.0001,
757
+ "num_input_tokens_seen": 67712,
758
+ "step": 445
759
+ },
760
+ {
761
+ "epoch": 2.5,
762
+ "grad_norm": 0.017095442861318588,
763
+ "learning_rate": 4.667483505261762e-05,
764
+ "loss": 0.1191,
765
+ "num_input_tokens_seen": 68480,
766
+ "step": 450
767
+ },
768
+ {
769
+ "epoch": 2.5,
770
+ "eval_loss": 0.14334793388843536,
771
+ "eval_runtime": 0.8472,
772
+ "eval_samples_per_second": 47.214,
773
+ "eval_steps_per_second": 23.607,
774
+ "num_input_tokens_seen": 68480,
775
+ "step": 450
776
+ },
777
+ {
778
+ "epoch": 2.5277777777777777,
779
+ "grad_norm": 0.8339170217514038,
780
+ "learning_rate": 4.655302196016228e-05,
781
+ "loss": 0.0006,
782
+ "num_input_tokens_seen": 69248,
783
+ "step": 455
784
+ },
785
+ {
786
+ "epoch": 2.5555555555555554,
787
+ "grad_norm": 0.007273822091519833,
788
+ "learning_rate": 4.642918251755281e-05,
789
+ "loss": 0.0003,
790
+ "num_input_tokens_seen": 70016,
791
+ "step": 460
792
+ },
793
+ {
794
+ "epoch": 2.5833333333333335,
795
+ "grad_norm": 0.10730123519897461,
796
+ "learning_rate": 4.6303328367800284e-05,
797
+ "loss": 0.0032,
798
+ "num_input_tokens_seen": 70784,
799
+ "step": 465
800
+ },
801
+ {
802
+ "epoch": 2.611111111111111,
803
+ "grad_norm": 0.00880274549126625,
804
+ "learning_rate": 4.6175471343332485e-05,
805
+ "loss": 0.0016,
806
+ "num_input_tokens_seen": 71552,
807
+ "step": 470
808
+ },
809
+ {
810
+ "epoch": 2.638888888888889,
811
+ "grad_norm": 0.0065057664178311825,
812
+ "learning_rate": 4.604562346488144e-05,
813
+ "loss": 0.0131,
814
+ "num_input_tokens_seen": 72288,
815
+ "step": 475
816
+ },
817
+ {
818
+ "epoch": 2.6666666666666665,
819
+ "grad_norm": 0.009263488464057446,
820
+ "learning_rate": 4.591379694035325e-05,
821
+ "loss": 0.0409,
822
+ "num_input_tokens_seen": 73072,
823
+ "step": 480
824
+ },
825
+ {
826
+ "epoch": 2.6944444444444446,
827
+ "grad_norm": 0.005506084766238928,
828
+ "learning_rate": 4.5780004163680365e-05,
829
+ "loss": 0.0004,
830
+ "num_input_tokens_seen": 73856,
831
+ "step": 485
832
+ },
833
+ {
834
+ "epoch": 2.7222222222222223,
835
+ "grad_norm": 19.782270431518555,
836
+ "learning_rate": 4.5644257713656356e-05,
837
+ "loss": 0.0572,
838
+ "num_input_tokens_seen": 74624,
839
+ "step": 490
840
+ },
841
+ {
842
+ "epoch": 2.75,
843
+ "grad_norm": 0.009718476794660091,
844
+ "learning_rate": 4.550657035275323e-05,
845
+ "loss": 0.0002,
846
+ "num_input_tokens_seen": 75392,
847
+ "step": 495
848
+ },
849
+ {
850
+ "epoch": 2.7777777777777777,
851
+ "grad_norm": 0.006279336288571358,
852
+ "learning_rate": 4.536695502592162e-05,
853
+ "loss": 0.0001,
854
+ "num_input_tokens_seen": 76160,
855
+ "step": 500
856
+ },
857
+ {
858
+ "epoch": 2.8055555555555554,
859
+ "grad_norm": 0.00757136195898056,
860
+ "learning_rate": 4.522542485937369e-05,
861
+ "loss": 0.0326,
862
+ "num_input_tokens_seen": 76912,
863
+ "step": 505
864
+ },
865
+ {
866
+ "epoch": 2.8333333333333335,
867
+ "grad_norm": 0.016545820981264114,
868
+ "learning_rate": 4.5081993159349056e-05,
869
+ "loss": 0.0001,
870
+ "num_input_tokens_seen": 77680,
871
+ "step": 510
872
+ },
873
+ {
874
+ "epoch": 2.861111111111111,
875
+ "grad_norm": 0.00826545711606741,
876
+ "learning_rate": 4.493667341086379e-05,
877
+ "loss": 0.0002,
878
+ "num_input_tokens_seen": 78464,
879
+ "step": 515
880
+ },
881
+ {
882
+ "epoch": 2.888888888888889,
883
+ "grad_norm": 0.005500601138919592,
884
+ "learning_rate": 4.478947927644258e-05,
885
+ "loss": 0.0569,
886
+ "num_input_tokens_seen": 79232,
887
+ "step": 520
888
+ },
889
+ {
890
+ "epoch": 2.9166666666666665,
891
+ "grad_norm": 0.005263440310955048,
892
+ "learning_rate": 4.464042459483425e-05,
893
+ "loss": 0.1451,
894
+ "num_input_tokens_seen": 79968,
895
+ "step": 525
896
+ },
897
+ {
898
+ "epoch": 2.9444444444444446,
899
+ "grad_norm": 0.008182135410606861,
900
+ "learning_rate": 4.448952337971064e-05,
901
+ "loss": 0.0001,
902
+ "num_input_tokens_seen": 80736,
903
+ "step": 530
904
+ },
905
+ {
906
+ "epoch": 2.9722222222222223,
907
+ "grad_norm": 0.06003406643867493,
908
+ "learning_rate": 4.43367898183491e-05,
909
+ "loss": 0.2445,
910
+ "num_input_tokens_seen": 81488,
911
+ "step": 535
912
+ },
913
+ {
914
+ "epoch": 3.0,
915
+ "grad_norm": 0.010744345374405384,
916
+ "learning_rate": 4.418223827029867e-05,
917
+ "loss": 0.0747,
918
+ "num_input_tokens_seen": 82256,
919
+ "step": 540
920
+ },
921
+ {
922
+ "epoch": 3.0,
923
+ "eval_loss": 0.1585792750120163,
924
+ "eval_runtime": 0.8639,
925
+ "eval_samples_per_second": 46.299,
926
+ "eval_steps_per_second": 23.15,
927
+ "num_input_tokens_seen": 82256,
928
+ "step": 540
929
+ },
930
+ {
931
+ "epoch": 3.0277777777777777,
932
+ "grad_norm": 0.004692050628364086,
933
+ "learning_rate": 4.402588326603002e-05,
934
+ "loss": 0.0068,
935
+ "num_input_tokens_seen": 83008,
936
+ "step": 545
937
+ },
938
+ {
939
+ "epoch": 3.0555555555555554,
940
+ "grad_norm": 0.008360066451132298,
941
+ "learning_rate": 4.386773950556931e-05,
942
+ "loss": 0.0001,
943
+ "num_input_tokens_seen": 83760,
944
+ "step": 550
945
+ },
946
+ {
947
+ "epoch": 3.0833333333333335,
948
+ "grad_norm": 0.003476613201200962,
949
+ "learning_rate": 4.3707821857116176e-05,
950
+ "loss": 0.1888,
951
+ "num_input_tokens_seen": 84512,
952
+ "step": 555
953
+ },
954
+ {
955
+ "epoch": 3.111111111111111,
956
+ "grad_norm": 0.005749064963310957,
957
+ "learning_rate": 4.354614535564588e-05,
958
+ "loss": 0.0001,
959
+ "num_input_tokens_seen": 85264,
960
+ "step": 560
961
+ },
962
+ {
963
+ "epoch": 3.138888888888889,
964
+ "grad_norm": 0.039910800755023956,
965
+ "learning_rate": 4.3382725201495723e-05,
966
+ "loss": 0.0003,
967
+ "num_input_tokens_seen": 86048,
968
+ "step": 565
969
+ },
970
+ {
971
+ "epoch": 3.1666666666666665,
972
+ "grad_norm": 0.010388891212642193,
973
+ "learning_rate": 4.321757675893596e-05,
974
+ "loss": 0.0001,
975
+ "num_input_tokens_seen": 86784,
976
+ "step": 570
977
+ },
978
+ {
979
+ "epoch": 3.1944444444444446,
980
+ "grad_norm": 0.009365994483232498,
981
+ "learning_rate": 4.305071555472534e-05,
982
+ "loss": 0.0061,
983
+ "num_input_tokens_seen": 87568,
984
+ "step": 575
985
+ },
986
+ {
987
+ "epoch": 3.2222222222222223,
988
+ "grad_norm": 0.003861945355311036,
989
+ "learning_rate": 4.288215727665129e-05,
990
+ "loss": 0.0017,
991
+ "num_input_tokens_seen": 88320,
992
+ "step": 580
993
+ },
994
+ {
995
+ "epoch": 3.25,
996
+ "grad_norm": 0.0033517684787511826,
997
+ "learning_rate": 4.2711917772055e-05,
998
+ "loss": 0.2939,
999
+ "num_input_tokens_seen": 89072,
1000
+ "step": 585
1001
+ },
1002
+ {
1003
+ "epoch": 3.2777777777777777,
1004
+ "grad_norm": 0.0706770047545433,
1005
+ "learning_rate": 4.254001304634151e-05,
1006
+ "loss": 0.0001,
1007
+ "num_input_tokens_seen": 89872,
1008
+ "step": 590
1009
+ },
1010
+ {
1011
+ "epoch": 3.3055555555555554,
1012
+ "grad_norm": 12.658806800842285,
1013
+ "learning_rate": 4.2366459261474933e-05,
1014
+ "loss": 0.005,
1015
+ "num_input_tokens_seen": 90640,
1016
+ "step": 595
1017
+ },
1018
+ {
1019
+ "epoch": 3.3333333333333335,
1020
+ "grad_norm": 0.6362056732177734,
1021
+ "learning_rate": 4.2191272734458955e-05,
1022
+ "loss": 0.0005,
1023
+ "num_input_tokens_seen": 91376,
1024
+ "step": 600
1025
+ },
1026
+ {
1027
+ "epoch": 3.361111111111111,
1028
+ "grad_norm": 0.008696366101503372,
1029
+ "learning_rate": 4.201446993580276e-05,
1030
+ "loss": 0.0193,
1031
+ "num_input_tokens_seen": 92128,
1032
+ "step": 605
1033
+ },
1034
+ {
1035
+ "epoch": 3.388888888888889,
1036
+ "grad_norm": 0.013609865680336952,
1037
+ "learning_rate": 4.183606748797251e-05,
1038
+ "loss": 0.0001,
1039
+ "num_input_tokens_seen": 92912,
1040
+ "step": 610
1041
+ },
1042
+ {
1043
+ "epoch": 3.4166666666666665,
1044
+ "grad_norm": 0.0021089082583785057,
1045
+ "learning_rate": 4.1656082163828566e-05,
1046
+ "loss": 0.0002,
1047
+ "num_input_tokens_seen": 93632,
1048
+ "step": 615
1049
+ },
1050
+ {
1051
+ "epoch": 3.4444444444444446,
1052
+ "grad_norm": 0.004418779164552689,
1053
+ "learning_rate": 4.147453088504854e-05,
1054
+ "loss": 0.0002,
1055
+ "num_input_tokens_seen": 94384,
1056
+ "step": 620
1057
+ },
1058
+ {
1059
+ "epoch": 3.4722222222222223,
1060
+ "grad_norm": 0.004805439617484808,
1061
+ "learning_rate": 4.129143072053638e-05,
1062
+ "loss": 0.0001,
1063
+ "num_input_tokens_seen": 95152,
1064
+ "step": 625
1065
+ },
1066
+ {
1067
+ "epoch": 3.5,
1068
+ "grad_norm": 0.005893156863749027,
1069
+ "learning_rate": 4.110679888481763e-05,
1070
+ "loss": 0.0001,
1071
+ "num_input_tokens_seen": 95920,
1072
+ "step": 630
1073
+ },
1074
+ {
1075
+ "epoch": 3.5,
1076
+ "eval_loss": 0.15426704287528992,
1077
+ "eval_runtime": 0.9961,
1078
+ "eval_samples_per_second": 40.157,
1079
+ "eval_steps_per_second": 20.079,
1080
+ "num_input_tokens_seen": 95920,
1081
+ "step": 630
1082
+ },
1083
+ {
1084
+ "epoch": 3.5277777777777777,
1085
+ "grad_norm": 0.21285879611968994,
1086
+ "learning_rate": 4.09206527364209e-05,
1087
+ "loss": 0.0003,
1088
+ "num_input_tokens_seen": 96704,
1089
+ "step": 635
1090
+ },
1091
+ {
1092
+ "epoch": 3.5555555555555554,
1093
+ "grad_norm": 0.004686427302658558,
1094
+ "learning_rate": 4.073300977624594e-05,
1095
+ "loss": 0.0496,
1096
+ "num_input_tokens_seen": 97456,
1097
+ "step": 640
1098
+ },
1099
+ {
1100
+ "epoch": 3.5833333333333335,
1101
+ "grad_norm": 0.006941783241927624,
1102
+ "learning_rate": 4.054388764591822e-05,
1103
+ "loss": 0.0001,
1104
+ "num_input_tokens_seen": 98192,
1105
+ "step": 645
1106
+ },
1107
+ {
1108
+ "epoch": 3.611111111111111,
1109
+ "grad_norm": 0.003678448498249054,
1110
+ "learning_rate": 4.035330412613035e-05,
1111
+ "loss": 0.0003,
1112
+ "num_input_tokens_seen": 98944,
1113
+ "step": 650
1114
+ },
1115
+ {
1116
+ "epoch": 3.638888888888889,
1117
+ "grad_norm": 0.0034077675081789494,
1118
+ "learning_rate": 4.0161277134970345e-05,
1119
+ "loss": 0.0019,
1120
+ "num_input_tokens_seen": 99712,
1121
+ "step": 655
1122
+ },
1123
+ {
1124
+ "epoch": 3.6666666666666665,
1125
+ "grad_norm": 0.003917415160685778,
1126
+ "learning_rate": 3.996782472623705e-05,
1127
+ "loss": 0.0002,
1128
+ "num_input_tokens_seen": 100496,
1129
+ "step": 660
1130
+ },
1131
+ {
1132
+ "epoch": 3.6944444444444446,
1133
+ "grad_norm": 0.004346042405813932,
1134
+ "learning_rate": 3.977296508774278e-05,
1135
+ "loss": 0.0003,
1136
+ "num_input_tokens_seen": 101232,
1137
+ "step": 665
1138
+ },
1139
+ {
1140
+ "epoch": 3.7222222222222223,
1141
+ "grad_norm": 0.03601907566189766,
1142
+ "learning_rate": 3.957671653960337e-05,
1143
+ "loss": 0.1836,
1144
+ "num_input_tokens_seen": 102000,
1145
+ "step": 670
1146
+ },
1147
+ {
1148
+ "epoch": 3.75,
1149
+ "grad_norm": 0.029370684176683426,
1150
+ "learning_rate": 3.9379097532515725e-05,
1151
+ "loss": 0.3127,
1152
+ "num_input_tokens_seen": 102784,
1153
+ "step": 675
1154
+ },
1155
+ {
1156
+ "epoch": 3.7777777777777777,
1157
+ "grad_norm": 0.02692316845059395,
1158
+ "learning_rate": 3.918012664602317e-05,
1159
+ "loss": 0.0013,
1160
+ "num_input_tokens_seen": 103584,
1161
+ "step": 680
1162
+ },
1163
+ {
1164
+ "epoch": 3.8055555555555554,
1165
+ "grad_norm": 0.003177183447405696,
1166
+ "learning_rate": 3.897982258676867e-05,
1167
+ "loss": 0.0001,
1168
+ "num_input_tokens_seen": 104368,
1169
+ "step": 685
1170
+ },
1171
+ {
1172
+ "epoch": 3.8333333333333335,
1173
+ "grad_norm": 0.003096670377999544,
1174
+ "learning_rate": 3.8778204186736076e-05,
1175
+ "loss": 0.0001,
1176
+ "num_input_tokens_seen": 105104,
1177
+ "step": 690
1178
+ },
1179
+ {
1180
+ "epoch": 3.861111111111111,
1181
+ "grad_norm": 0.004423821810632944,
1182
+ "learning_rate": 3.8575290401479586e-05,
1183
+ "loss": 0.0411,
1184
+ "num_input_tokens_seen": 105856,
1185
+ "step": 695
1186
+ },
1187
+ {
1188
+ "epoch": 3.888888888888889,
1189
+ "grad_norm": 0.009440253488719463,
1190
+ "learning_rate": 3.837110030834161e-05,
1191
+ "loss": 0.099,
1192
+ "num_input_tokens_seen": 106624,
1193
+ "step": 700
1194
+ },
1195
+ {
1196
+ "epoch": 3.9166666666666665,
1197
+ "grad_norm": 0.003973190672695637,
1198
+ "learning_rate": 3.8165653104659185e-05,
1199
+ "loss": 0.0108,
1200
+ "num_input_tokens_seen": 107408,
1201
+ "step": 705
1202
+ },
1203
+ {
1204
+ "epoch": 3.9444444444444446,
1205
+ "grad_norm": 0.006104958709329367,
1206
+ "learning_rate": 3.79589681059591e-05,
1207
+ "loss": 0.0232,
1208
+ "num_input_tokens_seen": 108160,
1209
+ "step": 710
1210
+ },
1211
+ {
1212
+ "epoch": 3.9722222222222223,
1213
+ "grad_norm": 0.0029671171214431524,
1214
+ "learning_rate": 3.775106474414188e-05,
1215
+ "loss": 0.0001,
1216
+ "num_input_tokens_seen": 108928,
1217
+ "step": 715
1218
+ },
1219
+ {
1220
+ "epoch": 4.0,
1221
+ "grad_norm": 0.006943428888916969,
1222
+ "learning_rate": 3.75419625656549e-05,
1223
+ "loss": 0.0276,
1224
+ "num_input_tokens_seen": 109680,
1225
+ "step": 720
1226
+ },
1227
+ {
1228
+ "epoch": 4.0,
1229
+ "eval_loss": 0.1733400523662567,
1230
+ "eval_runtime": 0.8977,
1231
+ "eval_samples_per_second": 44.56,
1232
+ "eval_steps_per_second": 22.28,
1233
+ "num_input_tokens_seen": 109680,
1234
+ "step": 720
1235
+ },
1236
+ {
1237
+ "epoch": 4.027777777777778,
1238
+ "grad_norm": 0.35043978691101074,
1239
+ "learning_rate": 3.7331681229654635e-05,
1240
+ "loss": 0.122,
1241
+ "num_input_tokens_seen": 110448,
1242
+ "step": 725
1243
+ },
1244
+ {
1245
+ "epoch": 4.055555555555555,
1246
+ "grad_norm": 0.009929414838552475,
1247
+ "learning_rate": 3.712024050615843e-05,
1248
+ "loss": 0.0017,
1249
+ "num_input_tokens_seen": 111216,
1250
+ "step": 730
1251
+ },
1252
+ {
1253
+ "epoch": 4.083333333333333,
1254
+ "grad_norm": 0.004455262329429388,
1255
+ "learning_rate": 3.690766027418573e-05,
1256
+ "loss": 0.0002,
1257
+ "num_input_tokens_seen": 111968,
1258
+ "step": 735
1259
+ },
1260
+ {
1261
+ "epoch": 4.111111111111111,
1262
+ "grad_norm": 74.90491485595703,
1263
+ "learning_rate": 3.6693960519889106e-05,
1264
+ "loss": 0.0829,
1265
+ "num_input_tokens_seen": 112736,
1266
+ "step": 740
1267
+ },
1268
+ {
1269
+ "epoch": 4.138888888888889,
1270
+ "grad_norm": 0.005577894859015942,
1271
+ "learning_rate": 3.6479161334675296e-05,
1272
+ "loss": 0.0069,
1273
+ "num_input_tokens_seen": 113488,
1274
+ "step": 745
1275
+ },
1276
+ {
1277
+ "epoch": 4.166666666666667,
1278
+ "grad_norm": 0.0027480549179017544,
1279
+ "learning_rate": 3.626328291331618e-05,
1280
+ "loss": 0.0001,
1281
+ "num_input_tokens_seen": 114256,
1282
+ "step": 750
1283
+ },
1284
+ {
1285
+ "epoch": 4.194444444444445,
1286
+ "grad_norm": 0.002460277173668146,
1287
+ "learning_rate": 3.60463455520502e-05,
1288
+ "loss": 0.0005,
1289
+ "num_input_tokens_seen": 115024,
1290
+ "step": 755
1291
+ },
1292
+ {
1293
+ "epoch": 4.222222222222222,
1294
+ "grad_norm": 4.454160690307617,
1295
+ "learning_rate": 3.582836964667408e-05,
1296
+ "loss": 0.2813,
1297
+ "num_input_tokens_seen": 115776,
1298
+ "step": 760
1299
+ },
1300
+ {
1301
+ "epoch": 4.25,
1302
+ "grad_norm": 0.0043601770885288715,
1303
+ "learning_rate": 3.560937569062538e-05,
1304
+ "loss": 0.2045,
1305
+ "num_input_tokens_seen": 116560,
1306
+ "step": 765
1307
+ },
1308
+ {
1309
+ "epoch": 4.277777777777778,
1310
+ "grad_norm": 0.020831065252423286,
1311
+ "learning_rate": 3.538938427305573e-05,
1312
+ "loss": 0.0006,
1313
+ "num_input_tokens_seen": 117344,
1314
+ "step": 770
1315
+ },
1316
+ {
1317
+ "epoch": 4.305555555555555,
1318
+ "grad_norm": 0.0023294168058782816,
1319
+ "learning_rate": 3.516841607689501e-05,
1320
+ "loss": 0.0001,
1321
+ "num_input_tokens_seen": 118080,
1322
+ "step": 775
1323
+ },
1324
+ {
1325
+ "epoch": 4.333333333333333,
1326
+ "grad_norm": 0.011770294979214668,
1327
+ "learning_rate": 3.494649187690695e-05,
1328
+ "loss": 0.0001,
1329
+ "num_input_tokens_seen": 118848,
1330
+ "step": 780
1331
+ },
1332
+ {
1333
+ "epoch": 4.361111111111111,
1334
+ "grad_norm": 0.002268734388053417,
1335
+ "learning_rate": 3.4723632537735846e-05,
1336
+ "loss": 0.0019,
1337
+ "num_input_tokens_seen": 119632,
1338
+ "step": 785
1339
+ },
1340
+ {
1341
+ "epoch": 4.388888888888889,
1342
+ "grad_norm": 0.0043189446441829205,
1343
+ "learning_rate": 3.449985901194498e-05,
1344
+ "loss": 0.0015,
1345
+ "num_input_tokens_seen": 120368,
1346
+ "step": 790
1347
+ },
1348
+ {
1349
+ "epoch": 4.416666666666667,
1350
+ "grad_norm": 0.003947732038795948,
1351
+ "learning_rate": 3.427519233804667e-05,
1352
+ "loss": 0.0021,
1353
+ "num_input_tokens_seen": 121136,
1354
+ "step": 795
1355
+ },
1356
+ {
1357
+ "epoch": 4.444444444444445,
1358
+ "grad_norm": 0.007481610402464867,
1359
+ "learning_rate": 3.404965363852437e-05,
1360
+ "loss": 0.0001,
1361
+ "num_input_tokens_seen": 121888,
1362
+ "step": 800
1363
+ },
1364
+ {
1365
+ "epoch": 4.472222222222222,
1366
+ "grad_norm": 0.006325196009129286,
1367
+ "learning_rate": 3.382326411784672e-05,
1368
+ "loss": 0.0004,
1369
+ "num_input_tokens_seen": 122656,
1370
+ "step": 805
1371
+ },
1372
+ {
1373
+ "epoch": 4.5,
1374
+ "grad_norm": 0.0031090332195162773,
1375
+ "learning_rate": 3.359604506047403e-05,
1376
+ "loss": 0.0001,
1377
+ "num_input_tokens_seen": 123408,
1378
+ "step": 810
1379
+ },
1380
+ {
1381
+ "epoch": 4.5,
1382
+ "eval_loss": 0.17834582924842834,
1383
+ "eval_runtime": 0.9091,
1384
+ "eval_samples_per_second": 43.998,
1385
+ "eval_steps_per_second": 21.999,
1386
+ "num_input_tokens_seen": 123408,
1387
+ "step": 810
1388
+ },
1389
+ {
1390
+ "epoch": 4.527777777777778,
1391
+ "grad_norm": 0.003541292157024145,
1392
+ "learning_rate": 3.336801782885712e-05,
1393
+ "loss": 0.0001,
1394
+ "num_input_tokens_seen": 124160,
1395
+ "step": 815
1396
+ },
1397
+ {
1398
+ "epoch": 4.555555555555555,
1399
+ "grad_norm": 0.0038108064327389,
1400
+ "learning_rate": 3.313920386142892e-05,
1401
+ "loss": 0.0001,
1402
+ "num_input_tokens_seen": 124928,
1403
+ "step": 820
1404
+ },
1405
+ {
1406
+ "epoch": 4.583333333333333,
1407
+ "grad_norm": 0.28179842233657837,
1408
+ "learning_rate": 3.290962467058891e-05,
1409
+ "loss": 0.0002,
1410
+ "num_input_tokens_seen": 125696,
1411
+ "step": 825
1412
+ },
1413
+ {
1414
+ "epoch": 4.611111111111111,
1415
+ "grad_norm": 0.0035293474793434143,
1416
+ "learning_rate": 3.267930184068057e-05,
1417
+ "loss": 0.0001,
1418
+ "num_input_tokens_seen": 126448,
1419
+ "step": 830
1420
+ },
1421
+ {
1422
+ "epoch": 4.638888888888889,
1423
+ "grad_norm": 0.00379269034601748,
1424
+ "learning_rate": 3.244825702596205e-05,
1425
+ "loss": 0.0,
1426
+ "num_input_tokens_seen": 127184,
1427
+ "step": 835
1428
+ },
1429
+ {
1430
+ "epoch": 4.666666666666667,
1431
+ "grad_norm": 0.0022270483896136284,
1432
+ "learning_rate": 3.2216511948570374e-05,
1433
+ "loss": 0.0002,
1434
+ "num_input_tokens_seen": 127936,
1435
+ "step": 840
1436
+ },
1437
+ {
1438
+ "epoch": 4.694444444444445,
1439
+ "grad_norm": 0.017402423545718193,
1440
+ "learning_rate": 3.198408839647911e-05,
1441
+ "loss": 0.0004,
1442
+ "num_input_tokens_seen": 128688,
1443
+ "step": 845
1444
+ },
1445
+ {
1446
+ "epoch": 4.722222222222222,
1447
+ "grad_norm": 0.00284409336745739,
1448
+ "learning_rate": 3.1751008221450025e-05,
1449
+ "loss": 0.0,
1450
+ "num_input_tokens_seen": 129456,
1451
+ "step": 850
1452
+ },
1453
+ {
1454
+ "epoch": 4.75,
1455
+ "grad_norm": 0.0019377171993255615,
1456
+ "learning_rate": 3.151729333697854e-05,
1457
+ "loss": 0.0001,
1458
+ "num_input_tokens_seen": 130192,
1459
+ "step": 855
1460
+ },
1461
+ {
1462
+ "epoch": 4.777777777777778,
1463
+ "grad_norm": 0.005334069021046162,
1464
+ "learning_rate": 3.1282965716233594e-05,
1465
+ "loss": 0.0001,
1466
+ "num_input_tokens_seen": 130976,
1467
+ "step": 860
1468
+ },
1469
+ {
1470
+ "epoch": 4.805555555555555,
1471
+ "grad_norm": 0.00939280353486538,
1472
+ "learning_rate": 3.104804738999169e-05,
1473
+ "loss": 0.0001,
1474
+ "num_input_tokens_seen": 131728,
1475
+ "step": 865
1476
+ },
1477
+ {
1478
+ "epoch": 4.833333333333333,
1479
+ "grad_norm": 0.005722450092434883,
1480
+ "learning_rate": 3.0812560444565745e-05,
1481
+ "loss": 0.0,
1482
+ "num_input_tokens_seen": 132480,
1483
+ "step": 870
1484
+ },
1485
+ {
1486
+ "epoch": 4.861111111111111,
1487
+ "grad_norm": 0.02254972793161869,
1488
+ "learning_rate": 3.057652701972848e-05,
1489
+ "loss": 0.0002,
1490
+ "num_input_tokens_seen": 133264,
1491
+ "step": 875
1492
+ },
1493
+ {
1494
+ "epoch": 4.888888888888889,
1495
+ "grad_norm": 0.001465034089051187,
1496
+ "learning_rate": 3.0339969306631005e-05,
1497
+ "loss": 0.0064,
1498
+ "num_input_tokens_seen": 134032,
1499
+ "step": 880
1500
+ },
1501
+ {
1502
+ "epoch": 4.916666666666667,
1503
+ "grad_norm": 0.03533560410141945,
1504
+ "learning_rate": 3.0102909545716396e-05,
1505
+ "loss": 0.0001,
1506
+ "num_input_tokens_seen": 134800,
1507
+ "step": 885
1508
+ },
1509
+ {
1510
+ "epoch": 4.944444444444445,
1511
+ "grad_norm": 0.0021763457916677,
1512
+ "learning_rate": 2.9865370024628775e-05,
1513
+ "loss": 0.0008,
1514
+ "num_input_tokens_seen": 135536,
1515
+ "step": 890
1516
+ },
1517
+ {
1518
+ "epoch": 4.972222222222222,
1519
+ "grad_norm": 0.0021308716386556625,
1520
+ "learning_rate": 2.9627373076117863e-05,
1521
+ "loss": 0.0,
1522
+ "num_input_tokens_seen": 136272,
1523
+ "step": 895
1524
+ },
1525
+ {
1526
+ "epoch": 5.0,
1527
+ "grad_norm": 0.0033213908318430185,
1528
+ "learning_rate": 2.9388941075939334e-05,
1529
+ "loss": 0.0034,
1530
+ "num_input_tokens_seen": 137040,
1531
+ "step": 900
1532
+ },
1533
+ {
1534
+ "epoch": 5.0,
1535
+ "eval_loss": 0.18915815651416779,
1536
+ "eval_runtime": 0.8637,
1537
+ "eval_samples_per_second": 46.312,
1538
+ "eval_steps_per_second": 23.156,
1539
+ "num_input_tokens_seen": 137040,
1540
+ "step": 900
1541
+ },
1542
+ {
1543
+ "epoch": 5.027777777777778,
1544
+ "grad_norm": 0.056632209569215775,
1545
+ "learning_rate": 2.9150096440751107e-05,
1546
+ "loss": 0.0002,
1547
+ "num_input_tokens_seen": 137808,
1548
+ "step": 905
1549
+ },
1550
+ {
1551
+ "epoch": 5.055555555555555,
1552
+ "grad_norm": 0.14479988813400269,
1553
+ "learning_rate": 2.8910861626005776e-05,
1554
+ "loss": 0.0002,
1555
+ "num_input_tokens_seen": 138560,
1556
+ "step": 910
1557
+ },
1558
+ {
1559
+ "epoch": 5.083333333333333,
1560
+ "grad_norm": 0.004574320744723082,
1561
+ "learning_rate": 2.8671259123839472e-05,
1562
+ "loss": 0.0,
1563
+ "num_input_tokens_seen": 139312,
1564
+ "step": 915
1565
+ },
1566
+ {
1567
+ "epoch": 5.111111111111111,
1568
+ "grad_norm": 0.006690006237477064,
1569
+ "learning_rate": 2.843131146095719e-05,
1570
+ "loss": 0.0,
1571
+ "num_input_tokens_seen": 140032,
1572
+ "step": 920
1573
+ },
1574
+ {
1575
+ "epoch": 5.138888888888889,
1576
+ "grad_norm": 0.04315263405442238,
1577
+ "learning_rate": 2.8191041196514873e-05,
1578
+ "loss": 0.0001,
1579
+ "num_input_tokens_seen": 140768,
1580
+ "step": 925
1581
+ },
1582
+ {
1583
+ "epoch": 5.166666666666667,
1584
+ "grad_norm": 0.002650605281814933,
1585
+ "learning_rate": 2.795047091999849e-05,
1586
+ "loss": 0.0001,
1587
+ "num_input_tokens_seen": 141536,
1588
+ "step": 930
1589
+ },
1590
+ {
1591
+ "epoch": 5.194444444444445,
1592
+ "grad_norm": 0.04034039378166199,
1593
+ "learning_rate": 2.770962324910027e-05,
1594
+ "loss": 0.0001,
1595
+ "num_input_tokens_seen": 142320,
1596
+ "step": 935
1597
+ },
1598
+ {
1599
+ "epoch": 5.222222222222222,
1600
+ "grad_norm": 0.0023825839161872864,
1601
+ "learning_rate": 2.7468520827592197e-05,
1602
+ "loss": 0.0002,
1603
+ "num_input_tokens_seen": 143088,
1604
+ "step": 940
1605
+ },
1606
+ {
1607
+ "epoch": 5.25,
1608
+ "grad_norm": 0.002679111436009407,
1609
+ "learning_rate": 2.7227186323197162e-05,
1610
+ "loss": 0.0001,
1611
+ "num_input_tokens_seen": 143840,
1612
+ "step": 945
1613
+ },
1614
+ {
1615
+ "epoch": 5.277777777777778,
1616
+ "grad_norm": 0.002105121733620763,
1617
+ "learning_rate": 2.6985642425457757e-05,
1618
+ "loss": 0.229,
1619
+ "num_input_tokens_seen": 144592,
1620
+ "step": 950
1621
+ },
1622
+ {
1623
+ "epoch": 5.305555555555555,
1624
+ "grad_norm": 0.0029831964056938887,
1625
+ "learning_rate": 2.674391184360313e-05,
1626
+ "loss": 0.0001,
1627
+ "num_input_tokens_seen": 145328,
1628
+ "step": 955
1629
+ },
1630
+ {
1631
+ "epoch": 5.333333333333333,
1632
+ "grad_norm": 0.008866608142852783,
1633
+ "learning_rate": 2.650201730441392e-05,
1634
+ "loss": 0.0021,
1635
+ "num_input_tokens_seen": 146080,
1636
+ "step": 960
1637
+ },
1638
+ {
1639
+ "epoch": 5.361111111111111,
1640
+ "grad_norm": 0.1157485768198967,
1641
+ "learning_rate": 2.6259981550085504e-05,
1642
+ "loss": 0.0001,
1643
+ "num_input_tokens_seen": 146864,
1644
+ "step": 965
1645
+ },
1646
+ {
1647
+ "epoch": 5.388888888888889,
1648
+ "grad_norm": 0.02147284708917141,
1649
+ "learning_rate": 2.60178273360899e-05,
1650
+ "loss": 0.1137,
1651
+ "num_input_tokens_seen": 147632,
1652
+ "step": 970
1653
+ },
1654
+ {
1655
+ "epoch": 5.416666666666667,
1656
+ "grad_norm": 0.050694871693849564,
1657
+ "learning_rate": 2.5775577429036345e-05,
1658
+ "loss": 0.0001,
1659
+ "num_input_tokens_seen": 148416,
1660
+ "step": 975
1661
+ },
1662
+ {
1663
+ "epoch": 5.444444444444445,
1664
+ "grad_norm": 0.00253108749166131,
1665
+ "learning_rate": 2.553325460453086e-05,
1666
+ "loss": 0.0002,
1667
+ "num_input_tokens_seen": 149152,
1668
+ "step": 980
1669
+ },
1670
+ {
1671
+ "epoch": 5.472222222222222,
1672
+ "grad_norm": 0.0020968341268599033,
1673
+ "learning_rate": 2.5290881645034932e-05,
1674
+ "loss": 0.0,
1675
+ "num_input_tokens_seen": 149920,
1676
+ "step": 985
1677
+ },
1678
+ {
1679
+ "epoch": 5.5,
1680
+ "grad_norm": 0.0030508909840136766,
1681
+ "learning_rate": 2.504848133772358e-05,
1682
+ "loss": 0.0001,
1683
+ "num_input_tokens_seen": 150672,
1684
+ "step": 990
1685
+ },
1686
+ {
1687
+ "epoch": 5.5,
1688
+ "eval_loss": 0.19481489062309265,
1689
+ "eval_runtime": 0.898,
1690
+ "eval_samples_per_second": 44.542,
1691
+ "eval_steps_per_second": 22.271,
1692
+ "num_input_tokens_seen": 150672,
1693
+ "step": 990
1694
+ },
1695
+ {
1696
+ "epoch": 5.527777777777778,
1697
+ "grad_norm": 0.0028975855093449354,
1698
+ "learning_rate": 2.4806076472342997e-05,
1699
+ "loss": 0.0001,
1700
+ "num_input_tokens_seen": 151424,
1701
+ "step": 995
1702
+ },
1703
+ {
1704
+ "epoch": 5.555555555555555,
1705
+ "grad_norm": 0.0023356874007731676,
1706
+ "learning_rate": 2.4563689839067913e-05,
1707
+ "loss": 0.0001,
1708
+ "num_input_tokens_seen": 152160,
1709
+ "step": 1000
1710
+ },
1711
+ {
1712
+ "epoch": 5.583333333333333,
1713
+ "grad_norm": 0.002313376637175679,
1714
+ "learning_rate": 2.432134422635893e-05,
1715
+ "loss": 0.0005,
1716
+ "num_input_tokens_seen": 152960,
1717
+ "step": 1005
1718
+ },
1719
+ {
1720
+ "epoch": 5.611111111111111,
1721
+ "grad_norm": 0.0026274356059730053,
1722
+ "learning_rate": 2.4079062418820002e-05,
1723
+ "loss": 0.0001,
1724
+ "num_input_tokens_seen": 153728,
1725
+ "step": 1010
1726
+ },
1727
+ {
1728
+ "epoch": 5.638888888888889,
1729
+ "grad_norm": 0.0016156655037775636,
1730
+ "learning_rate": 2.3836867195056335e-05,
1731
+ "loss": 0.0,
1732
+ "num_input_tokens_seen": 154496,
1733
+ "step": 1015
1734
+ },
1735
+ {
1736
+ "epoch": 5.666666666666667,
1737
+ "grad_norm": 0.011947419494390488,
1738
+ "learning_rate": 2.3594781325532784e-05,
1739
+ "loss": 0.0002,
1740
+ "num_input_tokens_seen": 155280,
1741
+ "step": 1020
1742
+ },
1743
+ {
1744
+ "epoch": 5.694444444444445,
1745
+ "grad_norm": 0.02961958572268486,
1746
+ "learning_rate": 2.3352827570433036e-05,
1747
+ "loss": 0.0001,
1748
+ "num_input_tokens_seen": 156064,
1749
+ "step": 1025
1750
+ },
1751
+ {
1752
+ "epoch": 5.722222222222222,
1753
+ "grad_norm": 0.07261377573013306,
1754
+ "learning_rate": 2.3111028677519804e-05,
1755
+ "loss": 0.0001,
1756
+ "num_input_tokens_seen": 156816,
1757
+ "step": 1030
1758
+ },
1759
+ {
1760
+ "epoch": 5.75,
1761
+ "grad_norm": 0.003121615620329976,
1762
+ "learning_rate": 2.2869407379996088e-05,
1763
+ "loss": 0.0,
1764
+ "num_input_tokens_seen": 157568,
1765
+ "step": 1035
1766
+ },
1767
+ {
1768
+ "epoch": 5.777777777777778,
1769
+ "grad_norm": 0.003354340326040983,
1770
+ "learning_rate": 2.2627986394367938e-05,
1771
+ "loss": 0.0,
1772
+ "num_input_tokens_seen": 158320,
1773
+ "step": 1040
1774
+ },
1775
+ {
1776
+ "epoch": 5.805555555555555,
1777
+ "grad_norm": 0.005908883176743984,
1778
+ "learning_rate": 2.238678841830867e-05,
1779
+ "loss": 0.0,
1780
+ "num_input_tokens_seen": 159056,
1781
+ "step": 1045
1782
+ },
1783
+ {
1784
+ "epoch": 5.833333333333333,
1785
+ "grad_norm": 0.16055719554424286,
1786
+ "learning_rate": 2.2145836128524902e-05,
1787
+ "loss": 0.0003,
1788
+ "num_input_tokens_seen": 159792,
1789
+ "step": 1050
1790
+ },
1791
+ {
1792
+ "epoch": 5.861111111111111,
1793
+ "grad_norm": 0.001806123647838831,
1794
+ "learning_rate": 2.1905152178624595e-05,
1795
+ "loss": 0.0,
1796
+ "num_input_tokens_seen": 160544,
1797
+ "step": 1055
1798
+ },
1799
+ {
1800
+ "epoch": 5.888888888888889,
1801
+ "grad_norm": 0.00291000516153872,
1802
+ "learning_rate": 2.1664759196987182e-05,
1803
+ "loss": 0.0784,
1804
+ "num_input_tokens_seen": 161296,
1805
+ "step": 1060
1806
+ },
1807
+ {
1808
+ "epoch": 5.916666666666667,
1809
+ "grad_norm": 0.11329387873411179,
1810
+ "learning_rate": 2.1424679784636144e-05,
1811
+ "loss": 0.0002,
1812
+ "num_input_tokens_seen": 162048,
1813
+ "step": 1065
1814
+ },
1815
+ {
1816
+ "epoch": 5.944444444444445,
1817
+ "grad_norm": 0.001582896220497787,
1818
+ "learning_rate": 2.118493651311413e-05,
1819
+ "loss": 0.0,
1820
+ "num_input_tokens_seen": 162816,
1821
+ "step": 1070
1822
+ },
1823
+ {
1824
+ "epoch": 5.972222222222222,
1825
+ "grad_norm": 0.0024200803600251675,
1826
+ "learning_rate": 2.0945551922360818e-05,
1827
+ "loss": 0.0002,
1828
+ "num_input_tokens_seen": 163584,
1829
+ "step": 1075
1830
+ },
1831
+ {
1832
+ "epoch": 6.0,
1833
+ "grad_norm": 0.0025788673665374517,
1834
+ "learning_rate": 2.070654851859383e-05,
1835
+ "loss": 0.0,
1836
+ "num_input_tokens_seen": 164336,
1837
+ "step": 1080
1838
+ },
1839
+ {
1840
+ "epoch": 6.0,
1841
+ "eval_loss": 0.20146259665489197,
1842
+ "eval_runtime": 0.8911,
1843
+ "eval_samples_per_second": 44.887,
1844
+ "eval_steps_per_second": 22.444,
1845
+ "num_input_tokens_seen": 164336,
1846
+ "step": 1080
1847
+ },
1848
+ {
1849
+ "epoch": 6.027777777777778,
1850
+ "grad_norm": 0.0012250063009560108,
1851
+ "learning_rate": 2.0467948772192713e-05,
1852
+ "loss": 0.0,
1853
+ "num_input_tokens_seen": 165088,
1854
+ "step": 1085
1855
+ },
1856
+ {
1857
+ "epoch": 6.055555555555555,
1858
+ "grad_norm": 0.002738215960562229,
1859
+ "learning_rate": 2.022977511558638e-05,
1860
+ "loss": 0.0,
1861
+ "num_input_tokens_seen": 165856,
1862
+ "step": 1090
1863
+ },
1864
+ {
1865
+ "epoch": 6.083333333333333,
1866
+ "grad_norm": 0.05658820644021034,
1867
+ "learning_rate": 1.9992049941144066e-05,
1868
+ "loss": 0.0001,
1869
+ "num_input_tokens_seen": 166624,
1870
+ "step": 1095
1871
+ },
1872
+ {
1873
+ "epoch": 6.111111111111111,
1874
+ "grad_norm": 0.0015246145194396377,
1875
+ "learning_rate": 1.9754795599070068e-05,
1876
+ "loss": 0.0001,
1877
+ "num_input_tokens_seen": 167360,
1878
+ "step": 1100
1879
+ },
1880
+ {
1881
+ "epoch": 6.138888888888889,
1882
+ "grad_norm": 0.00705633033066988,
1883
+ "learning_rate": 1.9518034395302414e-05,
1884
+ "loss": 0.0,
1885
+ "num_input_tokens_seen": 168112,
1886
+ "step": 1105
1887
+ },
1888
+ {
1889
+ "epoch": 6.166666666666667,
1890
+ "grad_norm": 0.0018693690653890371,
1891
+ "learning_rate": 1.9281788589415804e-05,
1892
+ "loss": 0.0,
1893
+ "num_input_tokens_seen": 168864,
1894
+ "step": 1110
1895
+ },
1896
+ {
1897
+ "epoch": 6.194444444444445,
1898
+ "grad_norm": 0.002476233523339033,
1899
+ "learning_rate": 1.9046080392528735e-05,
1900
+ "loss": 0.0001,
1901
+ "num_input_tokens_seen": 169616,
1902
+ "step": 1115
1903
+ },
1904
+ {
1905
+ "epoch": 6.222222222222222,
1906
+ "grad_norm": 0.0015990459360182285,
1907
+ "learning_rate": 1.8810931965215356e-05,
1908
+ "loss": 0.0001,
1909
+ "num_input_tokens_seen": 170416,
1910
+ "step": 1120
1911
+ },
1912
+ {
1913
+ "epoch": 6.25,
1914
+ "grad_norm": 0.07700612396001816,
1915
+ "learning_rate": 1.857636541542195e-05,
1916
+ "loss": 0.0002,
1917
+ "num_input_tokens_seen": 171184,
1918
+ "step": 1125
1919
+ },
1920
+ {
1921
+ "epoch": 6.277777777777778,
1922
+ "grad_norm": 0.002112372312694788,
1923
+ "learning_rate": 1.8342402796388445e-05,
1924
+ "loss": 0.1835,
1925
+ "num_input_tokens_seen": 171936,
1926
+ "step": 1130
1927
+ },
1928
+ {
1929
+ "epoch": 6.305555555555555,
1930
+ "grad_norm": 0.8381811380386353,
1931
+ "learning_rate": 1.8109066104575023e-05,
1932
+ "loss": 0.0007,
1933
+ "num_input_tokens_seen": 172688,
1934
+ "step": 1135
1935
+ },
1936
+ {
1937
+ "epoch": 6.333333333333333,
1938
+ "grad_norm": 0.003225484397262335,
1939
+ "learning_rate": 1.7876377277594053e-05,
1940
+ "loss": 0.0106,
1941
+ "num_input_tokens_seen": 173456,
1942
+ "step": 1140
1943
+ },
1944
+ {
1945
+ "epoch": 6.361111111111111,
1946
+ "grad_norm": 0.0008982580038718879,
1947
+ "learning_rate": 1.764435819214762e-05,
1948
+ "loss": 0.0,
1949
+ "num_input_tokens_seen": 174176,
1950
+ "step": 1145
1951
+ },
1952
+ {
1953
+ "epoch": 6.388888888888889,
1954
+ "grad_norm": 0.0012918318388983607,
1955
+ "learning_rate": 1.7413030661970742e-05,
1956
+ "loss": 0.0,
1957
+ "num_input_tokens_seen": 174912,
1958
+ "step": 1150
1959
+ },
1960
+ {
1961
+ "epoch": 6.416666666666667,
1962
+ "grad_norm": 0.0027255413588136435,
1963
+ "learning_rate": 1.7182416435780454e-05,
1964
+ "loss": 0.0,
1965
+ "num_input_tokens_seen": 175680,
1966
+ "step": 1155
1967
+ },
1968
+ {
1969
+ "epoch": 6.444444444444445,
1970
+ "grad_norm": 0.052055828273296356,
1971
+ "learning_rate": 1.695253719523115e-05,
1972
+ "loss": 0.0001,
1973
+ "num_input_tokens_seen": 176448,
1974
+ "step": 1160
1975
+ },
1976
+ {
1977
+ "epoch": 6.472222222222222,
1978
+ "grad_norm": 0.00360573991201818,
1979
+ "learning_rate": 1.672341455287605e-05,
1980
+ "loss": 0.0,
1981
+ "num_input_tokens_seen": 177216,
1982
+ "step": 1165
1983
+ },
1984
+ {
1985
+ "epoch": 6.5,
1986
+ "grad_norm": 0.020261406898498535,
1987
+ "learning_rate": 1.649507005013532e-05,
1988
+ "loss": 0.0001,
1989
+ "num_input_tokens_seen": 177968,
1990
+ "step": 1170
1991
+ },
1992
+ {
1993
+ "epoch": 6.5,
1994
+ "eval_loss": 0.19643399119377136,
1995
+ "eval_runtime": 0.895,
1996
+ "eval_samples_per_second": 44.695,
1997
+ "eval_steps_per_second": 22.347,
1998
+ "num_input_tokens_seen": 177968,
1999
+ "step": 1170
2000
+ },
2001
+ {
2002
+ "epoch": 6.527777777777778,
2003
+ "grad_norm": 0.013305317610502243,
2004
+ "learning_rate": 1.6267525155270773e-05,
2005
+ "loss": 0.0001,
2006
+ "num_input_tokens_seen": 178768,
2007
+ "step": 1175
2008
+ },
2009
+ {
2010
+ "epoch": 6.555555555555555,
2011
+ "grad_norm": 0.0017271782271564007,
2012
+ "learning_rate": 1.6040801261367493e-05,
2013
+ "loss": 0.0,
2014
+ "num_input_tokens_seen": 179488,
2015
+ "step": 1180
2016
+ },
2017
+ {
2018
+ "epoch": 6.583333333333333,
2019
+ "grad_norm": 0.001645921729505062,
2020
+ "learning_rate": 1.5814919684322545e-05,
2021
+ "loss": 0.0001,
2022
+ "num_input_tokens_seen": 180240,
2023
+ "step": 1185
2024
+ },
2025
+ {
2026
+ "epoch": 6.611111111111111,
2027
+ "grad_norm": 0.04658055305480957,
2028
+ "learning_rate": 1.5589901660840896e-05,
2029
+ "loss": 0.0001,
2030
+ "num_input_tokens_seen": 180992,
2031
+ "step": 1190
2032
+ },
2033
+ {
2034
+ "epoch": 6.638888888888889,
2035
+ "grad_norm": 6.15234899520874,
2036
+ "learning_rate": 1.5365768346438797e-05,
2037
+ "loss": 0.0024,
2038
+ "num_input_tokens_seen": 181760,
2039
+ "step": 1195
2040
+ },
2041
+ {
2042
+ "epoch": 6.666666666666667,
2043
+ "grad_norm": 0.0030860521364957094,
2044
+ "learning_rate": 1.5142540813454836e-05,
2045
+ "loss": 0.0,
2046
+ "num_input_tokens_seen": 182528,
2047
+ "step": 1200
2048
+ },
2049
+ {
2050
+ "epoch": 6.694444444444445,
2051
+ "grad_norm": 0.002572861034423113,
2052
+ "learning_rate": 1.4920240049068748e-05,
2053
+ "loss": 0.0001,
2054
+ "num_input_tokens_seen": 183344,
2055
+ "step": 1205
2056
+ },
2057
+ {
2058
+ "epoch": 6.722222222222222,
2059
+ "grad_norm": 0.021335948258638382,
2060
+ "learning_rate": 1.4698886953328292e-05,
2061
+ "loss": 0.0003,
2062
+ "num_input_tokens_seen": 184096,
2063
+ "step": 1210
2064
+ },
2065
+ {
2066
+ "epoch": 6.75,
2067
+ "grad_norm": 43.77614212036133,
2068
+ "learning_rate": 1.4478502337184274e-05,
2069
+ "loss": 0.013,
2070
+ "num_input_tokens_seen": 184832,
2071
+ "step": 1215
2072
+ },
2073
+ {
2074
+ "epoch": 6.777777777777778,
2075
+ "grad_norm": 0.0024675296153873205,
2076
+ "learning_rate": 1.4259106920533955e-05,
2077
+ "loss": 0.0,
2078
+ "num_input_tokens_seen": 185600,
2079
+ "step": 1220
2080
+ },
2081
+ {
2082
+ "epoch": 6.805555555555555,
2083
+ "grad_norm": 0.003566775470972061,
2084
+ "learning_rate": 1.4040721330273062e-05,
2085
+ "loss": 0.0,
2086
+ "num_input_tokens_seen": 186336,
2087
+ "step": 1225
2088
+ },
2089
+ {
2090
+ "epoch": 6.833333333333333,
2091
+ "grad_norm": 0.029065780341625214,
2092
+ "learning_rate": 1.3823366098356487e-05,
2093
+ "loss": 0.0002,
2094
+ "num_input_tokens_seen": 187120,
2095
+ "step": 1230
2096
+ },
2097
+ {
2098
+ "epoch": 6.861111111111111,
2099
+ "grad_norm": 0.0016439430182799697,
2100
+ "learning_rate": 1.3607061659867892e-05,
2101
+ "loss": 0.0,
2102
+ "num_input_tokens_seen": 187872,
2103
+ "step": 1235
2104
+ },
2105
+ {
2106
+ "epoch": 6.888888888888889,
2107
+ "grad_norm": 0.0015073842369019985,
2108
+ "learning_rate": 1.3391828351098578e-05,
2109
+ "loss": 0.0001,
2110
+ "num_input_tokens_seen": 188640,
2111
+ "step": 1240
2112
+ },
2113
+ {
2114
+ "epoch": 6.916666666666667,
2115
+ "grad_norm": 0.0016068222466856241,
2116
+ "learning_rate": 1.3177686407635417e-05,
2117
+ "loss": 0.0001,
2118
+ "num_input_tokens_seen": 189424,
2119
+ "step": 1245
2120
+ },
2121
+ {
2122
+ "epoch": 6.944444444444445,
2123
+ "grad_norm": 0.0016325548058375716,
2124
+ "learning_rate": 1.29646559624584e-05,
2125
+ "loss": 0.0001,
2126
+ "num_input_tokens_seen": 190224,
2127
+ "step": 1250
2128
+ },
2129
+ {
2130
+ "epoch": 6.972222222222222,
2131
+ "grad_norm": 0.0021291859447956085,
2132
+ "learning_rate": 1.2752757044047827e-05,
2133
+ "loss": 0.0,
2134
+ "num_input_tokens_seen": 190992,
2135
+ "step": 1255
2136
+ },
2137
+ {
2138
+ "epoch": 7.0,
2139
+ "grad_norm": 0.002036020625382662,
2140
+ "learning_rate": 1.2542009574501246e-05,
2141
+ "loss": 0.0001,
2142
+ "num_input_tokens_seen": 191760,
2143
+ "step": 1260
2144
+ },
2145
+ {
2146
+ "epoch": 7.0,
2147
+ "eval_loss": 0.19721972942352295,
2148
+ "eval_runtime": 0.9179,
2149
+ "eval_samples_per_second": 43.576,
2150
+ "eval_steps_per_second": 21.788,
2151
+ "num_input_tokens_seen": 191760,
2152
+ "step": 1260
2153
+ },
2154
+ {
2155
+ "epoch": 7.027777777777778,
2156
+ "grad_norm": 0.0014772972790524364,
2157
+ "learning_rate": 1.2332433367660442e-05,
2158
+ "loss": 0.0,
2159
+ "num_input_tokens_seen": 192528,
2160
+ "step": 1265
2161
+ },
2162
+ {
2163
+ "epoch": 7.055555555555555,
2164
+ "grad_norm": 0.0010045369854196906,
2165
+ "learning_rate": 1.2124048127248644e-05,
2166
+ "loss": 0.0001,
2167
+ "num_input_tokens_seen": 193312,
2168
+ "step": 1270
2169
+ },
2170
+ {
2171
+ "epoch": 7.083333333333333,
2172
+ "grad_norm": 0.006242353934794664,
2173
+ "learning_rate": 1.1916873445017982e-05,
2174
+ "loss": 0.0001,
2175
+ "num_input_tokens_seen": 194064,
2176
+ "step": 1275
2177
+ },
2178
+ {
2179
+ "epoch": 7.111111111111111,
2180
+ "grad_norm": 0.02573557011783123,
2181
+ "learning_rate": 1.1710928798907556e-05,
2182
+ "loss": 0.0001,
2183
+ "num_input_tokens_seen": 194832,
2184
+ "step": 1280
2185
+ },
2186
+ {
2187
+ "epoch": 7.138888888888889,
2188
+ "grad_norm": 0.04534817487001419,
2189
+ "learning_rate": 1.1506233551212186e-05,
2190
+ "loss": 0.0003,
2191
+ "num_input_tokens_seen": 195600,
2192
+ "step": 1285
2193
+ },
2194
+ {
2195
+ "epoch": 7.166666666666667,
2196
+ "grad_norm": 0.006147115025669336,
2197
+ "learning_rate": 1.1302806946762004e-05,
2198
+ "loss": 0.0,
2199
+ "num_input_tokens_seen": 196352,
2200
+ "step": 1290
2201
+ },
2202
+ {
2203
+ "epoch": 7.194444444444445,
2204
+ "grad_norm": 0.0012354146456345916,
2205
+ "learning_rate": 1.1100668111113166e-05,
2206
+ "loss": 0.0,
2207
+ "num_input_tokens_seen": 197104,
2208
+ "step": 1295
2209
+ },
2210
+ {
2211
+ "epoch": 7.222222222222222,
2212
+ "grad_norm": 0.07404682040214539,
2213
+ "learning_rate": 1.0899836048749645e-05,
2214
+ "loss": 0.0002,
2215
+ "num_input_tokens_seen": 197856,
2216
+ "step": 1300
2217
+ },
2218
+ {
2219
+ "epoch": 7.25,
2220
+ "grad_norm": 0.0017910490278154612,
2221
+ "learning_rate": 1.0700329641296541e-05,
2222
+ "loss": 0.0,
2223
+ "num_input_tokens_seen": 198592,
2224
+ "step": 1305
2225
+ },
2226
+ {
2227
+ "epoch": 7.277777777777778,
2228
+ "grad_norm": 5.348869800567627,
2229
+ "learning_rate": 1.0502167645744895e-05,
2230
+ "loss": 0.0013,
2231
+ "num_input_tokens_seen": 199360,
2232
+ "step": 1310
2233
+ },
2234
+ {
2235
+ "epoch": 7.305555555555555,
2236
+ "grad_norm": 0.0018137628212571144,
2237
+ "learning_rate": 1.0305368692688174e-05,
2238
+ "loss": 0.0001,
2239
+ "num_input_tokens_seen": 200128,
2240
+ "step": 1315
2241
+ },
2242
+ {
2243
+ "epoch": 7.333333333333333,
2244
+ "grad_norm": 0.0015285219997167587,
2245
+ "learning_rate": 1.01099512845707e-05,
2246
+ "loss": 0.0,
2247
+ "num_input_tokens_seen": 200912,
2248
+ "step": 1320
2249
+ },
2250
+ {
2251
+ "epoch": 7.361111111111111,
2252
+ "grad_norm": 0.002978443168103695,
2253
+ "learning_rate": 9.91593379394811e-06,
2254
+ "loss": 0.0,
2255
+ "num_input_tokens_seen": 201664,
2256
+ "step": 1325
2257
+ },
2258
+ {
2259
+ "epoch": 7.388888888888889,
2260
+ "grad_norm": 0.001245899242348969,
2261
+ "learning_rate": 9.723334461760006e-06,
2262
+ "loss": 0.0,
2263
+ "num_input_tokens_seen": 202416,
2264
+ "step": 1330
2265
+ },
2266
+ {
2267
+ "epoch": 7.416666666666667,
2268
+ "grad_norm": 0.0016263187862932682,
2269
+ "learning_rate": 9.532171395615036e-06,
2270
+ "loss": 0.0,
2271
+ "num_input_tokens_seen": 203184,
2272
+ "step": 1335
2273
+ },
2274
+ {
2275
+ "epoch": 7.444444444444445,
2276
+ "grad_norm": 0.0017977867973968387,
2277
+ "learning_rate": 9.342462568088416e-06,
2278
+ "loss": 0.0,
2279
+ "num_input_tokens_seen": 203968,
2280
+ "step": 1340
2281
+ },
2282
+ {
2283
+ "epoch": 7.472222222222222,
2284
+ "grad_norm": 0.0018679365748539567,
2285
+ "learning_rate": 9.154225815032242e-06,
2286
+ "loss": 0.0,
2287
+ "num_input_tokens_seen": 204736,
2288
+ "step": 1345
2289
+ },
2290
+ {
2291
+ "epoch": 7.5,
2292
+ "grad_norm": 0.0016537755727767944,
2293
+ "learning_rate": 8.967478833898612e-06,
2294
+ "loss": 0.0001,
2295
+ "num_input_tokens_seen": 205504,
2296
+ "step": 1350
2297
+ },
2298
+ {
2299
+ "epoch": 7.5,
2300
+ "eval_loss": 0.20054903626441956,
2301
+ "eval_runtime": 1.0173,
2302
+ "eval_samples_per_second": 39.32,
2303
+ "eval_steps_per_second": 19.66,
2304
+ "num_input_tokens_seen": 205504,
2305
+ "step": 1350
2306
+ },
2307
+ {
2308
+ "epoch": 7.527777777777778,
2309
+ "grad_norm": 0.07628758251667023,
2310
+ "learning_rate": 8.78223918207575e-06,
2311
+ "loss": 0.0001,
2312
+ "num_input_tokens_seen": 206288,
2313
+ "step": 1355
2314
+ },
2315
+ {
2316
+ "epoch": 7.555555555555555,
2317
+ "grad_norm": 0.001097225584089756,
2318
+ "learning_rate": 8.598524275237322e-06,
2319
+ "loss": 0.1587,
2320
+ "num_input_tokens_seen": 207008,
2321
+ "step": 1360
2322
+ },
2323
+ {
2324
+ "epoch": 7.583333333333333,
2325
+ "grad_norm": 0.0016023390926420689,
2326
+ "learning_rate": 8.41635138570507e-06,
2327
+ "loss": 0.0001,
2328
+ "num_input_tokens_seen": 207776,
2329
+ "step": 1365
2330
+ },
2331
+ {
2332
+ "epoch": 7.611111111111111,
2333
+ "grad_norm": 0.0016416008584201336,
2334
+ "learning_rate": 8.235737640824908e-06,
2335
+ "loss": 0.0,
2336
+ "num_input_tokens_seen": 208528,
2337
+ "step": 1370
2338
+ },
2339
+ {
2340
+ "epoch": 7.638888888888889,
2341
+ "grad_norm": 0.0014643091708421707,
2342
+ "learning_rate": 8.056700021356694e-06,
2343
+ "loss": 0.0001,
2344
+ "num_input_tokens_seen": 209280,
2345
+ "step": 1375
2346
+ },
2347
+ {
2348
+ "epoch": 7.666666666666667,
2349
+ "grad_norm": 0.0008804944809526205,
2350
+ "learning_rate": 7.879255359877705e-06,
2351
+ "loss": 0.0001,
2352
+ "num_input_tokens_seen": 210080,
2353
+ "step": 1380
2354
+ },
2355
+ {
2356
+ "epoch": 7.694444444444445,
2357
+ "grad_norm": 0.002069121925160289,
2358
+ "learning_rate": 7.703420339200101e-06,
2359
+ "loss": 0.0,
2360
+ "num_input_tokens_seen": 210832,
2361
+ "step": 1385
2362
+ },
2363
+ {
2364
+ "epoch": 7.722222222222222,
2365
+ "grad_norm": 0.0012066976632922888,
2366
+ "learning_rate": 7.529211490802498e-06,
2367
+ "loss": 0.0002,
2368
+ "num_input_tokens_seen": 211568,
2369
+ "step": 1390
2370
+ },
2371
+ {
2372
+ "epoch": 7.75,
2373
+ "grad_norm": 0.015535800717771053,
2374
+ "learning_rate": 7.3566451932756744e-06,
2375
+ "loss": 0.0,
2376
+ "num_input_tokens_seen": 212320,
2377
+ "step": 1395
2378
+ },
2379
+ {
2380
+ "epoch": 7.777777777777778,
2381
+ "grad_norm": 0.001121603767387569,
2382
+ "learning_rate": 7.185737670782727e-06,
2383
+ "loss": 0.0001,
2384
+ "num_input_tokens_seen": 213088,
2385
+ "step": 1400
2386
+ },
2387
+ {
2388
+ "epoch": 7.805555555555555,
2389
+ "grad_norm": 0.009458635933697224,
2390
+ "learning_rate": 7.016504991533726e-06,
2391
+ "loss": 0.0,
2392
+ "num_input_tokens_seen": 213808,
2393
+ "step": 1405
2394
+ },
2395
+ {
2396
+ "epoch": 7.833333333333333,
2397
+ "grad_norm": 0.07546650618314743,
2398
+ "learning_rate": 6.848963066275027e-06,
2399
+ "loss": 0.0003,
2400
+ "num_input_tokens_seen": 214544,
2401
+ "step": 1410
2402
+ },
2403
+ {
2404
+ "epoch": 7.861111111111111,
2405
+ "grad_norm": 0.0016303466400131583,
2406
+ "learning_rate": 6.683127646793411e-06,
2407
+ "loss": 0.0001,
2408
+ "num_input_tokens_seen": 215328,
2409
+ "step": 1415
2410
+ },
2411
+ {
2412
+ "epoch": 7.888888888888889,
2413
+ "grad_norm": 0.0015782971167936921,
2414
+ "learning_rate": 6.519014324435102e-06,
2415
+ "loss": 0.0,
2416
+ "num_input_tokens_seen": 216080,
2417
+ "step": 1420
2418
+ },
2419
+ {
2420
+ "epoch": 7.916666666666667,
2421
+ "grad_norm": 0.0021568036172538996,
2422
+ "learning_rate": 6.356638528639955e-06,
2423
+ "loss": 0.0,
2424
+ "num_input_tokens_seen": 216848,
2425
+ "step": 1425
2426
+ },
2427
+ {
2428
+ "epoch": 7.944444444444445,
2429
+ "grad_norm": 0.03259359672665596,
2430
+ "learning_rate": 6.196015525490825e-06,
2431
+ "loss": 0.0012,
2432
+ "num_input_tokens_seen": 217632,
2433
+ "step": 1430
2434
+ },
2435
+ {
2436
+ "epoch": 7.972222222222222,
2437
+ "grad_norm": 0.04973651096224785,
2438
+ "learning_rate": 6.037160416278278e-06,
2439
+ "loss": 0.0001,
2440
+ "num_input_tokens_seen": 218400,
2441
+ "step": 1435
2442
+ },
2443
+ {
2444
+ "epoch": 8.0,
2445
+ "grad_norm": 0.0013207773445174098,
2446
+ "learning_rate": 5.880088136080814e-06,
2447
+ "loss": 0.0,
2448
+ "num_input_tokens_seen": 219200,
2449
+ "step": 1440
2450
+ },
2451
+ {
2452
+ "epoch": 8.0,
2453
+ "eval_loss": 0.20432357490062714,
2454
+ "eval_runtime": 0.8946,
2455
+ "eval_samples_per_second": 44.712,
2456
+ "eval_steps_per_second": 22.356,
2457
+ "num_input_tokens_seen": 219200,
2458
+ "step": 1440
2459
+ },
2460
+ {
2461
+ "epoch": 8.027777777777779,
2462
+ "grad_norm": 0.004510511644184589,
2463
+ "learning_rate": 5.724813452360736e-06,
2464
+ "loss": 0.0001,
2465
+ "num_input_tokens_seen": 219984,
2466
+ "step": 1445
2467
+ },
2468
+ {
2469
+ "epoch": 8.055555555555555,
2470
+ "grad_norm": 0.052503470331430435,
2471
+ "learning_rate": 5.571350963575728e-06,
2472
+ "loss": 0.0003,
2473
+ "num_input_tokens_seen": 220784,
2474
+ "step": 1450
2475
+ },
2476
+ {
2477
+ "epoch": 8.083333333333334,
2478
+ "grad_norm": 0.0020534901414066553,
2479
+ "learning_rate": 5.4197150978063965e-06,
2480
+ "loss": 0.0,
2481
+ "num_input_tokens_seen": 221536,
2482
+ "step": 1455
2483
+ },
2484
+ {
2485
+ "epoch": 8.11111111111111,
2486
+ "grad_norm": 0.0017636361299082637,
2487
+ "learning_rate": 5.269920111399732e-06,
2488
+ "loss": 0.0,
2489
+ "num_input_tokens_seen": 222256,
2490
+ "step": 1460
2491
+ },
2492
+ {
2493
+ "epoch": 8.13888888888889,
2494
+ "grad_norm": 0.0010547855636104941,
2495
+ "learning_rate": 5.121980087628803e-06,
2496
+ "loss": 0.0,
2497
+ "num_input_tokens_seen": 223024,
2498
+ "step": 1465
2499
+ },
2500
+ {
2501
+ "epoch": 8.166666666666666,
2502
+ "grad_norm": 0.008152388036251068,
2503
+ "learning_rate": 4.975908935368701e-06,
2504
+ "loss": 0.0001,
2505
+ "num_input_tokens_seen": 223760,
2506
+ "step": 1470
2507
+ },
2508
+ {
2509
+ "epoch": 8.194444444444445,
2510
+ "grad_norm": 0.8113831281661987,
2511
+ "learning_rate": 4.831720387788827e-06,
2512
+ "loss": 0.0003,
2513
+ "num_input_tokens_seen": 224528,
2514
+ "step": 1475
2515
+ },
2516
+ {
2517
+ "epoch": 8.222222222222221,
2518
+ "grad_norm": 0.002010009717196226,
2519
+ "learning_rate": 4.689428001061774e-06,
2520
+ "loss": 0.0001,
2521
+ "num_input_tokens_seen": 225296,
2522
+ "step": 1480
2523
+ },
2524
+ {
2525
+ "epoch": 8.25,
2526
+ "grad_norm": 0.22730909287929535,
2527
+ "learning_rate": 4.549045153088813e-06,
2528
+ "loss": 0.0002,
2529
+ "num_input_tokens_seen": 226032,
2530
+ "step": 1485
2531
+ },
2532
+ {
2533
+ "epoch": 8.277777777777779,
2534
+ "grad_norm": 0.0012671926524490118,
2535
+ "learning_rate": 4.410585042242124e-06,
2536
+ "loss": 0.0001,
2537
+ "num_input_tokens_seen": 226768,
2538
+ "step": 1490
2539
+ },
2540
+ {
2541
+ "epoch": 8.305555555555555,
2542
+ "grad_norm": 0.0022841296158730984,
2543
+ "learning_rate": 4.274060686123959e-06,
2544
+ "loss": 0.0001,
2545
+ "num_input_tokens_seen": 227552,
2546
+ "step": 1495
2547
+ },
2548
+ {
2549
+ "epoch": 8.333333333333334,
2550
+ "grad_norm": 0.0012009363854303956,
2551
+ "learning_rate": 4.1394849203427284e-06,
2552
+ "loss": 0.0,
2553
+ "num_input_tokens_seen": 228336,
2554
+ "step": 1500
2555
+ },
2556
+ {
2557
+ "epoch": 8.36111111111111,
2558
+ "grad_norm": 0.021565040573477745,
2559
+ "learning_rate": 4.006870397306256e-06,
2560
+ "loss": 0.0002,
2561
+ "num_input_tokens_seen": 229088,
2562
+ "step": 1505
2563
+ },
2564
+ {
2565
+ "epoch": 8.38888888888889,
2566
+ "grad_norm": 0.0008409732836298645,
2567
+ "learning_rate": 3.876229585032245e-06,
2568
+ "loss": 0.0,
2569
+ "num_input_tokens_seen": 229840,
2570
+ "step": 1510
2571
+ },
2572
+ {
2573
+ "epoch": 8.416666666666666,
2574
+ "grad_norm": 0.0019264855654910207,
2575
+ "learning_rate": 3.7475747659760502e-06,
2576
+ "loss": 0.0,
2577
+ "num_input_tokens_seen": 230608,
2578
+ "step": 1515
2579
+ },
2580
+ {
2581
+ "epoch": 8.444444444444445,
2582
+ "grad_norm": 0.0012031939113512635,
2583
+ "learning_rate": 3.6209180358759394e-06,
2584
+ "loss": 0.0,
2585
+ "num_input_tokens_seen": 231360,
2586
+ "step": 1520
2587
+ },
2588
+ {
2589
+ "epoch": 8.472222222222221,
2590
+ "grad_norm": 0.0017787732649594545,
2591
+ "learning_rate": 3.4962713026158694e-06,
2592
+ "loss": 0.0002,
2593
+ "num_input_tokens_seen": 232160,
2594
+ "step": 1525
2595
+ },
2596
+ {
2597
+ "epoch": 8.5,
2598
+ "grad_norm": 0.02529619075357914,
2599
+ "learning_rate": 3.373646285105958e-06,
2600
+ "loss": 0.0,
2601
+ "num_input_tokens_seen": 232896,
2602
+ "step": 1530
2603
+ },
2604
+ {
2605
+ "epoch": 8.5,
2606
+ "eval_loss": 0.1972600668668747,
2607
+ "eval_runtime": 0.8977,
2608
+ "eval_samples_per_second": 44.558,
2609
+ "eval_steps_per_second": 22.279,
2610
+ "num_input_tokens_seen": 232896,
2611
+ "step": 1530
2612
+ },
2613
+ {
2614
+ "epoch": 8.527777777777779,
2615
+ "grad_norm": 0.0014007817953824997,
2616
+ "learning_rate": 3.2530545121807145e-06,
2617
+ "loss": 0.0001,
2618
+ "num_input_tokens_seen": 233680,
2619
+ "step": 1535
2620
+ },
2621
+ {
2622
+ "epoch": 8.555555555555555,
2623
+ "grad_norm": 0.014800156466662884,
2624
+ "learning_rate": 3.1345073215151066e-06,
2625
+ "loss": 0.0,
2626
+ "num_input_tokens_seen": 234464,
2627
+ "step": 1540
2628
+ },
2629
+ {
2630
+ "epoch": 8.583333333333334,
2631
+ "grad_norm": 0.0012088757939636707,
2632
+ "learning_rate": 3.0180158585586397e-06,
2633
+ "loss": 0.0001,
2634
+ "num_input_tokens_seen": 235184,
2635
+ "step": 1545
2636
+ },
2637
+ {
2638
+ "epoch": 8.61111111111111,
2639
+ "grad_norm": 0.0011525284498929977,
2640
+ "learning_rate": 2.9035910754875136e-06,
2641
+ "loss": 0.0001,
2642
+ "num_input_tokens_seen": 235984,
2643
+ "step": 1550
2644
+ },
2645
+ {
2646
+ "epoch": 8.63888888888889,
2647
+ "grad_norm": 0.06784788519144058,
2648
+ "learning_rate": 2.7912437301749026e-06,
2649
+ "loss": 0.0001,
2650
+ "num_input_tokens_seen": 236720,
2651
+ "step": 1555
2652
+ },
2653
+ {
2654
+ "epoch": 8.666666666666666,
2655
+ "grad_norm": 0.024774013087153435,
2656
+ "learning_rate": 2.6809843851795357e-06,
2657
+ "loss": 0.0,
2658
+ "num_input_tokens_seen": 237456,
2659
+ "step": 1560
2660
+ },
2661
+ {
2662
+ "epoch": 8.694444444444445,
2663
+ "grad_norm": 0.0015475035179406404,
2664
+ "learning_rate": 2.57282340675267e-06,
2665
+ "loss": 0.0,
2666
+ "num_input_tokens_seen": 238240,
2667
+ "step": 1565
2668
+ },
2669
+ {
2670
+ "epoch": 8.722222222222221,
2671
+ "grad_norm": 0.0015052126254886389,
2672
+ "learning_rate": 2.4667709638634434e-06,
2673
+ "loss": 0.134,
2674
+ "num_input_tokens_seen": 238992,
2675
+ "step": 1570
2676
+ },
2677
+ {
2678
+ "epoch": 8.75,
2679
+ "grad_norm": 0.002601168816909194,
2680
+ "learning_rate": 2.3628370272428564e-06,
2681
+ "loss": 0.0,
2682
+ "num_input_tokens_seen": 239776,
2683
+ "step": 1575
2684
+ },
2685
+ {
2686
+ "epoch": 8.777777777777779,
2687
+ "grad_norm": 0.0026071418542414904,
2688
+ "learning_rate": 2.2610313684463177e-06,
2689
+ "loss": 0.0,
2690
+ "num_input_tokens_seen": 240528,
2691
+ "step": 1580
2692
+ },
2693
+ {
2694
+ "epoch": 8.805555555555555,
2695
+ "grad_norm": 0.0014425113331526518,
2696
+ "learning_rate": 2.1613635589349756e-06,
2697
+ "loss": 0.0,
2698
+ "num_input_tokens_seen": 241280,
2699
+ "step": 1585
2700
+ },
2701
+ {
2702
+ "epoch": 8.833333333333334,
2703
+ "grad_norm": 0.0016695759259164333,
2704
+ "learning_rate": 2.063842969175847e-06,
2705
+ "loss": 0.0,
2706
+ "num_input_tokens_seen": 242048,
2707
+ "step": 1590
2708
+ },
2709
+ {
2710
+ "epoch": 8.86111111111111,
2711
+ "grad_norm": 0.009643935598433018,
2712
+ "learning_rate": 1.968478767760812e-06,
2713
+ "loss": 0.0,
2714
+ "num_input_tokens_seen": 242816,
2715
+ "step": 1595
2716
+ },
2717
+ {
2718
+ "epoch": 8.88888888888889,
2719
+ "grad_norm": 0.001525353523902595,
2720
+ "learning_rate": 1.8752799205445982e-06,
2721
+ "loss": 0.0,
2722
+ "num_input_tokens_seen": 243584,
2723
+ "step": 1600
2724
+ },
2725
+ {
2726
+ "epoch": 8.916666666666666,
2727
+ "grad_norm": 0.002979699755087495,
2728
+ "learning_rate": 1.784255189801895e-06,
2729
+ "loss": 0.0,
2730
+ "num_input_tokens_seen": 244336,
2731
+ "step": 1605
2732
+ },
2733
+ {
2734
+ "epoch": 8.944444444444445,
2735
+ "grad_norm": 0.008621761575341225,
2736
+ "learning_rate": 1.6954131334034922e-06,
2737
+ "loss": 0.0001,
2738
+ "num_input_tokens_seen": 245072,
2739
+ "step": 1610
2740
+ },
2741
+ {
2742
+ "epoch": 8.972222222222221,
2743
+ "grad_norm": 0.0019121435470879078,
2744
+ "learning_rate": 1.6087621040117157e-06,
2745
+ "loss": 0.0,
2746
+ "num_input_tokens_seen": 245824,
2747
+ "step": 1615
2748
+ },
2749
+ {
2750
+ "epoch": 9.0,
2751
+ "grad_norm": 0.039212632924318314,
2752
+ "learning_rate": 1.524310248295152e-06,
2753
+ "loss": 0.0001,
2754
+ "num_input_tokens_seen": 246592,
2755
+ "step": 1620
2756
+ },
2757
+ {
2758
+ "epoch": 9.0,
2759
+ "eval_loss": 0.20404863357543945,
2760
+ "eval_runtime": 0.9073,
2761
+ "eval_samples_per_second": 44.087,
2762
+ "eval_steps_per_second": 22.044,
2763
+ "num_input_tokens_seen": 246592,
2764
+ "step": 1620
2765
+ },
2766
+ {
2767
+ "epoch": 9.027777777777779,
2768
+ "grad_norm": 0.0018777285004034638,
2769
+ "learning_rate": 1.4420655061626932e-06,
2770
+ "loss": 0.0,
2771
+ "num_input_tokens_seen": 247360,
2772
+ "step": 1625
2773
+ },
2774
+ {
2775
+ "epoch": 9.055555555555555,
2776
+ "grad_norm": 0.02277091145515442,
2777
+ "learning_rate": 1.362035610017079e-06,
2778
+ "loss": 0.0001,
2779
+ "num_input_tokens_seen": 248160,
2780
+ "step": 1630
2781
+ },
2782
+ {
2783
+ "epoch": 9.083333333333334,
2784
+ "grad_norm": 0.0013543771347030997,
2785
+ "learning_rate": 1.2842280840278997e-06,
2786
+ "loss": 0.0001,
2787
+ "num_input_tokens_seen": 248912,
2788
+ "step": 1635
2789
+ },
2790
+ {
2791
+ "epoch": 9.11111111111111,
2792
+ "grad_norm": 0.001997560728341341,
2793
+ "learning_rate": 1.2086502434241865e-06,
2794
+ "loss": 0.0,
2795
+ "num_input_tokens_seen": 249680,
2796
+ "step": 1640
2797
+ },
2798
+ {
2799
+ "epoch": 9.13888888888889,
2800
+ "grad_norm": 0.00147831451613456,
2801
+ "learning_rate": 1.1353091938067023e-06,
2802
+ "loss": 0.0,
2803
+ "num_input_tokens_seen": 250400,
2804
+ "step": 1645
2805
+ },
2806
+ {
2807
+ "epoch": 9.166666666666666,
2808
+ "grad_norm": 0.03436870872974396,
2809
+ "learning_rate": 1.0642118304798442e-06,
2810
+ "loss": 0.0001,
2811
+ "num_input_tokens_seen": 251136,
2812
+ "step": 1650
2813
+ },
2814
+ {
2815
+ "epoch": 9.194444444444445,
2816
+ "grad_norm": 0.0011072098277509212,
2817
+ "learning_rate": 9.95364837803392e-07,
2818
+ "loss": 0.0,
2819
+ "num_input_tokens_seen": 251920,
2820
+ "step": 1655
2821
+ },
2822
+ {
2823
+ "epoch": 9.222222222222221,
2824
+ "grad_norm": 0.012758857570588589,
2825
+ "learning_rate": 9.287746885640603e-07,
2826
+ "loss": 0.0,
2827
+ "num_input_tokens_seen": 252656,
2828
+ "step": 1660
2829
+ },
2830
+ {
2831
+ "epoch": 9.25,
2832
+ "grad_norm": 0.0020957046654075384,
2833
+ "learning_rate": 8.64447643366953e-07,
2834
+ "loss": 0.0,
2835
+ "num_input_tokens_seen": 253456,
2836
+ "step": 1665
2837
+ },
2838
+ {
2839
+ "epoch": 9.277777777777779,
2840
+ "grad_norm": 0.0014656794955953956,
2841
+ "learning_rate": 8.023897500469391e-07,
2842
+ "loss": 0.0,
2843
+ "num_input_tokens_seen": 254208,
2844
+ "step": 1670
2845
+ },
2846
+ {
2847
+ "epoch": 9.305555555555555,
2848
+ "grad_norm": 0.0010977443307638168,
2849
+ "learning_rate": 7.426068431000882e-07,
2850
+ "loss": 0.0001,
2851
+ "num_input_tokens_seen": 254976,
2852
+ "step": 1675
2853
+ },
2854
+ {
2855
+ "epoch": 9.333333333333334,
2856
+ "grad_norm": 0.0014999699778854847,
2857
+ "learning_rate": 6.851045431350927e-07,
2858
+ "loss": 0.0002,
2859
+ "num_input_tokens_seen": 255728,
2860
+ "step": 1680
2861
+ },
2862
+ {
2863
+ "epoch": 9.36111111111111,
2864
+ "grad_norm": 0.00202179211191833,
2865
+ "learning_rate": 6.298882563448599e-07,
2866
+ "loss": 0.1258,
2867
+ "num_input_tokens_seen": 256464,
2868
+ "step": 1685
2869
+ },
2870
+ {
2871
+ "epoch": 9.38888888888889,
2872
+ "grad_norm": 0.003387672360986471,
2873
+ "learning_rate": 5.769631739982267e-07,
2874
+ "loss": 0.0,
2875
+ "num_input_tokens_seen": 257216,
2876
+ "step": 1690
2877
+ },
2878
+ {
2879
+ "epoch": 9.416666666666666,
2880
+ "grad_norm": 0.0013138880021870136,
2881
+ "learning_rate": 5.263342719518921e-07,
2882
+ "loss": 0.0,
2883
+ "num_input_tokens_seen": 258000,
2884
+ "step": 1695
2885
+ },
2886
+ {
2887
+ "epoch": 9.444444444444445,
2888
+ "grad_norm": 0.004265029914677143,
2889
+ "learning_rate": 4.780063101826132e-07,
2890
+ "loss": 0.0001,
2891
+ "num_input_tokens_seen": 258768,
2892
+ "step": 1700
2893
+ },
2894
+ {
2895
+ "epoch": 9.472222222222221,
2896
+ "grad_norm": 0.0014389421558007598,
2897
+ "learning_rate": 4.319838323396691e-07,
2898
+ "loss": 0.0,
2899
+ "num_input_tokens_seen": 259536,
2900
+ "step": 1705
2901
+ },
2902
+ {
2903
+ "epoch": 9.5,
2904
+ "grad_norm": 0.0019381530582904816,
2905
+ "learning_rate": 3.88271165317694e-07,
2906
+ "loss": 0.0,
2907
+ "num_input_tokens_seen": 260320,
2908
+ "step": 1710
2909
+ },
2910
+ {
2911
+ "epoch": 9.5,
2912
+ "eval_loss": 0.1979570835828781,
2913
+ "eval_runtime": 0.8827,
2914
+ "eval_samples_per_second": 45.316,
2915
+ "eval_steps_per_second": 22.658,
2916
+ "num_input_tokens_seen": 260320,
2917
+ "step": 1710
2918
+ },
2919
+ {
2920
+ "epoch": 9.527777777777779,
2921
+ "grad_norm": 0.001763106556609273,
2922
+ "learning_rate": 3.468724188498751e-07,
2923
+ "loss": 0.0002,
2924
+ "num_input_tokens_seen": 261056,
2925
+ "step": 1715
2926
+ },
2927
+ {
2928
+ "epoch": 9.555555555555555,
2929
+ "grad_norm": 0.0015600565820932388,
2930
+ "learning_rate": 3.077914851215585e-07,
2931
+ "loss": 0.0,
2932
+ "num_input_tokens_seen": 261808,
2933
+ "step": 1720
2934
+ },
2935
+ {
2936
+ "epoch": 9.583333333333334,
2937
+ "grad_norm": 0.02792200818657875,
2938
+ "learning_rate": 2.71032038404323e-07,
2939
+ "loss": 0.0002,
2940
+ "num_input_tokens_seen": 262576,
2941
+ "step": 1725
2942
+ },
2943
+ {
2944
+ "epoch": 9.61111111111111,
2945
+ "grad_norm": 0.0016239579999819398,
2946
+ "learning_rate": 2.365975347105448e-07,
2947
+ "loss": 0.0001,
2948
+ "num_input_tokens_seen": 263312,
2949
+ "step": 1730
2950
+ },
2951
+ {
2952
+ "epoch": 9.63888888888889,
2953
+ "grad_norm": 0.052164334803819656,
2954
+ "learning_rate": 2.0449121146845774e-07,
2955
+ "loss": 0.0001,
2956
+ "num_input_tokens_seen": 264064,
2957
+ "step": 1735
2958
+ },
2959
+ {
2960
+ "epoch": 9.666666666666666,
2961
+ "grad_norm": 0.0016509494744241238,
2962
+ "learning_rate": 1.747160872177883e-07,
2963
+ "loss": 0.0001,
2964
+ "num_input_tokens_seen": 264816,
2965
+ "step": 1740
2966
+ },
2967
+ {
2968
+ "epoch": 9.694444444444445,
2969
+ "grad_norm": 0.06074906513094902,
2970
+ "learning_rate": 1.472749613259661e-07,
2971
+ "loss": 0.0001,
2972
+ "num_input_tokens_seen": 265584,
2973
+ "step": 1745
2974
+ },
2975
+ {
2976
+ "epoch": 9.722222222222221,
2977
+ "grad_norm": 0.002588711678981781,
2978
+ "learning_rate": 1.22170413724923e-07,
2979
+ "loss": 0.0,
2980
+ "num_input_tokens_seen": 266320,
2981
+ "step": 1750
2982
+ },
2983
+ {
2984
+ "epoch": 9.75,
2985
+ "grad_norm": 0.019099904224276543,
2986
+ "learning_rate": 9.940480466855417e-08,
2987
+ "loss": 0.0,
2988
+ "num_input_tokens_seen": 267072,
2989
+ "step": 1755
2990
+ },
2991
+ {
2992
+ "epoch": 9.777777777777779,
2993
+ "grad_norm": 0.0015253141755238175,
2994
+ "learning_rate": 7.898027451078982e-08,
2995
+ "loss": 0.0,
2996
+ "num_input_tokens_seen": 267840,
2997
+ "step": 1760
2998
+ },
2999
+ {
3000
+ "epoch": 9.805555555555555,
3001
+ "grad_norm": 0.0014633400132879615,
3002
+ "learning_rate": 6.089874350439506e-08,
3003
+ "loss": 0.0,
3004
+ "num_input_tokens_seen": 268592,
3005
+ "step": 1765
3006
+ },
3007
+ {
3008
+ "epoch": 9.833333333333334,
3009
+ "grad_norm": 0.0010498091578483582,
3010
+ "learning_rate": 4.516191162040051e-08,
3011
+ "loss": 0.0001,
3012
+ "num_input_tokens_seen": 269344,
3013
+ "step": 1770
3014
+ },
3015
+ {
3016
+ "epoch": 9.86111111111111,
3017
+ "grad_norm": 0.003073125844821334,
3018
+ "learning_rate": 3.177125838830786e-08,
3019
+ "loss": 0.0001,
3020
+ "num_input_tokens_seen": 270112,
3021
+ "step": 1775
3022
+ },
3023
+ {
3024
+ "epoch": 9.88888888888889,
3025
+ "grad_norm": 0.032370708882808685,
3026
+ "learning_rate": 2.0728042756967824e-08,
3027
+ "loss": 0.0001,
3028
+ "num_input_tokens_seen": 270880,
3029
+ "step": 1780
3030
+ },
3031
+ {
3032
+ "epoch": 9.916666666666666,
3033
+ "grad_norm": 0.26500117778778076,
3034
+ "learning_rate": 1.2033302976222071e-08,
3035
+ "loss": 0.0001,
3036
+ "num_input_tokens_seen": 271664,
3037
+ "step": 1785
3038
+ },
3039
+ {
3040
+ "epoch": 9.944444444444445,
3041
+ "grad_norm": 0.008083530701696873,
3042
+ "learning_rate": 5.687856499297928e-09,
3043
+ "loss": 0.0001,
3044
+ "num_input_tokens_seen": 272384,
3045
+ "step": 1790
3046
+ },
3047
+ {
3048
+ "epoch": 9.972222222222221,
3049
+ "grad_norm": 0.0012048567878082395,
3050
+ "learning_rate": 1.692299905944883e-09,
3051
+ "loss": 0.0001,
3052
+ "num_input_tokens_seen": 273168,
3053
+ "step": 1795
3054
+ },
3055
+ {
3056
+ "epoch": 10.0,
3057
+ "grad_norm": 0.0026044242549687624,
3058
+ "learning_rate": 4.700884634611935e-11,
3059
+ "loss": 0.0002,
3060
+ "num_input_tokens_seen": 273936,
3061
+ "step": 1800
3062
+ },
3063
+ {
3064
+ "epoch": 10.0,
3065
+ "eval_loss": 0.19950854778289795,
3066
+ "eval_runtime": 0.8838,
3067
+ "eval_samples_per_second": 45.26,
3068
+ "eval_steps_per_second": 22.63,
3069
+ "num_input_tokens_seen": 273936,
3070
+ "step": 1800
3071
+ },
3072
+ {
3073
+ "epoch": 10.0,
3074
+ "num_input_tokens_seen": 273936,
3075
+ "step": 1800,
3076
+ "total_flos": 1.3438495585861632e+16,
3077
+ "train_loss": 0.044879560974069234,
3078
+ "train_runtime": 814.6797,
3079
+ "train_samples_per_second": 4.419,
3080
+ "train_steps_per_second": 2.209
3081
+ }
3082
+ ],
3083
+ "logging_steps": 5,
3084
+ "max_steps": 1800,
3085
+ "num_input_tokens_seen": 273936,
3086
+ "num_train_epochs": 10,
3087
+ "save_steps": 90,
3088
+ "stateful_callbacks": {
3089
+ "TrainerControl": {
3090
+ "args": {
3091
+ "should_epoch_stop": false,
3092
+ "should_evaluate": false,
3093
+ "should_log": false,
3094
+ "should_save": true,
3095
+ "should_training_stop": true
3096
+ },
3097
+ "attributes": {}
3098
+ }
3099
+ },
3100
+ "total_flos": 1.3438495585861632e+16,
3101
+ "train_batch_size": 2,
3102
+ "trial_name": null,
3103
+ "trial_params": null
3104
+ }
training_eval_loss.png ADDED
training_loss.png ADDED