| { | |
| "best_metric": null, | |
| "best_model_checkpoint": null, | |
| "epoch": 10.0, | |
| "eval_steps": 500, | |
| "global_step": 1200, | |
| "is_hyper_param_search": false, | |
| "is_local_process_zero": true, | |
| "is_world_process_zero": true, | |
| "log_history": [ | |
| { | |
| "epoch": 0.008333333333333333, | |
| "grad_norm": 120.0, | |
| "learning_rate": 1.6666666666666667e-06, | |
| "loss": 23.2208, | |
| "step": 1 | |
| }, | |
| { | |
| "epoch": 0.041666666666666664, | |
| "grad_norm": 108.0, | |
| "learning_rate": 8.333333333333334e-06, | |
| "loss": 22.3863, | |
| "step": 5 | |
| }, | |
| { | |
| "epoch": 0.08333333333333333, | |
| "grad_norm": 89.5, | |
| "learning_rate": 1.6666666666666667e-05, | |
| "loss": 20.201, | |
| "step": 10 | |
| }, | |
| { | |
| "epoch": 0.125, | |
| "grad_norm": 32.0, | |
| "learning_rate": 2.5e-05, | |
| "loss": 15.5897, | |
| "step": 15 | |
| }, | |
| { | |
| "epoch": 0.16666666666666666, | |
| "grad_norm": 25.5, | |
| "learning_rate": 3.3333333333333335e-05, | |
| "loss": 13.9721, | |
| "step": 20 | |
| }, | |
| { | |
| "epoch": 0.20833333333333334, | |
| "grad_norm": 20.375, | |
| "learning_rate": 4.166666666666667e-05, | |
| "loss": 12.549, | |
| "step": 25 | |
| }, | |
| { | |
| "epoch": 0.25, | |
| "grad_norm": 5.15625, | |
| "learning_rate": 5e-05, | |
| "loss": 9.902, | |
| "step": 30 | |
| }, | |
| { | |
| "epoch": 0.2916666666666667, | |
| "grad_norm": 7.375, | |
| "learning_rate": 5.833333333333334e-05, | |
| "loss": 9.2506, | |
| "step": 35 | |
| }, | |
| { | |
| "epoch": 0.3333333333333333, | |
| "grad_norm": 3.0625, | |
| "learning_rate": 6.666666666666667e-05, | |
| "loss": 9.3509, | |
| "step": 40 | |
| }, | |
| { | |
| "epoch": 0.375, | |
| "grad_norm": 6.03125, | |
| "learning_rate": 7.500000000000001e-05, | |
| "loss": 8.6313, | |
| "step": 45 | |
| }, | |
| { | |
| "epoch": 0.4166666666666667, | |
| "grad_norm": 10.8125, | |
| "learning_rate": 8.333333333333334e-05, | |
| "loss": 8.1781, | |
| "step": 50 | |
| }, | |
| { | |
| "epoch": 0.4583333333333333, | |
| "grad_norm": 21.875, | |
| "learning_rate": 9.166666666666667e-05, | |
| "loss": 6.1168, | |
| "step": 55 | |
| }, | |
| { | |
| "epoch": 0.5, | |
| "grad_norm": 3.640625, | |
| "learning_rate": 0.0001, | |
| "loss": 3.5536, | |
| "step": 60 | |
| }, | |
| { | |
| "epoch": 0.5416666666666666, | |
| "grad_norm": 2.671875, | |
| "learning_rate": 0.00010833333333333333, | |
| "loss": 2.7801, | |
| "step": 65 | |
| }, | |
| { | |
| "epoch": 0.5833333333333334, | |
| "grad_norm": 1.4609375, | |
| "learning_rate": 0.00011666666666666668, | |
| "loss": 2.9275, | |
| "step": 70 | |
| }, | |
| { | |
| "epoch": 0.625, | |
| "grad_norm": 1.546875, | |
| "learning_rate": 0.000125, | |
| "loss": 2.7622, | |
| "step": 75 | |
| }, | |
| { | |
| "epoch": 0.6666666666666666, | |
| "grad_norm": 6.0625, | |
| "learning_rate": 0.00013333333333333334, | |
| "loss": 2.8203, | |
| "step": 80 | |
| }, | |
| { | |
| "epoch": 0.7083333333333334, | |
| "grad_norm": 3.765625, | |
| "learning_rate": 0.00014166666666666668, | |
| "loss": 2.627, | |
| "step": 85 | |
| }, | |
| { | |
| "epoch": 0.75, | |
| "grad_norm": 2.03125, | |
| "learning_rate": 0.00015000000000000001, | |
| "loss": 2.5998, | |
| "step": 90 | |
| }, | |
| { | |
| "epoch": 0.7916666666666666, | |
| "grad_norm": 2.453125, | |
| "learning_rate": 0.00015833333333333332, | |
| "loss": 2.638, | |
| "step": 95 | |
| }, | |
| { | |
| "epoch": 0.8333333333333334, | |
| "grad_norm": 1.8828125, | |
| "learning_rate": 0.0001666666666666667, | |
| "loss": 2.561, | |
| "step": 100 | |
| }, | |
| { | |
| "epoch": 0.875, | |
| "grad_norm": 1.5625, | |
| "learning_rate": 0.000175, | |
| "loss": 2.5675, | |
| "step": 105 | |
| }, | |
| { | |
| "epoch": 0.9166666666666666, | |
| "grad_norm": 4.0625, | |
| "learning_rate": 0.00018333333333333334, | |
| "loss": 2.4268, | |
| "step": 110 | |
| }, | |
| { | |
| "epoch": 0.9583333333333334, | |
| "grad_norm": 1.9296875, | |
| "learning_rate": 0.00019166666666666667, | |
| "loss": 2.2916, | |
| "step": 115 | |
| }, | |
| { | |
| "epoch": 1.0, | |
| "grad_norm": 2.234375, | |
| "learning_rate": 0.0002, | |
| "loss": 2.357, | |
| "step": 120 | |
| }, | |
| { | |
| "epoch": 1.0, | |
| "eval_loss": 2.2526559829711914, | |
| "eval_runtime": 22.5811, | |
| "eval_samples_per_second": 4.606, | |
| "eval_steps_per_second": 1.151, | |
| "step": 120 | |
| }, | |
| { | |
| "epoch": 1.0416666666666667, | |
| "grad_norm": 1.3828125, | |
| "learning_rate": 0.00019998942319271077, | |
| "loss": 2.2039, | |
| "step": 125 | |
| }, | |
| { | |
| "epoch": 1.0833333333333333, | |
| "grad_norm": 1.890625, | |
| "learning_rate": 0.0001999576950082201, | |
| "loss": 2.6306, | |
| "step": 130 | |
| }, | |
| { | |
| "epoch": 1.125, | |
| "grad_norm": 1.546875, | |
| "learning_rate": 0.0001999048221581858, | |
| "loss": 2.3529, | |
| "step": 135 | |
| }, | |
| { | |
| "epoch": 1.1666666666666667, | |
| "grad_norm": 1.53125, | |
| "learning_rate": 0.00019983081582712685, | |
| "loss": 2.1073, | |
| "step": 140 | |
| }, | |
| { | |
| "epoch": 1.2083333333333333, | |
| "grad_norm": 19.0, | |
| "learning_rate": 0.00019973569167005723, | |
| "loss": 2.6663, | |
| "step": 145 | |
| }, | |
| { | |
| "epoch": 1.25, | |
| "grad_norm": 1.59375, | |
| "learning_rate": 0.00019961946980917456, | |
| "loss": 2.1206, | |
| "step": 150 | |
| }, | |
| { | |
| "epoch": 1.2916666666666667, | |
| "grad_norm": 1.3828125, | |
| "learning_rate": 0.0001994821748296033, | |
| "loss": 2.358, | |
| "step": 155 | |
| }, | |
| { | |
| "epoch": 1.3333333333333333, | |
| "grad_norm": 1.1640625, | |
| "learning_rate": 0.00019932383577419432, | |
| "loss": 2.2704, | |
| "step": 160 | |
| }, | |
| { | |
| "epoch": 1.375, | |
| "grad_norm": 2.953125, | |
| "learning_rate": 0.00019914448613738106, | |
| "loss": 2.4684, | |
| "step": 165 | |
| }, | |
| { | |
| "epoch": 1.4166666666666667, | |
| "grad_norm": 1.6796875, | |
| "learning_rate": 0.00019894416385809444, | |
| "loss": 2.2589, | |
| "step": 170 | |
| }, | |
| { | |
| "epoch": 1.4583333333333333, | |
| "grad_norm": 1.453125, | |
| "learning_rate": 0.00019872291131173742, | |
| "loss": 2.0498, | |
| "step": 175 | |
| }, | |
| { | |
| "epoch": 1.5, | |
| "grad_norm": 0.9375, | |
| "learning_rate": 0.00019848077530122083, | |
| "loss": 2.1424, | |
| "step": 180 | |
| }, | |
| { | |
| "epoch": 1.5416666666666665, | |
| "grad_norm": 1.3046875, | |
| "learning_rate": 0.00019821780704706307, | |
| "loss": 2.0694, | |
| "step": 185 | |
| }, | |
| { | |
| "epoch": 1.5833333333333335, | |
| "grad_norm": 1.5390625, | |
| "learning_rate": 0.00019793406217655517, | |
| "loss": 2.265, | |
| "step": 190 | |
| }, | |
| { | |
| "epoch": 1.625, | |
| "grad_norm": 1.4921875, | |
| "learning_rate": 0.00019762960071199333, | |
| "loss": 2.0767, | |
| "step": 195 | |
| }, | |
| { | |
| "epoch": 1.6666666666666665, | |
| "grad_norm": 3.671875, | |
| "learning_rate": 0.00019730448705798239, | |
| "loss": 2.1, | |
| "step": 200 | |
| }, | |
| { | |
| "epoch": 1.7083333333333335, | |
| "grad_norm": 1.015625, | |
| "learning_rate": 0.0001969587899878116, | |
| "loss": 2.1602, | |
| "step": 205 | |
| }, | |
| { | |
| "epoch": 1.75, | |
| "grad_norm": 1.0390625, | |
| "learning_rate": 0.00019659258262890683, | |
| "loss": 2.0545, | |
| "step": 210 | |
| }, | |
| { | |
| "epoch": 1.7916666666666665, | |
| "grad_norm": 1.09375, | |
| "learning_rate": 0.00019620594244736133, | |
| "loss": 2.0273, | |
| "step": 215 | |
| }, | |
| { | |
| "epoch": 1.8333333333333335, | |
| "grad_norm": 0.90234375, | |
| "learning_rate": 0.0001957989512315489, | |
| "loss": 2.0589, | |
| "step": 220 | |
| }, | |
| { | |
| "epoch": 1.875, | |
| "grad_norm": 0.98828125, | |
| "learning_rate": 0.0001953716950748227, | |
| "loss": 2.2168, | |
| "step": 225 | |
| }, | |
| { | |
| "epoch": 1.9166666666666665, | |
| "grad_norm": 1.875, | |
| "learning_rate": 0.0001949242643573034, | |
| "loss": 1.9791, | |
| "step": 230 | |
| }, | |
| { | |
| "epoch": 1.9583333333333335, | |
| "grad_norm": 2.90625, | |
| "learning_rate": 0.0001944567537267605, | |
| "loss": 2.244, | |
| "step": 235 | |
| }, | |
| { | |
| "epoch": 2.0, | |
| "grad_norm": 1.96875, | |
| "learning_rate": 0.00019396926207859084, | |
| "loss": 1.8805, | |
| "step": 240 | |
| }, | |
| { | |
| "epoch": 2.0, | |
| "eval_loss": 1.8900933265686035, | |
| "eval_runtime": 22.6149, | |
| "eval_samples_per_second": 4.599, | |
| "eval_steps_per_second": 1.15, | |
| "step": 240 | |
| }, | |
| { | |
| "epoch": 2.0416666666666665, | |
| "grad_norm": 1.328125, | |
| "learning_rate": 0.00019346189253489885, | |
| "loss": 1.7162, | |
| "step": 245 | |
| }, | |
| { | |
| "epoch": 2.0833333333333335, | |
| "grad_norm": 1.140625, | |
| "learning_rate": 0.00019293475242268223, | |
| "loss": 1.6133, | |
| "step": 250 | |
| }, | |
| { | |
| "epoch": 2.125, | |
| "grad_norm": 1.4140625, | |
| "learning_rate": 0.0001923879532511287, | |
| "loss": 1.529, | |
| "step": 255 | |
| }, | |
| { | |
| "epoch": 2.1666666666666665, | |
| "grad_norm": 1.2421875, | |
| "learning_rate": 0.00019182161068802741, | |
| "loss": 1.6521, | |
| "step": 260 | |
| }, | |
| { | |
| "epoch": 2.2083333333333335, | |
| "grad_norm": 1.1484375, | |
| "learning_rate": 0.00019123584453530144, | |
| "loss": 1.7569, | |
| "step": 265 | |
| }, | |
| { | |
| "epoch": 2.25, | |
| "grad_norm": 1.390625, | |
| "learning_rate": 0.000190630778703665, | |
| "loss": 1.4932, | |
| "step": 270 | |
| }, | |
| { | |
| "epoch": 2.2916666666666665, | |
| "grad_norm": 1.265625, | |
| "learning_rate": 0.00019000654118641211, | |
| "loss": 1.7407, | |
| "step": 275 | |
| }, | |
| { | |
| "epoch": 2.3333333333333335, | |
| "grad_norm": 1.7109375, | |
| "learning_rate": 0.00018936326403234125, | |
| "loss": 1.6984, | |
| "step": 280 | |
| }, | |
| { | |
| "epoch": 2.375, | |
| "grad_norm": 1.1796875, | |
| "learning_rate": 0.00018870108331782217, | |
| "loss": 1.7803, | |
| "step": 285 | |
| }, | |
| { | |
| "epoch": 2.4166666666666665, | |
| "grad_norm": 1.453125, | |
| "learning_rate": 0.00018802013911801112, | |
| "loss": 1.8513, | |
| "step": 290 | |
| }, | |
| { | |
| "epoch": 2.4583333333333335, | |
| "grad_norm": 1.1875, | |
| "learning_rate": 0.0001873205754772196, | |
| "loss": 1.6966, | |
| "step": 295 | |
| }, | |
| { | |
| "epoch": 2.5, | |
| "grad_norm": 1.390625, | |
| "learning_rate": 0.00018660254037844388, | |
| "loss": 1.6205, | |
| "step": 300 | |
| }, | |
| { | |
| "epoch": 2.5416666666666665, | |
| "grad_norm": 1.640625, | |
| "learning_rate": 0.00018586618571206134, | |
| "loss": 1.8264, | |
| "step": 305 | |
| }, | |
| { | |
| "epoch": 2.5833333333333335, | |
| "grad_norm": 1.28125, | |
| "learning_rate": 0.00018511166724369997, | |
| "loss": 1.7517, | |
| "step": 310 | |
| }, | |
| { | |
| "epoch": 2.625, | |
| "grad_norm": 1.328125, | |
| "learning_rate": 0.0001843391445812886, | |
| "loss": 1.6381, | |
| "step": 315 | |
| }, | |
| { | |
| "epoch": 2.6666666666666665, | |
| "grad_norm": 1.5859375, | |
| "learning_rate": 0.00018354878114129367, | |
| "loss": 1.5737, | |
| "step": 320 | |
| }, | |
| { | |
| "epoch": 2.7083333333333335, | |
| "grad_norm": 1.375, | |
| "learning_rate": 0.00018274074411415105, | |
| "loss": 1.4307, | |
| "step": 325 | |
| }, | |
| { | |
| "epoch": 2.75, | |
| "grad_norm": 2.140625, | |
| "learning_rate": 0.0001819152044288992, | |
| "loss": 1.5472, | |
| "step": 330 | |
| }, | |
| { | |
| "epoch": 2.7916666666666665, | |
| "grad_norm": 1.5703125, | |
| "learning_rate": 0.00018107233671702124, | |
| "loss": 1.6712, | |
| "step": 335 | |
| }, | |
| { | |
| "epoch": 2.8333333333333335, | |
| "grad_norm": 1.296875, | |
| "learning_rate": 0.0001802123192755044, | |
| "loss": 1.6829, | |
| "step": 340 | |
| }, | |
| { | |
| "epoch": 2.875, | |
| "grad_norm": 1.65625, | |
| "learning_rate": 0.00017933533402912354, | |
| "loss": 1.6765, | |
| "step": 345 | |
| }, | |
| { | |
| "epoch": 2.9166666666666665, | |
| "grad_norm": 1.234375, | |
| "learning_rate": 0.00017844156649195759, | |
| "loss": 1.534, | |
| "step": 350 | |
| }, | |
| { | |
| "epoch": 2.9583333333333335, | |
| "grad_norm": 1.40625, | |
| "learning_rate": 0.0001775312057281466, | |
| "loss": 1.4458, | |
| "step": 355 | |
| }, | |
| { | |
| "epoch": 3.0, | |
| "grad_norm": 1.484375, | |
| "learning_rate": 0.0001766044443118978, | |
| "loss": 1.5884, | |
| "step": 360 | |
| }, | |
| { | |
| "epoch": 3.0, | |
| "eval_loss": 1.6506251096725464, | |
| "eval_runtime": 22.6518, | |
| "eval_samples_per_second": 4.591, | |
| "eval_steps_per_second": 1.148, | |
| "step": 360 | |
| }, | |
| { | |
| "epoch": 3.0416666666666665, | |
| "grad_norm": 1.671875, | |
| "learning_rate": 0.00017566147828674931, | |
| "loss": 1.1334, | |
| "step": 365 | |
| }, | |
| { | |
| "epoch": 3.0833333333333335, | |
| "grad_norm": 2.359375, | |
| "learning_rate": 0.0001747025071240996, | |
| "loss": 1.3137, | |
| "step": 370 | |
| }, | |
| { | |
| "epoch": 3.125, | |
| "grad_norm": 1.34375, | |
| "learning_rate": 0.0001737277336810124, | |
| "loss": 1.2017, | |
| "step": 375 | |
| }, | |
| { | |
| "epoch": 3.1666666666666665, | |
| "grad_norm": 1.6484375, | |
| "learning_rate": 0.00017273736415730488, | |
| "loss": 1.2455, | |
| "step": 380 | |
| }, | |
| { | |
| "epoch": 3.2083333333333335, | |
| "grad_norm": 1.828125, | |
| "learning_rate": 0.00017173160805192893, | |
| "loss": 1.041, | |
| "step": 385 | |
| }, | |
| { | |
| "epoch": 3.25, | |
| "grad_norm": 1.609375, | |
| "learning_rate": 0.00017071067811865476, | |
| "loss": 1.1316, | |
| "step": 390 | |
| }, | |
| { | |
| "epoch": 3.2916666666666665, | |
| "grad_norm": 1.53125, | |
| "learning_rate": 0.0001696747903210655, | |
| "loss": 0.8524, | |
| "step": 395 | |
| }, | |
| { | |
| "epoch": 3.3333333333333335, | |
| "grad_norm": 1.4609375, | |
| "learning_rate": 0.0001686241637868734, | |
| "loss": 1.0369, | |
| "step": 400 | |
| }, | |
| { | |
| "epoch": 3.375, | |
| "grad_norm": 2.0, | |
| "learning_rate": 0.00016755902076156604, | |
| "loss": 1.0085, | |
| "step": 405 | |
| }, | |
| { | |
| "epoch": 3.4166666666666665, | |
| "grad_norm": 1.3359375, | |
| "learning_rate": 0.00016647958656139378, | |
| "loss": 1.275, | |
| "step": 410 | |
| }, | |
| { | |
| "epoch": 3.4583333333333335, | |
| "grad_norm": 1.5625, | |
| "learning_rate": 0.00016538608952570698, | |
| "loss": 1.2037, | |
| "step": 415 | |
| }, | |
| { | |
| "epoch": 3.5, | |
| "grad_norm": 1.4921875, | |
| "learning_rate": 0.00016427876096865394, | |
| "loss": 0.9427, | |
| "step": 420 | |
| }, | |
| { | |
| "epoch": 3.5416666666666665, | |
| "grad_norm": 1.46875, | |
| "learning_rate": 0.00016315783513024977, | |
| "loss": 1.0746, | |
| "step": 425 | |
| }, | |
| { | |
| "epoch": 3.5833333333333335, | |
| "grad_norm": 1.7109375, | |
| "learning_rate": 0.000162023549126826, | |
| "loss": 1.1905, | |
| "step": 430 | |
| }, | |
| { | |
| "epoch": 3.625, | |
| "grad_norm": 1.546875, | |
| "learning_rate": 0.00016087614290087208, | |
| "loss": 1.047, | |
| "step": 435 | |
| }, | |
| { | |
| "epoch": 3.6666666666666665, | |
| "grad_norm": 1.8515625, | |
| "learning_rate": 0.00015971585917027862, | |
| "loss": 0.9996, | |
| "step": 440 | |
| }, | |
| { | |
| "epoch": 3.7083333333333335, | |
| "grad_norm": 1.609375, | |
| "learning_rate": 0.00015854294337699408, | |
| "loss": 1.0106, | |
| "step": 445 | |
| }, | |
| { | |
| "epoch": 3.75, | |
| "grad_norm": 1.328125, | |
| "learning_rate": 0.0001573576436351046, | |
| "loss": 1.6606, | |
| "step": 450 | |
| }, | |
| { | |
| "epoch": 3.7916666666666665, | |
| "grad_norm": 1.6484375, | |
| "learning_rate": 0.0001561602106783493, | |
| "loss": 0.9552, | |
| "step": 455 | |
| }, | |
| { | |
| "epoch": 3.8333333333333335, | |
| "grad_norm": 1.7734375, | |
| "learning_rate": 0.0001549508978070806, | |
| "loss": 1.2775, | |
| "step": 460 | |
| }, | |
| { | |
| "epoch": 3.875, | |
| "grad_norm": 1.59375, | |
| "learning_rate": 0.0001537299608346824, | |
| "loss": 0.8644, | |
| "step": 465 | |
| }, | |
| { | |
| "epoch": 3.9166666666666665, | |
| "grad_norm": 1.65625, | |
| "learning_rate": 0.000152497658033456, | |
| "loss": 1.1973, | |
| "step": 470 | |
| }, | |
| { | |
| "epoch": 3.9583333333333335, | |
| "grad_norm": 1.7578125, | |
| "learning_rate": 0.00015125425007998653, | |
| "loss": 1.0881, | |
| "step": 475 | |
| }, | |
| { | |
| "epoch": 4.0, | |
| "grad_norm": 1.421875, | |
| "learning_rate": 0.00015000000000000001, | |
| "loss": 0.976, | |
| "step": 480 | |
| }, | |
| { | |
| "epoch": 4.0, | |
| "eval_loss": 1.4923341274261475, | |
| "eval_runtime": 22.6533, | |
| "eval_samples_per_second": 4.591, | |
| "eval_steps_per_second": 1.148, | |
| "step": 480 | |
| }, | |
| { | |
| "epoch": 4.041666666666667, | |
| "grad_norm": 1.9609375, | |
| "learning_rate": 0.00014873517311272423, | |
| "loss": 0.8099, | |
| "step": 485 | |
| }, | |
| { | |
| "epoch": 4.083333333333333, | |
| "grad_norm": 1.578125, | |
| "learning_rate": 0.00014746003697476404, | |
| "loss": 0.7811, | |
| "step": 490 | |
| }, | |
| { | |
| "epoch": 4.125, | |
| "grad_norm": 1.71875, | |
| "learning_rate": 0.00014617486132350343, | |
| "loss": 0.891, | |
| "step": 495 | |
| }, | |
| { | |
| "epoch": 4.166666666666667, | |
| "grad_norm": 1.5390625, | |
| "learning_rate": 0.00014487991802004623, | |
| "loss": 1.0188, | |
| "step": 500 | |
| }, | |
| { | |
| "epoch": 4.208333333333333, | |
| "grad_norm": 1.9140625, | |
| "learning_rate": 0.00014357548099170795, | |
| "loss": 0.7671, | |
| "step": 505 | |
| }, | |
| { | |
| "epoch": 4.25, | |
| "grad_norm": 1.6953125, | |
| "learning_rate": 0.00014226182617406996, | |
| "loss": 0.656, | |
| "step": 510 | |
| }, | |
| { | |
| "epoch": 4.291666666666667, | |
| "grad_norm": 1.4609375, | |
| "learning_rate": 0.00014093923145260925, | |
| "loss": 0.7351, | |
| "step": 515 | |
| }, | |
| { | |
| "epoch": 4.333333333333333, | |
| "grad_norm": 1.6015625, | |
| "learning_rate": 0.0001396079766039157, | |
| "loss": 0.6366, | |
| "step": 520 | |
| }, | |
| { | |
| "epoch": 4.375, | |
| "grad_norm": 1.921875, | |
| "learning_rate": 0.000138268343236509, | |
| "loss": 1.1278, | |
| "step": 525 | |
| }, | |
| { | |
| "epoch": 4.416666666666667, | |
| "grad_norm": 1.421875, | |
| "learning_rate": 0.00013692061473126845, | |
| "loss": 0.5021, | |
| "step": 530 | |
| }, | |
| { | |
| "epoch": 4.458333333333333, | |
| "grad_norm": 1.5859375, | |
| "learning_rate": 0.0001355650761814877, | |
| "loss": 0.7822, | |
| "step": 535 | |
| }, | |
| { | |
| "epoch": 4.5, | |
| "grad_norm": 1.7890625, | |
| "learning_rate": 0.00013420201433256689, | |
| "loss": 0.653, | |
| "step": 540 | |
| }, | |
| { | |
| "epoch": 4.541666666666667, | |
| "grad_norm": 1.59375, | |
| "learning_rate": 0.00013283171752135614, | |
| "loss": 0.7442, | |
| "step": 545 | |
| }, | |
| { | |
| "epoch": 4.583333333333333, | |
| "grad_norm": 1.5625, | |
| "learning_rate": 0.00013145447561516138, | |
| "loss": 0.7451, | |
| "step": 550 | |
| }, | |
| { | |
| "epoch": 4.625, | |
| "grad_norm": 1.890625, | |
| "learning_rate": 0.00013007057995042732, | |
| "loss": 0.8068, | |
| "step": 555 | |
| }, | |
| { | |
| "epoch": 4.666666666666667, | |
| "grad_norm": 1.6328125, | |
| "learning_rate": 0.00012868032327110904, | |
| "loss": 0.5302, | |
| "step": 560 | |
| }, | |
| { | |
| "epoch": 4.708333333333333, | |
| "grad_norm": 1.9765625, | |
| "learning_rate": 0.00012728399966674612, | |
| "loss": 0.8653, | |
| "step": 565 | |
| }, | |
| { | |
| "epoch": 4.75, | |
| "grad_norm": 1.578125, | |
| "learning_rate": 0.00012588190451025207, | |
| "loss": 0.6963, | |
| "step": 570 | |
| }, | |
| { | |
| "epoch": 4.791666666666667, | |
| "grad_norm": 1.875, | |
| "learning_rate": 0.0001244743343954324, | |
| "loss": 0.9519, | |
| "step": 575 | |
| }, | |
| { | |
| "epoch": 4.833333333333333, | |
| "grad_norm": 1.7265625, | |
| "learning_rate": 0.00012306158707424403, | |
| "loss": 0.7992, | |
| "step": 580 | |
| }, | |
| { | |
| "epoch": 4.875, | |
| "grad_norm": 1.625, | |
| "learning_rate": 0.00012164396139381029, | |
| "loss": 0.6708, | |
| "step": 585 | |
| }, | |
| { | |
| "epoch": 4.916666666666667, | |
| "grad_norm": 1.921875, | |
| "learning_rate": 0.00012022175723320381, | |
| "loss": 0.5493, | |
| "step": 590 | |
| }, | |
| { | |
| "epoch": 4.958333333333333, | |
| "grad_norm": 1.703125, | |
| "learning_rate": 0.00011879527544001119, | |
| "loss": 0.4953, | |
| "step": 595 | |
| }, | |
| { | |
| "epoch": 5.0, | |
| "grad_norm": 1.4375, | |
| "learning_rate": 0.00011736481776669306, | |
| "loss": 0.494, | |
| "step": 600 | |
| }, | |
| { | |
| "epoch": 5.0, | |
| "eval_loss": 1.4527199268341064, | |
| "eval_runtime": 22.5273, | |
| "eval_samples_per_second": 4.617, | |
| "eval_steps_per_second": 1.154, | |
| "step": 600 | |
| }, | |
| { | |
| "epoch": 5.041666666666667, | |
| "grad_norm": 1.8125, | |
| "learning_rate": 0.00011593068680675228, | |
| "loss": 0.4172, | |
| "step": 605 | |
| }, | |
| { | |
| "epoch": 5.083333333333333, | |
| "grad_norm": 1.6640625, | |
| "learning_rate": 0.00011449318593072466, | |
| "loss": 0.515, | |
| "step": 610 | |
| }, | |
| { | |
| "epoch": 5.125, | |
| "grad_norm": 1.3984375, | |
| "learning_rate": 0.00011305261922200519, | |
| "loss": 0.3984, | |
| "step": 615 | |
| }, | |
| { | |
| "epoch": 5.166666666666667, | |
| "grad_norm": 1.7734375, | |
| "learning_rate": 0.00011160929141252303, | |
| "loss": 0.3962, | |
| "step": 620 | |
| }, | |
| { | |
| "epoch": 5.208333333333333, | |
| "grad_norm": 1.5625, | |
| "learning_rate": 0.00011016350781828019, | |
| "loss": 0.5541, | |
| "step": 625 | |
| }, | |
| { | |
| "epoch": 5.25, | |
| "grad_norm": 1.5546875, | |
| "learning_rate": 0.00010871557427476583, | |
| "loss": 0.5564, | |
| "step": 630 | |
| }, | |
| { | |
| "epoch": 5.291666666666667, | |
| "grad_norm": 1.3671875, | |
| "learning_rate": 0.00010726579707226108, | |
| "loss": 0.6518, | |
| "step": 635 | |
| }, | |
| { | |
| "epoch": 5.333333333333333, | |
| "grad_norm": 1.53125, | |
| "learning_rate": 0.00010581448289104758, | |
| "loss": 0.4448, | |
| "step": 640 | |
| }, | |
| { | |
| "epoch": 5.375, | |
| "grad_norm": 1.4609375, | |
| "learning_rate": 0.00010436193873653361, | |
| "loss": 0.4689, | |
| "step": 645 | |
| }, | |
| { | |
| "epoch": 5.416666666666667, | |
| "grad_norm": 1.578125, | |
| "learning_rate": 0.00010290847187431113, | |
| "loss": 0.3511, | |
| "step": 650 | |
| }, | |
| { | |
| "epoch": 5.458333333333333, | |
| "grad_norm": 1.515625, | |
| "learning_rate": 0.00010145438976515828, | |
| "loss": 0.5423, | |
| "step": 655 | |
| }, | |
| { | |
| "epoch": 5.5, | |
| "grad_norm": 1.6015625, | |
| "learning_rate": 0.0001, | |
| "loss": 0.5626, | |
| "step": 660 | |
| }, | |
| { | |
| "epoch": 5.541666666666667, | |
| "grad_norm": 1.3359375, | |
| "learning_rate": 9.854561023484173e-05, | |
| "loss": 0.5551, | |
| "step": 665 | |
| }, | |
| { | |
| "epoch": 5.583333333333333, | |
| "grad_norm": 2.015625, | |
| "learning_rate": 9.709152812568886e-05, | |
| "loss": 0.3925, | |
| "step": 670 | |
| }, | |
| { | |
| "epoch": 5.625, | |
| "grad_norm": 1.5546875, | |
| "learning_rate": 9.563806126346642e-05, | |
| "loss": 0.5825, | |
| "step": 675 | |
| }, | |
| { | |
| "epoch": 5.666666666666667, | |
| "grad_norm": 1.6484375, | |
| "learning_rate": 9.418551710895243e-05, | |
| "loss": 0.4172, | |
| "step": 680 | |
| }, | |
| { | |
| "epoch": 5.708333333333333, | |
| "grad_norm": 1.6484375, | |
| "learning_rate": 9.273420292773894e-05, | |
| "loss": 0.8449, | |
| "step": 685 | |
| }, | |
| { | |
| "epoch": 5.75, | |
| "grad_norm": 1.75, | |
| "learning_rate": 9.128442572523417e-05, | |
| "loss": 0.6815, | |
| "step": 690 | |
| }, | |
| { | |
| "epoch": 5.791666666666667, | |
| "grad_norm": 1.40625, | |
| "learning_rate": 8.983649218171982e-05, | |
| "loss": 0.5505, | |
| "step": 695 | |
| }, | |
| { | |
| "epoch": 5.833333333333333, | |
| "grad_norm": 1.5703125, | |
| "learning_rate": 8.839070858747697e-05, | |
| "loss": 0.3779, | |
| "step": 700 | |
| }, | |
| { | |
| "epoch": 5.875, | |
| "grad_norm": 1.46875, | |
| "learning_rate": 8.694738077799488e-05, | |
| "loss": 0.4549, | |
| "step": 705 | |
| }, | |
| { | |
| "epoch": 5.916666666666667, | |
| "grad_norm": 1.4921875, | |
| "learning_rate": 8.550681406927535e-05, | |
| "loss": 0.6878, | |
| "step": 710 | |
| }, | |
| { | |
| "epoch": 5.958333333333333, | |
| "grad_norm": 1.65625, | |
| "learning_rate": 8.406931319324776e-05, | |
| "loss": 0.4205, | |
| "step": 715 | |
| }, | |
| { | |
| "epoch": 6.0, | |
| "grad_norm": 1.2109375, | |
| "learning_rate": 8.263518223330697e-05, | |
| "loss": 0.6722, | |
| "step": 720 | |
| }, | |
| { | |
| "epoch": 6.0, | |
| "eval_loss": 1.525636911392212, | |
| "eval_runtime": 22.6057, | |
| "eval_samples_per_second": 4.601, | |
| "eval_steps_per_second": 1.15, | |
| "step": 720 | |
| }, | |
| { | |
| "epoch": 6.041666666666667, | |
| "grad_norm": 1.1484375, | |
| "learning_rate": 8.120472455998882e-05, | |
| "loss": 0.4366, | |
| "step": 725 | |
| }, | |
| { | |
| "epoch": 6.083333333333333, | |
| "grad_norm": 1.75, | |
| "learning_rate": 7.977824276679623e-05, | |
| "loss": 0.436, | |
| "step": 730 | |
| }, | |
| { | |
| "epoch": 6.125, | |
| "grad_norm": 1.21875, | |
| "learning_rate": 7.835603860618972e-05, | |
| "loss": 0.2727, | |
| "step": 735 | |
| }, | |
| { | |
| "epoch": 6.166666666666667, | |
| "grad_norm": 1.4296875, | |
| "learning_rate": 7.693841292575598e-05, | |
| "loss": 0.2859, | |
| "step": 740 | |
| }, | |
| { | |
| "epoch": 6.208333333333333, | |
| "grad_norm": 1.4375, | |
| "learning_rate": 7.552566560456762e-05, | |
| "loss": 0.1582, | |
| "step": 745 | |
| }, | |
| { | |
| "epoch": 6.25, | |
| "grad_norm": 1.2734375, | |
| "learning_rate": 7.411809548974792e-05, | |
| "loss": 0.9857, | |
| "step": 750 | |
| }, | |
| { | |
| "epoch": 6.291666666666667, | |
| "grad_norm": 1.4296875, | |
| "learning_rate": 7.271600033325393e-05, | |
| "loss": 0.179, | |
| "step": 755 | |
| }, | |
| { | |
| "epoch": 6.333333333333333, | |
| "grad_norm": 1.265625, | |
| "learning_rate": 7.131967672889101e-05, | |
| "loss": 0.3008, | |
| "step": 760 | |
| }, | |
| { | |
| "epoch": 6.375, | |
| "grad_norm": 1.5234375, | |
| "learning_rate": 6.992942004957271e-05, | |
| "loss": 0.5605, | |
| "step": 765 | |
| }, | |
| { | |
| "epoch": 6.416666666666667, | |
| "grad_norm": 1.4453125, | |
| "learning_rate": 6.854552438483865e-05, | |
| "loss": 0.7157, | |
| "step": 770 | |
| }, | |
| { | |
| "epoch": 6.458333333333333, | |
| "grad_norm": 1.421875, | |
| "learning_rate": 6.71682824786439e-05, | |
| "loss": 0.553, | |
| "step": 775 | |
| }, | |
| { | |
| "epoch": 6.5, | |
| "grad_norm": 1.4453125, | |
| "learning_rate": 6.579798566743314e-05, | |
| "loss": 0.3089, | |
| "step": 780 | |
| }, | |
| { | |
| "epoch": 6.541666666666667, | |
| "grad_norm": 1.140625, | |
| "learning_rate": 6.443492381851237e-05, | |
| "loss": 0.3487, | |
| "step": 785 | |
| }, | |
| { | |
| "epoch": 6.583333333333333, | |
| "grad_norm": 1.140625, | |
| "learning_rate": 6.307938526873157e-05, | |
| "loss": 0.1653, | |
| "step": 790 | |
| }, | |
| { | |
| "epoch": 6.625, | |
| "grad_norm": 1.4140625, | |
| "learning_rate": 6.173165676349103e-05, | |
| "loss": 0.1644, | |
| "step": 795 | |
| }, | |
| { | |
| "epoch": 6.666666666666667, | |
| "grad_norm": 1.21875, | |
| "learning_rate": 6.039202339608432e-05, | |
| "loss": 0.6784, | |
| "step": 800 | |
| }, | |
| { | |
| "epoch": 6.708333333333333, | |
| "grad_norm": 1.21875, | |
| "learning_rate": 5.906076854739074e-05, | |
| "loss": 0.1487, | |
| "step": 805 | |
| }, | |
| { | |
| "epoch": 6.75, | |
| "grad_norm": 1.1171875, | |
| "learning_rate": 5.773817382593008e-05, | |
| "loss": 0.4259, | |
| "step": 810 | |
| }, | |
| { | |
| "epoch": 6.791666666666667, | |
| "grad_norm": 1.0703125, | |
| "learning_rate": 5.642451900829209e-05, | |
| "loss": 0.2837, | |
| "step": 815 | |
| }, | |
| { | |
| "epoch": 6.833333333333333, | |
| "grad_norm": 1.3359375, | |
| "learning_rate": 5.5120081979953785e-05, | |
| "loss": 0.5631, | |
| "step": 820 | |
| }, | |
| { | |
| "epoch": 6.875, | |
| "grad_norm": 1.1328125, | |
| "learning_rate": 5.382513867649663e-05, | |
| "loss": 0.2979, | |
| "step": 825 | |
| }, | |
| { | |
| "epoch": 6.916666666666667, | |
| "grad_norm": 1.171875, | |
| "learning_rate": 5.253996302523596e-05, | |
| "loss": 0.5848, | |
| "step": 830 | |
| }, | |
| { | |
| "epoch": 6.958333333333333, | |
| "grad_norm": 1.2421875, | |
| "learning_rate": 5.1264826887275776e-05, | |
| "loss": 0.4305, | |
| "step": 835 | |
| }, | |
| { | |
| "epoch": 7.0, | |
| "grad_norm": 1.234375, | |
| "learning_rate": 5.000000000000002e-05, | |
| "loss": 0.4155, | |
| "step": 840 | |
| }, | |
| { | |
| "epoch": 7.0, | |
| "eval_loss": 1.6936991214752197, | |
| "eval_runtime": 22.6399, | |
| "eval_samples_per_second": 4.594, | |
| "eval_steps_per_second": 1.148, | |
| "step": 840 | |
| }, | |
| { | |
| "epoch": 7.041666666666667, | |
| "grad_norm": 0.73828125, | |
| "learning_rate": 4.8745749920013486e-05, | |
| "loss": 0.6698, | |
| "step": 845 | |
| }, | |
| { | |
| "epoch": 7.083333333333333, | |
| "grad_norm": 0.875, | |
| "learning_rate": 4.7502341966544e-05, | |
| "loss": 0.2309, | |
| "step": 850 | |
| }, | |
| { | |
| "epoch": 7.125, | |
| "grad_norm": 1.078125, | |
| "learning_rate": 4.6270039165317605e-05, | |
| "loss": 0.2385, | |
| "step": 855 | |
| }, | |
| { | |
| "epoch": 7.166666666666667, | |
| "grad_norm": 1.03125, | |
| "learning_rate": 4.50491021929194e-05, | |
| "loss": 0.2467, | |
| "step": 860 | |
| }, | |
| { | |
| "epoch": 7.208333333333333, | |
| "grad_norm": 0.86328125, | |
| "learning_rate": 4.383978932165073e-05, | |
| "loss": 0.221, | |
| "step": 865 | |
| }, | |
| { | |
| "epoch": 7.25, | |
| "grad_norm": 0.8828125, | |
| "learning_rate": 4.264235636489542e-05, | |
| "loss": 0.2445, | |
| "step": 870 | |
| }, | |
| { | |
| "epoch": 7.291666666666667, | |
| "grad_norm": 0.80859375, | |
| "learning_rate": 4.145705662300595e-05, | |
| "loss": 0.3784, | |
| "step": 875 | |
| }, | |
| { | |
| "epoch": 7.333333333333333, | |
| "grad_norm": 0.85546875, | |
| "learning_rate": 4.028414082972141e-05, | |
| "loss": 0.3635, | |
| "step": 880 | |
| }, | |
| { | |
| "epoch": 7.375, | |
| "grad_norm": 1.0078125, | |
| "learning_rate": 3.9123857099127936e-05, | |
| "loss": 0.2154, | |
| "step": 885 | |
| }, | |
| { | |
| "epoch": 7.416666666666667, | |
| "grad_norm": 1.1015625, | |
| "learning_rate": 3.7976450873174005e-05, | |
| "loss": 0.3507, | |
| "step": 890 | |
| }, | |
| { | |
| "epoch": 7.458333333333333, | |
| "grad_norm": 0.79296875, | |
| "learning_rate": 3.684216486975026e-05, | |
| "loss": 0.4884, | |
| "step": 895 | |
| }, | |
| { | |
| "epoch": 7.5, | |
| "grad_norm": 0.90234375, | |
| "learning_rate": 3.5721239031346066e-05, | |
| "loss": 0.4011, | |
| "step": 900 | |
| }, | |
| { | |
| "epoch": 7.541666666666667, | |
| "grad_norm": 1.1328125, | |
| "learning_rate": 3.461391047429304e-05, | |
| "loss": 0.6994, | |
| "step": 905 | |
| }, | |
| { | |
| "epoch": 7.583333333333333, | |
| "grad_norm": 1.3671875, | |
| "learning_rate": 3.352041343860621e-05, | |
| "loss": 0.2219, | |
| "step": 910 | |
| }, | |
| { | |
| "epoch": 7.625, | |
| "grad_norm": 0.87890625, | |
| "learning_rate": 3.244097923843398e-05, | |
| "loss": 0.2272, | |
| "step": 915 | |
| }, | |
| { | |
| "epoch": 7.666666666666667, | |
| "grad_norm": 0.80859375, | |
| "learning_rate": 3.137583621312665e-05, | |
| "loss": 0.3568, | |
| "step": 920 | |
| }, | |
| { | |
| "epoch": 7.708333333333333, | |
| "grad_norm": 1.1953125, | |
| "learning_rate": 3.032520967893453e-05, | |
| "loss": 0.3737, | |
| "step": 925 | |
| }, | |
| { | |
| "epoch": 7.75, | |
| "grad_norm": 1.0234375, | |
| "learning_rate": 2.9289321881345254e-05, | |
| "loss": 0.2172, | |
| "step": 930 | |
| }, | |
| { | |
| "epoch": 7.791666666666667, | |
| "grad_norm": 0.91015625, | |
| "learning_rate": 2.826839194807105e-05, | |
| "loss": 0.224, | |
| "step": 935 | |
| }, | |
| { | |
| "epoch": 7.833333333333333, | |
| "grad_norm": 1.0859375, | |
| "learning_rate": 2.7262635842695127e-05, | |
| "loss": 0.5041, | |
| "step": 940 | |
| }, | |
| { | |
| "epoch": 7.875, | |
| "grad_norm": 0.85546875, | |
| "learning_rate": 2.6272266318987603e-05, | |
| "loss": 0.2266, | |
| "step": 945 | |
| }, | |
| { | |
| "epoch": 7.916666666666667, | |
| "grad_norm": 0.9921875, | |
| "learning_rate": 2.529749287590042e-05, | |
| "loss": 0.218, | |
| "step": 950 | |
| }, | |
| { | |
| "epoch": 7.958333333333333, | |
| "grad_norm": 1.125, | |
| "learning_rate": 2.433852171325072e-05, | |
| "loss": 0.3768, | |
| "step": 955 | |
| }, | |
| { | |
| "epoch": 8.0, | |
| "grad_norm": 0.7578125, | |
| "learning_rate": 2.339555568810221e-05, | |
| "loss": 0.3646, | |
| "step": 960 | |
| }, | |
| { | |
| "epoch": 8.0, | |
| "eval_loss": 1.938859462738037, | |
| "eval_runtime": 22.6326, | |
| "eval_samples_per_second": 4.595, | |
| "eval_steps_per_second": 1.149, | |
| "step": 960 | |
| }, | |
| { | |
| "epoch": 8.041666666666666, | |
| "grad_norm": 0.5546875, | |
| "learning_rate": 2.246879427185341e-05, | |
| "loss": 0.5024, | |
| "step": 965 | |
| }, | |
| { | |
| "epoch": 8.083333333333334, | |
| "grad_norm": 0.64453125, | |
| "learning_rate": 2.155843350804243e-05, | |
| "loss": 0.3399, | |
| "step": 970 | |
| }, | |
| { | |
| "epoch": 8.125, | |
| "grad_norm": 0.466796875, | |
| "learning_rate": 2.0664665970876496e-05, | |
| "loss": 0.3527, | |
| "step": 975 | |
| }, | |
| { | |
| "epoch": 8.166666666666666, | |
| "grad_norm": 0.72265625, | |
| "learning_rate": 1.9787680724495617e-05, | |
| "loss": 0.217, | |
| "step": 980 | |
| }, | |
| { | |
| "epoch": 8.208333333333334, | |
| "grad_norm": 0.79296875, | |
| "learning_rate": 1.892766328297878e-05, | |
| "loss": 0.0848, | |
| "step": 985 | |
| }, | |
| { | |
| "epoch": 8.25, | |
| "grad_norm": 0.6015625, | |
| "learning_rate": 1.808479557110081e-05, | |
| "loss": 0.3246, | |
| "step": 990 | |
| }, | |
| { | |
| "epoch": 8.291666666666666, | |
| "grad_norm": 0.5703125, | |
| "learning_rate": 1.7259255885848946e-05, | |
| "loss": 0.2188, | |
| "step": 995 | |
| }, | |
| { | |
| "epoch": 8.333333333333334, | |
| "grad_norm": 0.83203125, | |
| "learning_rate": 1.6451218858706374e-05, | |
| "loss": 0.2043, | |
| "step": 1000 | |
| }, | |
| { | |
| "epoch": 8.375, | |
| "grad_norm": 0.5234375, | |
| "learning_rate": 1.566085541871145e-05, | |
| "loss": 0.4651, | |
| "step": 1005 | |
| }, | |
| { | |
| "epoch": 8.416666666666666, | |
| "grad_norm": 0.6640625, | |
| "learning_rate": 1.4888332756300027e-05, | |
| "loss": 0.2083, | |
| "step": 1010 | |
| }, | |
| { | |
| "epoch": 8.458333333333334, | |
| "grad_norm": 0.609375, | |
| "learning_rate": 1.4133814287938706e-05, | |
| "loss": 0.3251, | |
| "step": 1015 | |
| }, | |
| { | |
| "epoch": 8.5, | |
| "grad_norm": 0.53515625, | |
| "learning_rate": 1.339745962155613e-05, | |
| "loss": 0.2172, | |
| "step": 1020 | |
| }, | |
| { | |
| "epoch": 8.541666666666666, | |
| "grad_norm": 0.82421875, | |
| "learning_rate": 1.2679424522780426e-05, | |
| "loss": 0.4828, | |
| "step": 1025 | |
| }, | |
| { | |
| "epoch": 8.583333333333334, | |
| "grad_norm": 0.6484375, | |
| "learning_rate": 1.1979860881988902e-05, | |
| "loss": 0.0766, | |
| "step": 1030 | |
| }, | |
| { | |
| "epoch": 8.625, | |
| "grad_norm": 0.58203125, | |
| "learning_rate": 1.129891668217783e-05, | |
| "loss": 0.0783, | |
| "step": 1035 | |
| }, | |
| { | |
| "epoch": 8.666666666666666, | |
| "grad_norm": 0.65234375, | |
| "learning_rate": 1.0636735967658784e-05, | |
| "loss": 0.4582, | |
| "step": 1040 | |
| }, | |
| { | |
| "epoch": 8.708333333333334, | |
| "grad_norm": 0.52734375, | |
| "learning_rate": 9.993458813587885e-06, | |
| "loss": 0.3475, | |
| "step": 1045 | |
| }, | |
| { | |
| "epoch": 8.75, | |
| "grad_norm": 0.61328125, | |
| "learning_rate": 9.369221296335006e-06, | |
| "loss": 0.2503, | |
| "step": 1050 | |
| }, | |
| { | |
| "epoch": 8.791666666666666, | |
| "grad_norm": 0.73046875, | |
| "learning_rate": 8.764155464698597e-06, | |
| "loss": 0.341, | |
| "step": 1055 | |
| }, | |
| { | |
| "epoch": 8.833333333333334, | |
| "grad_norm": 0.83984375, | |
| "learning_rate": 8.178389311972612e-06, | |
| "loss": 0.8334, | |
| "step": 1060 | |
| }, | |
| { | |
| "epoch": 8.875, | |
| "grad_norm": 0.51953125, | |
| "learning_rate": 7.612046748871327e-06, | |
| "loss": 0.0811, | |
| "step": 1065 | |
| }, | |
| { | |
| "epoch": 8.916666666666666, | |
| "grad_norm": 1.015625, | |
| "learning_rate": 7.0652475773177464e-06, | |
| "loss": 0.774, | |
| "step": 1070 | |
| }, | |
| { | |
| "epoch": 8.958333333333334, | |
| "grad_norm": 0.59375, | |
| "learning_rate": 6.538107465101162e-06, | |
| "loss": 0.0741, | |
| "step": 1075 | |
| }, | |
| { | |
| "epoch": 9.0, | |
| "grad_norm": 0.7578125, | |
| "learning_rate": 6.030737921409169e-06, | |
| "loss": 0.1977, | |
| "step": 1080 | |
| }, | |
| { | |
| "epoch": 9.0, | |
| "eval_loss": 2.0741000175476074, | |
| "eval_runtime": 22.6206, | |
| "eval_samples_per_second": 4.598, | |
| "eval_steps_per_second": 1.149, | |
| "step": 1080 | |
| }, | |
| { | |
| "epoch": 9.041666666666666, | |
| "grad_norm": 0.58203125, | |
| "learning_rate": 5.543246273239533e-06, | |
| "loss": 0.2191, | |
| "step": 1085 | |
| }, | |
| { | |
| "epoch": 9.083333333333334, | |
| "grad_norm": 0.53515625, | |
| "learning_rate": 5.075735642696611e-06, | |
| "loss": 0.4713, | |
| "step": 1090 | |
| }, | |
| { | |
| "epoch": 9.125, | |
| "grad_norm": 0.78125, | |
| "learning_rate": 4.628304925177318e-06, | |
| "loss": 0.3392, | |
| "step": 1095 | |
| }, | |
| { | |
| "epoch": 9.166666666666666, | |
| "grad_norm": 0.62890625, | |
| "learning_rate": 4.20104876845111e-06, | |
| "loss": 0.0738, | |
| "step": 1100 | |
| }, | |
| { | |
| "epoch": 9.208333333333334, | |
| "grad_norm": 0.5, | |
| "learning_rate": 3.7940575526386857e-06, | |
| "loss": 0.2017, | |
| "step": 1105 | |
| }, | |
| { | |
| "epoch": 9.25, | |
| "grad_norm": 0.78125, | |
| "learning_rate": 3.40741737109318e-06, | |
| "loss": 0.3269, | |
| "step": 1110 | |
| }, | |
| { | |
| "epoch": 9.291666666666666, | |
| "grad_norm": 0.6796875, | |
| "learning_rate": 3.0412100121884e-06, | |
| "loss": 0.3239, | |
| "step": 1115 | |
| }, | |
| { | |
| "epoch": 9.333333333333334, | |
| "grad_norm": 0.43359375, | |
| "learning_rate": 2.6955129420176196e-06, | |
| "loss": 0.0673, | |
| "step": 1120 | |
| }, | |
| { | |
| "epoch": 9.375, | |
| "grad_norm": 0.5, | |
| "learning_rate": 2.3703992880066638e-06, | |
| "loss": 0.3198, | |
| "step": 1125 | |
| }, | |
| { | |
| "epoch": 9.416666666666666, | |
| "grad_norm": 0.8359375, | |
| "learning_rate": 2.0659378234448525e-06, | |
| "loss": 0.7339, | |
| "step": 1130 | |
| }, | |
| { | |
| "epoch": 9.458333333333334, | |
| "grad_norm": 0.828125, | |
| "learning_rate": 1.7821929529369342e-06, | |
| "loss": 0.3398, | |
| "step": 1135 | |
| }, | |
| { | |
| "epoch": 9.5, | |
| "grad_norm": 0.6015625, | |
| "learning_rate": 1.5192246987791981e-06, | |
| "loss": 0.1931, | |
| "step": 1140 | |
| }, | |
| { | |
| "epoch": 9.541666666666666, | |
| "grad_norm": 0.6015625, | |
| "learning_rate": 1.2770886882625955e-06, | |
| "loss": 0.469, | |
| "step": 1145 | |
| }, | |
| { | |
| "epoch": 9.583333333333334, | |
| "grad_norm": 0.62109375, | |
| "learning_rate": 1.055836141905553e-06, | |
| "loss": 0.2, | |
| "step": 1150 | |
| }, | |
| { | |
| "epoch": 9.625, | |
| "grad_norm": 0.53125, | |
| "learning_rate": 8.555138626189618e-07, | |
| "loss": 0.4784, | |
| "step": 1155 | |
| }, | |
| { | |
| "epoch": 9.666666666666666, | |
| "grad_norm": 0.66015625, | |
| "learning_rate": 6.761642258056978e-07, | |
| "loss": 0.1963, | |
| "step": 1160 | |
| }, | |
| { | |
| "epoch": 9.708333333333334, | |
| "grad_norm": 0.54296875, | |
| "learning_rate": 5.178251703967018e-07, | |
| "loss": 0.3549, | |
| "step": 1165 | |
| }, | |
| { | |
| "epoch": 9.75, | |
| "grad_norm": 0.6875, | |
| "learning_rate": 3.805301908254455e-07, | |
| "loss": 0.4622, | |
| "step": 1170 | |
| }, | |
| { | |
| "epoch": 9.791666666666666, | |
| "grad_norm": 0.5546875, | |
| "learning_rate": 2.643083299427751e-07, | |
| "loss": 0.1921, | |
| "step": 1175 | |
| }, | |
| { | |
| "epoch": 9.833333333333334, | |
| "grad_norm": 0.515625, | |
| "learning_rate": 1.6918417287318245e-07, | |
| "loss": 0.1627, | |
| "step": 1180 | |
| }, | |
| { | |
| "epoch": 9.875, | |
| "grad_norm": 0.78125, | |
| "learning_rate": 9.517784181422019e-08, | |
| "loss": 0.6005, | |
| "step": 1185 | |
| }, | |
| { | |
| "epoch": 9.916666666666666, | |
| "grad_norm": 0.56640625, | |
| "learning_rate": 4.230499177994007e-08, | |
| "loss": 0.216, | |
| "step": 1190 | |
| }, | |
| { | |
| "epoch": 9.958333333333334, | |
| "grad_norm": 0.625, | |
| "learning_rate": 1.0576807289253143e-08, | |
| "loss": 0.3567, | |
| "step": 1195 | |
| }, | |
| { | |
| "epoch": 10.0, | |
| "grad_norm": 0.546875, | |
| "learning_rate": 0.0, | |
| "loss": 0.072, | |
| "step": 1200 | |
| }, | |
| { | |
| "epoch": 10.0, | |
| "eval_loss": 2.0755438804626465, | |
| "eval_runtime": 22.4954, | |
| "eval_samples_per_second": 4.623, | |
| "eval_steps_per_second": 1.156, | |
| "step": 1200 | |
| }, | |
| { | |
| "epoch": 10.0, | |
| "step": 1200, | |
| "total_flos": 4.601366288709714e+17, | |
| "train_loss": 1.470840223133564, | |
| "train_runtime": 6806.2457, | |
| "train_samples_per_second": 1.408, | |
| "train_steps_per_second": 0.176 | |
| } | |
| ], | |
| "logging_steps": 5, | |
| "max_steps": 1200, | |
| "num_input_tokens_seen": 0, | |
| "num_train_epochs": 10, | |
| "save_steps": 100, | |
| "total_flos": 4.601366288709714e+17, | |
| "train_batch_size": 2, | |
| "trial_name": null, | |
| "trial_params": null | |
| } | |