diff --git "a/trainer_state.json" "b/trainer_state.json"
new file mode 100644--- /dev/null
+++ "b/trainer_state.json"
@@ -0,0 +1,15284 @@
+{
+  "best_global_step": null,
+  "best_metric": null,
+  "best_model_checkpoint": null,
+  "epoch": 0.06666666666666667,
+  "eval_steps": 500,
+  "global_step": 2000,
+  "is_hyper_param_search": false,
+  "is_local_process_zero": true,
+  "is_world_process_zero": true,
+  "log_history": [
+    {
+      "completion_length": 255.96875,
+      "epoch": 3.3333333333333335e-05,
+      "grad_norm": 0.0518975704908371,
+      "learning_rate": 0.0,
+      "loss": 0.0301,
+      "reward": 0.03125,
+      "reward_std": 0.125,
+      "rewards/correctness_reward_func_math": 0.03125,
+      "step": 1,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 6.666666666666667e-05,
+      "grad_norm": 0.05098247528076172,
+      "learning_rate": 1e-06,
+      "loss": 0.0301,
+      "step": 2
+    },
+    {
+      "epoch": 0.0001,
+      "grad_norm": 0.054657112807035446,
+      "learning_rate": 2e-06,
+      "loss": 0.0298,
+      "step": 3
+    },
+    {
+      "epoch": 0.00013333333333333334,
+      "grad_norm": 0.053320202976465225,
+      "learning_rate": 3e-06,
+      "loss": 0.0304,
+      "step": 4
+    },
+    {
+      "epoch": 0.00016666666666666666,
+      "grad_norm": 0.057577330619096756,
+      "learning_rate": 3e-06,
+      "loss": 0.03,
+      "step": 5
+    },
+    {
+      "epoch": 0.0002,
+      "grad_norm": 0.05210062861442566,
+      "learning_rate": 3e-06,
+      "loss": 0.0303,
+      "step": 6
+    },
+    {
+      "epoch": 0.00023333333333333333,
+      "grad_norm": 0.05684678629040718,
+      "learning_rate": 3e-06,
+      "loss": 0.0297,
+      "step": 7
+    },
+    {
+      "epoch": 0.0002666666666666667,
+      "grad_norm": 0.05221405625343323,
+      "learning_rate": 3e-06,
+      "loss": 0.029,
+      "step": 8
+    },
+    {
+      "completion_length": 256.0,
+      "epoch": 0.0003,
+      "grad_norm": 0.10397238284349442,
+      "learning_rate": 3e-06,
+      "loss": 0.0565,
+      "reward": 0.5625,
+      "reward_std": 0.17078250646591187,
+      "rewards/correctness_reward_func_math": 0.5625,
+      "step": 9,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.0003333333333333333,
+      "grad_norm": 0.1021997407078743,
+      "learning_rate": 3e-06,
+      "loss": 0.057,
+      "step": 10
+    },
+    {
+      "epoch": 0.00036666666666666667,
+      "grad_norm": 0.09791940450668335,
+      "learning_rate": 3e-06,
+      "loss": 0.0566,
+      "step": 11
+    },
+    {
+      "epoch": 0.0004,
+      "grad_norm": 0.09643112123012543,
+      "learning_rate": 3e-06,
+      "loss": 0.0567,
+      "step": 12
+    },
+    {
+      "epoch": 0.0004333333333333333,
+      "grad_norm": 0.09656722098588943,
+      "learning_rate": 3e-06,
+      "loss": 0.0561,
+      "step": 13
+    },
+    {
+      "epoch": 0.00046666666666666666,
+      "grad_norm": 0.0903945192694664,
+      "learning_rate": 3e-06,
+      "loss": 0.0557,
+      "step": 14
+    },
+    {
+      "epoch": 0.0005,
+      "grad_norm": 0.08725807070732117,
+      "learning_rate": 3e-06,
+      "loss": 0.0553,
+      "step": 15
+    },
+    {
+      "epoch": 0.0005333333333333334,
+      "grad_norm": 0.0783955380320549,
+      "learning_rate": 3e-06,
+      "loss": 0.0553,
+      "step": 16
+    },
+    {
+      "completion_length": 229.0,
+      "epoch": 0.0005666666666666667,
+      "grad_norm": 0.23368851840496063,
+      "learning_rate": 3e-06,
+      "loss": 0.0554,
+      "reward": 0.4375,
+      "reward_std": 0.17078250646591187,
+      "rewards/correctness_reward_func_math": 0.4375,
+      "step": 17,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.0006,
+      "grad_norm": 0.10745719820261002,
+      "learning_rate": 3e-06,
+      "loss": 0.0559,
+      "step": 18
+    },
+    {
+      "epoch": 0.0006333333333333333,
+      "grad_norm": 0.2750680148601532,
+      "learning_rate": 3e-06,
+      "loss": 0.0561,
+      "step": 19
+    },
+    {
+      "epoch": 0.0006666666666666666,
+      "grad_norm": 0.18614627420902252,
+      "learning_rate": 3e-06,
+      "loss": 0.0554,
+      "step": 20
+    },
+    {
+      "epoch": 0.0007,
+      "grad_norm": 0.19503481686115265,
+      "learning_rate": 3e-06,
+      "loss": 0.0557,
+      "step": 21
+    },
+    {
+      "epoch": 0.0007333333333333333,
+      "grad_norm": 0.2842339873313904,
+      "learning_rate": 3e-06,
+      "loss": 0.0551,
+      "step": 22
+    },
+    {
+      "epoch": 0.0007666666666666667,
+      "grad_norm": 0.13174790143966675,
+      "learning_rate": 3e-06,
+      "loss": 0.0554,
+      "step": 23
+    },
+    {
+      "epoch": 0.0008,
+      "grad_norm": 0.13147835433483124,
+      "learning_rate": 3e-06,
+      "loss": 0.0543,
+      "step": 24
+    },
+    {
+      "completion_length": 232.53125,
+      "epoch": 0.0008333333333333334,
+      "grad_norm": 0.014278360642492771,
+      "learning_rate": 3e-06,
+      "loss": 0.0005,
+      "reward": 0.5,
+      "reward_std": 0.0,
+      "rewards/correctness_reward_func_math": 0.5,
+      "step": 25,
+      "zero_std_ratio": 1.0
+    },
+    {
+      "epoch": 0.0008666666666666666,
+      "grad_norm": 0.012575574219226837,
+      "learning_rate": 3e-06,
+      "loss": 0.0005,
+      "step": 26
+    },
+    {
+      "epoch": 0.0009,
+      "grad_norm": 0.01194336824119091,
+      "learning_rate": 3e-06,
+      "loss": 0.0005,
+      "step": 27
+    },
+    {
+      "epoch": 0.0009333333333333333,
+      "grad_norm": 0.011311189271509647,
+      "learning_rate": 3e-06,
+      "loss": 0.0005,
+      "step": 28
+    },
+    {
+      "epoch": 0.0009666666666666667,
+      "grad_norm": 0.01020097080618143,
+      "learning_rate": 3e-06,
+      "loss": 0.0005,
+      "step": 29
+    },
+    {
+      "epoch": 0.001,
+      "grad_norm": 0.00996088795363903,
+      "learning_rate": 3e-06,
+      "loss": 0.0005,
+      "step": 30
+    },
+    {
+      "epoch": 0.0010333333333333334,
+      "grad_norm": 0.009922181256115437,
+      "learning_rate": 3e-06,
+      "loss": 0.0005,
+      "step": 31
+    },
+    {
+      "epoch": 0.0010666666666666667,
+      "grad_norm": 0.011138035915791988,
+      "learning_rate": 3e-06,
+      "loss": 0.0005,
+      "step": 32
+    },
+    {
+      "completion_length": 253.34375,
+      "epoch": 0.0011,
+      "grad_norm": 0.24923837184906006,
+      "learning_rate": 3e-06,
+      "loss": 0.0807,
+      "reward": 0.09375,
+      "reward_std": 0.20155644416809082,
+      "rewards/correctness_reward_func_math": 0.09375,
+      "step": 33,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.0011333333333333334,
+      "grad_norm": 0.272708535194397,
+      "learning_rate": 3e-06,
+      "loss": 0.0811,
+      "step": 34
+    },
+    {
+      "epoch": 0.0011666666666666668,
+      "grad_norm": 0.27483612298965454,
+      "learning_rate": 3e-06,
+      "loss": 0.0804,
+      "step": 35
+    },
+    {
+      "epoch": 0.0012,
+      "grad_norm": 0.2556411921977997,
+      "learning_rate": 3e-06,
+      "loss": 0.08,
+      "step": 36
+    },
+    {
+      "epoch": 0.0012333333333333332,
+      "grad_norm": 0.27268117666244507,
+      "learning_rate": 3e-06,
+      "loss": 0.0782,
+      "step": 37
+    },
+    {
+      "epoch": 0.0012666666666666666,
+      "grad_norm": 0.27308887243270874,
+      "learning_rate": 3e-06,
+      "loss": 0.0774,
+      "step": 38
+    },
+    {
+      "epoch": 0.0013,
+      "grad_norm": 0.27048128843307495,
+      "learning_rate": 3e-06,
+      "loss": 0.0767,
+      "step": 39
+    },
+    {
+      "epoch": 0.0013333333333333333,
+      "grad_norm": 0.21547333896160126,
+      "learning_rate": 3e-06,
+      "loss": 0.0754,
+      "step": 40
+    },
+    {
+      "completion_length": 254.09375,
+      "epoch": 0.0013666666666666666,
+      "grad_norm": 0.013881275430321693,
+      "learning_rate": 3e-06,
+      "loss": 0.0003,
+      "reward": 0.5,
+      "reward_std": 0.0,
+      "rewards/correctness_reward_func_math": 0.5,
+      "step": 41,
+      "zero_std_ratio": 1.0
+    },
+    {
+      "epoch": 0.0014,
+      "grad_norm": 0.010510912165045738,
+      "learning_rate": 3e-06,
+      "loss": 0.0003,
+      "step": 42
+    },
+    {
+      "epoch": 0.0014333333333333333,
+      "grad_norm": 0.010891458950936794,
+      "learning_rate": 3e-06,
+      "loss": 0.0003,
+      "step": 43
+    },
+    {
+      "epoch": 0.0014666666666666667,
+      "grad_norm": 0.012331967242062092,
+      "learning_rate": 3e-06,
+      "loss": 0.0004,
+      "step": 44
+    },
+    {
+      "epoch": 0.0015,
+      "grad_norm": 0.014051690697669983,
+      "learning_rate": 3e-06,
+      "loss": 0.0004,
+      "step": 45
+    },
+    {
+      "epoch": 0.0015333333333333334,
+      "grad_norm": 0.013023377396166325,
+      "learning_rate": 3e-06,
+      "loss": 0.0004,
+      "step": 46
+    },
+    {
+      "epoch": 0.0015666666666666667,
+      "grad_norm": 0.01285965833812952,
+      "learning_rate": 3e-06,
+      "loss": 0.0004,
+      "step": 47
+    },
+    {
+      "epoch": 0.0016,
+      "grad_norm": 0.015991946682333946,
+      "learning_rate": 3e-06,
+      "loss": 0.0004,
+      "step": 48
+    },
+    {
+      "completion_length": 252.25,
+      "epoch": 0.0016333333333333334,
+      "grad_norm": 0.20763088762760162,
+      "learning_rate": 3e-06,
+      "loss": 0.1298,
+      "reward": 0.78125,
+      "reward_std": 0.2561737596988678,
+      "rewards/correctness_reward_func_math": 0.78125,
+      "step": 49,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.0016666666666666668,
+      "grad_norm": 0.24980323016643524,
+      "learning_rate": 3e-06,
+      "loss": 0.1292,
+      "step": 50
+    },
+    {
+      "epoch": 0.0017,
+      "grad_norm": 0.24436639249324799,
+      "learning_rate": 3e-06,
+      "loss": 0.1287,
+      "step": 51
+    },
+    {
+      "epoch": 0.0017333333333333333,
+      "grad_norm": 0.2344793677330017,
+      "learning_rate": 3e-06,
+      "loss": 0.1269,
+      "step": 52
+    },
+    {
+      "epoch": 0.0017666666666666666,
+      "grad_norm": 0.23817028105258942,
+      "learning_rate": 3e-06,
+      "loss": 0.1257,
+      "step": 53
+    },
+    {
+      "epoch": 0.0018,
+      "grad_norm": 0.22501955926418304,
+      "learning_rate": 3e-06,
+      "loss": 0.1266,
+      "step": 54
+    },
+    {
+      "epoch": 0.0018333333333333333,
+      "grad_norm": 0.21205061674118042,
+      "learning_rate": 3e-06,
+      "loss": 0.1268,
+      "step": 55
+    },
+    {
+      "epoch": 0.0018666666666666666,
+      "grad_norm": 0.20419356226921082,
+      "learning_rate": 3e-06,
+      "loss": 0.1258,
+      "step": 56
+    },
+    {
+      "completion_length": 256.0,
+      "epoch": 0.0019,
+      "grad_norm": 0.23656126856803894,
+      "learning_rate": 3e-06,
+      "loss": 0.2228,
+      "reward": 0.4375,
+      "reward_std": 0.47360679507255554,
+      "rewards/correctness_reward_func_math": 0.4375,
+      "step": 57,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.0019333333333333333,
+      "grad_norm": 0.254794180393219,
+      "learning_rate": 3e-06,
+      "loss": 0.2229,
+      "step": 58
+    },
+    {
+      "epoch": 0.0019666666666666665,
+      "grad_norm": 0.23896799981594086,
+      "learning_rate": 3e-06,
+      "loss": 0.2214,
+      "step": 59
+    },
+    {
+      "epoch": 0.002,
+      "grad_norm": 0.23068341612815857,
+      "learning_rate": 3e-06,
+      "loss": 0.2204,
+      "step": 60
+    },
+    {
+      "epoch": 0.002033333333333333,
+      "grad_norm": 0.232908695936203,
+      "learning_rate": 3e-06,
+      "loss": 0.2202,
+      "step": 61
+    },
+    {
+      "epoch": 0.0020666666666666667,
+      "grad_norm": 0.22100138664245605,
+      "learning_rate": 3e-06,
+      "loss": 0.2188,
+      "step": 62
+    },
+    {
+      "epoch": 0.0021,
+      "grad_norm": 0.27116477489471436,
+      "learning_rate": 3e-06,
+      "loss": 0.2155,
+      "step": 63
+    },
+    {
+      "epoch": 0.0021333333333333334,
+      "grad_norm": 0.21231083571910858,
+      "learning_rate": 3e-06,
+      "loss": 0.2148,
+      "step": 64
+    },
+    {
+      "completion_length": 233.75,
+      "epoch": 0.0021666666666666666,
+      "grad_norm": 0.006717658136039972,
+      "learning_rate": 3e-06,
+      "loss": 0.0003,
+      "reward": 0.5,
+      "reward_std": 0.0,
+      "rewards/correctness_reward_func_math": 0.5,
+      "step": 65,
+      "zero_std_ratio": 1.0
+    },
+    {
+      "epoch": 0.0022,
+      "grad_norm": 0.007215797435492277,
+      "learning_rate": 3e-06,
+      "loss": 0.0003,
+      "step": 66
+    },
+    {
+      "epoch": 0.0022333333333333333,
+      "grad_norm": 0.010575203225016594,
+      "learning_rate": 3e-06,
+      "loss": 0.0003,
+      "step": 67
+    },
+    {
+      "epoch": 0.002266666666666667,
+      "grad_norm": 0.0072828298434615135,
+      "learning_rate": 3e-06,
+      "loss": 0.0003,
+      "step": 68
+    },
+    {
+      "epoch": 0.0023,
+      "grad_norm": 0.01340592373162508,
+      "learning_rate": 3e-06,
+      "loss": 0.0004,
+      "step": 69
+    },
+    {
+      "epoch": 0.0023333333333333335,
+      "grad_norm": 0.014055710285902023,
+      "learning_rate": 3e-06,
+      "loss": 0.0004,
+      "step": 70
+    },
+    {
+      "epoch": 0.0023666666666666667,
+      "grad_norm": 0.015364506281912327,
+      "learning_rate": 3e-06,
+      "loss": 0.0004,
+      "step": 71
+    },
+    {
+      "epoch": 0.0024,
+      "grad_norm": 0.024872636422514915,
+      "learning_rate": 3e-06,
+      "loss": 0.0004,
+      "step": 72
+    },
+    {
+      "completion_length": 255.09375,
+      "epoch": 0.0024333333333333334,
+      "grad_norm": 0.06832873821258545,
+      "learning_rate": 3e-06,
+      "loss": 0.0304,
+      "reward": 0.53125,
+      "reward_std": 0.125,
+      "rewards/correctness_reward_func_math": 0.53125,
+      "step": 73,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.0024666666666666665,
+      "grad_norm": 0.07866165041923523,
+      "learning_rate": 3e-06,
+      "loss": 0.0307,
+      "step": 74
+    },
+    {
+      "epoch": 0.0025,
+      "grad_norm": 0.07498153299093246,
+      "learning_rate": 3e-06,
+      "loss": 0.0302,
+      "step": 75
+    },
+    {
+      "epoch": 0.002533333333333333,
+      "grad_norm": 0.0730958953499794,
+      "learning_rate": 3e-06,
+      "loss": 0.0301,
+      "step": 76
+    },
+    {
+      "epoch": 0.0025666666666666667,
+      "grad_norm": 0.06295739859342575,
+      "learning_rate": 3e-06,
+      "loss": 0.03,
+      "step": 77
+    },
+    {
+      "epoch": 0.0026,
+      "grad_norm": 0.07843673229217529,
+      "learning_rate": 3e-06,
+      "loss": 0.0298,
+      "step": 78
+    },
+    {
+      "epoch": 0.0026333333333333334,
+      "grad_norm": 0.056678809225559235,
+      "learning_rate": 3e-06,
+      "loss": 0.0296,
+      "step": 79
+    },
+    {
+      "epoch": 0.0026666666666666666,
+      "grad_norm": 0.05612683668732643,
+      "learning_rate": 3e-06,
+      "loss": 0.0292,
+      "step": 80
+    },
+    {
+      "completion_length": 241.28125,
+      "epoch": 0.0027,
+      "grad_norm": 0.011933929286897182,
+      "learning_rate": 3e-06,
+      "loss": 0.0007,
+      "reward": 0.0,
+      "reward_std": 0.0,
+      "rewards/correctness_reward_func_math": 0.0,
+      "step": 81,
+      "zero_std_ratio": 1.0
+    },
+    {
+      "epoch": 0.0027333333333333333,
+      "grad_norm": 0.012427560053765774,
+      "learning_rate": 3e-06,
+      "loss": 0.0007,
+      "step": 82
+    },
+    {
+      "epoch": 0.002766666666666667,
+      "grad_norm": 0.013118051923811436,
+      "learning_rate": 3e-06,
+      "loss": 0.0007,
+      "step": 83
+    },
+    {
+      "epoch": 0.0028,
+      "grad_norm": 0.012824983336031437,
+      "learning_rate": 3e-06,
+      "loss": 0.0007,
+      "step": 84
+    },
+    {
+      "epoch": 0.0028333333333333335,
+      "grad_norm": 0.01356880459934473,
+      "learning_rate": 3e-06,
+      "loss": 0.0007,
+      "step": 85
+    },
+    {
+      "epoch": 0.0028666666666666667,
+      "grad_norm": 0.013061177916824818,
+      "learning_rate": 3e-06,
+      "loss": 0.0007,
+      "step": 86
+    },
+    {
+      "epoch": 0.0029,
+      "grad_norm": 0.013444256968796253,
+      "learning_rate": 3e-06,
+      "loss": 0.0007,
+      "step": 87
+    },
+    {
+      "epoch": 0.0029333333333333334,
+      "grad_norm": 0.013051574118435383,
+      "learning_rate": 3e-06,
+      "loss": 0.0007,
+      "step": 88
+    },
+    {
+      "completion_length": 253.34375,
+      "epoch": 0.0029666666666666665,
+      "grad_norm": 0.18856722116470337,
+      "learning_rate": 3e-06,
+      "loss": 0.0323,
+      "reward": 0.03125,
+      "reward_std": 0.125,
+      "rewards/correctness_reward_func_math": 0.03125,
+      "step": 89,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.003,
+      "grad_norm": 0.201008141040802,
+      "learning_rate": 3e-06,
+      "loss": 0.0312,
+      "step": 90
+    },
+    {
+      "epoch": 0.003033333333333333,
+      "grad_norm": 0.15426987409591675,
+      "learning_rate": 3e-06,
+      "loss": 0.0301,
+      "step": 91
+    },
+    {
+      "epoch": 0.0030666666666666668,
+      "grad_norm": 0.133956179022789,
+      "learning_rate": 3e-06,
+      "loss": 0.0296,
+      "step": 92
+    },
+    {
+      "epoch": 0.0031,
+      "grad_norm": 0.14882893860340118,
+      "learning_rate": 3e-06,
+      "loss": 0.0299,
+      "step": 93
+    },
+    {
+      "epoch": 0.0031333333333333335,
+      "grad_norm": 0.12551283836364746,
+      "learning_rate": 3e-06,
+      "loss": 0.0291,
+      "step": 94
+    },
+    {
+      "epoch": 0.0031666666666666666,
+      "grad_norm": 0.14302344620227814,
+      "learning_rate": 3e-06,
+      "loss": 0.0286,
+      "step": 95
+    },
+    {
+      "epoch": 0.0032,
+      "grad_norm": 0.10668440163135529,
+      "learning_rate": 3e-06,
+      "loss": 0.0279,
+      "step": 96
+    },
+    {
+      "completion_length": 255.03125,
+      "epoch": 0.0032333333333333333,
+      "grad_norm": 0.0907723680138588,
+      "learning_rate": 3e-06,
+      "loss": 0.0324,
+      "reward": 0.03125,
+      "reward_std": 0.125,
+      "rewards/correctness_reward_func_math": 0.03125,
+      "step": 97,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.003266666666666667,
+      "grad_norm": 0.09383226186037064,
+      "learning_rate": 3e-06,
+      "loss": 0.0312,
+      "step": 98
+    },
+    {
+      "epoch": 0.0033,
+      "grad_norm": 0.08063393831253052,
+      "learning_rate": 3e-06,
+      "loss": 0.0314,
+      "step": 99
+    },
+    {
+      "epoch": 0.0033333333333333335,
+      "grad_norm": 0.08071441948413849,
+      "learning_rate": 3e-06,
+      "loss": 0.0309,
+      "step": 100
+    },
+    {
+      "epoch": 0.0033666666666666667,
+      "grad_norm": 0.07800562679767609,
+      "learning_rate": 3e-06,
+      "loss": 0.0309,
+      "step": 101
+    },
+    {
+      "epoch": 0.0034,
+      "grad_norm": 0.06443937867879868,
+      "learning_rate": 3e-06,
+      "loss": 0.0304,
+      "step": 102
+    },
+    {
+      "epoch": 0.0034333333333333334,
+      "grad_norm": 0.05954582244157791,
+      "learning_rate": 3e-06,
+      "loss": 0.0294,
+      "step": 103
+    },
+    {
+      "epoch": 0.0034666666666666665,
+      "grad_norm": 0.05145871639251709,
+      "learning_rate": 3e-06,
+      "loss": 0.0293,
+      "step": 104
+    },
+    {
+      "completion_length": 251.375,
+      "epoch": 0.0035,
+      "grad_norm": 0.13584154844284058,
+      "learning_rate": 3e-06,
+      "loss": 0.0885,
+      "reward": 0.46875,
+      "reward_std": 0.29578250646591187,
+      "rewards/correctness_reward_func_math": 0.46875,
+      "step": 105,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.003533333333333333,
+      "grad_norm": 0.130397230386734,
+      "learning_rate": 3e-06,
+      "loss": 0.0879,
+      "step": 106
+    },
+    {
+      "epoch": 0.0035666666666666668,
+      "grad_norm": 0.12346140295267105,
+      "learning_rate": 3e-06,
+      "loss": 0.088,
+      "step": 107
+    },
+    {
+      "epoch": 0.0036,
+      "grad_norm": 0.12693190574645996,
+      "learning_rate": 3e-06,
+      "loss": 0.0879,
+      "step": 108
+    },
+    {
+      "epoch": 0.0036333333333333335,
+      "grad_norm": 0.10477200895547867,
+      "learning_rate": 3e-06,
+      "loss": 0.087,
+      "step": 109
+    },
+    {
+      "epoch": 0.0036666666666666666,
+      "grad_norm": 0.09759508073329926,
+      "learning_rate": 3e-06,
+      "loss": 0.0864,
+      "step": 110
+    },
+    {
+      "epoch": 0.0037,
+      "grad_norm": 0.09490299969911575,
+      "learning_rate": 3e-06,
+      "loss": 0.0855,
+      "step": 111
+    },
+    {
+      "epoch": 0.0037333333333333333,
+      "grad_norm": 0.09503761678934097,
+      "learning_rate": 3e-06,
+      "loss": 0.0862,
+      "step": 112
+    },
+    {
+      "completion_length": 252.78125,
+      "epoch": 0.003766666666666667,
+      "grad_norm": 0.3101111948490143,
+      "learning_rate": 3e-06,
+      "loss": 0.1311,
+      "reward": 0.6875,
+      "reward_std": 0.25,
+      "rewards/correctness_reward_func_math": 0.6875,
+      "step": 113,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.0038,
+      "grad_norm": 0.30900123715400696,
+      "learning_rate": 3e-06,
+      "loss": 0.1304,
+      "step": 114
+    },
+    {
+      "epoch": 0.003833333333333333,
+      "grad_norm": 0.317385733127594,
+      "learning_rate": 3e-06,
+      "loss": 0.129,
+      "step": 115
+    },
+    {
+      "epoch": 0.0038666666666666667,
+      "grad_norm": 0.3121303915977478,
+      "learning_rate": 3e-06,
+      "loss": 0.1286,
+      "step": 116
+    },
+    {
+      "epoch": 0.0039,
+      "grad_norm": 0.30701881647109985,
+      "learning_rate": 3e-06,
+      "loss": 0.1264,
+      "step": 117
+    },
+    {
+      "epoch": 0.003933333333333333,
+      "grad_norm": 0.29858359694480896,
+      "learning_rate": 3e-06,
+      "loss": 0.1252,
+      "step": 118
+    },
+    {
+      "epoch": 0.003966666666666667,
+      "grad_norm": 0.2986866533756256,
+      "learning_rate": 3e-06,
+      "loss": 0.1213,
+      "step": 119
+    },
+    {
+      "epoch": 0.004,
+      "grad_norm": 0.2962644696235657,
+      "learning_rate": 3e-06,
+      "loss": 0.1198,
+      "step": 120
+    },
+    {
+      "completion_length": 199.34375,
+      "epoch": 0.004033333333333333,
+      "grad_norm": 0.03365297242999077,
+      "learning_rate": 3e-06,
+      "loss": 0.0016,
+      "reward": 0.5,
+      "reward_std": 0.0,
+      "rewards/correctness_reward_func_math": 0.5,
+      "step": 121,
+      "zero_std_ratio": 1.0
+    },
+    {
+      "epoch": 0.004066666666666666,
+      "grad_norm": 0.031212547793984413,
+      "learning_rate": 3e-06,
+      "loss": 0.0016,
+      "step": 122
+    },
+    {
+      "epoch": 0.0041,
+      "grad_norm": 0.03463492542505264,
+      "learning_rate": 3e-06,
+      "loss": 0.0017,
+      "step": 123
+    },
+    {
+      "epoch": 0.0041333333333333335,
+      "grad_norm": 0.03607944771647453,
+      "learning_rate": 3e-06,
+      "loss": 0.0016,
+      "step": 124
+    },
+    {
+      "epoch": 0.004166666666666667,
+      "grad_norm": 0.027611717581748962,
+      "learning_rate": 3e-06,
+      "loss": 0.0015,
+      "step": 125
+    },
+    {
+      "epoch": 0.0042,
+      "grad_norm": 0.019113659858703613,
+      "learning_rate": 3e-06,
+      "loss": 0.0015,
+      "step": 126
+    },
+    {
+      "epoch": 0.004233333333333334,
+      "grad_norm": 0.01919632777571678,
+      "learning_rate": 3e-06,
+      "loss": 0.0015,
+      "step": 127
+    },
+    {
+      "epoch": 0.004266666666666667,
+      "grad_norm": 0.017418358474969864,
+      "learning_rate": 3e-06,
+      "loss": 0.0015,
+      "step": 128
+    },
+    {
+      "completion_length": 250.75,
+      "epoch": 0.0043,
+      "grad_norm": 0.039216794073581696,
+      "learning_rate": 3e-06,
+      "loss": 0.0027,
+      "reward": 0.5,
+      "reward_std": 0.0,
+      "rewards/correctness_reward_func_math": 0.5,
+      "step": 129,
+      "zero_std_ratio": 1.0
+    },
+    {
+      "epoch": 0.004333333333333333,
+      "grad_norm": 0.040939297527074814,
+      "learning_rate": 3e-06,
+      "loss": 0.0027,
+      "step": 130
+    },
+    {
+      "epoch": 0.004366666666666666,
+      "grad_norm": 0.043933529406785965,
+      "learning_rate": 3e-06,
+      "loss": 0.0027,
+      "step": 131
+    },
+    {
+      "epoch": 0.0044,
+      "grad_norm": 0.04020195081830025,
+      "learning_rate": 3e-06,
+      "loss": 0.0026,
+      "step": 132
+    },
+    {
+      "epoch": 0.004433333333333333,
+      "grad_norm": 0.038393136113882065,
+      "learning_rate": 3e-06,
+      "loss": 0.0025,
+      "step": 133
+    },
+    {
+      "epoch": 0.0044666666666666665,
+      "grad_norm": 0.03206722438335419,
+      "learning_rate": 3e-06,
+      "loss": 0.0023,
+      "step": 134
+    },
+    {
+      "epoch": 0.0045,
+      "grad_norm": 0.026722311973571777,
+      "learning_rate": 3e-06,
+      "loss": 0.0023,
+      "step": 135
+    },
+    {
+      "epoch": 0.004533333333333334,
+      "grad_norm": 0.024917466565966606,
+      "learning_rate": 3e-06,
+      "loss": 0.0022,
+      "step": 136
+    },
+    {
+      "completion_length": 237.1875,
+      "epoch": 0.004566666666666667,
+      "grad_norm": 0.0743163451552391,
+      "learning_rate": 3e-06,
+      "loss": 0.0858,
+      "reward": 0.40625,
+      "reward_std": 0.20155644416809082,
+      "rewards/correctness_reward_func_math": 0.40625,
+      "step": 137,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.0046,
+      "grad_norm": 0.08025926351547241,
+      "learning_rate": 3e-06,
+      "loss": 0.0857,
+      "step": 138
+    },
+    {
+      "epoch": 0.004633333333333333,
+      "grad_norm": 0.06798471510410309,
+      "learning_rate": 3e-06,
+      "loss": 0.0856,
+      "step": 139
+    },
+    {
+      "epoch": 0.004666666666666667,
+      "grad_norm": 0.08909641206264496,
+      "learning_rate": 3e-06,
+      "loss": 0.0855,
+      "step": 140
+    },
+    {
+      "epoch": 0.0047,
+      "grad_norm": 0.06852155923843384,
+      "learning_rate": 3e-06,
+      "loss": 0.0848,
+      "step": 141
+    },
+    {
+      "epoch": 0.004733333333333333,
+      "grad_norm": 0.0898597314953804,
+      "learning_rate": 3e-06,
+      "loss": 0.084,
+      "step": 142
+    },
+    {
+      "epoch": 0.0047666666666666664,
+      "grad_norm": 0.07086896151304245,
+      "learning_rate": 3e-06,
+      "loss": 0.0844,
+      "step": 143
+    },
+    {
+      "epoch": 0.0048,
+      "grad_norm": 0.07337857037782669,
+      "learning_rate": 3e-06,
+      "loss": 0.0849,
+      "step": 144
+    },
+    {
+      "completion_length": 248.8125,
+      "epoch": 0.004833333333333334,
+      "grad_norm": 0.04965868592262268,
+      "learning_rate": 3e-06,
+      "loss": 0.0034,
+      "reward": 0.0,
+      "reward_std": 0.0,
+      "rewards/correctness_reward_func_math": 0.0,
+      "step": 145,
+      "zero_std_ratio": 1.0
+    },
+    {
+      "epoch": 0.004866666666666667,
+      "grad_norm": 0.04945214092731476,
+      "learning_rate": 3e-06,
+      "loss": 0.0034,
+      "step": 146
+    },
+    {
+      "epoch": 0.0049,
+      "grad_norm": 0.04761530086398125,
+      "learning_rate": 3e-06,
+      "loss": 0.0033,
+      "step": 147
+    },
+    {
+      "epoch": 0.004933333333333333,
+      "grad_norm": 0.038321562111377716,
+      "learning_rate": 3e-06,
+      "loss": 0.0031,
+      "step": 148
+    },
+    {
+      "epoch": 0.004966666666666667,
+      "grad_norm": 0.033652279525995255,
+      "learning_rate": 3e-06,
+      "loss": 0.0031,
+      "step": 149
+    },
+    {
+      "epoch": 0.005,
+      "grad_norm": 0.03123372420668602,
+      "learning_rate": 3e-06,
+      "loss": 0.003,
+      "step": 150
+    },
+    {
+      "epoch": 0.005033333333333333,
+      "grad_norm": 0.022950293496251106,
+      "learning_rate": 3e-06,
+      "loss": 0.0029,
+      "step": 151
+    },
+    {
+      "epoch": 0.005066666666666666,
+      "grad_norm": 0.01819528453052044,
+      "learning_rate": 3e-06,
+      "loss": 0.0028,
+      "step": 152
+    },
+    {
+      "completion_length": 249.75,
+      "epoch": 0.0051,
+      "grad_norm": 0.15464286506175995,
+      "learning_rate": 3e-06,
+      "loss": 0.0398,
+      "reward": 0.03125,
+      "reward_std": 0.125,
+      "rewards/correctness_reward_func_math": 0.03125,
+      "step": 153,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.0051333333333333335,
+      "grad_norm": 0.13929374516010284,
+      "learning_rate": 3e-06,
+      "loss": 0.039,
+      "step": 154
+    },
+    {
+      "epoch": 0.005166666666666667,
+      "grad_norm": 0.12305764108896255,
+      "learning_rate": 3e-06,
+      "loss": 0.0391,
+      "step": 155
+    },
+    {
+      "epoch": 0.0052,
+      "grad_norm": 0.10096066445112228,
+      "learning_rate": 3e-06,
+      "loss": 0.038,
+      "step": 156
+    },
+    {
+      "epoch": 0.005233333333333334,
+      "grad_norm": 0.08583232015371323,
+      "learning_rate": 3e-06,
+      "loss": 0.0371,
+      "step": 157
+    },
+    {
+      "epoch": 0.005266666666666667,
+      "grad_norm": 0.08584477007389069,
+      "learning_rate": 3e-06,
+      "loss": 0.037,
+      "step": 158
+    },
+    {
+      "epoch": 0.0053,
+      "grad_norm": 0.07558420300483704,
+      "learning_rate": 3e-06,
+      "loss": 0.0361,
+      "step": 159
+    },
+    {
+      "epoch": 0.005333333333333333,
+      "grad_norm": 0.061332251876592636,
+      "learning_rate": 3e-06,
+      "loss": 0.0362,
+      "step": 160
+    },
+    {
+      "completion_length": 255.46875,
+      "epoch": 0.005366666666666666,
+      "grad_norm": 0.038615625351667404,
+      "learning_rate": 3e-06,
+      "loss": 0.0021,
+      "reward": 0.0,
+      "reward_std": 0.0,
+      "rewards/correctness_reward_func_math": 0.0,
+      "step": 161,
+      "zero_std_ratio": 1.0
+    },
+    {
+      "epoch": 0.0054,
+      "grad_norm": 0.03294254466891289,
+      "learning_rate": 3e-06,
+      "loss": 0.002,
+      "step": 162
+    },
+    {
+      "epoch": 0.005433333333333333,
+      "grad_norm": 0.032007891684770584,
+      "learning_rate": 3e-06,
+      "loss": 0.0018,
+      "step": 163
+    },
+    {
+      "epoch": 0.0054666666666666665,
+      "grad_norm": 0.025692399591207504,
+      "learning_rate": 3e-06,
+      "loss": 0.0017,
+      "step": 164
+    },
+    {
+      "epoch": 0.0055,
+      "grad_norm": 0.017755229026079178,
+      "learning_rate": 3e-06,
+      "loss": 0.0017,
+      "step": 165
+    },
+    {
+      "epoch": 0.005533333333333334,
+      "grad_norm": 0.01276862621307373,
+      "learning_rate": 3e-06,
+      "loss": 0.0016,
+      "step": 166
+    },
+    {
+      "epoch": 0.005566666666666667,
+      "grad_norm": 0.009992323815822601,
+      "learning_rate": 3e-06,
+      "loss": 0.0016,
+      "step": 167
+    },
+    {
+      "epoch": 0.0056,
+      "grad_norm": 0.012182114645838737,
+      "learning_rate": 3e-06,
+      "loss": 0.0015,
+      "step": 168
+    },
+    {
+      "completion_length": 255.75,
+      "epoch": 0.005633333333333333,
+      "grad_norm": 0.0799197405576706,
+      "learning_rate": 3e-06,
+      "loss": 0.1288,
+      "reward": 0.40625,
+      "reward_std": 0.34860679507255554,
+      "rewards/correctness_reward_func_math": 0.40625,
+      "step": 169,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.005666666666666667,
+      "grad_norm": 0.08654382079839706,
+      "learning_rate": 3e-06,
+      "loss": 0.1292,
+      "step": 170
+    },
+    {
+      "epoch": 0.0057,
+      "grad_norm": 0.08831996470689774,
+      "learning_rate": 3e-06,
+      "loss": 0.1293,
+      "step": 171
+    },
+    {
+      "epoch": 0.005733333333333333,
+      "grad_norm": 0.08583132177591324,
+      "learning_rate": 3e-06,
+      "loss": 0.1287,
+      "step": 172
+    },
+    {
+      "epoch": 0.0057666666666666665,
+      "grad_norm": 0.08676140010356903,
+      "learning_rate": 3e-06,
+      "loss": 0.1282,
+      "step": 173
+    },
+    {
+      "epoch": 0.0058,
+      "grad_norm": 0.12521636486053467,
+      "learning_rate": 3e-06,
+      "loss": 0.1274,
+      "step": 174
+    },
+    {
+      "epoch": 0.005833333333333334,
+      "grad_norm": 0.09061478823423386,
+      "learning_rate": 3e-06,
+      "loss": 0.1277,
+      "step": 175
+    },
+    {
+      "epoch": 0.005866666666666667,
+      "grad_norm": 0.0860125795006752,
+      "learning_rate": 3e-06,
+      "loss": 0.1273,
+      "step": 176
+    },
+    {
+      "completion_length": 252.90625,
+      "epoch": 0.0059,
+      "grad_norm": 0.2615363895893097,
+      "learning_rate": 3e-06,
+      "loss": 0.1015,
+      "reward": 0.125,
+      "reward_std": 0.22360679507255554,
+      "rewards/correctness_reward_func_math": 0.125,
+      "step": 177,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.005933333333333333,
+      "grad_norm": 0.23454971611499786,
+      "learning_rate": 3e-06,
+      "loss": 0.1012,
+      "step": 178
+    },
+    {
+      "epoch": 0.005966666666666667,
+      "grad_norm": 0.2397933304309845,
+      "learning_rate": 3e-06,
+      "loss": 0.0989,
+      "step": 179
+    },
+    {
+      "epoch": 0.006,
+      "grad_norm": 0.23074287176132202,
+      "learning_rate": 3e-06,
+      "loss": 0.0982,
+      "step": 180
+    },
+    {
+      "epoch": 0.006033333333333333,
+      "grad_norm": 0.2260824292898178,
+      "learning_rate": 3e-06,
+      "loss": 0.0977,
+      "step": 181
+    },
+    {
+      "epoch": 0.006066666666666666,
+      "grad_norm": 0.21573786437511444,
+      "learning_rate": 3e-06,
+      "loss": 0.0967,
+      "step": 182
+    },
+    {
+      "epoch": 0.0061,
+      "grad_norm": 0.21113920211791992,
+      "learning_rate": 3e-06,
+      "loss": 0.0965,
+      "step": 183
+    },
+    {
+      "epoch": 0.0061333333333333335,
+      "grad_norm": 0.20550544559955597,
+      "learning_rate": 3e-06,
+      "loss": 0.0927,
+      "step": 184
+    },
+    {
+      "completion_length": 241.15625,
+      "epoch": 0.006166666666666667,
+      "grad_norm": 0.0989937111735344,
+      "learning_rate": 3e-06,
+      "loss": 0.1017,
+      "reward": 0.125,
+      "reward_std": 0.22360679507255554,
+      "rewards/correctness_reward_func_math": 0.125,
+      "step": 185,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.0062,
+      "grad_norm": 0.1034335121512413,
+      "learning_rate": 3e-06,
+      "loss": 0.1015,
+      "step": 186
+    },
+    {
+      "epoch": 0.006233333333333333,
+      "grad_norm": 0.10531827807426453,
+      "learning_rate": 3e-06,
+      "loss": 0.101,
+      "step": 187
+    },
+    {
+      "epoch": 0.006266666666666667,
+      "grad_norm": 0.09847135096788406,
+      "learning_rate": 3e-06,
+      "loss": 0.1007,
+      "step": 188
+    },
+    {
+      "epoch": 0.0063,
+      "grad_norm": 0.09480597078800201,
+      "learning_rate": 3e-06,
+      "loss": 0.1004,
+      "step": 189
+    },
+    {
+      "epoch": 0.006333333333333333,
+      "grad_norm": 0.09926161915063858,
+      "learning_rate": 3e-06,
+      "loss": 0.0998,
+      "step": 190
+    },
+    {
+      "epoch": 0.006366666666666666,
+      "grad_norm": 0.09321653097867966,
+      "learning_rate": 3e-06,
+      "loss": 0.0983,
+      "step": 191
+    },
+    {
+      "epoch": 0.0064,
+      "grad_norm": 0.09827691316604614,
+      "learning_rate": 3e-06,
+      "loss": 0.0987,
+      "step": 192
+    },
+    {
+      "completion_length": 253.1875,
+      "epoch": 0.0064333333333333334,
+      "grad_norm": 0.20560625195503235,
+      "learning_rate": 3e-06,
+      "loss": 0.1272,
+      "reward": 0.84375,
+      "reward_std": 0.34860679507255554,
+      "rewards/correctness_reward_func_math": 0.84375,
+      "step": 193,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.006466666666666667,
+      "grad_norm": 0.23086021840572357,
+      "learning_rate": 3e-06,
+      "loss": 0.127,
+      "step": 194
+    },
+    {
+      "epoch": 0.0065,
+      "grad_norm": 0.19467966258525848,
+      "learning_rate": 3e-06,
+      "loss": 0.1259,
+      "step": 195
+    },
+    {
+      "epoch": 0.006533333333333334,
+      "grad_norm": 0.21062582731246948,
+      "learning_rate": 3e-06,
+      "loss": 0.1259,
+      "step": 196
+    },
+    {
+      "epoch": 0.006566666666666667,
+      "grad_norm": 0.18799026310443878,
+      "learning_rate": 3e-06,
+      "loss": 0.1246,
+      "step": 197
+    },
+    {
+      "epoch": 0.0066,
+      "grad_norm": 0.1835852712392807,
+      "learning_rate": 3e-06,
+      "loss": 0.1231,
+      "step": 198
+    },
+    {
+      "epoch": 0.006633333333333333,
+      "grad_norm": 0.18756799399852753,
+      "learning_rate": 3e-06,
+      "loss": 0.1213,
+      "step": 199
+    },
+    {
+      "epoch": 0.006666666666666667,
+      "grad_norm": 0.19375261664390564,
+      "learning_rate": 3e-06,
+      "loss": 0.1203,
+      "step": 200
+    },
+    {
+      "completion_length": 238.59375,
+      "epoch": 0.0067,
+      "grad_norm": 0.2411942332983017,
+      "learning_rate": 3e-06,
+      "loss": 0.0808,
+      "reward": 0.59375,
+      "reward_std": 0.20155644416809082,
+      "rewards/correctness_reward_func_math": 0.59375,
+      "step": 201,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.006733333333333333,
+      "grad_norm": 0.24616678059101105,
+      "learning_rate": 3e-06,
+      "loss": 0.081,
+      "step": 202
+    },
+    {
+      "epoch": 0.0067666666666666665,
+      "grad_norm": 0.24397942423820496,
+      "learning_rate": 3e-06,
+      "loss": 0.079,
+      "step": 203
+    },
+    {
+      "epoch": 0.0068,
+      "grad_norm": 0.2402847409248352,
+      "learning_rate": 3e-06,
+      "loss": 0.0788,
+      "step": 204
+    },
+    {
+      "epoch": 0.006833333333333334,
+      "grad_norm": 0.23561778664588928,
+      "learning_rate": 3e-06,
+      "loss": 0.0771,
+      "step": 205
+    },
+    {
+      "epoch": 0.006866666666666667,
+      "grad_norm": 0.2318211793899536,
+      "learning_rate": 3e-06,
+      "loss": 0.0746,
+      "step": 206
+    },
+    {
+      "epoch": 0.0069,
+      "grad_norm": 0.21971279382705688,
+      "learning_rate": 3e-06,
+      "loss": 0.0741,
+      "step": 207
+    },
+    {
+      "epoch": 0.006933333333333333,
+      "grad_norm": 0.21873505413532257,
+      "learning_rate": 3e-06,
+      "loss": 0.0731,
+      "step": 208
+    },
+    {
+      "completion_length": 252.09375,
+      "epoch": 0.006966666666666667,
+      "grad_norm": 0.221430703997612,
+      "learning_rate": 3e-06,
+      "loss": 0.0824,
+      "reward": 0.09375,
+      "reward_std": 0.20155644416809082,
+      "rewards/correctness_reward_func_math": 0.09375,
+      "step": 209,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.007,
+      "grad_norm": 0.18140892684459686,
+      "learning_rate": 3e-06,
+      "loss": 0.0812,
+      "step": 210
+    },
+    {
+      "epoch": 0.007033333333333333,
+      "grad_norm": 0.19264592230319977,
+      "learning_rate": 3e-06,
+      "loss": 0.0806,
+      "step": 211
+    },
+    {
+      "epoch": 0.007066666666666666,
+      "grad_norm": 0.19215433299541473,
+      "learning_rate": 3e-06,
+      "loss": 0.0809,
+      "step": 212
+    },
+    {
+      "epoch": 0.0071,
+      "grad_norm": 0.16826850175857544,
+      "learning_rate": 3e-06,
+      "loss": 0.0794,
+      "step": 213
+    },
+    {
+      "epoch": 0.0071333333333333335,
+      "grad_norm": 0.19728928804397583,
+      "learning_rate": 3e-06,
+      "loss": 0.0786,
+      "step": 214
+    },
+    {
+      "epoch": 0.007166666666666667,
+      "grad_norm": 0.1542758047580719,
+      "learning_rate": 3e-06,
+      "loss": 0.0774,
+      "step": 215
+    },
+    {
+      "epoch": 0.0072,
+      "grad_norm": 0.1417521834373474,
+      "learning_rate": 3e-06,
+      "loss": 0.0771,
+      "step": 216
+    },
+    {
+      "completion_length": 252.90625,
+      "epoch": 0.007233333333333333,
+      "grad_norm": 0.06903000175952911,
+      "learning_rate": 3e-06,
+      "loss": 0.0337,
+      "reward": 0.46875,
+      "reward_std": 0.125,
+      "rewards/correctness_reward_func_math": 0.46875,
+      "step": 217,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.007266666666666667,
+      "grad_norm": 0.06982720643281937,
+      "learning_rate": 3e-06,
+      "loss": 0.0322,
+      "step": 218
+    },
+    {
+      "epoch": 0.0073,
+      "grad_norm": 0.0719161257147789,
+      "learning_rate": 3e-06,
+      "loss": 0.0329,
+      "step": 219
+    },
+    {
+      "epoch": 0.007333333333333333,
+      "grad_norm": 0.06664546579122543,
+      "learning_rate": 3e-06,
+      "loss": 0.0322,
+      "step": 220
+    },
+    {
+      "epoch": 0.007366666666666666,
+      "grad_norm": 0.06845974177122116,
+      "learning_rate": 3e-06,
+      "loss": 0.0321,
+      "step": 221
+    },
+    {
+      "epoch": 0.0074,
+      "grad_norm": 0.06127550080418587,
+      "learning_rate": 3e-06,
+      "loss": 0.0318,
+      "step": 222
+    },
+    {
+      "epoch": 0.0074333333333333335,
+      "grad_norm": 0.06694572418928146,
+      "learning_rate": 3e-06,
+      "loss": 0.0322,
+      "step": 223
+    },
+    {
+      "epoch": 0.007466666666666667,
+      "grad_norm": 0.053773194551467896,
+      "learning_rate": 3e-06,
+      "loss": 0.0311,
+      "step": 224
+    },
+    {
+      "completion_length": 255.8125,
+      "epoch": 0.0075,
+      "grad_norm": 0.12063571810722351,
+      "learning_rate": 3e-06,
+      "loss": 0.0842,
+      "reward": 0.59375,
+      "reward_std": 0.20155644416809082,
+      "rewards/correctness_reward_func_math": 0.59375,
+      "step": 225,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.007533333333333334,
+      "grad_norm": 0.13700009882450104,
+      "learning_rate": 3e-06,
+      "loss": 0.0842,
+      "step": 226
+    },
+    {
+      "epoch": 0.007566666666666667,
+      "grad_norm": 0.1518366038799286,
+      "learning_rate": 3e-06,
+      "loss": 0.0827,
+      "step": 227
+    },
+    {
+      "epoch": 0.0076,
+      "grad_norm": 0.12883657217025757,
+      "learning_rate": 3e-06,
+      "loss": 0.0832,
+      "step": 228
+    },
+    {
+      "epoch": 0.007633333333333333,
+      "grad_norm": 0.1081230416893959,
+      "learning_rate": 3e-06,
+      "loss": 0.0829,
+      "step": 229
+    },
+    {
+      "epoch": 0.007666666666666666,
+      "grad_norm": 0.11377252638339996,
+      "learning_rate": 3e-06,
+      "loss": 0.0821,
+      "step": 230
+    },
+    {
+      "epoch": 0.0077,
+      "grad_norm": 0.10980699956417084,
+      "learning_rate": 3e-06,
+      "loss": 0.0819,
+      "step": 231
+    },
+    {
+      "epoch": 0.007733333333333333,
+      "grad_norm": 0.10309964418411255,
+      "learning_rate": 3e-06,
+      "loss": 0.0817,
+      "step": 232
+    },
+    {
+      "completion_length": 251.90625,
+      "epoch": 0.0077666666666666665,
+      "grad_norm": 0.10372938215732574,
+      "learning_rate": 3e-06,
+      "loss": 0.0582,
+      "reward": 0.4375,
+      "reward_std": 0.17078250646591187,
+      "rewards/correctness_reward_func_math": 0.4375,
+      "step": 233,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.0078,
+      "grad_norm": 0.07893364131450653,
+      "learning_rate": 3e-06,
+      "loss": 0.0583,
+      "step": 234
+    },
+    {
+      "epoch": 0.007833333333333333,
+      "grad_norm": 0.06570159643888474,
+      "learning_rate": 3e-06,
+      "loss": 0.0577,
+      "step": 235
+    },
+    {
+      "epoch": 0.007866666666666666,
+      "grad_norm": 0.08471573889255524,
+      "learning_rate": 3e-06,
+      "loss": 0.057,
+      "step": 236
+    },
+    {
+      "epoch": 0.0079,
+      "grad_norm": 0.1058182641863823,
+      "learning_rate": 3e-06,
+      "loss": 0.0575,
+      "step": 237
+    },
+    {
+      "epoch": 0.007933333333333334,
+      "grad_norm": 0.08393523842096329,
+      "learning_rate": 3e-06,
+      "loss": 0.0573,
+      "step": 238
+    },
+    {
+      "epoch": 0.007966666666666667,
+      "grad_norm": 0.07561209797859192,
+      "learning_rate": 3e-06,
+      "loss": 0.057,
+      "step": 239
+    },
+    {
+      "epoch": 0.008,
+      "grad_norm": 0.09106115996837616,
+      "learning_rate": 3e-06,
+      "loss": 0.0567,
+      "step": 240
+    },
+    {
+      "completion_length": 237.0,
+      "epoch": 0.008033333333333333,
+      "grad_norm": 0.1368522346019745,
+      "learning_rate": 3e-06,
+      "loss": 0.0818,
+      "reward": 0.40625,
+      "reward_std": 0.20155644416809082,
+      "rewards/correctness_reward_func_math": 0.40625,
+      "step": 241,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.008066666666666666,
+      "grad_norm": 0.12442981451749802,
+      "learning_rate": 3e-06,
+      "loss": 0.0816,
+      "step": 242
+    },
+    {
+      "epoch": 0.0081,
+      "grad_norm": 0.11947299540042877,
+      "learning_rate": 3e-06,
+      "loss": 0.0806,
+      "step": 243
+    },
+    {
+      "epoch": 0.008133333333333333,
+      "grad_norm": 0.11919694393873215,
+      "learning_rate": 3e-06,
+      "loss": 0.0811,
+      "step": 244
+    },
+    {
+      "epoch": 0.008166666666666666,
+      "grad_norm": 0.10316596180200577,
+      "learning_rate": 3e-06,
+      "loss": 0.0794,
+      "step": 245
+    },
+    {
+      "epoch": 0.0082,
+      "grad_norm": 0.11650335043668747,
+      "learning_rate": 3e-06,
+      "loss": 0.0796,
+      "step": 246
+    },
+    {
+      "epoch": 0.008233333333333334,
+      "grad_norm": 0.10378652811050415,
+      "learning_rate": 3e-06,
+      "loss": 0.0791,
+      "step": 247
+    },
+    {
+      "epoch": 0.008266666666666667,
+      "grad_norm": 0.11012125760316849,
+      "learning_rate": 3e-06,
+      "loss": 0.0779,
+      "step": 248
+    },
+    {
+      "completion_length": 207.96875,
+      "epoch": 0.0083,
+      "grad_norm": 0.1521851122379303,
+      "learning_rate": 3e-06,
+      "loss": 0.0055,
+      "reward": 0.5,
+      "reward_std": 0.0,
+      "rewards/correctness_reward_func_math": 0.5,
+      "step": 249,
+      "zero_std_ratio": 1.0
+    },
+    {
+      "epoch": 0.008333333333333333,
+      "grad_norm": 0.13913336396217346,
+      "learning_rate": 3e-06,
+      "loss": 0.0049,
+      "step": 250
+    },
+    {
+      "epoch": 0.008366666666666666,
+      "grad_norm": 0.1214175596833229,
+      "learning_rate": 3e-06,
+      "loss": 0.0045,
+      "step": 251
+    },
+    {
+      "epoch": 0.0084,
+      "grad_norm": 0.04892689734697342,
+      "learning_rate": 3e-06,
+      "loss": 0.0041,
+      "step": 252
+    },
+    {
+      "epoch": 0.008433333333333333,
+      "grad_norm": 0.3113498091697693,
+      "learning_rate": 3e-06,
+      "loss": 0.0042,
+      "step": 253
+    },
+    {
+      "epoch": 0.008466666666666667,
+      "grad_norm": 0.059984251856803894,
+      "learning_rate": 3e-06,
+      "loss": 0.0043,
+      "step": 254
+    },
+    {
+      "epoch": 0.0085,
+      "grad_norm": 0.10721159726381302,
+      "learning_rate": 3e-06,
+      "loss": 0.0045,
+      "step": 255
+    },
+    {
+      "epoch": 0.008533333333333334,
+      "grad_norm": 0.10680066049098969,
+      "learning_rate": 3e-06,
+      "loss": 0.0043,
+      "step": 256
+    },
+    {
+      "completion_length": 250.25,
+      "epoch": 0.008566666666666667,
+      "grad_norm": 0.2557700574398041,
+      "learning_rate": 3e-06,
+      "loss": 0.2298,
+      "reward": 0.5,
+      "reward_std": 0.4787135720252991,
+      "rewards/correctness_reward_func_math": 0.5,
+      "step": 257,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.0086,
+      "grad_norm": 0.2441413402557373,
+      "learning_rate": 3e-06,
+      "loss": 0.2313,
+      "step": 258
+    },
+    {
+      "epoch": 0.008633333333333333,
+      "grad_norm": 0.2289627641439438,
+      "learning_rate": 3e-06,
+      "loss": 0.2298,
+      "step": 259
+    },
+    {
+      "epoch": 0.008666666666666666,
+      "grad_norm": 0.2373437136411667,
+      "learning_rate": 3e-06,
+      "loss": 0.2283,
+      "step": 260
+    },
+    {
+      "epoch": 0.0087,
+      "grad_norm": 0.2363273948431015,
+      "learning_rate": 3e-06,
+      "loss": 0.2263,
+      "step": 261
+    },
+    {
+      "epoch": 0.008733333333333333,
+      "grad_norm": 0.19900596141815186,
+      "learning_rate": 3e-06,
+      "loss": 0.227,
+      "step": 262
+    },
+    {
+      "epoch": 0.008766666666666667,
+      "grad_norm": 0.22300012409687042,
+      "learning_rate": 3e-06,
+      "loss": 0.2258,
+      "step": 263
+    },
+    {
+      "epoch": 0.0088,
+      "grad_norm": 0.1812703162431717,
+      "learning_rate": 3e-06,
+      "loss": 0.2237,
+      "step": 264
+    },
+    {
+      "completion_length": 253.375,
+      "epoch": 0.008833333333333334,
+      "grad_norm": 0.21436747908592224,
+      "learning_rate": 3e-06,
+      "loss": 0.1123,
+      "reward": 0.84375,
+      "reward_std": 0.23935678601264954,
+      "rewards/correctness_reward_func_math": 0.84375,
+      "step": 265,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.008866666666666667,
+      "grad_norm": 0.271098256111145,
+      "learning_rate": 3e-06,
+      "loss": 0.1131,
+      "step": 266
+    },
+    {
+      "epoch": 0.0089,
+      "grad_norm": 0.21542005240917206,
+      "learning_rate": 3e-06,
+      "loss": 0.1124,
+      "step": 267
+    },
+    {
+      "epoch": 0.008933333333333333,
+      "grad_norm": 0.20651763677597046,
+      "learning_rate": 3e-06,
+      "loss": 0.1119,
+      "step": 268
+    },
+    {
+      "epoch": 0.008966666666666666,
+      "grad_norm": 0.3048100173473358,
+      "learning_rate": 3e-06,
+      "loss": 0.1114,
+      "step": 269
+    },
+    {
+      "epoch": 0.009,
+      "grad_norm": 0.23777973651885986,
+      "learning_rate": 3e-06,
+      "loss": 0.1092,
+      "step": 270
+    },
+    {
+      "epoch": 0.009033333333333334,
+      "grad_norm": 0.18003176152706146,
+      "learning_rate": 3e-06,
+      "loss": 0.1094,
+      "step": 271
+    },
+    {
+      "epoch": 0.009066666666666667,
+      "grad_norm": 0.18628230690956116,
+      "learning_rate": 3e-06,
+      "loss": 0.1103,
+      "step": 272
+    },
+    {
+      "completion_length": 255.5,
+      "epoch": 0.0091,
+      "grad_norm": 0.07677990198135376,
+      "learning_rate": 3e-06,
+      "loss": 0.0569,
+      "reward": 0.4375,
+      "reward_std": 0.17078250646591187,
+      "rewards/correctness_reward_func_math": 0.4375,
+      "step": 273,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.009133333333333334,
+      "grad_norm": 0.07453834265470505,
+      "learning_rate": 3e-06,
+      "loss": 0.0575,
+      "step": 274
+    },
+    {
+      "epoch": 0.009166666666666667,
+      "grad_norm": 0.07147198915481567,
+      "learning_rate": 3e-06,
+      "loss": 0.0569,
+      "step": 275
+    },
+    {
+      "epoch": 0.0092,
+      "grad_norm": 0.06870239228010178,
+      "learning_rate": 3e-06,
+      "loss": 0.0569,
+      "step": 276
+    },
+    {
+      "epoch": 0.009233333333333333,
+      "grad_norm": 0.06717611849308014,
+      "learning_rate": 3e-06,
+      "loss": 0.0565,
+      "step": 277
+    },
+    {
+      "epoch": 0.009266666666666666,
+      "grad_norm": 0.07037505507469177,
+      "learning_rate": 3e-06,
+      "loss": 0.056,
+      "step": 278
+    },
+    {
+      "epoch": 0.0093,
+      "grad_norm": 0.06446697562932968,
+      "learning_rate": 3e-06,
+      "loss": 0.0575,
+      "step": 279
+    },
+    {
+      "epoch": 0.009333333333333334,
+      "grad_norm": 0.08246565610170364,
+      "learning_rate": 3e-06,
+      "loss": 0.0561,
+      "step": 280
+    },
+    {
+      "completion_length": 244.59375,
+      "epoch": 0.009366666666666667,
+      "grad_norm": 0.12445526570081711,
+      "learning_rate": 3e-06,
+      "loss": 0.1086,
+      "reward": 0.4375,
+      "reward_std": 0.3265564441680908,
+      "rewards/correctness_reward_func_math": 0.4375,
+      "step": 281,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.0094,
+      "grad_norm": 0.11129984259605408,
+      "learning_rate": 3e-06,
+      "loss": 0.109,
+      "step": 282
+    },
+    {
+      "epoch": 0.009433333333333334,
+      "grad_norm": 0.11353112757205963,
+      "learning_rate": 3e-06,
+      "loss": 0.1082,
+      "step": 283
+    },
+    {
+      "epoch": 0.009466666666666667,
+      "grad_norm": 0.10582759231328964,
+      "learning_rate": 3e-06,
+      "loss": 0.1077,
+      "step": 284
+    },
+    {
+      "epoch": 0.0095,
+      "grad_norm": 0.12248648703098297,
+      "learning_rate": 3e-06,
+      "loss": 0.1074,
+      "step": 285
+    },
+    {
+      "epoch": 0.009533333333333333,
+      "grad_norm": 0.09618452936410904,
+      "learning_rate": 3e-06,
+      "loss": 0.107,
+      "step": 286
+    },
+    {
+      "epoch": 0.009566666666666666,
+      "grad_norm": 0.1011599451303482,
+      "learning_rate": 3e-06,
+      "loss": 0.1063,
+      "step": 287
+    },
+    {
+      "epoch": 0.0096,
+      "grad_norm": 0.10902847349643707,
+      "learning_rate": 3e-06,
+      "loss": 0.1068,
+      "step": 288
+    },
+    {
+      "completion_length": 254.65625,
+      "epoch": 0.009633333333333334,
+      "grad_norm": 0.3859349489212036,
+      "learning_rate": 3e-06,
+      "loss": 0.1301,
+      "reward": 0.1875,
+      "reward_std": 0.25,
+      "rewards/correctness_reward_func_math": 0.1875,
+      "step": 289,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.009666666666666667,
+      "grad_norm": 0.3932928442955017,
+      "learning_rate": 3e-06,
+      "loss": 0.1294,
+      "step": 290
+    },
+    {
+      "epoch": 0.0097,
+      "grad_norm": 0.40273627638816833,
+      "learning_rate": 3e-06,
+      "loss": 0.1293,
+      "step": 291
+    },
+    {
+      "epoch": 0.009733333333333333,
+      "grad_norm": 0.38272443413734436,
+      "learning_rate": 3e-06,
+      "loss": 0.1275,
+      "step": 292
+    },
+    {
+      "epoch": 0.009766666666666667,
+      "grad_norm": 0.3871162235736847,
+      "learning_rate": 3e-06,
+      "loss": 0.1258,
+      "step": 293
+    },
+    {
+      "epoch": 0.0098,
+      "grad_norm": 0.38415059447288513,
+      "learning_rate": 3e-06,
+      "loss": 0.124,
+      "step": 294
+    },
+    {
+      "epoch": 0.009833333333333333,
+      "grad_norm": 0.38006046414375305,
+      "learning_rate": 3e-06,
+      "loss": 0.1224,
+      "step": 295
+    },
+    {
+      "epoch": 0.009866666666666666,
+      "grad_norm": 0.36472636461257935,
+      "learning_rate": 3e-06,
+      "loss": 0.1201,
+      "step": 296
+    },
+    {
+      "completion_length": 255.40625,
+      "epoch": 0.0099,
+      "grad_norm": 0.3171677887439728,
+      "learning_rate": 3e-06,
+      "loss": 0.1,
+      "reward": 0.625,
+      "reward_std": 0.22360679507255554,
+      "rewards/correctness_reward_func_math": 0.625,
+      "step": 297,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.009933333333333334,
+      "grad_norm": 0.2948160469532013,
+      "learning_rate": 3e-06,
+      "loss": 0.1004,
+      "step": 298
+    },
+    {
+      "epoch": 0.009966666666666667,
+      "grad_norm": 0.29199403524398804,
+      "learning_rate": 3e-06,
+      "loss": 0.0994,
+      "step": 299
+    },
+    {
+      "epoch": 0.01,
+      "grad_norm": 0.30146604776382446,
+      "learning_rate": 3e-06,
+      "loss": 0.0986,
+      "step": 300
+    },
+    {
+      "epoch": 0.010033333333333333,
+      "grad_norm": 0.3124323785305023,
+      "learning_rate": 3e-06,
+      "loss": 0.0973,
+      "step": 301
+    },
+    {
+      "epoch": 0.010066666666666666,
+      "grad_norm": 0.2831583321094513,
+      "learning_rate": 3e-06,
+      "loss": 0.0955,
+      "step": 302
+    },
+    {
+      "epoch": 0.0101,
+      "grad_norm": 0.23084263503551483,
+      "learning_rate": 3e-06,
+      "loss": 0.0942,
+      "step": 303
+    },
+    {
+      "epoch": 0.010133333333333333,
+      "grad_norm": 0.20985762774944305,
+      "learning_rate": 3e-06,
+      "loss": 0.0923,
+      "step": 304
+    },
+    {
+      "completion_length": 248.625,
+      "epoch": 0.010166666666666666,
+      "grad_norm": 0.19962747395038605,
+      "learning_rate": 3e-06,
+      "loss": 0.1608,
+      "reward": 0.5,
+      "reward_std": 0.40311288833618164,
+      "rewards/correctness_reward_func_math": 0.5,
+      "step": 305,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.0102,
+      "grad_norm": 0.24764351546764374,
+      "learning_rate": 3e-06,
+      "loss": 0.16,
+      "step": 306
+    },
+    {
+      "epoch": 0.010233333333333334,
+      "grad_norm": 0.2066008597612381,
+      "learning_rate": 3e-06,
+      "loss": 0.1595,
+      "step": 307
+    },
+    {
+      "epoch": 0.010266666666666667,
+      "grad_norm": 0.23844295740127563,
+      "learning_rate": 3e-06,
+      "loss": 0.1584,
+      "step": 308
+    },
+    {
+      "epoch": 0.0103,
+      "grad_norm": 0.21125859022140503,
+      "learning_rate": 3e-06,
+      "loss": 0.1582,
+      "step": 309
+    },
+    {
+      "epoch": 0.010333333333333333,
+      "grad_norm": 0.19642141461372375,
+      "learning_rate": 3e-06,
+      "loss": 0.1562,
+      "step": 310
+    },
+    {
+      "epoch": 0.010366666666666666,
+      "grad_norm": 0.17622606456279755,
+      "learning_rate": 3e-06,
+      "loss": 0.1567,
+      "step": 311
+    },
+    {
+      "epoch": 0.0104,
+      "grad_norm": 0.1995132863521576,
+      "learning_rate": 3e-06,
+      "loss": 0.155,
+      "step": 312
+    },
+    {
+      "completion_length": 249.15625,
+      "epoch": 0.010433333333333333,
+      "grad_norm": 0.08732568472623825,
+      "learning_rate": 3e-06,
+      "loss": 0.0336,
+      "reward": 0.46875,
+      "reward_std": 0.125,
+      "rewards/correctness_reward_func_math": 0.46875,
+      "step": 313,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.010466666666666668,
+      "grad_norm": 0.11195740103721619,
+      "learning_rate": 3e-06,
+      "loss": 0.0335,
+      "step": 314
+    },
+    {
+      "epoch": 0.0105,
+      "grad_norm": 0.09467235952615738,
+      "learning_rate": 3e-06,
+      "loss": 0.0336,
+      "step": 315
+    },
+    {
+      "epoch": 0.010533333333333334,
+      "grad_norm": 0.09426605701446533,
+      "learning_rate": 3e-06,
+      "loss": 0.0333,
+      "step": 316
+    },
+    {
+      "epoch": 0.010566666666666667,
+      "grad_norm": 0.07994519174098969,
+      "learning_rate": 3e-06,
+      "loss": 0.0328,
+      "step": 317
+    },
+    {
+      "epoch": 0.0106,
+      "grad_norm": 0.08287444710731506,
+      "learning_rate": 3e-06,
+      "loss": 0.0319,
+      "step": 318
+    },
+    {
+      "epoch": 0.010633333333333333,
+      "grad_norm": 0.06968359649181366,
+      "learning_rate": 3e-06,
+      "loss": 0.0321,
+      "step": 319
+    },
+    {
+      "epoch": 0.010666666666666666,
+      "grad_norm": 0.0830591470003128,
+      "learning_rate": 3e-06,
+      "loss": 0.0319,
+      "step": 320
+    },
+    {
+      "completion_length": 248.65625,
+      "epoch": 0.0107,
+      "grad_norm": 0.06957131624221802,
+      "learning_rate": 3e-06,
+      "loss": 0.033,
+      "reward": 0.46875,
+      "reward_std": 0.125,
+      "rewards/correctness_reward_func_math": 0.46875,
+      "step": 321,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.010733333333333333,
+      "grad_norm": 0.06762567907571793,
+      "learning_rate": 3e-06,
+      "loss": 0.0328,
+      "step": 322
+    },
+    {
+      "epoch": 0.010766666666666667,
+      "grad_norm": 0.07127760350704193,
+      "learning_rate": 3e-06,
+      "loss": 0.0329,
+      "step": 323
+    },
+    {
+      "epoch": 0.0108,
+      "grad_norm": 0.0638313814997673,
+      "learning_rate": 3e-06,
+      "loss": 0.0323,
+      "step": 324
+    },
+    {
+      "epoch": 0.010833333333333334,
+      "grad_norm": 0.06132892146706581,
+      "learning_rate": 3e-06,
+      "loss": 0.0316,
+      "step": 325
+    },
+    {
+      "epoch": 0.010866666666666667,
+      "grad_norm": 0.06759806722402573,
+      "learning_rate": 3e-06,
+      "loss": 0.0324,
+      "step": 326
+    },
+    {
+      "epoch": 0.0109,
+      "grad_norm": 0.060975346714258194,
+      "learning_rate": 3e-06,
+      "loss": 0.0313,
+      "step": 327
+    },
+    {
+      "epoch": 0.010933333333333333,
+      "grad_norm": 0.06246459484100342,
+      "learning_rate": 3e-06,
+      "loss": 0.0315,
+      "step": 328
+    },
+    {
+      "completion_length": 253.90625,
+      "epoch": 0.010966666666666666,
+      "grad_norm": 0.17615360021591187,
+      "learning_rate": 3e-06,
+      "loss": 0.1877,
+      "reward": 0.71875,
+      "reward_std": 0.42695626616477966,
+      "rewards/correctness_reward_func_math": 0.71875,
+      "step": 329,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.011,
+      "grad_norm": 0.18470387160778046,
+      "learning_rate": 3e-06,
+      "loss": 0.1865,
+      "step": 330
+    },
+    {
+      "epoch": 0.011033333333333332,
+      "grad_norm": 0.18719007074832916,
+      "learning_rate": 3e-06,
+      "loss": 0.186,
+      "step": 331
+    },
+    {
+      "epoch": 0.011066666666666667,
+      "grad_norm": 0.19114398956298828,
+      "learning_rate": 3e-06,
+      "loss": 0.1859,
+      "step": 332
+    },
+    {
+      "epoch": 0.0111,
+      "grad_norm": 0.18149441480636597,
+      "learning_rate": 3e-06,
+      "loss": 0.1842,
+      "step": 333
+    },
+    {
+      "epoch": 0.011133333333333334,
+      "grad_norm": 0.1665520817041397,
+      "learning_rate": 3e-06,
+      "loss": 0.1834,
+      "step": 334
+    },
+    {
+      "epoch": 0.011166666666666667,
+      "grad_norm": 0.1645946204662323,
+      "learning_rate": 3e-06,
+      "loss": 0.1817,
+      "step": 335
+    },
+    {
+      "epoch": 0.0112,
+      "grad_norm": 0.15955454111099243,
+      "learning_rate": 3e-06,
+      "loss": 0.1799,
+      "step": 336
+    },
+    {
+      "completion_length": 221.53125,
+      "epoch": 0.011233333333333333,
+      "grad_norm": 0.0696011632680893,
+      "learning_rate": 3e-06,
+      "loss": 0.0339,
+      "reward": 0.03125,
+      "reward_std": 0.125,
+      "rewards/correctness_reward_func_math": 0.03125,
+      "step": 337,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.011266666666666666,
+      "grad_norm": 0.06734811514616013,
+      "learning_rate": 3e-06,
+      "loss": 0.0337,
+      "step": 338
+    },
+    {
+      "epoch": 0.0113,
+      "grad_norm": 0.06688684225082397,
+      "learning_rate": 3e-06,
+      "loss": 0.0341,
+      "step": 339
+    },
+    {
+      "epoch": 0.011333333333333334,
+      "grad_norm": 0.062301915138959885,
+      "learning_rate": 3e-06,
+      "loss": 0.0334,
+      "step": 340
+    },
+    {
+      "epoch": 0.011366666666666667,
+      "grad_norm": 0.06573881953954697,
+      "learning_rate": 3e-06,
+      "loss": 0.0337,
+      "step": 341
+    },
+    {
+      "epoch": 0.0114,
+      "grad_norm": 0.05971261486411095,
+      "learning_rate": 3e-06,
+      "loss": 0.033,
+      "step": 342
+    },
+    {
+      "epoch": 0.011433333333333334,
+      "grad_norm": 0.05677683278918266,
+      "learning_rate": 3e-06,
+      "loss": 0.033,
+      "step": 343
+    },
+    {
+      "epoch": 0.011466666666666667,
+      "grad_norm": 0.057676464319229126,
+      "learning_rate": 3e-06,
+      "loss": 0.0328,
+      "step": 344
+    },
+    {
+      "completion_length": 248.15625,
+      "epoch": 0.0115,
+      "grad_norm": 0.13007143139839172,
+      "learning_rate": 3e-06,
+      "loss": 0.0334,
+      "reward": 0.03125,
+      "reward_std": 0.125,
+      "rewards/correctness_reward_func_math": 0.03125,
+      "step": 345,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.011533333333333333,
+      "grad_norm": 0.12517662346363068,
+      "learning_rate": 3e-06,
+      "loss": 0.0345,
+      "step": 346
+    },
+    {
+      "epoch": 0.011566666666666666,
+      "grad_norm": 0.12157954275608063,
+      "learning_rate": 3e-06,
+      "loss": 0.0336,
+      "step": 347
+    },
+    {
+      "epoch": 0.0116,
+      "grad_norm": 0.11300285160541534,
+      "learning_rate": 3e-06,
+      "loss": 0.0332,
+      "step": 348
+    },
+    {
+      "epoch": 0.011633333333333334,
+      "grad_norm": 0.10771545767784119,
+      "learning_rate": 3e-06,
+      "loss": 0.033,
+      "step": 349
+    },
+    {
+      "epoch": 0.011666666666666667,
+      "grad_norm": 0.08922956883907318,
+      "learning_rate": 3e-06,
+      "loss": 0.0321,
+      "step": 350
+    },
+    {
+      "epoch": 0.0117,
+      "grad_norm": 0.08959927409887314,
+      "learning_rate": 3e-06,
+      "loss": 0.0303,
+      "step": 351
+    },
+    {
+      "epoch": 0.011733333333333333,
+      "grad_norm": 0.08192899078130722,
+      "learning_rate": 3e-06,
+      "loss": 0.0297,
+      "step": 352
+    },
+    {
+      "completion_length": 218.6875,
+      "epoch": 0.011766666666666667,
+      "grad_norm": 0.3856608271598816,
+      "learning_rate": 3e-06,
+      "loss": 0.0073,
+      "reward": 0.0,
+      "reward_std": 0.0,
+      "rewards/correctness_reward_func_math": 0.0,
+      "step": 353,
+      "zero_std_ratio": 1.0
+    },
+    {
+      "epoch": 0.0118,
+      "grad_norm": 0.09058357775211334,
+      "learning_rate": 3e-06,
+      "loss": 0.0066,
+      "step": 354
+    },
+    {
+      "epoch": 0.011833333333333333,
+      "grad_norm": 0.6148344874382019,
+      "learning_rate": 3e-06,
+      "loss": 0.0072,
+      "step": 355
+    },
+    {
+      "epoch": 0.011866666666666666,
+      "grad_norm": 0.1997765749692917,
+      "learning_rate": 3e-06,
+      "loss": 0.0064,
+      "step": 356
+    },
+    {
+      "epoch": 0.0119,
+      "grad_norm": 0.13170619308948517,
+      "learning_rate": 3e-06,
+      "loss": 0.0068,
+      "step": 357
+    },
+    {
+      "epoch": 0.011933333333333334,
+      "grad_norm": 0.6100255846977234,
+      "learning_rate": 3e-06,
+      "loss": 0.007,
+      "step": 358
+    },
+    {
+      "epoch": 0.011966666666666667,
+      "grad_norm": 0.4181111752986908,
+      "learning_rate": 3e-06,
+      "loss": 0.0064,
+      "step": 359
+    },
+    {
+      "epoch": 0.012,
+      "grad_norm": 0.4106765687465668,
+      "learning_rate": 3e-06,
+      "loss": 0.0064,
+      "step": 360
+    },
+    {
+      "completion_length": 254.6875,
+      "epoch": 0.012033333333333333,
+      "grad_norm": 0.27548089623451233,
+      "learning_rate": 3e-06,
+      "loss": 0.1803,
+      "reward": 0.625,
+      "reward_std": 0.42078250646591187,
+      "rewards/correctness_reward_func_math": 0.625,
+      "step": 361,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.012066666666666667,
+      "grad_norm": 0.25461554527282715,
+      "learning_rate": 3e-06,
+      "loss": 0.1814,
+      "step": 362
+    },
+    {
+      "epoch": 0.0121,
+      "grad_norm": 0.2948690950870514,
+      "learning_rate": 3e-06,
+      "loss": 0.1813,
+      "step": 363
+    },
+    {
+      "epoch": 0.012133333333333333,
+      "grad_norm": 0.28537362813949585,
+      "learning_rate": 3e-06,
+      "loss": 0.1792,
+      "step": 364
+    },
+    {
+      "epoch": 0.012166666666666666,
+      "grad_norm": 0.23089227080345154,
+      "learning_rate": 3e-06,
+      "loss": 0.1785,
+      "step": 365
+    },
+    {
+      "epoch": 0.0122,
+      "grad_norm": 0.22446952760219574,
+      "learning_rate": 3e-06,
+      "loss": 0.1769,
+      "step": 366
+    },
+    {
+      "epoch": 0.012233333333333334,
+      "grad_norm": 0.21808061003684998,
+      "learning_rate": 3e-06,
+      "loss": 0.1755,
+      "step": 367
+    },
+    {
+      "epoch": 0.012266666666666667,
+      "grad_norm": 0.20831453800201416,
+      "learning_rate": 3e-06,
+      "loss": 0.1732,
+      "step": 368
+    },
+    {
+      "completion_length": 251.5,
+      "epoch": 0.0123,
+      "grad_norm": 0.19292129576206207,
+      "learning_rate": 3e-06,
+      "loss": 0.1318,
+      "reward": 0.28125,
+      "reward_std": 0.2561737596988678,
+      "rewards/correctness_reward_func_math": 0.28125,
+      "step": 369,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.012333333333333333,
+      "grad_norm": 0.2119365930557251,
+      "learning_rate": 3e-06,
+      "loss": 0.1308,
+      "step": 370
+    },
+    {
+      "epoch": 0.012366666666666666,
+      "grad_norm": 0.16353337466716766,
+      "learning_rate": 3e-06,
+      "loss": 0.1303,
+      "step": 371
+    },
+    {
+      "epoch": 0.0124,
+      "grad_norm": 0.1856507509946823,
+      "learning_rate": 3e-06,
+      "loss": 0.1295,
+      "step": 372
+    },
+    {
+      "epoch": 0.012433333333333333,
+      "grad_norm": 0.15908096730709076,
+      "learning_rate": 3e-06,
+      "loss": 0.1289,
+      "step": 373
+    },
+    {
+      "epoch": 0.012466666666666666,
+      "grad_norm": 0.19090767204761505,
+      "learning_rate": 3e-06,
+      "loss": 0.1275,
+      "step": 374
+    },
+    {
+      "epoch": 0.0125,
+      "grad_norm": 0.19090524315834045,
+      "learning_rate": 3e-06,
+      "loss": 0.1263,
+      "step": 375
+    },
+    {
+      "epoch": 0.012533333333333334,
+      "grad_norm": 0.2033962607383728,
+      "learning_rate": 3e-06,
+      "loss": 0.126,
+      "step": 376
+    },
+    {
+      "completion_length": 249.34375,
+      "epoch": 0.012566666666666667,
+      "grad_norm": 0.2016112059354782,
+      "learning_rate": 3e-06,
+      "loss": 0.1476,
+      "reward": 0.8125,
+      "reward_std": 0.36435678601264954,
+      "rewards/correctness_reward_func_math": 0.8125,
+      "step": 377,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.0126,
+      "grad_norm": 0.1587410271167755,
+      "learning_rate": 3e-06,
+      "loss": 0.1442,
+      "step": 378
+    },
+    {
+      "epoch": 0.012633333333333333,
+      "grad_norm": 0.16049852967262268,
+      "learning_rate": 3e-06,
+      "loss": 0.1445,
+      "step": 379
+    },
+    {
+      "epoch": 0.012666666666666666,
+      "grad_norm": 0.1450672745704651,
+      "learning_rate": 3e-06,
+      "loss": 0.1431,
+      "step": 380
+    },
+    {
+      "epoch": 0.0127,
+      "grad_norm": 0.14676228165626526,
+      "learning_rate": 3e-06,
+      "loss": 0.1434,
+      "step": 381
+    },
+    {
+      "epoch": 0.012733333333333333,
+      "grad_norm": 0.1436103880405426,
+      "learning_rate": 3e-06,
+      "loss": 0.1414,
+      "step": 382
+    },
+    {
+      "epoch": 0.012766666666666667,
+      "grad_norm": 0.12750330567359924,
+      "learning_rate": 3e-06,
+      "loss": 0.1399,
+      "step": 383
+    },
+    {
+      "epoch": 0.0128,
+      "grad_norm": 0.12799246609210968,
+      "learning_rate": 3e-06,
+      "loss": 0.1413,
+      "step": 384
+    },
+    {
+      "completion_length": 240.40625,
+      "epoch": 0.012833333333333334,
+      "grad_norm": 0.06822817772626877,
+      "learning_rate": 3e-06,
+      "loss": 0.0579,
+      "reward": 0.4375,
+      "reward_std": 0.17078250646591187,
+      "rewards/correctness_reward_func_math": 0.4375,
+      "step": 385,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.012866666666666667,
+      "grad_norm": 0.07872696965932846,
+      "learning_rate": 3e-06,
+      "loss": 0.0573,
+      "step": 386
+    },
+    {
+      "epoch": 0.0129,
+      "grad_norm": 0.08817996829748154,
+      "learning_rate": 3e-06,
+      "loss": 0.0578,
+      "step": 387
+    },
+    {
+      "epoch": 0.012933333333333333,
+      "grad_norm": 0.07223974913358688,
+      "learning_rate": 3e-06,
+      "loss": 0.0573,
+      "step": 388
+    },
+    {
+      "epoch": 0.012966666666666666,
+      "grad_norm": 0.0702061653137207,
+      "learning_rate": 3e-06,
+      "loss": 0.0572,
+      "step": 389
+    },
+    {
+      "epoch": 0.013,
+      "grad_norm": 0.06336595118045807,
+      "learning_rate": 3e-06,
+      "loss": 0.057,
+      "step": 390
+    },
+    {
+      "epoch": 0.013033333333333333,
+      "grad_norm": 0.06485968828201294,
+      "learning_rate": 3e-06,
+      "loss": 0.0572,
+      "step": 391
+    },
+    {
+      "epoch": 0.013066666666666667,
+      "grad_norm": 0.07797792553901672,
+      "learning_rate": 3e-06,
+      "loss": 0.0567,
+      "step": 392
+    },
+    {
+      "completion_length": 238.375,
+      "epoch": 0.0131,
+      "grad_norm": 0.38549041748046875,
+      "learning_rate": 3e-06,
+      "loss": 0.2458,
+      "reward": 0.625,
+      "reward_std": 0.49553054571151733,
+      "rewards/correctness_reward_func_math": 0.625,
+      "step": 393,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.013133333333333334,
+      "grad_norm": 0.3840830326080322,
+      "learning_rate": 3e-06,
+      "loss": 0.2453,
+      "step": 394
+    },
+    {
+      "epoch": 0.013166666666666667,
+      "grad_norm": 0.3641573488712311,
+      "learning_rate": 3e-06,
+      "loss": 0.2426,
+      "step": 395
+    },
+    {
+      "epoch": 0.0132,
+      "grad_norm": 0.36177030205726624,
+      "learning_rate": 3e-06,
+      "loss": 0.2419,
+      "step": 396
+    },
+    {
+      "epoch": 0.013233333333333333,
+      "grad_norm": 0.3800259530544281,
+      "learning_rate": 3e-06,
+      "loss": 0.2392,
+      "step": 397
+    },
+    {
+      "epoch": 0.013266666666666666,
+      "grad_norm": 0.3620750308036804,
+      "learning_rate": 3e-06,
+      "loss": 0.2387,
+      "step": 398
+    },
+    {
+      "epoch": 0.0133,
+      "grad_norm": 0.3121510148048401,
+      "learning_rate": 3e-06,
+      "loss": 0.2362,
+      "step": 399
+    },
+    {
+      "epoch": 0.013333333333333334,
+      "grad_norm": 0.31789830327033997,
+      "learning_rate": 3e-06,
+      "loss": 0.2333,
+      "step": 400
+    },
+    {
+      "completion_length": 198.1875,
+      "epoch": 0.013366666666666667,
+      "grad_norm": 0.44888409972190857,
+      "learning_rate": 3e-06,
+      "loss": 0.0943,
+      "reward": 0.09375,
+      "reward_std": 0.20155644416809082,
+      "rewards/correctness_reward_func_math": 0.09375,
+      "step": 401,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.0134,
+      "grad_norm": 0.41315212845802307,
+      "learning_rate": 3e-06,
+      "loss": 0.0925,
+      "step": 402
+    },
+    {
+      "epoch": 0.013433333333333334,
+      "grad_norm": 0.46377262473106384,
+      "learning_rate": 3e-06,
+      "loss": 0.0922,
+      "step": 403
+    },
+    {
+      "epoch": 0.013466666666666667,
+      "grad_norm": 0.3667566776275635,
+      "learning_rate": 3e-06,
+      "loss": 0.091,
+      "step": 404
+    },
+    {
+      "epoch": 0.0135,
+      "grad_norm": 0.35223203897476196,
+      "learning_rate": 3e-06,
+      "loss": 0.0908,
+      "step": 405
+    },
+    {
+      "epoch": 0.013533333333333333,
+      "grad_norm": 0.3584624230861664,
+      "learning_rate": 3e-06,
+      "loss": 0.0898,
+      "step": 406
+    },
+    {
+      "epoch": 0.013566666666666666,
+      "grad_norm": 0.4059496223926544,
+      "learning_rate": 3e-06,
+      "loss": 0.0878,
+      "step": 407
+    },
+    {
+      "epoch": 0.0136,
+      "grad_norm": 0.42549821734428406,
+      "learning_rate": 3e-06,
+      "loss": 0.086,
+      "step": 408
+    },
+    {
+      "completion_length": 250.53125,
+      "epoch": 0.013633333333333334,
+      "grad_norm": 0.2215573936700821,
+      "learning_rate": 3e-06,
+      "loss": 0.1183,
+      "reward": 0.34375,
+      "reward_std": 0.23935678601264954,
+      "rewards/correctness_reward_func_math": 0.34375,
+      "step": 409,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.013666666666666667,
+      "grad_norm": 0.220441535115242,
+      "learning_rate": 3e-06,
+      "loss": 0.118,
+      "step": 410
+    },
+    {
+      "epoch": 0.0137,
+      "grad_norm": 0.20855550467967987,
+      "learning_rate": 3e-06,
+      "loss": 0.1176,
+      "step": 411
+    },
+    {
+      "epoch": 0.013733333333333334,
+      "grad_norm": 0.21027211844921112,
+      "learning_rate": 3e-06,
+      "loss": 0.1162,
+      "step": 412
+    },
+    {
+      "epoch": 0.013766666666666667,
+      "grad_norm": 0.20326896011829376,
+      "learning_rate": 3e-06,
+      "loss": 0.1152,
+      "step": 413
+    },
+    {
+      "epoch": 0.0138,
+      "grad_norm": 0.19802652299404144,
+      "learning_rate": 3e-06,
+      "loss": 0.1137,
+      "step": 414
+    },
+    {
+      "epoch": 0.013833333333333333,
+      "grad_norm": 0.20252074301242828,
+      "learning_rate": 3e-06,
+      "loss": 0.1131,
+      "step": 415
+    },
+    {
+      "epoch": 0.013866666666666666,
+      "grad_norm": 0.17375098168849945,
+      "learning_rate": 3e-06,
+      "loss": 0.1112,
+      "step": 416
+    },
+    {
+      "completion_length": 251.59375,
+      "epoch": 0.0139,
+      "grad_norm": 0.2735430598258972,
+      "learning_rate": 3e-06,
+      "loss": 0.2508,
+      "reward": 0.40625,
+      "reward_std": 0.497555673122406,
+      "rewards/correctness_reward_func_math": 0.40625,
+      "step": 417,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.013933333333333334,
+      "grad_norm": 0.2702653706073761,
+      "learning_rate": 3e-06,
+      "loss": 0.2495,
+      "step": 418
+    },
+    {
+      "epoch": 0.013966666666666667,
+      "grad_norm": 0.3242483139038086,
+      "learning_rate": 3e-06,
+      "loss": 0.2486,
+      "step": 419
+    },
+    {
+      "epoch": 0.014,
+      "grad_norm": 0.3347218930721283,
+      "learning_rate": 3e-06,
+      "loss": 0.2487,
+      "step": 420
+    },
+    {
+      "epoch": 0.014033333333333333,
+      "grad_norm": 0.27987346053123474,
+      "learning_rate": 3e-06,
+      "loss": 0.2479,
+      "step": 421
+    },
+    {
+      "epoch": 0.014066666666666667,
+      "grad_norm": 0.267378568649292,
+      "learning_rate": 3e-06,
+      "loss": 0.2456,
+      "step": 422
+    },
+    {
+      "epoch": 0.0141,
+      "grad_norm": 0.2915571331977844,
+      "learning_rate": 3e-06,
+      "loss": 0.2461,
+      "step": 423
+    },
+    {
+      "epoch": 0.014133333333333333,
+      "grad_norm": 0.2756955325603485,
+      "learning_rate": 3e-06,
+      "loss": 0.2424,
+      "step": 424
+    },
+    {
+      "completion_length": 250.0625,
+      "epoch": 0.014166666666666666,
+      "grad_norm": 0.19553513824939728,
+      "learning_rate": 3e-06,
+      "loss": 0.1292,
+      "reward": 0.6875,
+      "reward_std": 0.25,
+      "rewards/correctness_reward_func_math": 0.6875,
+      "step": 425,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.0142,
+      "grad_norm": 0.19559946656227112,
+      "learning_rate": 3e-06,
+      "loss": 0.1289,
+      "step": 426
+    },
+    {
+      "epoch": 0.014233333333333334,
+      "grad_norm": 0.2035493403673172,
+      "learning_rate": 3e-06,
+      "loss": 0.1292,
+      "step": 427
+    },
+    {
+      "epoch": 0.014266666666666667,
+      "grad_norm": 0.18787522614002228,
+      "learning_rate": 3e-06,
+      "loss": 0.1286,
+      "step": 428
+    },
+    {
+      "epoch": 0.0143,
+      "grad_norm": 0.1755335032939911,
+      "learning_rate": 3e-06,
+      "loss": 0.1262,
+      "step": 429
+    },
+    {
+      "epoch": 0.014333333333333333,
+      "grad_norm": 0.17663607001304626,
+      "learning_rate": 3e-06,
+      "loss": 0.1249,
+      "step": 430
+    },
+    {
+      "epoch": 0.014366666666666666,
+      "grad_norm": 0.14155325293540955,
+      "learning_rate": 3e-06,
+      "loss": 0.1248,
+      "step": 431
+    },
+    {
+      "epoch": 0.0144,
+      "grad_norm": 0.15399743616580963,
+      "learning_rate": 3e-06,
+      "loss": 0.1248,
+      "step": 432
+    },
+    {
+      "completion_length": 250.4375,
+      "epoch": 0.014433333333333333,
+      "grad_norm": 0.3467576205730438,
+      "learning_rate": 3e-06,
+      "loss": 0.1475,
+      "reward": 0.625,
+      "reward_std": 0.36435678601264954,
+      "rewards/correctness_reward_func_math": 0.625,
+      "step": 433,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.014466666666666666,
+      "grad_norm": 0.35306990146636963,
+      "learning_rate": 3e-06,
+      "loss": 0.1465,
+      "step": 434
+    },
+    {
+      "epoch": 0.0145,
+      "grad_norm": 0.30576157569885254,
+      "learning_rate": 3e-06,
+      "loss": 0.1454,
+      "step": 435
+    },
+    {
+      "epoch": 0.014533333333333334,
+      "grad_norm": 0.3262905776500702,
+      "learning_rate": 3e-06,
+      "loss": 0.1444,
+      "step": 436
+    },
+    {
+      "epoch": 0.014566666666666667,
+      "grad_norm": 0.346758633852005,
+      "learning_rate": 3e-06,
+      "loss": 0.143,
+      "step": 437
+    },
+    {
+      "epoch": 0.0146,
+      "grad_norm": 0.28668680787086487,
+      "learning_rate": 3e-06,
+      "loss": 0.1407,
+      "step": 438
+    },
+    {
+      "epoch": 0.014633333333333333,
+      "grad_norm": 0.3116721510887146,
+      "learning_rate": 3e-06,
+      "loss": 0.1393,
+      "step": 439
+    },
+    {
+      "epoch": 0.014666666666666666,
+      "grad_norm": 0.270174115896225,
+      "learning_rate": 3e-06,
+      "loss": 0.1377,
+      "step": 440
+    },
+    {
+      "completion_length": 238.96875,
+      "epoch": 0.0147,
+      "grad_norm": 0.10059181600809097,
+      "learning_rate": 3e-06,
+      "loss": 0.039,
+      "reward": 0.03125,
+      "reward_std": 0.125,
+      "rewards/correctness_reward_func_math": 0.03125,
+      "step": 441,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.014733333333333333,
+      "grad_norm": 0.09767020493745804,
+      "learning_rate": 3e-06,
+      "loss": 0.0389,
+      "step": 442
+    },
+    {
+      "epoch": 0.014766666666666668,
+      "grad_norm": 0.0694669634103775,
+      "learning_rate": 3e-06,
+      "loss": 0.0384,
+      "step": 443
+    },
+    {
+      "epoch": 0.0148,
+      "grad_norm": 0.062025561928749084,
+      "learning_rate": 3e-06,
+      "loss": 0.0383,
+      "step": 444
+    },
+    {
+      "epoch": 0.014833333333333334,
+      "grad_norm": 0.0574849434196949,
+      "learning_rate": 3e-06,
+      "loss": 0.0378,
+      "step": 445
+    },
+    {
+      "epoch": 0.014866666666666667,
+      "grad_norm": 0.05307569354772568,
+      "learning_rate": 3e-06,
+      "loss": 0.0377,
+      "step": 446
+    },
+    {
+      "epoch": 0.0149,
+      "grad_norm": 0.06730100512504578,
+      "learning_rate": 3e-06,
+      "loss": 0.0379,
+      "step": 447
+    },
+    {
+      "epoch": 0.014933333333333333,
+      "grad_norm": 0.05645023658871651,
+      "learning_rate": 3e-06,
+      "loss": 0.0377,
+      "step": 448
+    },
+    {
+      "completion_length": 235.46875,
+      "epoch": 0.014966666666666666,
+      "grad_norm": 0.21701093018054962,
+      "learning_rate": 3e-06,
+      "loss": 0.081,
+      "reward": 0.40625,
+      "reward_std": 0.20155644416809082,
+      "rewards/correctness_reward_func_math": 0.40625,
+      "step": 449,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.015,
+      "grad_norm": 0.20966863632202148,
+      "learning_rate": 3e-06,
+      "loss": 0.0811,
+      "step": 450
+    },
+    {
+      "epoch": 0.015033333333333333,
+      "grad_norm": 0.1952715516090393,
+      "learning_rate": 3e-06,
+      "loss": 0.0812,
+      "step": 451
+    },
+    {
+      "epoch": 0.015066666666666667,
+      "grad_norm": 0.2218673676252365,
+      "learning_rate": 3e-06,
+      "loss": 0.0801,
+      "step": 452
+    },
+    {
+      "epoch": 0.0151,
+      "grad_norm": 0.18562260270118713,
+      "learning_rate": 3e-06,
+      "loss": 0.0776,
+      "step": 453
+    },
+    {
+      "epoch": 0.015133333333333334,
+      "grad_norm": 0.17205117642879486,
+      "learning_rate": 3e-06,
+      "loss": 0.0767,
+      "step": 454
+    },
+    {
+      "epoch": 0.015166666666666667,
+      "grad_norm": 0.1613965928554535,
+      "learning_rate": 3e-06,
+      "loss": 0.0773,
+      "step": 455
+    },
+    {
+      "epoch": 0.0152,
+      "grad_norm": 0.14915664494037628,
+      "learning_rate": 3e-06,
+      "loss": 0.075,
+      "step": 456
+    },
+    {
+      "completion_length": 246.40625,
+      "epoch": 0.015233333333333333,
+      "grad_norm": 0.2059401124715805,
+      "learning_rate": 3e-06,
+      "loss": 0.0903,
+      "reward": 0.46875,
+      "reward_std": 0.29578250646591187,
+      "rewards/correctness_reward_func_math": 0.46875,
+      "step": 457,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.015266666666666666,
+      "grad_norm": 0.3525935709476471,
+      "learning_rate": 3e-06,
+      "loss": 0.0903,
+      "step": 458
+    },
+    {
+      "epoch": 0.0153,
+      "grad_norm": 0.22210562229156494,
+      "learning_rate": 3e-06,
+      "loss": 0.0896,
+      "step": 459
+    },
+    {
+      "epoch": 0.015333333333333332,
+      "grad_norm": 0.1796288788318634,
+      "learning_rate": 3e-06,
+      "loss": 0.0907,
+      "step": 460
+    },
+    {
+      "epoch": 0.015366666666666667,
+      "grad_norm": 0.16543692350387573,
+      "learning_rate": 3e-06,
+      "loss": 0.0889,
+      "step": 461
+    },
+    {
+      "epoch": 0.0154,
+      "grad_norm": 0.276782751083374,
+      "learning_rate": 3e-06,
+      "loss": 0.0872,
+      "step": 462
+    },
+    {
+      "epoch": 0.015433333333333334,
+      "grad_norm": 0.15988725423812866,
+      "learning_rate": 3e-06,
+      "loss": 0.0862,
+      "step": 463
+    },
+    {
+      "epoch": 0.015466666666666667,
+      "grad_norm": 0.35820671916007996,
+      "learning_rate": 3e-06,
+      "loss": 0.0861,
+      "step": 464
+    },
+    {
+      "completion_length": 254.28125,
+      "epoch": 0.0155,
+      "grad_norm": 0.29954835772514343,
+      "learning_rate": 3e-06,
+      "loss": 0.2159,
+      "reward": 0.34375,
+      "reward_std": 0.4597553312778473,
+      "rewards/correctness_reward_func_math": 0.34375,
+      "step": 465,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.015533333333333333,
+      "grad_norm": 0.31113043427467346,
+      "learning_rate": 3e-06,
+      "loss": 0.2156,
+      "step": 466
+    },
+    {
+      "epoch": 0.015566666666666666,
+      "grad_norm": 0.30940744280815125,
+      "learning_rate": 3e-06,
+      "loss": 0.2145,
+      "step": 467
+    },
+    {
+      "epoch": 0.0156,
+      "grad_norm": 0.2941444218158722,
+      "learning_rate": 3e-06,
+      "loss": 0.2134,
+      "step": 468
+    },
+    {
+      "epoch": 0.015633333333333332,
+      "grad_norm": 0.38863056898117065,
+      "learning_rate": 3e-06,
+      "loss": 0.2118,
+      "step": 469
+    },
+    {
+      "epoch": 0.015666666666666666,
+      "grad_norm": 0.280717670917511,
+      "learning_rate": 3e-06,
+      "loss": 0.2106,
+      "step": 470
+    },
+    {
+      "epoch": 0.0157,
+      "grad_norm": 0.279569536447525,
+      "learning_rate": 3e-06,
+      "loss": 0.2085,
+      "step": 471
+    },
+    {
+      "epoch": 0.015733333333333332,
+      "grad_norm": 0.2746374011039734,
+      "learning_rate": 3e-06,
+      "loss": 0.2062,
+      "step": 472
+    },
+    {
+      "completion_length": 243.09375,
+      "epoch": 0.015766666666666665,
+      "grad_norm": 0.14546039700508118,
+      "learning_rate": 3e-06,
+      "loss": 0.1203,
+      "reward": 0.34375,
+      "reward_std": 0.23935678601264954,
+      "rewards/correctness_reward_func_math": 0.34375,
+      "step": 473,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.0158,
+      "grad_norm": 0.1562756896018982,
+      "learning_rate": 3e-06,
+      "loss": 0.1201,
+      "step": 474
+    },
+    {
+      "epoch": 0.015833333333333335,
+      "grad_norm": 0.14360429346561432,
+      "learning_rate": 3e-06,
+      "loss": 0.1182,
+      "step": 475
+    },
+    {
+      "epoch": 0.015866666666666668,
+      "grad_norm": 0.1402561217546463,
+      "learning_rate": 3e-06,
+      "loss": 0.1186,
+      "step": 476
+    },
+    {
+      "epoch": 0.0159,
+      "grad_norm": 0.16409683227539062,
+      "learning_rate": 3e-06,
+      "loss": 0.1181,
+      "step": 477
+    },
+    {
+      "epoch": 0.015933333333333334,
+      "grad_norm": 0.13939177989959717,
+      "learning_rate": 3e-06,
+      "loss": 0.1163,
+      "step": 478
+    },
+    {
+      "epoch": 0.015966666666666667,
+      "grad_norm": 0.13923603296279907,
+      "learning_rate": 3e-06,
+      "loss": 0.1159,
+      "step": 479
+    },
+    {
+      "epoch": 0.016,
+      "grad_norm": 0.13087198138237,
+      "learning_rate": 3e-06,
+      "loss": 0.1149,
+      "step": 480
+    },
+    {
+      "completion_length": 239.25,
+      "epoch": 0.016033333333333333,
+      "grad_norm": 0.0654665008187294,
+      "learning_rate": 3e-06,
+      "loss": 0.0082,
+      "reward": 0.0,
+      "reward_std": 0.0,
+      "rewards/correctness_reward_func_math": 0.0,
+      "step": 481,
+      "zero_std_ratio": 1.0
+    },
+    {
+      "epoch": 0.016066666666666667,
+      "grad_norm": 0.08344196528196335,
+      "learning_rate": 3e-06,
+      "loss": 0.0083,
+      "step": 482
+    },
+    {
+      "epoch": 0.0161,
+      "grad_norm": 0.06491715461015701,
+      "learning_rate": 3e-06,
+      "loss": 0.0078,
+      "step": 483
+    },
+    {
+      "epoch": 0.016133333333333333,
+      "grad_norm": 0.08574726432561874,
+      "learning_rate": 3e-06,
+      "loss": 0.0078,
+      "step": 484
+    },
+    {
+      "epoch": 0.016166666666666666,
+      "grad_norm": 0.055959656834602356,
+      "learning_rate": 3e-06,
+      "loss": 0.0074,
+      "step": 485
+    },
+    {
+      "epoch": 0.0162,
+      "grad_norm": 0.0513751246035099,
+      "learning_rate": 3e-06,
+      "loss": 0.0074,
+      "step": 486
+    },
+    {
+      "epoch": 0.016233333333333332,
+      "grad_norm": 0.05206827446818352,
+      "learning_rate": 3e-06,
+      "loss": 0.0071,
+      "step": 487
+    },
+    {
+      "epoch": 0.016266666666666665,
+      "grad_norm": 0.051891524344682693,
+      "learning_rate": 3e-06,
+      "loss": 0.0069,
+      "step": 488
+    },
+    {
+      "completion_length": 241.84375,
+      "epoch": 0.0163,
+      "grad_norm": 0.18224354088306427,
+      "learning_rate": 3e-06,
+      "loss": 0.1027,
+      "reward": 0.125,
+      "reward_std": 0.22360679507255554,
+      "rewards/correctness_reward_func_math": 0.125,
+      "step": 489,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.01633333333333333,
+      "grad_norm": 0.19457393884658813,
+      "learning_rate": 3e-06,
+      "loss": 0.1027,
+      "step": 490
+    },
+    {
+      "epoch": 0.016366666666666668,
+      "grad_norm": 0.17765770852565765,
+      "learning_rate": 3e-06,
+      "loss": 0.1025,
+      "step": 491
+    },
+    {
+      "epoch": 0.0164,
+      "grad_norm": 0.18158210813999176,
+      "learning_rate": 3e-06,
+      "loss": 0.102,
+      "step": 492
+    },
+    {
+      "epoch": 0.016433333333333335,
+      "grad_norm": 0.1726260930299759,
+      "learning_rate": 3e-06,
+      "loss": 0.1,
+      "step": 493
+    },
+    {
+      "epoch": 0.016466666666666668,
+      "grad_norm": 0.166249081492424,
+      "learning_rate": 3e-06,
+      "loss": 0.0998,
+      "step": 494
+    },
+    {
+      "epoch": 0.0165,
+      "grad_norm": 0.1659419685602188,
+      "learning_rate": 3e-06,
+      "loss": 0.0985,
+      "step": 495
+    },
+    {
+      "epoch": 0.016533333333333334,
+      "grad_norm": 0.154295414686203,
+      "learning_rate": 3e-06,
+      "loss": 0.0983,
+      "step": 496
+    },
+    {
+      "completion_length": 248.8125,
+      "epoch": 0.016566666666666667,
+      "grad_norm": 0.12915970385074615,
+      "learning_rate": 3e-06,
+      "loss": 0.0348,
+      "reward": 0.46875,
+      "reward_std": 0.125,
+      "rewards/correctness_reward_func_math": 0.46875,
+      "step": 497,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.0166,
+      "grad_norm": 0.14185336232185364,
+      "learning_rate": 3e-06,
+      "loss": 0.0361,
+      "step": 498
+    },
+    {
+      "epoch": 0.016633333333333333,
+      "grad_norm": 0.14618024230003357,
+      "learning_rate": 3e-06,
+      "loss": 0.035,
+      "step": 499
+    },
+    {
+      "epoch": 0.016666666666666666,
+      "grad_norm": 0.12826791405677795,
+      "learning_rate": 3e-06,
+      "loss": 0.0347,
+      "step": 500
+    },
+    {
+      "epoch": 0.0167,
+      "grad_norm": 0.11887183785438538,
+      "learning_rate": 3e-06,
+      "loss": 0.0342,
+      "step": 501
+    },
+    {
+      "epoch": 0.016733333333333333,
+      "grad_norm": 0.139333114027977,
+      "learning_rate": 3e-06,
+      "loss": 0.0345,
+      "step": 502
+    },
+    {
+      "epoch": 0.016766666666666666,
+      "grad_norm": 0.09579494595527649,
+      "learning_rate": 3e-06,
+      "loss": 0.0327,
+      "step": 503
+    },
+    {
+      "epoch": 0.0168,
+      "grad_norm": 0.10589130967855453,
+      "learning_rate": 3e-06,
+      "loss": 0.0327,
+      "step": 504
+    },
+    {
+      "completion_length": 231.3125,
+      "epoch": 0.016833333333333332,
+      "grad_norm": 0.060271162539720535,
+      "learning_rate": 3e-06,
+      "loss": 0.0346,
+      "reward": 0.03125,
+      "reward_std": 0.125,
+      "rewards/correctness_reward_func_math": 0.03125,
+      "step": 505,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.016866666666666665,
+      "grad_norm": 0.05836108326911926,
+      "learning_rate": 3e-06,
+      "loss": 0.0342,
+      "step": 506
+    },
+    {
+      "epoch": 0.0169,
+      "grad_norm": 0.057377275079488754,
+      "learning_rate": 3e-06,
+      "loss": 0.0342,
+      "step": 507
+    },
+    {
+      "epoch": 0.016933333333333335,
+      "grad_norm": 0.053664203733205795,
+      "learning_rate": 3e-06,
+      "loss": 0.0341,
+      "step": 508
+    },
+    {
+      "epoch": 0.016966666666666668,
+      "grad_norm": 0.05374536290764809,
+      "learning_rate": 3e-06,
+      "loss": 0.0337,
+      "step": 509
+    },
+    {
+      "epoch": 0.017,
+      "grad_norm": 0.051542218774557114,
+      "learning_rate": 3e-06,
+      "loss": 0.0337,
+      "step": 510
+    },
+    {
+      "epoch": 0.017033333333333334,
+      "grad_norm": 0.04687465727329254,
+      "learning_rate": 3e-06,
+      "loss": 0.0336,
+      "step": 511
+    },
+    {
+      "epoch": 0.017066666666666667,
+      "grad_norm": 0.05034942179918289,
+      "learning_rate": 3e-06,
+      "loss": 0.0333,
+      "step": 512
+    },
+    {
+      "completion_length": 250.84375,
+      "epoch": 0.0171,
+      "grad_norm": 0.1649124175310135,
+      "learning_rate": 3e-06,
+      "loss": 0.133,
+      "reward": 0.21875,
+      "reward_std": 0.2561737596988678,
+      "rewards/correctness_reward_func_math": 0.21875,
+      "step": 513,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.017133333333333334,
+      "grad_norm": 0.1555008739233017,
+      "learning_rate": 3e-06,
+      "loss": 0.1336,
+      "step": 514
+    },
+    {
+      "epoch": 0.017166666666666667,
+      "grad_norm": 0.15341587364673615,
+      "learning_rate": 3e-06,
+      "loss": 0.1328,
+      "step": 515
+    },
+    {
+      "epoch": 0.0172,
+      "grad_norm": 0.16580595076084137,
+      "learning_rate": 3e-06,
+      "loss": 0.1322,
+      "step": 516
+    },
+    {
+      "epoch": 0.017233333333333333,
+      "grad_norm": 0.15370456874370575,
+      "learning_rate": 3e-06,
+      "loss": 0.1306,
+      "step": 517
+    },
+    {
+      "epoch": 0.017266666666666666,
+      "grad_norm": 0.1510227620601654,
+      "learning_rate": 3e-06,
+      "loss": 0.1305,
+      "step": 518
+    },
+    {
+      "epoch": 0.0173,
+      "grad_norm": 0.14602349698543549,
+      "learning_rate": 3e-06,
+      "loss": 0.1288,
+      "step": 519
+    },
+    {
+      "epoch": 0.017333333333333333,
+      "grad_norm": 0.14802323281764984,
+      "learning_rate": 3e-06,
+      "loss": 0.128,
+      "step": 520
+    },
+    {
+      "completion_length": 254.5,
+      "epoch": 0.017366666666666666,
+      "grad_norm": 0.7225400805473328,
+      "learning_rate": 3e-06,
+      "loss": 0.2164,
+      "reward": 0.28125,
+      "reward_std": 0.4629635810852051,
+      "rewards/correctness_reward_func_math": 0.28125,
+      "step": 521,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.0174,
+      "grad_norm": 0.7442397475242615,
+      "learning_rate": 3e-06,
+      "loss": 0.2189,
+      "step": 522
+    },
+    {
+      "epoch": 0.017433333333333332,
+      "grad_norm": 0.7644712924957275,
+      "learning_rate": 3e-06,
+      "loss": 0.2158,
+      "step": 523
+    },
+    {
+      "epoch": 0.017466666666666665,
+      "grad_norm": 0.6951637268066406,
+      "learning_rate": 3e-06,
+      "loss": 0.213,
+      "step": 524
+    },
+    {
+      "epoch": 0.0175,
+      "grad_norm": 0.6513010263442993,
+      "learning_rate": 3e-06,
+      "loss": 0.2096,
+      "step": 525
+    },
+    {
+      "epoch": 0.017533333333333335,
+      "grad_norm": 0.6772620677947998,
+      "learning_rate": 3e-06,
+      "loss": 0.2092,
+      "step": 526
+    },
+    {
+      "epoch": 0.017566666666666668,
+      "grad_norm": 0.5934609174728394,
+      "learning_rate": 3e-06,
+      "loss": 0.2018,
+      "step": 527
+    },
+    {
+      "epoch": 0.0176,
+      "grad_norm": 0.5944212675094604,
+      "learning_rate": 3e-06,
+      "loss": 0.1991,
+      "step": 528
+    },
+    {
+      "completion_length": 128.46875,
+      "epoch": 0.017633333333333334,
+      "grad_norm": 51.00457000732422,
+      "learning_rate": 3e-06,
+      "loss": 2.1766,
+      "reward": 0.0,
+      "reward_std": 0.0,
+      "rewards/correctness_reward_func_math": 0.0,
+      "step": 529,
+      "zero_std_ratio": 1.0
+    },
+    {
+      "epoch": 0.017666666666666667,
+      "grad_norm": 50.54049301147461,
+      "learning_rate": 3e-06,
+      "loss": 2.1198,
+      "step": 530
+    },
+    {
+      "epoch": 0.0177,
+      "grad_norm": 48.74490737915039,
+      "learning_rate": 3e-06,
+      "loss": 1.9658,
+      "step": 531
+    },
+    {
+      "epoch": 0.017733333333333334,
+      "grad_norm": 45.3642692565918,
+      "learning_rate": 3e-06,
+      "loss": 1.8162,
+      "step": 532
+    },
+    {
+      "epoch": 0.017766666666666667,
+      "grad_norm": 40.74528884887695,
+      "learning_rate": 3e-06,
+      "loss": 1.5698,
+      "step": 533
+    },
+    {
+      "epoch": 0.0178,
+      "grad_norm": 36.77062225341797,
+      "learning_rate": 3e-06,
+      "loss": 1.4395,
+      "step": 534
+    },
+    {
+      "epoch": 0.017833333333333333,
+      "grad_norm": 30.610965728759766,
+      "learning_rate": 3e-06,
+      "loss": 1.2355,
+      "step": 535
+    },
+    {
+      "epoch": 0.017866666666666666,
+      "grad_norm": 23.18577766418457,
+      "learning_rate": 3e-06,
+      "loss": 1.0555,
+      "step": 536
+    },
+    {
+      "completion_length": 144.6875,
+      "epoch": 0.0179,
+      "grad_norm": 10.381141662597656,
+      "learning_rate": 3e-06,
+      "loss": 0.7584,
+      "reward": 0.46875,
+      "reward_std": 0.5143726468086243,
+      "rewards/correctness_reward_func_math": 0.46875,
+      "step": 537,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.017933333333333332,
+      "grad_norm": 9.528056144714355,
+      "learning_rate": 3e-06,
+      "loss": 0.7238,
+      "step": 538
+    },
+    {
+      "epoch": 0.017966666666666666,
+      "grad_norm": 9.058717727661133,
+      "learning_rate": 3e-06,
+      "loss": 0.6923,
+      "step": 539
+    },
+    {
+      "epoch": 0.018,
+      "grad_norm": 8.492630004882812,
+      "learning_rate": 3e-06,
+      "loss": 0.6513,
+      "step": 540
+    },
+    {
+      "epoch": 0.018033333333333332,
+      "grad_norm": 7.519481182098389,
+      "learning_rate": 3e-06,
+      "loss": 0.606,
+      "step": 541
+    },
+    {
+      "epoch": 0.01806666666666667,
+      "grad_norm": 6.655992031097412,
+      "learning_rate": 3e-06,
+      "loss": 0.5632,
+      "step": 542
+    },
+    {
+      "epoch": 0.0181,
+      "grad_norm": 5.521195411682129,
+      "learning_rate": 3e-06,
+      "loss": 0.53,
+      "step": 543
+    },
+    {
+      "epoch": 0.018133333333333335,
+      "grad_norm": 4.6811699867248535,
+      "learning_rate": 3e-06,
+      "loss": 0.4979,
+      "step": 544
+    },
+    {
+      "completion_length": 254.9375,
+      "epoch": 0.018166666666666668,
+      "grad_norm": 0.10951890051364899,
+      "learning_rate": 3e-06,
+      "loss": 0.0837,
+      "reward": 0.40625,
+      "reward_std": 0.20155644416809082,
+      "rewards/correctness_reward_func_math": 0.40625,
+      "step": 545,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.0182,
+      "grad_norm": 0.16542638838291168,
+      "learning_rate": 3e-06,
+      "loss": 0.0837,
+      "step": 546
+    },
+    {
+      "epoch": 0.018233333333333334,
+      "grad_norm": 0.11413931846618652,
+      "learning_rate": 3e-06,
+      "loss": 0.0839,
+      "step": 547
+    },
+    {
+      "epoch": 0.018266666666666667,
+      "grad_norm": 0.09522175043821335,
+      "learning_rate": 3e-06,
+      "loss": 0.0838,
+      "step": 548
+    },
+    {
+      "epoch": 0.0183,
+      "grad_norm": 0.09395573288202286,
+      "learning_rate": 3e-06,
+      "loss": 0.0829,
+      "step": 549
+    },
+    {
+      "epoch": 0.018333333333333333,
+      "grad_norm": 0.10129772126674652,
+      "learning_rate": 3e-06,
+      "loss": 0.082,
+      "step": 550
+    },
+    {
+      "epoch": 0.018366666666666667,
+      "grad_norm": 0.09348804503679276,
+      "learning_rate": 3e-06,
+      "loss": 0.0816,
+      "step": 551
+    },
+    {
+      "epoch": 0.0184,
+      "grad_norm": 0.08705902844667435,
+      "learning_rate": 3e-06,
+      "loss": 0.0812,
+      "step": 552
+    },
+    {
+      "completion_length": 246.4375,
+      "epoch": 0.018433333333333333,
+      "grad_norm": 0.03405891731381416,
+      "learning_rate": 3e-06,
+      "loss": 0.0041,
+      "reward": 0.0,
+      "reward_std": 0.0,
+      "rewards/correctness_reward_func_math": 0.0,
+      "step": 553,
+      "zero_std_ratio": 1.0
+    },
+    {
+      "epoch": 0.018466666666666666,
+      "grad_norm": 0.03481290116906166,
+      "learning_rate": 3e-06,
+      "loss": 0.004,
+      "step": 554
+    },
+    {
+      "epoch": 0.0185,
+      "grad_norm": 0.029280848801136017,
+      "learning_rate": 3e-06,
+      "loss": 0.0039,
+      "step": 555
+    },
+    {
+      "epoch": 0.018533333333333332,
+      "grad_norm": 0.03009914606809616,
+      "learning_rate": 3e-06,
+      "loss": 0.0039,
+      "step": 556
+    },
+    {
+      "epoch": 0.018566666666666665,
+      "grad_norm": 0.029852785170078278,
+      "learning_rate": 3e-06,
+      "loss": 0.0039,
+      "step": 557
+    },
+    {
+      "epoch": 0.0186,
+      "grad_norm": 0.026293713599443436,
+      "learning_rate": 3e-06,
+      "loss": 0.0038,
+      "step": 558
+    },
+    {
+      "epoch": 0.01863333333333333,
+      "grad_norm": 0.023329606279730797,
+      "learning_rate": 3e-06,
+      "loss": 0.0037,
+      "step": 559
+    },
+    {
+      "epoch": 0.018666666666666668,
+      "grad_norm": 0.023238757625222206,
+      "learning_rate": 3e-06,
+      "loss": 0.0036,
+      "step": 560
+    },
+    {
+      "completion_length": 253.59375,
+      "epoch": 0.0187,
+      "grad_norm": 0.057715628296136856,
+      "learning_rate": 3e-06,
+      "loss": 0.0326,
+      "reward": 0.03125,
+      "reward_std": 0.125,
+      "rewards/correctness_reward_func_math": 0.03125,
+      "step": 561,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.018733333333333334,
+      "grad_norm": 0.056737713515758514,
+      "learning_rate": 3e-06,
+      "loss": 0.0324,
+      "step": 562
+    },
+    {
+      "epoch": 0.018766666666666668,
+      "grad_norm": 0.05326418578624725,
+      "learning_rate": 3e-06,
+      "loss": 0.0324,
+      "step": 563
+    },
+    {
+      "epoch": 0.0188,
+      "grad_norm": 0.049857933074235916,
+      "learning_rate": 3e-06,
+      "loss": 0.0323,
+      "step": 564
+    },
+    {
+      "epoch": 0.018833333333333334,
+      "grad_norm": 0.04564490541815758,
+      "learning_rate": 3e-06,
+      "loss": 0.0323,
+      "step": 565
+    },
+    {
+      "epoch": 0.018866666666666667,
+      "grad_norm": 0.03852638602256775,
+      "learning_rate": 3e-06,
+      "loss": 0.0316,
+      "step": 566
+    },
+    {
+      "epoch": 0.0189,
+      "grad_norm": 0.03701968118548393,
+      "learning_rate": 3e-06,
+      "loss": 0.0316,
+      "step": 567
+    },
+    {
+      "epoch": 0.018933333333333333,
+      "grad_norm": 0.03204011172056198,
+      "learning_rate": 3e-06,
+      "loss": 0.0318,
+      "step": 568
+    },
+    {
+      "completion_length": 254.34375,
+      "epoch": 0.018966666666666666,
+      "grad_norm": 0.09220577776432037,
+      "learning_rate": 3e-06,
+      "loss": 0.0348,
+      "reward": 0.03125,
+      "reward_std": 0.125,
+      "rewards/correctness_reward_func_math": 0.03125,
+      "step": 569,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.019,
+      "grad_norm": 0.08948923647403717,
+      "learning_rate": 3e-06,
+      "loss": 0.0344,
+      "step": 570
+    },
+    {
+      "epoch": 0.019033333333333333,
+      "grad_norm": 0.09117864072322845,
+      "learning_rate": 3e-06,
+      "loss": 0.0343,
+      "step": 571
+    },
+    {
+      "epoch": 0.019066666666666666,
+      "grad_norm": 0.07967361062765121,
+      "learning_rate": 3e-06,
+      "loss": 0.0338,
+      "step": 572
+    },
+    {
+      "epoch": 0.0191,
+      "grad_norm": 0.0787007212638855,
+      "learning_rate": 3e-06,
+      "loss": 0.0336,
+      "step": 573
+    },
+    {
+      "epoch": 0.019133333333333332,
+      "grad_norm": 0.06947869062423706,
+      "learning_rate": 3e-06,
+      "loss": 0.0329,
+      "step": 574
+    },
+    {
+      "epoch": 0.019166666666666665,
+      "grad_norm": 0.056921955198049545,
+      "learning_rate": 3e-06,
+      "loss": 0.0326,
+      "step": 575
+    },
+    {
+      "epoch": 0.0192,
+      "grad_norm": 0.05582869425415993,
+      "learning_rate": 3e-06,
+      "loss": 0.0325,
+      "step": 576
+    },
+    {
+      "completion_length": 247.5625,
+      "epoch": 0.019233333333333335,
+      "grad_norm": 0.2367156744003296,
+      "learning_rate": 3e-06,
+      "loss": 0.2002,
+      "reward": 0.5625,
+      "reward_std": 0.44091323018074036,
+      "rewards/correctness_reward_func_math": 0.5625,
+      "step": 577,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.019266666666666668,
+      "grad_norm": 0.22939331829547882,
+      "learning_rate": 3e-06,
+      "loss": 0.1998,
+      "step": 578
+    },
+    {
+      "epoch": 0.0193,
+      "grad_norm": 0.23170040547847748,
+      "learning_rate": 3e-06,
+      "loss": 0.2004,
+      "step": 579
+    },
+    {
+      "epoch": 0.019333333333333334,
+      "grad_norm": 0.21678820252418518,
+      "learning_rate": 3e-06,
+      "loss": 0.1983,
+      "step": 580
+    },
+    {
+      "epoch": 0.019366666666666667,
+      "grad_norm": 0.19934621453285217,
+      "learning_rate": 3e-06,
+      "loss": 0.1967,
+      "step": 581
+    },
+    {
+      "epoch": 0.0194,
+      "grad_norm": 0.1918189376592636,
+      "learning_rate": 3e-06,
+      "loss": 0.1949,
+      "step": 582
+    },
+    {
+      "epoch": 0.019433333333333334,
+      "grad_norm": 0.20486488938331604,
+      "learning_rate": 3e-06,
+      "loss": 0.1941,
+      "step": 583
+    },
+    {
+      "epoch": 0.019466666666666667,
+      "grad_norm": 0.16366831958293915,
+      "learning_rate": 3e-06,
+      "loss": 0.1937,
+      "step": 584
+    },
+    {
+      "completion_length": 254.96875,
+      "epoch": 0.0195,
+      "grad_norm": 0.22691594064235687,
+      "learning_rate": 3e-06,
+      "loss": 0.1304,
+      "reward": 0.28125,
+      "reward_std": 0.2561737596988678,
+      "rewards/correctness_reward_func_math": 0.28125,
+      "step": 585,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.019533333333333333,
+      "grad_norm": 0.2821173667907715,
+      "learning_rate": 3e-06,
+      "loss": 0.1291,
+      "step": 586
+    },
+    {
+      "epoch": 0.019566666666666666,
+      "grad_norm": 0.2265429049730301,
+      "learning_rate": 3e-06,
+      "loss": 0.1285,
+      "step": 587
+    },
+    {
+      "epoch": 0.0196,
+      "grad_norm": 0.23872216045856476,
+      "learning_rate": 3e-06,
+      "loss": 0.1283,
+      "step": 588
+    },
+    {
+      "epoch": 0.019633333333333332,
+      "grad_norm": 0.2252172976732254,
+      "learning_rate": 3e-06,
+      "loss": 0.1267,
+      "step": 589
+    },
+    {
+      "epoch": 0.019666666666666666,
+      "grad_norm": 0.2180308699607849,
+      "learning_rate": 3e-06,
+      "loss": 0.1263,
+      "step": 590
+    },
+    {
+      "epoch": 0.0197,
+      "grad_norm": 0.2200622856616974,
+      "learning_rate": 3e-06,
+      "loss": 0.125,
+      "step": 591
+    },
+    {
+      "epoch": 0.019733333333333332,
+      "grad_norm": 0.20470121502876282,
+      "learning_rate": 3e-06,
+      "loss": 0.1229,
+      "step": 592
+    },
+    {
+      "completion_length": 252.5,
+      "epoch": 0.019766666666666665,
+      "grad_norm": 0.2684352695941925,
+      "learning_rate": 3e-06,
+      "loss": 0.1369,
+      "reward": 0.78125,
+      "reward_std": 0.2561737596988678,
+      "rewards/correctness_reward_func_math": 0.78125,
+      "step": 593,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.0198,
+      "grad_norm": 0.24670590460300446,
+      "learning_rate": 3e-06,
+      "loss": 0.1355,
+      "step": 594
+    },
+    {
+      "epoch": 0.019833333333333335,
+      "grad_norm": 0.2284523993730545,
+      "learning_rate": 3e-06,
+      "loss": 0.1341,
+      "step": 595
+    },
+    {
+      "epoch": 0.019866666666666668,
+      "grad_norm": 0.24029229581356049,
+      "learning_rate": 3e-06,
+      "loss": 0.1336,
+      "step": 596
+    },
+    {
+      "epoch": 0.0199,
+      "grad_norm": 0.21675048768520355,
+      "learning_rate": 3e-06,
+      "loss": 0.1314,
+      "step": 597
+    },
+    {
+      "epoch": 0.019933333333333334,
+      "grad_norm": 0.21117031574249268,
+      "learning_rate": 3e-06,
+      "loss": 0.1293,
+      "step": 598
+    },
+    {
+      "epoch": 0.019966666666666667,
+      "grad_norm": 0.2220994234085083,
+      "learning_rate": 3e-06,
+      "loss": 0.1288,
+      "step": 599
+    },
+    {
+      "epoch": 0.02,
+      "grad_norm": 0.1723368614912033,
+      "learning_rate": 3e-06,
+      "loss": 0.1272,
+      "step": 600
+    },
+    {
+      "completion_length": 241.375,
+      "epoch": 0.020033333333333334,
+      "grad_norm": 0.07640348374843597,
+      "learning_rate": 3e-06,
+      "loss": 0.009,
+      "reward": 0.0,
+      "reward_std": 0.0,
+      "rewards/correctness_reward_func_math": 0.0,
+      "step": 601,
+      "zero_std_ratio": 1.0
+    },
+    {
+      "epoch": 0.020066666666666667,
+      "grad_norm": 0.07882135361433029,
+      "learning_rate": 3e-06,
+      "loss": 0.0092,
+      "step": 602
+    },
+    {
+      "epoch": 0.0201,
+      "grad_norm": 0.07822681218385696,
+      "learning_rate": 3e-06,
+      "loss": 0.0092,
+      "step": 603
+    },
+    {
+      "epoch": 0.020133333333333333,
+      "grad_norm": 0.07297497987747192,
+      "learning_rate": 3e-06,
+      "loss": 0.009,
+      "step": 604
+    },
+    {
+      "epoch": 0.020166666666666666,
+      "grad_norm": 0.07143469899892807,
+      "learning_rate": 3e-06,
+      "loss": 0.0089,
+      "step": 605
+    },
+    {
+      "epoch": 0.0202,
+      "grad_norm": 0.06426458805799484,
+      "learning_rate": 3e-06,
+      "loss": 0.0088,
+      "step": 606
+    },
+    {
+      "epoch": 0.020233333333333332,
+      "grad_norm": 0.058468036353588104,
+      "learning_rate": 3e-06,
+      "loss": 0.0085,
+      "step": 607
+    },
+    {
+      "epoch": 0.020266666666666665,
+      "grad_norm": 0.05152331292629242,
+      "learning_rate": 3e-06,
+      "loss": 0.0082,
+      "step": 608
+    },
+    {
+      "completion_length": 253.34375,
+      "epoch": 0.0203,
+      "grad_norm": 0.2791162133216858,
+      "learning_rate": 3e-06,
+      "loss": 0.1574,
+      "reward": 0.21875,
+      "reward_std": 0.375,
+      "rewards/correctness_reward_func_math": 0.21875,
+      "step": 609,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.02033333333333333,
+      "grad_norm": 0.26485180854797363,
+      "learning_rate": 3e-06,
+      "loss": 0.157,
+      "step": 610
+    },
+    {
+      "epoch": 0.02036666666666667,
+      "grad_norm": 0.2667366862297058,
+      "learning_rate": 3e-06,
+      "loss": 0.1569,
+      "step": 611
+    },
+    {
+      "epoch": 0.0204,
+      "grad_norm": 0.2520108222961426,
+      "learning_rate": 3e-06,
+      "loss": 0.1567,
+      "step": 612
+    },
+    {
+      "epoch": 0.020433333333333335,
+      "grad_norm": 0.2390986531972885,
+      "learning_rate": 3e-06,
+      "loss": 0.1557,
+      "step": 613
+    },
+    {
+      "epoch": 0.020466666666666668,
+      "grad_norm": 0.22745676338672638,
+      "learning_rate": 3e-06,
+      "loss": 0.1528,
+      "step": 614
+    },
+    {
+      "epoch": 0.0205,
+      "grad_norm": 0.20473045110702515,
+      "learning_rate": 3e-06,
+      "loss": 0.1528,
+      "step": 615
+    },
+    {
+      "epoch": 0.020533333333333334,
+      "grad_norm": 0.18802469968795776,
+      "learning_rate": 3e-06,
+      "loss": 0.1508,
+      "step": 616
+    },
+    {
+      "completion_length": 246.625,
+      "epoch": 0.020566666666666667,
+      "grad_norm": 0.1385502815246582,
+      "learning_rate": 3e-06,
+      "loss": 0.015,
+      "reward": 0.0,
+      "reward_std": 0.0,
+      "rewards/correctness_reward_func_math": 0.0,
+      "step": 617,
+      "zero_std_ratio": 1.0
+    },
+    {
+      "epoch": 0.0206,
+      "grad_norm": 0.13571585714817047,
+      "learning_rate": 3e-06,
+      "loss": 0.0147,
+      "step": 618
+    },
+    {
+      "epoch": 0.020633333333333333,
+      "grad_norm": 0.11419779062271118,
+      "learning_rate": 3e-06,
+      "loss": 0.0141,
+      "step": 619
+    },
+    {
+      "epoch": 0.020666666666666667,
+      "grad_norm": 0.09848921000957489,
+      "learning_rate": 3e-06,
+      "loss": 0.0135,
+      "step": 620
+    },
+    {
+      "epoch": 0.0207,
+      "grad_norm": 0.06989388912916183,
+      "learning_rate": 3e-06,
+      "loss": 0.013,
+      "step": 621
+    },
+    {
+      "epoch": 0.020733333333333333,
+      "grad_norm": 0.05299505218863487,
+      "learning_rate": 3e-06,
+      "loss": 0.0125,
+      "step": 622
+    },
+    {
+      "epoch": 0.020766666666666666,
+      "grad_norm": 0.040529634803533554,
+      "learning_rate": 3e-06,
+      "loss": 0.0123,
+      "step": 623
+    },
+    {
+      "epoch": 0.0208,
+      "grad_norm": 0.036628056317567825,
+      "learning_rate": 3e-06,
+      "loss": 0.0122,
+      "step": 624
+    },
+    {
+      "completion_length": 246.03125,
+      "epoch": 0.020833333333333332,
+      "grad_norm": 0.32629990577697754,
+      "learning_rate": 3e-06,
+      "loss": 0.138,
+      "reward": 0.25,
+      "reward_std": 0.25819888710975647,
+      "rewards/correctness_reward_func_math": 0.25,
+      "step": 625,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.020866666666666665,
+      "grad_norm": 0.3073112666606903,
+      "learning_rate": 3e-06,
+      "loss": 0.1367,
+      "step": 626
+    },
+    {
+      "epoch": 0.0209,
+      "grad_norm": 0.3077579140663147,
+      "learning_rate": 3e-06,
+      "loss": 0.1373,
+      "step": 627
+    },
+    {
+      "epoch": 0.020933333333333335,
+      "grad_norm": 0.27855443954467773,
+      "learning_rate": 3e-06,
+      "loss": 0.1363,
+      "step": 628
+    },
+    {
+      "epoch": 0.020966666666666668,
+      "grad_norm": 0.24856598675251007,
+      "learning_rate": 3e-06,
+      "loss": 0.1354,
+      "step": 629
+    },
+    {
+      "epoch": 0.021,
+      "grad_norm": 0.2266528159379959,
+      "learning_rate": 3e-06,
+      "loss": 0.1341,
+      "step": 630
+    },
+    {
+      "epoch": 0.021033333333333334,
+      "grad_norm": 0.16952791810035706,
+      "learning_rate": 3e-06,
+      "loss": 0.132,
+      "step": 631
+    },
+    {
+      "epoch": 0.021066666666666668,
+      "grad_norm": 0.1391206532716751,
+      "learning_rate": 3e-06,
+      "loss": 0.1295,
+      "step": 632
+    },
+    {
+      "completion_length": 240.75,
+      "epoch": 0.0211,
+      "grad_norm": 0.049883145838975906,
+      "learning_rate": 3e-06,
+      "loss": 0.0045,
+      "reward": 0.0,
+      "reward_std": 0.0,
+      "rewards/correctness_reward_func_math": 0.0,
+      "step": 633,
+      "zero_std_ratio": 1.0
+    },
+    {
+      "epoch": 0.021133333333333334,
+      "grad_norm": 0.047280583530664444,
+      "learning_rate": 3e-06,
+      "loss": 0.0045,
+      "step": 634
+    },
+    {
+      "epoch": 0.021166666666666667,
+      "grad_norm": 0.050835393369197845,
+      "learning_rate": 3e-06,
+      "loss": 0.0045,
+      "step": 635
+    },
+    {
+      "epoch": 0.0212,
+      "grad_norm": 0.04853646829724312,
+      "learning_rate": 3e-06,
+      "loss": 0.0045,
+      "step": 636
+    },
+    {
+      "epoch": 0.021233333333333333,
+      "grad_norm": 0.04763779416680336,
+      "learning_rate": 3e-06,
+      "loss": 0.0044,
+      "step": 637
+    },
+    {
+      "epoch": 0.021266666666666666,
+      "grad_norm": 0.046408865600824356,
+      "learning_rate": 3e-06,
+      "loss": 0.0044,
+      "step": 638
+    },
+    {
+      "epoch": 0.0213,
+      "grad_norm": 0.04248230531811714,
+      "learning_rate": 3e-06,
+      "loss": 0.0043,
+      "step": 639
+    },
+    {
+      "epoch": 0.021333333333333333,
+      "grad_norm": 0.03676373139023781,
+      "learning_rate": 3e-06,
+      "loss": 0.0043,
+      "step": 640
+    },
+    {
+      "completion_length": 255.71875,
+      "epoch": 0.021366666666666666,
+      "grad_norm": 0.3204866349697113,
+      "learning_rate": 3e-06,
+      "loss": 0.136,
+      "reward": 0.21875,
+      "reward_std": 0.2561737596988678,
+      "rewards/correctness_reward_func_math": 0.21875,
+      "step": 641,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.0214,
+      "grad_norm": 0.3221829831600189,
+      "learning_rate": 3e-06,
+      "loss": 0.138,
+      "step": 642
+    },
+    {
+      "epoch": 0.021433333333333332,
+      "grad_norm": 0.28479665517807007,
+      "learning_rate": 3e-06,
+      "loss": 0.133,
+      "step": 643
+    },
+    {
+      "epoch": 0.021466666666666665,
+      "grad_norm": 0.2850269377231598,
+      "learning_rate": 3e-06,
+      "loss": 0.1358,
+      "step": 644
+    },
+    {
+      "epoch": 0.0215,
+      "grad_norm": 0.22942297160625458,
+      "learning_rate": 3e-06,
+      "loss": 0.1326,
+      "step": 645
+    },
+    {
+      "epoch": 0.021533333333333335,
+      "grad_norm": 0.21840253472328186,
+      "learning_rate": 3e-06,
+      "loss": 0.1325,
+      "step": 646
+    },
+    {
+      "epoch": 0.021566666666666668,
+      "grad_norm": 0.16937127709388733,
+      "learning_rate": 3e-06,
+      "loss": 0.1302,
+      "step": 647
+    },
+    {
+      "epoch": 0.0216,
+      "grad_norm": 0.13493740558624268,
+      "learning_rate": 3e-06,
+      "loss": 0.1307,
+      "step": 648
+    },
+    {
+      "completion_length": 248.46875,
+      "epoch": 0.021633333333333334,
+      "grad_norm": 0.0879768505692482,
+      "learning_rate": 3e-06,
+      "loss": 0.0071,
+      "reward": 0.5,
+      "reward_std": 0.0,
+      "rewards/correctness_reward_func_math": 0.5,
+      "step": 649,
+      "zero_std_ratio": 1.0
+    },
+    {
+      "epoch": 0.021666666666666667,
+      "grad_norm": 0.08184010535478592,
+      "learning_rate": 3e-06,
+      "loss": 0.007,
+      "step": 650
+    },
+    {
+      "epoch": 0.0217,
+      "grad_norm": 0.07330097258090973,
+      "learning_rate": 3e-06,
+      "loss": 0.0067,
+      "step": 651
+    },
+    {
+      "epoch": 0.021733333333333334,
+      "grad_norm": 0.05064280331134796,
+      "learning_rate": 3e-06,
+      "loss": 0.0063,
+      "step": 652
+    },
+    {
+      "epoch": 0.021766666666666667,
+      "grad_norm": 0.037193555384874344,
+      "learning_rate": 3e-06,
+      "loss": 0.0061,
+      "step": 653
+    },
+    {
+      "epoch": 0.0218,
+      "grad_norm": 0.030613679438829422,
+      "learning_rate": 3e-06,
+      "loss": 0.006,
+      "step": 654
+    },
+    {
+      "epoch": 0.021833333333333333,
+      "grad_norm": 0.035365261137485504,
+      "learning_rate": 3e-06,
+      "loss": 0.006,
+      "step": 655
+    },
+    {
+      "epoch": 0.021866666666666666,
+      "grad_norm": 0.040082454681396484,
+      "learning_rate": 3e-06,
+      "loss": 0.0058,
+      "step": 656
+    },
+    {
+      "completion_length": 255.46875,
+      "epoch": 0.0219,
+      "grad_norm": 0.10759374499320984,
+      "learning_rate": 3e-06,
+      "loss": 0.0349,
+      "reward": 0.53125,
+      "reward_std": 0.125,
+      "rewards/correctness_reward_func_math": 0.53125,
+      "step": 657,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.021933333333333332,
+      "grad_norm": 0.09798838943243027,
+      "learning_rate": 3e-06,
+      "loss": 0.034,
+      "step": 658
+    },
+    {
+      "epoch": 0.021966666666666666,
+      "grad_norm": 0.08553671836853027,
+      "learning_rate": 3e-06,
+      "loss": 0.0341,
+      "step": 659
+    },
+    {
+      "epoch": 0.022,
+      "grad_norm": 0.09832609444856644,
+      "learning_rate": 3e-06,
+      "loss": 0.0334,
+      "step": 660
+    },
+    {
+      "epoch": 0.022033333333333332,
+      "grad_norm": 0.08982772380113602,
+      "learning_rate": 3e-06,
+      "loss": 0.0332,
+      "step": 661
+    },
+    {
+      "epoch": 0.022066666666666665,
+      "grad_norm": 0.10507001727819443,
+      "learning_rate": 3e-06,
+      "loss": 0.033,
+      "step": 662
+    },
+    {
+      "epoch": 0.0221,
+      "grad_norm": 0.12107499688863754,
+      "learning_rate": 3e-06,
+      "loss": 0.0321,
+      "step": 663
+    },
+    {
+      "epoch": 0.022133333333333335,
+      "grad_norm": 0.1017480120062828,
+      "learning_rate": 3e-06,
+      "loss": 0.0317,
+      "step": 664
+    },
+    {
+      "completion_length": 252.84375,
+      "epoch": 0.022166666666666668,
+      "grad_norm": 0.21831579506397247,
+      "learning_rate": 3e-06,
+      "loss": 0.1386,
+      "reward": 0.46875,
+      "reward_std": 0.3723389506340027,
+      "rewards/correctness_reward_func_math": 0.46875,
+      "step": 665,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.0222,
+      "grad_norm": 0.27363094687461853,
+      "learning_rate": 3e-06,
+      "loss": 0.138,
+      "step": 666
+    },
+    {
+      "epoch": 0.022233333333333334,
+      "grad_norm": 0.22916384041309357,
+      "learning_rate": 3e-06,
+      "loss": 0.1379,
+      "step": 667
+    },
+    {
+      "epoch": 0.022266666666666667,
+      "grad_norm": 0.175353541970253,
+      "learning_rate": 3e-06,
+      "loss": 0.1355,
+      "step": 668
+    },
+    {
+      "epoch": 0.0223,
+      "grad_norm": 0.21288332343101501,
+      "learning_rate": 3e-06,
+      "loss": 0.1352,
+      "step": 669
+    },
+    {
+      "epoch": 0.022333333333333334,
+      "grad_norm": 0.1713663786649704,
+      "learning_rate": 3e-06,
+      "loss": 0.1348,
+      "step": 670
+    },
+    {
+      "epoch": 0.022366666666666667,
+      "grad_norm": 0.15769831836223602,
+      "learning_rate": 3e-06,
+      "loss": 0.1337,
+      "step": 671
+    },
+    {
+      "epoch": 0.0224,
+      "grad_norm": 0.15111659467220306,
+      "learning_rate": 3e-06,
+      "loss": 0.1333,
+      "step": 672
+    },
+    {
+      "completion_length": 239.84375,
+      "epoch": 0.022433333333333333,
+      "grad_norm": 0.1714680939912796,
+      "learning_rate": 3e-06,
+      "loss": 0.1879,
+      "reward": 0.375,
+      "reward_std": 0.42078250646591187,
+      "rewards/correctness_reward_func_math": 0.375,
+      "step": 673,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.022466666666666666,
+      "grad_norm": 0.18847879767417908,
+      "learning_rate": 3e-06,
+      "loss": 0.1869,
+      "step": 674
+    },
+    {
+      "epoch": 0.0225,
+      "grad_norm": 0.1777140349149704,
+      "learning_rate": 3e-06,
+      "loss": 0.1854,
+      "step": 675
+    },
+    {
+      "epoch": 0.022533333333333332,
+      "grad_norm": 0.1616886854171753,
+      "learning_rate": 3e-06,
+      "loss": 0.1857,
+      "step": 676
+    },
+    {
+      "epoch": 0.022566666666666665,
+      "grad_norm": 0.16282643377780914,
+      "learning_rate": 3e-06,
+      "loss": 0.1841,
+      "step": 677
+    },
+    {
+      "epoch": 0.0226,
+      "grad_norm": 0.15794432163238525,
+      "learning_rate": 3e-06,
+      "loss": 0.1842,
+      "step": 678
+    },
+    {
+      "epoch": 0.02263333333333333,
+      "grad_norm": 0.15265411138534546,
+      "learning_rate": 3e-06,
+      "loss": 0.1823,
+      "step": 679
+    },
+    {
+      "epoch": 0.02266666666666667,
+      "grad_norm": 0.15520979464054108,
+      "learning_rate": 3e-06,
+      "loss": 0.1812,
+      "step": 680
+    },
+    {
+      "completion_length": 242.6875,
+      "epoch": 0.0227,
+      "grad_norm": 0.28260353207588196,
+      "learning_rate": 3e-06,
+      "loss": 0.091,
+      "reward": 0.09375,
+      "reward_std": 0.20155644416809082,
+      "rewards/correctness_reward_func_math": 0.09375,
+      "step": 681,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.022733333333333335,
+      "grad_norm": 0.25428634881973267,
+      "learning_rate": 3e-06,
+      "loss": 0.0885,
+      "step": 682
+    },
+    {
+      "epoch": 0.022766666666666668,
+      "grad_norm": 0.239933580160141,
+      "learning_rate": 3e-06,
+      "loss": 0.0899,
+      "step": 683
+    },
+    {
+      "epoch": 0.0228,
+      "grad_norm": 0.20977343618869781,
+      "learning_rate": 3e-06,
+      "loss": 0.0872,
+      "step": 684
+    },
+    {
+      "epoch": 0.022833333333333334,
+      "grad_norm": 0.18862693011760712,
+      "learning_rate": 3e-06,
+      "loss": 0.0868,
+      "step": 685
+    },
+    {
+      "epoch": 0.022866666666666667,
+      "grad_norm": 0.15840667486190796,
+      "learning_rate": 3e-06,
+      "loss": 0.0866,
+      "step": 686
+    },
+    {
+      "epoch": 0.0229,
+      "grad_norm": 0.2250598818063736,
+      "learning_rate": 3e-06,
+      "loss": 0.0843,
+      "step": 687
+    },
+    {
+      "epoch": 0.022933333333333333,
+      "grad_norm": 0.24348339438438416,
+      "learning_rate": 3e-06,
+      "loss": 0.0857,
+      "step": 688
+    },
+    {
+      "completion_length": 251.90625,
+      "epoch": 0.022966666666666666,
+      "grad_norm": 0.16345077753067017,
+      "learning_rate": 3e-06,
+      "loss": 0.1363,
+      "reward": 0.84375,
+      "reward_std": 0.3723389506340027,
+      "rewards/correctness_reward_func_math": 0.84375,
+      "step": 689,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.023,
+      "grad_norm": 0.16351933777332306,
+      "learning_rate": 3e-06,
+      "loss": 0.1362,
+      "step": 690
+    },
+    {
+      "epoch": 0.023033333333333333,
+      "grad_norm": 0.15600211918354034,
+      "learning_rate": 3e-06,
+      "loss": 0.1372,
+      "step": 691
+    },
+    {
+      "epoch": 0.023066666666666666,
+      "grad_norm": 0.1627737581729889,
+      "learning_rate": 3e-06,
+      "loss": 0.135,
+      "step": 692
+    },
+    {
+      "epoch": 0.0231,
+      "grad_norm": 0.16115888953208923,
+      "learning_rate": 3e-06,
+      "loss": 0.1352,
+      "step": 693
+    },
+    {
+      "epoch": 0.023133333333333332,
+      "grad_norm": 0.15062019228935242,
+      "learning_rate": 3e-06,
+      "loss": 0.1345,
+      "step": 694
+    },
+    {
+      "epoch": 0.023166666666666665,
+      "grad_norm": 0.15278786420822144,
+      "learning_rate": 3e-06,
+      "loss": 0.133,
+      "step": 695
+    },
+    {
+      "epoch": 0.0232,
+      "grad_norm": 0.13167370855808258,
+      "learning_rate": 3e-06,
+      "loss": 0.1311,
+      "step": 696
+    },
+    {
+      "completion_length": 255.03125,
+      "epoch": 0.023233333333333335,
+      "grad_norm": 0.08396071195602417,
+      "learning_rate": 3e-06,
+      "loss": 0.081,
+      "reward": 0.90625,
+      "reward_std": 0.20155644416809082,
+      "rewards/correctness_reward_func_math": 0.90625,
+      "step": 697,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.023266666666666668,
+      "grad_norm": 0.08707322180271149,
+      "learning_rate": 3e-06,
+      "loss": 0.0812,
+      "step": 698
+    },
+    {
+      "epoch": 0.0233,
+      "grad_norm": 0.09031737595796585,
+      "learning_rate": 3e-06,
+      "loss": 0.0804,
+      "step": 699
+    },
+    {
+      "epoch": 0.023333333333333334,
+      "grad_norm": 0.08772151917219162,
+      "learning_rate": 3e-06,
+      "loss": 0.0808,
+      "step": 700
+    },
+    {
+      "epoch": 0.023366666666666668,
+      "grad_norm": 0.08840345591306686,
+      "learning_rate": 3e-06,
+      "loss": 0.0798,
+      "step": 701
+    },
+    {
+      "epoch": 0.0234,
+      "grad_norm": 0.08512651175260544,
+      "learning_rate": 3e-06,
+      "loss": 0.0783,
+      "step": 702
+    },
+    {
+      "epoch": 0.023433333333333334,
+      "grad_norm": 0.0979035273194313,
+      "learning_rate": 3e-06,
+      "loss": 0.0785,
+      "step": 703
+    },
+    {
+      "epoch": 0.023466666666666667,
+      "grad_norm": 0.07177457213401794,
+      "learning_rate": 3e-06,
+      "loss": 0.0778,
+      "step": 704
+    },
+    {
+      "completion_length": 244.84375,
+      "epoch": 0.0235,
+      "grad_norm": 0.31261497735977173,
+      "learning_rate": 3e-06,
+      "loss": 0.1918,
+      "reward": 0.65625,
+      "reward_std": 0.42695626616477966,
+      "rewards/correctness_reward_func_math": 0.65625,
+      "step": 705,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.023533333333333333,
+      "grad_norm": 0.3377317488193512,
+      "learning_rate": 3e-06,
+      "loss": 0.1905,
+      "step": 706
+    },
+    {
+      "epoch": 0.023566666666666666,
+      "grad_norm": 0.27854228019714355,
+      "learning_rate": 3e-06,
+      "loss": 0.1892,
+      "step": 707
+    },
+    {
+      "epoch": 0.0236,
+      "grad_norm": 0.29239997267723083,
+      "learning_rate": 3e-06,
+      "loss": 0.1889,
+      "step": 708
+    },
+    {
+      "epoch": 0.023633333333333333,
+      "grad_norm": 0.26856452226638794,
+      "learning_rate": 3e-06,
+      "loss": 0.1887,
+      "step": 709
+    },
+    {
+      "epoch": 0.023666666666666666,
+      "grad_norm": 0.2893252968788147,
+      "learning_rate": 3e-06,
+      "loss": 0.1854,
+      "step": 710
+    },
+    {
+      "epoch": 0.0237,
+      "grad_norm": 0.2844485342502594,
+      "learning_rate": 3e-06,
+      "loss": 0.1822,
+      "step": 711
+    },
+    {
+      "epoch": 0.023733333333333332,
+      "grad_norm": 0.2569761574268341,
+      "learning_rate": 3e-06,
+      "loss": 0.1819,
+      "step": 712
+    },
+    {
+      "completion_length": 255.28125,
+      "epoch": 0.023766666666666665,
+      "grad_norm": 0.046206481754779816,
+      "learning_rate": 3e-06,
+      "loss": 0.0038,
+      "reward": 0.5,
+      "reward_std": 0.0,
+      "rewards/correctness_reward_func_math": 0.5,
+      "step": 713,
+      "zero_std_ratio": 1.0
+    },
+    {
+      "epoch": 0.0238,
+      "grad_norm": 0.047775525599718094,
+      "learning_rate": 3e-06,
+      "loss": 0.0038,
+      "step": 714
+    },
+    {
+      "epoch": 0.023833333333333335,
+      "grad_norm": 0.048487693071365356,
+      "learning_rate": 3e-06,
+      "loss": 0.0038,
+      "step": 715
+    },
+    {
+      "epoch": 0.023866666666666668,
+      "grad_norm": 0.04671302065253258,
+      "learning_rate": 3e-06,
+      "loss": 0.0038,
+      "step": 716
+    },
+    {
+      "epoch": 0.0239,
+      "grad_norm": 0.036609306931495667,
+      "learning_rate": 3e-06,
+      "loss": 0.0036,
+      "step": 717
+    },
+    {
+      "epoch": 0.023933333333333334,
+      "grad_norm": 0.03511708602309227,
+      "learning_rate": 3e-06,
+      "loss": 0.0035,
+      "step": 718
+    },
+    {
+      "epoch": 0.023966666666666667,
+      "grad_norm": 0.03090088814496994,
+      "learning_rate": 3e-06,
+      "loss": 0.0035,
+      "step": 719
+    },
+    {
+      "epoch": 0.024,
+      "grad_norm": 0.026946770027279854,
+      "learning_rate": 3e-06,
+      "loss": 0.0034,
+      "step": 720
+    },
+    {
+      "completion_length": 247.625,
+      "epoch": 0.024033333333333334,
+      "grad_norm": 0.23009751737117767,
+      "learning_rate": 3e-06,
+      "loss": 0.1196,
+      "reward": 0.34375,
+      "reward_std": 0.23935678601264954,
+      "rewards/correctness_reward_func_math": 0.34375,
+      "step": 721,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.024066666666666667,
+      "grad_norm": 0.21754537522792816,
+      "learning_rate": 3e-06,
+      "loss": 0.1183,
+      "step": 722
+    },
+    {
+      "epoch": 0.0241,
+      "grad_norm": 0.2135201096534729,
+      "learning_rate": 3e-06,
+      "loss": 0.1172,
+      "step": 723
+    },
+    {
+      "epoch": 0.024133333333333333,
+      "grad_norm": 0.20299206674098969,
+      "learning_rate": 3e-06,
+      "loss": 0.1163,
+      "step": 724
+    },
+    {
+      "epoch": 0.024166666666666666,
+      "grad_norm": 0.20742520689964294,
+      "learning_rate": 3e-06,
+      "loss": 0.1155,
+      "step": 725
+    },
+    {
+      "epoch": 0.0242,
+      "grad_norm": 0.20791539549827576,
+      "learning_rate": 3e-06,
+      "loss": 0.1136,
+      "step": 726
+    },
+    {
+      "epoch": 0.024233333333333332,
+      "grad_norm": 0.18482159078121185,
+      "learning_rate": 3e-06,
+      "loss": 0.1124,
+      "step": 727
+    },
+    {
+      "epoch": 0.024266666666666666,
+      "grad_norm": 0.22239640355110168,
+      "learning_rate": 3e-06,
+      "loss": 0.1113,
+      "step": 728
+    },
+    {
+      "completion_length": 247.71875,
+      "epoch": 0.0243,
+      "grad_norm": 0.21010254323482513,
+      "learning_rate": 3e-06,
+      "loss": 0.1267,
+      "reward": 0.3125,
+      "reward_std": 0.25,
+      "rewards/correctness_reward_func_math": 0.3125,
+      "step": 729,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.024333333333333332,
+      "grad_norm": 0.2185763120651245,
+      "learning_rate": 3e-06,
+      "loss": 0.1278,
+      "step": 730
+    },
+    {
+      "epoch": 0.024366666666666665,
+      "grad_norm": 0.21800334751605988,
+      "learning_rate": 3e-06,
+      "loss": 0.1261,
+      "step": 731
+    },
+    {
+      "epoch": 0.0244,
+      "grad_norm": 0.21290436387062073,
+      "learning_rate": 3e-06,
+      "loss": 0.1269,
+      "step": 732
+    },
+    {
+      "epoch": 0.024433333333333335,
+      "grad_norm": 0.2061312049627304,
+      "learning_rate": 3e-06,
+      "loss": 0.1253,
+      "step": 733
+    },
+    {
+      "epoch": 0.024466666666666668,
+      "grad_norm": 0.19918671250343323,
+      "learning_rate": 3e-06,
+      "loss": 0.1235,
+      "step": 734
+    },
+    {
+      "epoch": 0.0245,
+      "grad_norm": 0.19995979964733124,
+      "learning_rate": 3e-06,
+      "loss": 0.1222,
+      "step": 735
+    },
+    {
+      "epoch": 0.024533333333333334,
+      "grad_norm": 0.17539291083812714,
+      "learning_rate": 3e-06,
+      "loss": 0.1213,
+      "step": 736
+    },
+    {
+      "completion_length": 239.6875,
+      "epoch": 0.024566666666666667,
+      "grad_norm": 0.13900496065616608,
+      "learning_rate": 3e-06,
+      "loss": 0.0156,
+      "reward": 0.0,
+      "reward_std": 0.0,
+      "rewards/correctness_reward_func_math": 0.0,
+      "step": 737,
+      "zero_std_ratio": 1.0
+    },
+    {
+      "epoch": 0.0246,
+      "grad_norm": 0.06708495318889618,
+      "learning_rate": 3e-06,
+      "loss": 0.0152,
+      "step": 738
+    },
+    {
+      "epoch": 0.024633333333333333,
+      "grad_norm": 0.06012329086661339,
+      "learning_rate": 3e-06,
+      "loss": 0.015,
+      "step": 739
+    },
+    {
+      "epoch": 0.024666666666666667,
+      "grad_norm": 0.08619344979524612,
+      "learning_rate": 3e-06,
+      "loss": 0.0151,
+      "step": 740
+    },
+    {
+      "epoch": 0.0247,
+      "grad_norm": 0.07060866057872772,
+      "learning_rate": 3e-06,
+      "loss": 0.0149,
+      "step": 741
+    },
+    {
+      "epoch": 0.024733333333333333,
+      "grad_norm": 0.05254815146327019,
+      "learning_rate": 3e-06,
+      "loss": 0.0147,
+      "step": 742
+    },
+    {
+      "epoch": 0.024766666666666666,
+      "grad_norm": 0.08026646077632904,
+      "learning_rate": 3e-06,
+      "loss": 0.0148,
+      "step": 743
+    },
+    {
+      "epoch": 0.0248,
+      "grad_norm": 0.07480411231517792,
+      "learning_rate": 3e-06,
+      "loss": 0.0146,
+      "step": 744
+    },
+    {
+      "completion_length": 238.65625,
+      "epoch": 0.024833333333333332,
+      "grad_norm": 0.0974910780787468,
+      "learning_rate": 3e-06,
+      "loss": 0.0095,
+      "reward": 0.5,
+      "reward_std": 0.0,
+      "rewards/correctness_reward_func_math": 0.5,
+      "step": 745,
+      "zero_std_ratio": 1.0
+    },
+    {
+      "epoch": 0.024866666666666665,
+      "grad_norm": 0.0991777554154396,
+      "learning_rate": 3e-06,
+      "loss": 0.0095,
+      "step": 746
+    },
+    {
+      "epoch": 0.0249,
+      "grad_norm": 0.06893762946128845,
+      "learning_rate": 3e-06,
+      "loss": 0.0092,
+      "step": 747
+    },
+    {
+      "epoch": 0.02493333333333333,
+      "grad_norm": 0.053532958030700684,
+      "learning_rate": 3e-06,
+      "loss": 0.009,
+      "step": 748
+    },
+    {
+      "epoch": 0.024966666666666668,
+      "grad_norm": 0.036119211465120316,
+      "learning_rate": 3e-06,
+      "loss": 0.0089,
+      "step": 749
+    },
+    {
+      "epoch": 0.025,
+      "grad_norm": 0.04017861187458038,
+      "learning_rate": 3e-06,
+      "loss": 0.0089,
+      "step": 750
+    },
+    {
+      "epoch": 0.025033333333333335,
+      "grad_norm": 0.049689896404743195,
+      "learning_rate": 3e-06,
+      "loss": 0.0088,
+      "step": 751
+    },
+    {
+      "epoch": 0.025066666666666668,
+      "grad_norm": 0.05642947927117348,
+      "learning_rate": 3e-06,
+      "loss": 0.0088,
+      "step": 752
+    },
+    {
+      "completion_length": 244.90625,
+      "epoch": 0.0251,
+      "grad_norm": 0.25779128074645996,
+      "learning_rate": 3e-06,
+      "loss": 0.1182,
+      "reward": 0.34375,
+      "reward_std": 0.23935678601264954,
+      "rewards/correctness_reward_func_math": 0.34375,
+      "step": 753,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.025133333333333334,
+      "grad_norm": 0.2438766062259674,
+      "learning_rate": 3e-06,
+      "loss": 0.117,
+      "step": 754
+    },
+    {
+      "epoch": 0.025166666666666667,
+      "grad_norm": 0.22470083832740784,
+      "learning_rate": 3e-06,
+      "loss": 0.1184,
+      "step": 755
+    },
+    {
+      "epoch": 0.0252,
+      "grad_norm": 0.18962667882442474,
+      "learning_rate": 3e-06,
+      "loss": 0.1173,
+      "step": 756
+    },
+    {
+      "epoch": 0.025233333333333333,
+      "grad_norm": 0.1737639456987381,
+      "learning_rate": 3e-06,
+      "loss": 0.1147,
+      "step": 757
+    },
+    {
+      "epoch": 0.025266666666666666,
+      "grad_norm": 0.14542007446289062,
+      "learning_rate": 3e-06,
+      "loss": 0.1148,
+      "step": 758
+    },
+    {
+      "epoch": 0.0253,
+      "grad_norm": 0.14449511468410492,
+      "learning_rate": 3e-06,
+      "loss": 0.1154,
+      "step": 759
+    },
+    {
+      "epoch": 0.025333333333333333,
+      "grad_norm": 0.14705954492092133,
+      "learning_rate": 3e-06,
+      "loss": 0.1128,
+      "step": 760
+    },
+    {
+      "completion_length": 250.25,
+      "epoch": 0.025366666666666666,
+      "grad_norm": 0.17668400704860687,
+      "learning_rate": 3e-06,
+      "loss": 0.1117,
+      "reward": 0.875,
+      "reward_std": 0.3265564441680908,
+      "rewards/correctness_reward_func_math": 0.875,
+      "step": 761,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.0254,
+      "grad_norm": 0.1647891402244568,
+      "learning_rate": 3e-06,
+      "loss": 0.1119,
+      "step": 762
+    },
+    {
+      "epoch": 0.025433333333333332,
+      "grad_norm": 0.15626925230026245,
+      "learning_rate": 3e-06,
+      "loss": 0.1129,
+      "step": 763
+    },
+    {
+      "epoch": 0.025466666666666665,
+      "grad_norm": 0.15357746183872223,
+      "learning_rate": 3e-06,
+      "loss": 0.1117,
+      "step": 764
+    },
+    {
+      "epoch": 0.0255,
+      "grad_norm": 0.1542324274778366,
+      "learning_rate": 3e-06,
+      "loss": 0.1123,
+      "step": 765
+    },
+    {
+      "epoch": 0.025533333333333335,
+      "grad_norm": 0.15983571112155914,
+      "learning_rate": 3e-06,
+      "loss": 0.1105,
+      "step": 766
+    },
+    {
+      "epoch": 0.025566666666666668,
+      "grad_norm": 0.15159860253334045,
+      "learning_rate": 3e-06,
+      "loss": 0.1103,
+      "step": 767
+    },
+    {
+      "epoch": 0.0256,
+      "grad_norm": 0.12948967516422272,
+      "learning_rate": 3e-06,
+      "loss": 0.1062,
+      "step": 768
+    },
+    {
+      "completion_length": 250.6875,
+      "epoch": 0.025633333333333334,
+      "grad_norm": 0.4765929579734802,
+      "learning_rate": 3e-06,
+      "loss": 0.1364,
+      "reward": 0.21875,
+      "reward_std": 0.2561737596988678,
+      "rewards/correctness_reward_func_math": 0.21875,
+      "step": 769,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.025666666666666667,
+      "grad_norm": 0.4570774435997009,
+      "learning_rate": 3e-06,
+      "loss": 0.1356,
+      "step": 770
+    },
+    {
+      "epoch": 0.0257,
+      "grad_norm": 0.4285106360912323,
+      "learning_rate": 3e-06,
+      "loss": 0.1329,
+      "step": 771
+    },
+    {
+      "epoch": 0.025733333333333334,
+      "grad_norm": 0.41094741225242615,
+      "learning_rate": 3e-06,
+      "loss": 0.1314,
+      "step": 772
+    },
+    {
+      "epoch": 0.025766666666666667,
+      "grad_norm": 0.39978161454200745,
+      "learning_rate": 3e-06,
+      "loss": 0.1303,
+      "step": 773
+    },
+    {
+      "epoch": 0.0258,
+      "grad_norm": 0.37832513451576233,
+      "learning_rate": 3e-06,
+      "loss": 0.1271,
+      "step": 774
+    },
+    {
+      "epoch": 0.025833333333333333,
+      "grad_norm": 0.3629801869392395,
+      "learning_rate": 3e-06,
+      "loss": 0.1244,
+      "step": 775
+    },
+    {
+      "epoch": 0.025866666666666666,
+      "grad_norm": 0.29954993724823,
+      "learning_rate": 3e-06,
+      "loss": 0.1217,
+      "step": 776
+    },
+    {
+      "completion_length": 244.625,
+      "epoch": 0.0259,
+      "grad_norm": 0.04062335565686226,
+      "learning_rate": 3e-06,
+      "loss": 0.0064,
+      "reward": 1.0,
+      "reward_std": 0.0,
+      "rewards/correctness_reward_func_math": 1.0,
+      "step": 777,
+      "zero_std_ratio": 1.0
+    },
+    {
+      "epoch": 0.025933333333333333,
+      "grad_norm": 0.04237827658653259,
+      "learning_rate": 3e-06,
+      "loss": 0.0064,
+      "step": 778
+    },
+    {
+      "epoch": 0.025966666666666666,
+      "grad_norm": 0.04504085332155228,
+      "learning_rate": 3e-06,
+      "loss": 0.0065,
+      "step": 779
+    },
+    {
+      "epoch": 0.026,
+      "grad_norm": 0.04303231090307236,
+      "learning_rate": 3e-06,
+      "loss": 0.0065,
+      "step": 780
+    },
+    {
+      "epoch": 0.026033333333333332,
+      "grad_norm": 0.04287688806653023,
+      "learning_rate": 3e-06,
+      "loss": 0.0065,
+      "step": 781
+    },
+    {
+      "epoch": 0.026066666666666665,
+      "grad_norm": 0.042737774550914764,
+      "learning_rate": 3e-06,
+      "loss": 0.0065,
+      "step": 782
+    },
+    {
+      "epoch": 0.0261,
+      "grad_norm": 0.042864058166742325,
+      "learning_rate": 3e-06,
+      "loss": 0.0063,
+      "step": 783
+    },
+    {
+      "epoch": 0.026133333333333335,
+      "grad_norm": 0.0408710278570652,
+      "learning_rate": 3e-06,
+      "loss": 0.0063,
+      "step": 784
+    },
+    {
+      "completion_length": 255.75,
+      "epoch": 0.026166666666666668,
+      "grad_norm": 0.4980374574661255,
+      "learning_rate": 3e-06,
+      "loss": 0.2133,
+      "reward": 0.59375,
+      "reward_std": 0.4515564441680908,
+      "rewards/correctness_reward_func_math": 0.59375,
+      "step": 785,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.0262,
+      "grad_norm": 0.4943053722381592,
+      "learning_rate": 3e-06,
+      "loss": 0.2139,
+      "step": 786
+    },
+    {
+      "epoch": 0.026233333333333334,
+      "grad_norm": 0.4804594814777374,
+      "learning_rate": 3e-06,
+      "loss": 0.21,
+      "step": 787
+    },
+    {
+      "epoch": 0.026266666666666667,
+      "grad_norm": 0.47911620140075684,
+      "learning_rate": 3e-06,
+      "loss": 0.2091,
+      "step": 788
+    },
+    {
+      "epoch": 0.0263,
+      "grad_norm": 0.4405660033226013,
+      "learning_rate": 3e-06,
+      "loss": 0.2046,
+      "step": 789
+    },
+    {
+      "epoch": 0.026333333333333334,
+      "grad_norm": 0.42381811141967773,
+      "learning_rate": 3e-06,
+      "loss": 0.2018,
+      "step": 790
+    },
+    {
+      "epoch": 0.026366666666666667,
+      "grad_norm": 0.40700316429138184,
+      "learning_rate": 3e-06,
+      "loss": 0.1994,
+      "step": 791
+    },
+    {
+      "epoch": 0.0264,
+      "grad_norm": 0.38233137130737305,
+      "learning_rate": 3e-06,
+      "loss": 0.1954,
+      "step": 792
+    },
+    {
+      "completion_length": 256.0,
+      "epoch": 0.026433333333333333,
+      "grad_norm": 0.37426674365997314,
+      "learning_rate": 3e-06,
+      "loss": 0.2655,
+      "reward": 0.4375,
+      "reward_std": 0.5081988573074341,
+      "rewards/correctness_reward_func_math": 0.4375,
+      "step": 793,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.026466666666666666,
+      "grad_norm": 0.38293734192848206,
+      "learning_rate": 3e-06,
+      "loss": 0.2651,
+      "step": 794
+    },
+    {
+      "epoch": 0.0265,
+      "grad_norm": 0.3487165868282318,
+      "learning_rate": 3e-06,
+      "loss": 0.2627,
+      "step": 795
+    },
+    {
+      "epoch": 0.026533333333333332,
+      "grad_norm": 0.3412543833255768,
+      "learning_rate": 3e-06,
+      "loss": 0.2607,
+      "step": 796
+    },
+    {
+      "epoch": 0.026566666666666666,
+      "grad_norm": 0.29909440875053406,
+      "learning_rate": 3e-06,
+      "loss": 0.2607,
+      "step": 797
+    },
+    {
+      "epoch": 0.0266,
+      "grad_norm": 0.28048011660575867,
+      "learning_rate": 3e-06,
+      "loss": 0.2581,
+      "step": 798
+    },
+    {
+      "epoch": 0.026633333333333332,
+      "grad_norm": 0.2826901376247406,
+      "learning_rate": 3e-06,
+      "loss": 0.2584,
+      "step": 799
+    },
+    {
+      "epoch": 0.02666666666666667,
+      "grad_norm": 0.2614368498325348,
+      "learning_rate": 3e-06,
+      "loss": 0.2543,
+      "step": 800
+    },
+    {
+      "completion_length": 253.125,
+      "epoch": 0.0267,
+      "grad_norm": 0.3285641372203827,
+      "learning_rate": 3e-06,
+      "loss": 0.1296,
+      "reward": 0.8125,
+      "reward_std": 0.25,
+      "rewards/correctness_reward_func_math": 0.8125,
+      "step": 801,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.026733333333333335,
+      "grad_norm": 0.33160874247550964,
+      "learning_rate": 3e-06,
+      "loss": 0.1308,
+      "step": 802
+    },
+    {
+      "epoch": 0.026766666666666668,
+      "grad_norm": 0.3097575902938843,
+      "learning_rate": 3e-06,
+      "loss": 0.1266,
+      "step": 803
+    },
+    {
+      "epoch": 0.0268,
+      "grad_norm": 0.3555019199848175,
+      "learning_rate": 3e-06,
+      "loss": 0.1278,
+      "step": 804
+    },
+    {
+      "epoch": 0.026833333333333334,
+      "grad_norm": 0.3375462293624878,
+      "learning_rate": 3e-06,
+      "loss": 0.1268,
+      "step": 805
+    },
+    {
+      "epoch": 0.026866666666666667,
+      "grad_norm": 0.30325841903686523,
+      "learning_rate": 3e-06,
+      "loss": 0.1238,
+      "step": 806
+    },
+    {
+      "epoch": 0.0269,
+      "grad_norm": 0.3013198673725128,
+      "learning_rate": 3e-06,
+      "loss": 0.1225,
+      "step": 807
+    },
+    {
+      "epoch": 0.026933333333333333,
+      "grad_norm": 0.3042747676372528,
+      "learning_rate": 3e-06,
+      "loss": 0.118,
+      "step": 808
+    },
+    {
+      "completion_length": 252.875,
+      "epoch": 0.026966666666666667,
+      "grad_norm": 0.12249862402677536,
+      "learning_rate": 3e-06,
+      "loss": 0.0599,
+      "reward": 0.4375,
+      "reward_std": 0.17078250646591187,
+      "rewards/correctness_reward_func_math": 0.4375,
+      "step": 809,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.027,
+      "grad_norm": 0.11716050654649734,
+      "learning_rate": 3e-06,
+      "loss": 0.0604,
+      "step": 810
+    },
+    {
+      "epoch": 0.027033333333333333,
+      "grad_norm": 0.13154226541519165,
+      "learning_rate": 3e-06,
+      "loss": 0.0599,
+      "step": 811
+    },
+    {
+      "epoch": 0.027066666666666666,
+      "grad_norm": 0.1222083568572998,
+      "learning_rate": 3e-06,
+      "loss": 0.0587,
+      "step": 812
+    },
+    {
+      "epoch": 0.0271,
+      "grad_norm": 0.11689935624599457,
+      "learning_rate": 3e-06,
+      "loss": 0.0577,
+      "step": 813
+    },
+    {
+      "epoch": 0.027133333333333332,
+      "grad_norm": 0.11977628618478775,
+      "learning_rate": 3e-06,
+      "loss": 0.0582,
+      "step": 814
+    },
+    {
+      "epoch": 0.027166666666666665,
+      "grad_norm": 0.1273588389158249,
+      "learning_rate": 3e-06,
+      "loss": 0.0574,
+      "step": 815
+    },
+    {
+      "epoch": 0.0272,
+      "grad_norm": 0.10599751770496368,
+      "learning_rate": 3e-06,
+      "loss": 0.0565,
+      "step": 816
+    },
+    {
+      "completion_length": 244.75,
+      "epoch": 0.02723333333333333,
+      "grad_norm": 0.14326849579811096,
+      "learning_rate": 3e-06,
+      "loss": 0.07,
+      "reward": 0.0625,
+      "reward_std": 0.17078250646591187,
+      "rewards/correctness_reward_func_math": 0.0625,
+      "step": 817,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.027266666666666668,
+      "grad_norm": 0.14236772060394287,
+      "learning_rate": 3e-06,
+      "loss": 0.0707,
+      "step": 818
+    },
+    {
+      "epoch": 0.0273,
+      "grad_norm": 0.1253625601530075,
+      "learning_rate": 3e-06,
+      "loss": 0.0696,
+      "step": 819
+    },
+    {
+      "epoch": 0.027333333333333334,
+      "grad_norm": 0.1351059526205063,
+      "learning_rate": 3e-06,
+      "loss": 0.0684,
+      "step": 820
+    },
+    {
+      "epoch": 0.027366666666666668,
+      "grad_norm": 0.11593537777662277,
+      "learning_rate": 3e-06,
+      "loss": 0.0694,
+      "step": 821
+    },
+    {
+      "epoch": 0.0274,
+      "grad_norm": 0.11155024915933609,
+      "learning_rate": 3e-06,
+      "loss": 0.0677,
+      "step": 822
+    },
+    {
+      "epoch": 0.027433333333333334,
+      "grad_norm": 0.14150574803352356,
+      "learning_rate": 3e-06,
+      "loss": 0.0669,
+      "step": 823
+    },
+    {
+      "epoch": 0.027466666666666667,
+      "grad_norm": 0.13199634850025177,
+      "learning_rate": 3e-06,
+      "loss": 0.067,
+      "step": 824
+    },
+    {
+      "completion_length": 234.53125,
+      "epoch": 0.0275,
+      "grad_norm": 0.15058286488056183,
+      "learning_rate": 3e-06,
+      "loss": 0.0504,
+      "reward": 0.03125,
+      "reward_std": 0.125,
+      "rewards/correctness_reward_func_math": 0.03125,
+      "step": 825,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.027533333333333333,
+      "grad_norm": 0.14183367788791656,
+      "learning_rate": 3e-06,
+      "loss": 0.0507,
+      "step": 826
+    },
+    {
+      "epoch": 0.027566666666666666,
+      "grad_norm": 0.12045426666736603,
+      "learning_rate": 3e-06,
+      "loss": 0.0506,
+      "step": 827
+    },
+    {
+      "epoch": 0.0276,
+      "grad_norm": 0.12341350317001343,
+      "learning_rate": 3e-06,
+      "loss": 0.05,
+      "step": 828
+    },
+    {
+      "epoch": 0.027633333333333333,
+      "grad_norm": 0.09977436065673828,
+      "learning_rate": 3e-06,
+      "loss": 0.049,
+      "step": 829
+    },
+    {
+      "epoch": 0.027666666666666666,
+      "grad_norm": 0.0901474729180336,
+      "learning_rate": 3e-06,
+      "loss": 0.0481,
+      "step": 830
+    },
+    {
+      "epoch": 0.0277,
+      "grad_norm": 0.08091679215431213,
+      "learning_rate": 3e-06,
+      "loss": 0.0476,
+      "step": 831
+    },
+    {
+      "epoch": 0.027733333333333332,
+      "grad_norm": 0.07991020381450653,
+      "learning_rate": 3e-06,
+      "loss": 0.0475,
+      "step": 832
+    },
+    {
+      "completion_length": 248.6875,
+      "epoch": 0.027766666666666665,
+      "grad_norm": 0.3151090741157532,
+      "learning_rate": 3e-06,
+      "loss": 0.2437,
+      "reward": 0.53125,
+      "reward_std": 0.48935678601264954,
+      "rewards/correctness_reward_func_math": 0.53125,
+      "step": 833,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.0278,
+      "grad_norm": 0.33745652437210083,
+      "learning_rate": 3e-06,
+      "loss": 0.2425,
+      "step": 834
+    },
+    {
+      "epoch": 0.027833333333333335,
+      "grad_norm": 0.32945045828819275,
+      "learning_rate": 3e-06,
+      "loss": 0.2433,
+      "step": 835
+    },
+    {
+      "epoch": 0.027866666666666668,
+      "grad_norm": 0.30727189779281616,
+      "learning_rate": 3e-06,
+      "loss": 0.2445,
+      "step": 836
+    },
+    {
+      "epoch": 0.0279,
+      "grad_norm": 0.31093016266822815,
+      "learning_rate": 3e-06,
+      "loss": 0.2417,
+      "step": 837
+    },
+    {
+      "epoch": 0.027933333333333334,
+      "grad_norm": 0.3083430528640747,
+      "learning_rate": 3e-06,
+      "loss": 0.241,
+      "step": 838
+    },
+    {
+      "epoch": 0.027966666666666667,
+      "grad_norm": 0.2979103624820709,
+      "learning_rate": 3e-06,
+      "loss": 0.2374,
+      "step": 839
+    },
+    {
+      "epoch": 0.028,
+      "grad_norm": 0.30351006984710693,
+      "learning_rate": 3e-06,
+      "loss": 0.2366,
+      "step": 840
+    },
+    {
+      "completion_length": 181.5625,
+      "epoch": 0.028033333333333334,
+      "grad_norm": 6.74680233001709,
+      "learning_rate": 3e-06,
+      "loss": 1.3804,
+      "reward": 0.0,
+      "reward_std": 0.0,
+      "rewards/correctness_reward_func_math": 0.0,
+      "step": 841,
+      "zero_std_ratio": 1.0
+    },
+    {
+      "epoch": 0.028066666666666667,
+      "grad_norm": 6.727161407470703,
+      "learning_rate": 3e-06,
+      "loss": 1.3756,
+      "step": 842
+    },
+    {
+      "epoch": 0.0281,
+      "grad_norm": 6.633174419403076,
+      "learning_rate": 3e-06,
+      "loss": 1.362,
+      "step": 843
+    },
+    {
+      "epoch": 0.028133333333333333,
+      "grad_norm": 6.37052059173584,
+      "learning_rate": 3e-06,
+      "loss": 1.337,
+      "step": 844
+    },
+    {
+      "epoch": 0.028166666666666666,
+      "grad_norm": 6.2779669761657715,
+      "learning_rate": 3e-06,
+      "loss": 1.3132,
+      "step": 845
+    },
+    {
+      "epoch": 0.0282,
+      "grad_norm": 6.129253387451172,
+      "learning_rate": 3e-06,
+      "loss": 1.2824,
+      "step": 846
+    },
+    {
+      "epoch": 0.028233333333333333,
+      "grad_norm": 5.834165096282959,
+      "learning_rate": 3e-06,
+      "loss": 1.2467,
+      "step": 847
+    },
+    {
+      "epoch": 0.028266666666666666,
+      "grad_norm": 5.611079216003418,
+      "learning_rate": 3e-06,
+      "loss": 1.2185,
+      "step": 848
+    },
+    {
+      "completion_length": 250.53125,
+      "epoch": 0.0283,
+      "grad_norm": 0.19626370072364807,
+      "learning_rate": 3e-06,
+      "loss": 0.0162,
+      "reward": 0.5,
+      "reward_std": 0.0,
+      "rewards/correctness_reward_func_math": 0.5,
+      "step": 849,
+      "zero_std_ratio": 1.0
+    },
+    {
+      "epoch": 0.028333333333333332,
+      "grad_norm": 0.1629708856344223,
+      "learning_rate": 3e-06,
+      "loss": 0.0153,
+      "step": 850
+    },
+    {
+      "epoch": 0.028366666666666665,
+      "grad_norm": 0.1246650367975235,
+      "learning_rate": 3e-06,
+      "loss": 0.0148,
+      "step": 851
+    },
+    {
+      "epoch": 0.0284,
+      "grad_norm": 0.10462331026792526,
+      "learning_rate": 3e-06,
+      "loss": 0.0145,
+      "step": 852
+    },
+    {
+      "epoch": 0.028433333333333335,
+      "grad_norm": 0.05112575367093086,
+      "learning_rate": 3e-06,
+      "loss": 0.014,
+      "step": 853
+    },
+    {
+      "epoch": 0.028466666666666668,
+      "grad_norm": 0.04512950778007507,
+      "learning_rate": 3e-06,
+      "loss": 0.0138,
+      "step": 854
+    },
+    {
+      "epoch": 0.0285,
+      "grad_norm": 0.051628731191158295,
+      "learning_rate": 3e-06,
+      "loss": 0.0138,
+      "step": 855
+    },
+    {
+      "epoch": 0.028533333333333334,
+      "grad_norm": 0.08184687793254852,
+      "learning_rate": 3e-06,
+      "loss": 0.0139,
+      "step": 856
+    },
+    {
+      "completion_length": 246.625,
+      "epoch": 0.028566666666666667,
+      "grad_norm": 0.4994732141494751,
+      "learning_rate": 3e-06,
+      "loss": 0.1497,
+      "reward": 0.375,
+      "reward_std": 0.36435678601264954,
+      "rewards/correctness_reward_func_math": 0.375,
+      "step": 857,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.0286,
+      "grad_norm": 0.3222411274909973,
+      "learning_rate": 3e-06,
+      "loss": 0.1501,
+      "step": 858
+    },
+    {
+      "epoch": 0.028633333333333334,
+      "grad_norm": 0.29160332679748535,
+      "learning_rate": 3e-06,
+      "loss": 0.1502,
+      "step": 859
+    },
+    {
+      "epoch": 0.028666666666666667,
+      "grad_norm": 0.2954889237880707,
+      "learning_rate": 3e-06,
+      "loss": 0.1495,
+      "step": 860
+    },
+    {
+      "epoch": 0.0287,
+      "grad_norm": 0.3091564476490021,
+      "learning_rate": 3e-06,
+      "loss": 0.1485,
+      "step": 861
+    },
+    {
+      "epoch": 0.028733333333333333,
+      "grad_norm": 0.27093881368637085,
+      "learning_rate": 3e-06,
+      "loss": 0.1468,
+      "step": 862
+    },
+    {
+      "epoch": 0.028766666666666666,
+      "grad_norm": 0.24647128582000732,
+      "learning_rate": 3e-06,
+      "loss": 0.1454,
+      "step": 863
+    },
+    {
+      "epoch": 0.0288,
+      "grad_norm": 0.3137691617012024,
+      "learning_rate": 3e-06,
+      "loss": 0.1447,
+      "step": 864
+    },
+    {
+      "completion_length": 254.84375,
+      "epoch": 0.028833333333333332,
+      "grad_norm": 0.32444024085998535,
+      "learning_rate": 3e-06,
+      "loss": 0.2039,
+      "reward": 0.5,
+      "reward_std": 0.4472135901451111,
+      "rewards/correctness_reward_func_math": 0.5,
+      "step": 865,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.028866666666666665,
+      "grad_norm": 0.31766873598098755,
+      "learning_rate": 3e-06,
+      "loss": 0.2051,
+      "step": 866
+    },
+    {
+      "epoch": 0.0289,
+      "grad_norm": 0.32438626885414124,
+      "learning_rate": 3e-06,
+      "loss": 0.2019,
+      "step": 867
+    },
+    {
+      "epoch": 0.028933333333333332,
+      "grad_norm": 0.3003137409687042,
+      "learning_rate": 3e-06,
+      "loss": 0.2014,
+      "step": 868
+    },
+    {
+      "epoch": 0.02896666666666667,
+      "grad_norm": 0.29627397656440735,
+      "learning_rate": 3e-06,
+      "loss": 0.1995,
+      "step": 869
+    },
+    {
+      "epoch": 0.029,
+      "grad_norm": 0.2782343924045563,
+      "learning_rate": 3e-06,
+      "loss": 0.1993,
+      "step": 870
+    },
+    {
+      "epoch": 0.029033333333333335,
+      "grad_norm": 0.2617970108985901,
+      "learning_rate": 3e-06,
+      "loss": 0.198,
+      "step": 871
+    },
+    {
+      "epoch": 0.029066666666666668,
+      "grad_norm": 0.26356929540634155,
+      "learning_rate": 3e-06,
+      "loss": 0.1943,
+      "step": 872
+    },
+    {
+      "completion_length": 243.0625,
+      "epoch": 0.0291,
+      "grad_norm": 0.08470126986503601,
+      "learning_rate": 3e-06,
+      "loss": 0.038,
+      "reward": 0.03125,
+      "reward_std": 0.125,
+      "rewards/correctness_reward_func_math": 0.03125,
+      "step": 873,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.029133333333333334,
+      "grad_norm": 0.09277769178152084,
+      "learning_rate": 3e-06,
+      "loss": 0.0383,
+      "step": 874
+    },
+    {
+      "epoch": 0.029166666666666667,
+      "grad_norm": 0.09781992435455322,
+      "learning_rate": 3e-06,
+      "loss": 0.0382,
+      "step": 875
+    },
+    {
+      "epoch": 0.0292,
+      "grad_norm": 0.0689656138420105,
+      "learning_rate": 3e-06,
+      "loss": 0.0379,
+      "step": 876
+    },
+    {
+      "epoch": 0.029233333333333333,
+      "grad_norm": 0.08308801800012589,
+      "learning_rate": 3e-06,
+      "loss": 0.0381,
+      "step": 877
+    },
+    {
+      "epoch": 0.029266666666666667,
+      "grad_norm": 0.10251674801111221,
+      "learning_rate": 3e-06,
+      "loss": 0.0382,
+      "step": 878
+    },
+    {
+      "epoch": 0.0293,
+      "grad_norm": 0.08735918253660202,
+      "learning_rate": 3e-06,
+      "loss": 0.0374,
+      "step": 879
+    },
+    {
+      "epoch": 0.029333333333333333,
+      "grad_norm": 0.11333655565977097,
+      "learning_rate": 3e-06,
+      "loss": 0.037,
+      "step": 880
+    },
+    {
+      "completion_length": 218.4375,
+      "epoch": 0.029366666666666666,
+      "grad_norm": 2.5152249336242676,
+      "learning_rate": 3e-06,
+      "loss": 0.7456,
+      "reward": 0.15625,
+      "reward_std": 0.3723389506340027,
+      "rewards/correctness_reward_func_math": 0.15625,
+      "step": 881,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.0294,
+      "grad_norm": 2.576875686645508,
+      "learning_rate": 3e-06,
+      "loss": 0.7446,
+      "step": 882
+    },
+    {
+      "epoch": 0.029433333333333332,
+      "grad_norm": 2.4908974170684814,
+      "learning_rate": 3e-06,
+      "loss": 0.74,
+      "step": 883
+    },
+    {
+      "epoch": 0.029466666666666665,
+      "grad_norm": 2.507587432861328,
+      "learning_rate": 3e-06,
+      "loss": 0.7315,
+      "step": 884
+    },
+    {
+      "epoch": 0.0295,
+      "grad_norm": 2.2474420070648193,
+      "learning_rate": 3e-06,
+      "loss": 0.7235,
+      "step": 885
+    },
+    {
+      "epoch": 0.029533333333333335,
+      "grad_norm": 2.2731220722198486,
+      "learning_rate": 3e-06,
+      "loss": 0.7087,
+      "step": 886
+    },
+    {
+      "epoch": 0.029566666666666668,
+      "grad_norm": 2.208087682723999,
+      "learning_rate": 3e-06,
+      "loss": 0.7067,
+      "step": 887
+    },
+    {
+      "epoch": 0.0296,
+      "grad_norm": 2.19282865524292,
+      "learning_rate": 3e-06,
+      "loss": 0.7015,
+      "step": 888
+    },
+    {
+      "completion_length": 253.59375,
+      "epoch": 0.029633333333333334,
+      "grad_norm": 0.07223352044820786,
+      "learning_rate": 3e-06,
+      "loss": 0.0379,
+      "reward": 0.53125,
+      "reward_std": 0.125,
+      "rewards/correctness_reward_func_math": 0.53125,
+      "step": 889,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.029666666666666668,
+      "grad_norm": 0.0807349681854248,
+      "learning_rate": 3e-06,
+      "loss": 0.0372,
+      "step": 890
+    },
+    {
+      "epoch": 0.0297,
+      "grad_norm": 0.07354079186916351,
+      "learning_rate": 3e-06,
+      "loss": 0.0373,
+      "step": 891
+    },
+    {
+      "epoch": 0.029733333333333334,
+      "grad_norm": 0.06826967746019363,
+      "learning_rate": 3e-06,
+      "loss": 0.0372,
+      "step": 892
+    },
+    {
+      "epoch": 0.029766666666666667,
+      "grad_norm": 0.067253477871418,
+      "learning_rate": 3e-06,
+      "loss": 0.0366,
+      "step": 893
+    },
+    {
+      "epoch": 0.0298,
+      "grad_norm": 0.06586315482854843,
+      "learning_rate": 3e-06,
+      "loss": 0.0364,
+      "step": 894
+    },
+    {
+      "epoch": 0.029833333333333333,
+      "grad_norm": 0.05908999592065811,
+      "learning_rate": 3e-06,
+      "loss": 0.037,
+      "step": 895
+    },
+    {
+      "epoch": 0.029866666666666666,
+      "grad_norm": 0.058404114097356796,
+      "learning_rate": 3e-06,
+      "loss": 0.0364,
+      "step": 896
+    },
+    {
+      "completion_length": 128.125,
+      "epoch": 0.0299,
+      "grad_norm": 21.952566146850586,
+      "learning_rate": 3e-06,
+      "loss": 2.3435,
+      "reward": 0.46875,
+      "reward_std": 0.125,
+      "rewards/correctness_reward_func_math": 0.46875,
+      "step": 897,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.029933333333333333,
+      "grad_norm": 21.36253547668457,
+      "learning_rate": 3e-06,
+      "loss": 2.2875,
+      "step": 898
+    },
+    {
+      "epoch": 0.029966666666666666,
+      "grad_norm": 21.17510986328125,
+      "learning_rate": 3e-06,
+      "loss": 2.2443,
+      "step": 899
+    },
+    {
+      "epoch": 0.03,
+      "grad_norm": 20.22600555419922,
+      "learning_rate": 3e-06,
+      "loss": 2.1681,
+      "step": 900
+    },
+    {
+      "epoch": 0.030033333333333332,
+      "grad_norm": 19.358848571777344,
+      "learning_rate": 3e-06,
+      "loss": 2.0863,
+      "step": 901
+    },
+    {
+      "epoch": 0.030066666666666665,
+      "grad_norm": 18.21709632873535,
+      "learning_rate": 3e-06,
+      "loss": 1.9862,
+      "step": 902
+    },
+    {
+      "epoch": 0.0301,
+      "grad_norm": 17.28249740600586,
+      "learning_rate": 3e-06,
+      "loss": 1.9077,
+      "step": 903
+    },
+    {
+      "epoch": 0.030133333333333335,
+      "grad_norm": 16.246383666992188,
+      "learning_rate": 3e-06,
+      "loss": 1.8072,
+      "step": 904
+    },
+    {
+      "completion_length": 247.25,
+      "epoch": 0.030166666666666668,
+      "grad_norm": 0.11125402897596359,
+      "learning_rate": 3e-06,
+      "loss": 0.011,
+      "reward": 0.0,
+      "reward_std": 0.0,
+      "rewards/correctness_reward_func_math": 0.0,
+      "step": 905,
+      "zero_std_ratio": 1.0
+    },
+    {
+      "epoch": 0.0302,
+      "grad_norm": 0.10331876575946808,
+      "learning_rate": 3e-06,
+      "loss": 0.0109,
+      "step": 906
+    },
+    {
+      "epoch": 0.030233333333333334,
+      "grad_norm": 0.07556278258562088,
+      "learning_rate": 3e-06,
+      "loss": 0.0105,
+      "step": 907
+    },
+    {
+      "epoch": 0.030266666666666667,
+      "grad_norm": 0.049843136221170425,
+      "learning_rate": 3e-06,
+      "loss": 0.0103,
+      "step": 908
+    },
+    {
+      "epoch": 0.0303,
+      "grad_norm": 0.036547474563121796,
+      "learning_rate": 3e-06,
+      "loss": 0.0102,
+      "step": 909
+    },
+    {
+      "epoch": 0.030333333333333334,
+      "grad_norm": 0.03715581074357033,
+      "learning_rate": 3e-06,
+      "loss": 0.0101,
+      "step": 910
+    },
+    {
+      "epoch": 0.030366666666666667,
+      "grad_norm": 0.04080696403980255,
+      "learning_rate": 3e-06,
+      "loss": 0.0101,
+      "step": 911
+    },
+    {
+      "epoch": 0.0304,
+      "grad_norm": 0.04690460488200188,
+      "learning_rate": 3e-06,
+      "loss": 0.0101,
+      "step": 912
+    },
+    {
+      "completion_length": 253.03125,
+      "epoch": 0.030433333333333333,
+      "grad_norm": 0.18849335610866547,
+      "learning_rate": 3e-06,
+      "loss": 0.1154,
+      "reward": 0.5625,
+      "reward_std": 0.3265564441680908,
+      "rewards/correctness_reward_func_math": 0.5625,
+      "step": 913,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.030466666666666666,
+      "grad_norm": 0.1918591409921646,
+      "learning_rate": 3e-06,
+      "loss": 0.1158,
+      "step": 914
+    },
+    {
+      "epoch": 0.0305,
+      "grad_norm": 0.18599672615528107,
+      "learning_rate": 3e-06,
+      "loss": 0.1164,
+      "step": 915
+    },
+    {
+      "epoch": 0.030533333333333332,
+      "grad_norm": 0.17836067080497742,
+      "learning_rate": 3e-06,
+      "loss": 0.1139,
+      "step": 916
+    },
+    {
+      "epoch": 0.030566666666666666,
+      "grad_norm": 0.19149254262447357,
+      "learning_rate": 3e-06,
+      "loss": 0.1132,
+      "step": 917
+    },
+    {
+      "epoch": 0.0306,
+      "grad_norm": 0.2216927409172058,
+      "learning_rate": 3e-06,
+      "loss": 0.1121,
+      "step": 918
+    },
+    {
+      "epoch": 0.030633333333333332,
+      "grad_norm": 0.2193494439125061,
+      "learning_rate": 3e-06,
+      "loss": 0.1121,
+      "step": 919
+    },
+    {
+      "epoch": 0.030666666666666665,
+      "grad_norm": 0.15185581147670746,
+      "learning_rate": 3e-06,
+      "loss": 0.1106,
+      "step": 920
+    },
+    {
+      "completion_length": 255.53125,
+      "epoch": 0.0307,
+      "grad_norm": 0.4129735827445984,
+      "learning_rate": 3e-06,
+      "loss": 0.1883,
+      "reward": 0.75,
+      "reward_std": 0.42078250646591187,
+      "rewards/correctness_reward_func_math": 0.75,
+      "step": 921,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.030733333333333335,
+      "grad_norm": 0.39084768295288086,
+      "learning_rate": 3e-06,
+      "loss": 0.185,
+      "step": 922
+    },
+    {
+      "epoch": 0.030766666666666668,
+      "grad_norm": 0.36958104372024536,
+      "learning_rate": 3e-06,
+      "loss": 0.1835,
+      "step": 923
+    },
+    {
+      "epoch": 0.0308,
+      "grad_norm": 0.37202778458595276,
+      "learning_rate": 3e-06,
+      "loss": 0.1824,
+      "step": 924
+    },
+    {
+      "epoch": 0.030833333333333334,
+      "grad_norm": 0.34371259808540344,
+      "learning_rate": 3e-06,
+      "loss": 0.181,
+      "step": 925
+    },
+    {
+      "epoch": 0.030866666666666667,
+      "grad_norm": 0.30380067229270935,
+      "learning_rate": 3e-06,
+      "loss": 0.1771,
+      "step": 926
+    },
+    {
+      "epoch": 0.0309,
+      "grad_norm": 0.25776323676109314,
+      "learning_rate": 3e-06,
+      "loss": 0.1743,
+      "step": 927
+    },
+    {
+      "epoch": 0.030933333333333334,
+      "grad_norm": 0.2443040907382965,
+      "learning_rate": 3e-06,
+      "loss": 0.1725,
+      "step": 928
+    },
+    {
+      "completion_length": 233.3125,
+      "epoch": 0.030966666666666667,
+      "grad_norm": 0.15135619044303894,
+      "learning_rate": 3e-06,
+      "loss": 0.0165,
+      "reward": 0.0,
+      "reward_std": 0.0,
+      "rewards/correctness_reward_func_math": 0.0,
+      "step": 929,
+      "zero_std_ratio": 1.0
+    },
+    {
+      "epoch": 0.031,
+      "grad_norm": 0.12982214987277985,
+      "learning_rate": 3e-06,
+      "loss": 0.0164,
+      "step": 930
+    },
+    {
+      "epoch": 0.031033333333333333,
+      "grad_norm": 0.10461676865816116,
+      "learning_rate": 3e-06,
+      "loss": 0.0161,
+      "step": 931
+    },
+    {
+      "epoch": 0.031066666666666666,
+      "grad_norm": 0.09519170969724655,
+      "learning_rate": 3e-06,
+      "loss": 0.016,
+      "step": 932
+    },
+    {
+      "epoch": 0.0311,
+      "grad_norm": 0.06658390909433365,
+      "learning_rate": 3e-06,
+      "loss": 0.0156,
+      "step": 933
+    },
+    {
+      "epoch": 0.031133333333333332,
+      "grad_norm": 0.06314490735530853,
+      "learning_rate": 3e-06,
+      "loss": 0.0154,
+      "step": 934
+    },
+    {
+      "epoch": 0.031166666666666665,
+      "grad_norm": 0.0762525424361229,
+      "learning_rate": 3e-06,
+      "loss": 0.0155,
+      "step": 935
+    },
+    {
+      "epoch": 0.0312,
+      "grad_norm": 0.05378495156764984,
+      "learning_rate": 3e-06,
+      "loss": 0.0151,
+      "step": 936
+    },
+    {
+      "completion_length": 250.59375,
+      "epoch": 0.03123333333333333,
+      "grad_norm": 0.17529116570949554,
+      "learning_rate": 3e-06,
+      "loss": 0.1157,
+      "reward": 0.34375,
+      "reward_std": 0.23935678601264954,
+      "rewards/correctness_reward_func_math": 0.34375,
+      "step": 937,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.031266666666666665,
+      "grad_norm": 0.1782500296831131,
+      "learning_rate": 3e-06,
+      "loss": 0.1158,
+      "step": 938
+    },
+    {
+      "epoch": 0.0313,
+      "grad_norm": 0.16718171536922455,
+      "learning_rate": 3e-06,
+      "loss": 0.1145,
+      "step": 939
+    },
+    {
+      "epoch": 0.03133333333333333,
+      "grad_norm": 0.15703602135181427,
+      "learning_rate": 3e-06,
+      "loss": 0.1142,
+      "step": 940
+    },
+    {
+      "epoch": 0.03136666666666667,
+      "grad_norm": 0.15732254087924957,
+      "learning_rate": 3e-06,
+      "loss": 0.1138,
+      "step": 941
+    },
+    {
+      "epoch": 0.0314,
+      "grad_norm": 0.1318134069442749,
+      "learning_rate": 3e-06,
+      "loss": 0.1122,
+      "step": 942
+    },
+    {
+      "epoch": 0.031433333333333334,
+      "grad_norm": 0.14116458594799042,
+      "learning_rate": 3e-06,
+      "loss": 0.1117,
+      "step": 943
+    },
+    {
+      "epoch": 0.031466666666666664,
+      "grad_norm": 0.12743791937828064,
+      "learning_rate": 3e-06,
+      "loss": 0.1103,
+      "step": 944
+    },
+    {
+      "completion_length": 183.03125,
+      "epoch": 0.0315,
+      "grad_norm": 1.9519177675247192,
+      "learning_rate": 3e-06,
+      "loss": 0.2803,
+      "reward": 0.03125,
+      "reward_std": 0.125,
+      "rewards/correctness_reward_func_math": 0.03125,
+      "step": 945,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.03153333333333333,
+      "grad_norm": 2.245788097381592,
+      "learning_rate": 3e-06,
+      "loss": 0.2895,
+      "step": 946
+    },
+    {
+      "epoch": 0.031566666666666666,
+      "grad_norm": 1.5359492301940918,
+      "learning_rate": 3e-06,
+      "loss": 0.2756,
+      "step": 947
+    },
+    {
+      "epoch": 0.0316,
+      "grad_norm": 1.710587501525879,
+      "learning_rate": 3e-06,
+      "loss": 0.2701,
+      "step": 948
+    },
+    {
+      "epoch": 0.03163333333333333,
+      "grad_norm": 1.74666428565979,
+      "learning_rate": 3e-06,
+      "loss": 0.2687,
+      "step": 949
+    },
+    {
+      "epoch": 0.03166666666666667,
+      "grad_norm": 1.572556495666504,
+      "learning_rate": 3e-06,
+      "loss": 0.2617,
+      "step": 950
+    },
+    {
+      "epoch": 0.0317,
+      "grad_norm": 1.3949527740478516,
+      "learning_rate": 3e-06,
+      "loss": 0.255,
+      "step": 951
+    },
+    {
+      "epoch": 0.031733333333333336,
+      "grad_norm": 1.3180463314056396,
+      "learning_rate": 3e-06,
+      "loss": 0.2517,
+      "step": 952
+    },
+    {
+      "completion_length": 247.46875,
+      "epoch": 0.031766666666666665,
+      "grad_norm": 0.10195865482091904,
+      "learning_rate": 3e-06,
+      "loss": 0.0393,
+      "reward": 0.03125,
+      "reward_std": 0.125,
+      "rewards/correctness_reward_func_math": 0.03125,
+      "step": 953,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.0318,
+      "grad_norm": 0.09276338666677475,
+      "learning_rate": 3e-06,
+      "loss": 0.0395,
+      "step": 954
+    },
+    {
+      "epoch": 0.03183333333333333,
+      "grad_norm": 0.07619660347700119,
+      "learning_rate": 3e-06,
+      "loss": 0.0392,
+      "step": 955
+    },
+    {
+      "epoch": 0.03186666666666667,
+      "grad_norm": 0.06481079012155533,
+      "learning_rate": 3e-06,
+      "loss": 0.0385,
+      "step": 956
+    },
+    {
+      "epoch": 0.0319,
+      "grad_norm": 0.06405751407146454,
+      "learning_rate": 3e-06,
+      "loss": 0.0381,
+      "step": 957
+    },
+    {
+      "epoch": 0.031933333333333334,
+      "grad_norm": 0.06054898723959923,
+      "learning_rate": 3e-06,
+      "loss": 0.0378,
+      "step": 958
+    },
+    {
+      "epoch": 0.031966666666666664,
+      "grad_norm": 0.0873836949467659,
+      "learning_rate": 3e-06,
+      "loss": 0.0379,
+      "step": 959
+    },
+    {
+      "epoch": 0.032,
+      "grad_norm": 0.0667489692568779,
+      "learning_rate": 3e-06,
+      "loss": 0.0368,
+      "step": 960
+    },
+    {
+      "completion_length": 230.46875,
+      "epoch": 0.03203333333333333,
+      "grad_norm": 0.15566089749336243,
+      "learning_rate": 3e-06,
+      "loss": 0.0851,
+      "reward": 0.90625,
+      "reward_std": 0.20155644416809082,
+      "rewards/correctness_reward_func_math": 0.90625,
+      "step": 961,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.03206666666666667,
+      "grad_norm": 0.2701675593852997,
+      "learning_rate": 3e-06,
+      "loss": 0.0851,
+      "step": 962
+    },
+    {
+      "epoch": 0.0321,
+      "grad_norm": 0.1515188366174698,
+      "learning_rate": 3e-06,
+      "loss": 0.0846,
+      "step": 963
+    },
+    {
+      "epoch": 0.03213333333333333,
+      "grad_norm": 0.14782550930976868,
+      "learning_rate": 3e-06,
+      "loss": 0.0848,
+      "step": 964
+    },
+    {
+      "epoch": 0.03216666666666667,
+      "grad_norm": 0.1399134248495102,
+      "learning_rate": 3e-06,
+      "loss": 0.0839,
+      "step": 965
+    },
+    {
+      "epoch": 0.0322,
+      "grad_norm": 0.13435325026512146,
+      "learning_rate": 3e-06,
+      "loss": 0.0821,
+      "step": 966
+    },
+    {
+      "epoch": 0.032233333333333336,
+      "grad_norm": 0.1312652975320816,
+      "learning_rate": 3e-06,
+      "loss": 0.0821,
+      "step": 967
+    },
+    {
+      "epoch": 0.032266666666666666,
+      "grad_norm": 0.12022103369235992,
+      "learning_rate": 3e-06,
+      "loss": 0.081,
+      "step": 968
+    },
+    {
+      "completion_length": 248.90625,
+      "epoch": 0.0323,
+      "grad_norm": 0.4809502363204956,
+      "learning_rate": 3e-06,
+      "loss": 0.2389,
+      "reward": 0.3125,
+      "reward_std": 0.4787135720252991,
+      "rewards/correctness_reward_func_math": 0.3125,
+      "step": 969,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.03233333333333333,
+      "grad_norm": 0.5163947343826294,
+      "learning_rate": 3e-06,
+      "loss": 0.2375,
+      "step": 970
+    },
+    {
+      "epoch": 0.03236666666666667,
+      "grad_norm": 0.37964582443237305,
+      "learning_rate": 3e-06,
+      "loss": 0.2368,
+      "step": 971
+    },
+    {
+      "epoch": 0.0324,
+      "grad_norm": 0.36279717087745667,
+      "learning_rate": 3e-06,
+      "loss": 0.2364,
+      "step": 972
+    },
+    {
+      "epoch": 0.032433333333333335,
+      "grad_norm": 0.387662410736084,
+      "learning_rate": 3e-06,
+      "loss": 0.2346,
+      "step": 973
+    },
+    {
+      "epoch": 0.032466666666666665,
+      "grad_norm": 0.31319835782051086,
+      "learning_rate": 3e-06,
+      "loss": 0.2304,
+      "step": 974
+    },
+    {
+      "epoch": 0.0325,
+      "grad_norm": 0.31895172595977783,
+      "learning_rate": 3e-06,
+      "loss": 0.2299,
+      "step": 975
+    },
+    {
+      "epoch": 0.03253333333333333,
+      "grad_norm": 0.29657474160194397,
+      "learning_rate": 3e-06,
+      "loss": 0.2288,
+      "step": 976
+    },
+    {
+      "completion_length": 254.84375,
+      "epoch": 0.03256666666666667,
+      "grad_norm": 0.10478316247463226,
+      "learning_rate": 3e-06,
+      "loss": 0.0364,
+      "reward": 0.03125,
+      "reward_std": 0.125,
+      "rewards/correctness_reward_func_math": 0.03125,
+      "step": 977,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.0326,
+      "grad_norm": 0.104634590446949,
+      "learning_rate": 3e-06,
+      "loss": 0.0363,
+      "step": 978
+    },
+    {
+      "epoch": 0.032633333333333334,
+      "grad_norm": 0.09649943560361862,
+      "learning_rate": 3e-06,
+      "loss": 0.0358,
+      "step": 979
+    },
+    {
+      "epoch": 0.03266666666666666,
+      "grad_norm": 0.08238526433706284,
+      "learning_rate": 3e-06,
+      "loss": 0.0354,
+      "step": 980
+    },
+    {
+      "epoch": 0.0327,
+      "grad_norm": 0.08271540701389313,
+      "learning_rate": 3e-06,
+      "loss": 0.0347,
+      "step": 981
+    },
+    {
+      "epoch": 0.032733333333333337,
+      "grad_norm": 0.0727728009223938,
+      "learning_rate": 3e-06,
+      "loss": 0.0348,
+      "step": 982
+    },
+    {
+      "epoch": 0.032766666666666666,
+      "grad_norm": 0.06432349234819412,
+      "learning_rate": 3e-06,
+      "loss": 0.0347,
+      "step": 983
+    },
+    {
+      "epoch": 0.0328,
+      "grad_norm": 0.06484989076852798,
+      "learning_rate": 3e-06,
+      "loss": 0.0343,
+      "step": 984
+    },
+    {
+      "completion_length": 250.25,
+      "epoch": 0.03283333333333333,
+      "grad_norm": 0.17470334470272064,
+      "learning_rate": 3e-06,
+      "loss": 0.0819,
+      "reward": 0.90625,
+      "reward_std": 0.20155644416809082,
+      "rewards/correctness_reward_func_math": 0.90625,
+      "step": 985,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.03286666666666667,
+      "grad_norm": 0.35445547103881836,
+      "learning_rate": 3e-06,
+      "loss": 0.0846,
+      "step": 986
+    },
+    {
+      "epoch": 0.0329,
+      "grad_norm": 0.1545129120349884,
+      "learning_rate": 3e-06,
+      "loss": 0.0815,
+      "step": 987
+    },
+    {
+      "epoch": 0.032933333333333335,
+      "grad_norm": 0.1716327667236328,
+      "learning_rate": 3e-06,
+      "loss": 0.0817,
+      "step": 988
+    },
+    {
+      "epoch": 0.032966666666666665,
+      "grad_norm": 0.16181465983390808,
+      "learning_rate": 3e-06,
+      "loss": 0.0803,
+      "step": 989
+    },
+    {
+      "epoch": 0.033,
+      "grad_norm": 0.14644548296928406,
+      "learning_rate": 3e-06,
+      "loss": 0.0804,
+      "step": 990
+    },
+    {
+      "epoch": 0.03303333333333333,
+      "grad_norm": 0.15587134659290314,
+      "learning_rate": 3e-06,
+      "loss": 0.0783,
+      "step": 991
+    },
+    {
+      "epoch": 0.03306666666666667,
+      "grad_norm": 0.15565869212150574,
+      "learning_rate": 3e-06,
+      "loss": 0.0765,
+      "step": 992
+    },
+    {
+      "completion_length": 255.09375,
+      "epoch": 0.0331,
+      "grad_norm": 0.06323772668838501,
+      "learning_rate": 3e-06,
+      "loss": 0.0054,
+      "reward": 0.0,
+      "reward_std": 0.0,
+      "rewards/correctness_reward_func_math": 0.0,
+      "step": 993,
+      "zero_std_ratio": 1.0
+    },
+    {
+      "epoch": 0.033133333333333334,
+      "grad_norm": 0.05310962349176407,
+      "learning_rate": 3e-06,
+      "loss": 0.0054,
+      "step": 994
+    },
+    {
+      "epoch": 0.033166666666666664,
+      "grad_norm": 0.05140407010912895,
+      "learning_rate": 3e-06,
+      "loss": 0.0052,
+      "step": 995
+    },
+    {
+      "epoch": 0.0332,
+      "grad_norm": 0.03666391968727112,
+      "learning_rate": 3e-06,
+      "loss": 0.0051,
+      "step": 996
+    },
+    {
+      "epoch": 0.03323333333333333,
+      "grad_norm": 0.03174639493227005,
+      "learning_rate": 3e-06,
+      "loss": 0.005,
+      "step": 997
+    },
+    {
+      "epoch": 0.03326666666666667,
+      "grad_norm": 0.024189170449972153,
+      "learning_rate": 3e-06,
+      "loss": 0.005,
+      "step": 998
+    },
+    {
+      "epoch": 0.0333,
+      "grad_norm": 0.0224724430590868,
+      "learning_rate": 3e-06,
+      "loss": 0.005,
+      "step": 999
+    },
+    {
+      "epoch": 0.03333333333333333,
+      "grad_norm": 0.01928894966840744,
+      "learning_rate": 3e-06,
+      "loss": 0.0049,
+      "step": 1000
+    },
+    {
+      "completion_length": 245.96875,
+      "epoch": 0.03336666666666667,
+      "grad_norm": 0.1300058513879776,
+      "learning_rate": 3e-06,
+      "loss": 0.0719,
+      "reward": 0.0625,
+      "reward_std": 0.17078250646591187,
+      "rewards/correctness_reward_func_math": 0.0625,
+      "step": 1001,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.0334,
+      "grad_norm": 0.13645794987678528,
+      "learning_rate": 3e-06,
+      "loss": 0.0712,
+      "step": 1002
+    },
+    {
+      "epoch": 0.033433333333333336,
+      "grad_norm": 0.13123734295368195,
+      "learning_rate": 3e-06,
+      "loss": 0.0706,
+      "step": 1003
+    },
+    {
+      "epoch": 0.033466666666666665,
+      "grad_norm": 0.12015818804502487,
+      "learning_rate": 3e-06,
+      "loss": 0.068,
+      "step": 1004
+    },
+    {
+      "epoch": 0.0335,
+      "grad_norm": 0.14607129991054535,
+      "learning_rate": 3e-06,
+      "loss": 0.0695,
+      "step": 1005
+    },
+    {
+      "epoch": 0.03353333333333333,
+      "grad_norm": 0.08656314760446548,
+      "learning_rate": 3e-06,
+      "loss": 0.0687,
+      "step": 1006
+    },
+    {
+      "epoch": 0.03356666666666667,
+      "grad_norm": 0.07611936330795288,
+      "learning_rate": 3e-06,
+      "loss": 0.0681,
+      "step": 1007
+    },
+    {
+      "epoch": 0.0336,
+      "grad_norm": 0.12742027640342712,
+      "learning_rate": 3e-06,
+      "loss": 0.0687,
+      "step": 1008
+    },
+    {
+      "completion_length": 249.375,
+      "epoch": 0.033633333333333335,
+      "grad_norm": 0.3027721345424652,
+      "learning_rate": 3e-06,
+      "loss": 0.1365,
+      "reward": 0.21875,
+      "reward_std": 0.2561737596988678,
+      "rewards/correctness_reward_func_math": 0.21875,
+      "step": 1009,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.033666666666666664,
+      "grad_norm": 0.27824389934539795,
+      "learning_rate": 3e-06,
+      "loss": 0.138,
+      "step": 1010
+    },
+    {
+      "epoch": 0.0337,
+      "grad_norm": 0.26802554726600647,
+      "learning_rate": 3e-06,
+      "loss": 0.1367,
+      "step": 1011
+    },
+    {
+      "epoch": 0.03373333333333333,
+      "grad_norm": 0.2650611102581024,
+      "learning_rate": 3e-06,
+      "loss": 0.1347,
+      "step": 1012
+    },
+    {
+      "epoch": 0.03376666666666667,
+      "grad_norm": 0.27685195207595825,
+      "learning_rate": 3e-06,
+      "loss": 0.1339,
+      "step": 1013
+    },
+    {
+      "epoch": 0.0338,
+      "grad_norm": 0.2419142872095108,
+      "learning_rate": 3e-06,
+      "loss": 0.1317,
+      "step": 1014
+    },
+    {
+      "epoch": 0.03383333333333333,
+      "grad_norm": 0.20290249586105347,
+      "learning_rate": 3e-06,
+      "loss": 0.1308,
+      "step": 1015
+    },
+    {
+      "epoch": 0.03386666666666667,
+      "grad_norm": 0.23457594215869904,
+      "learning_rate": 3e-06,
+      "loss": 0.1288,
+      "step": 1016
+    },
+    {
+      "completion_length": 255.25,
+      "epoch": 0.0339,
+      "grad_norm": 0.20145626366138458,
+      "learning_rate": 3e-06,
+      "loss": 0.1486,
+      "reward": 0.625,
+      "reward_std": 0.36435678601264954,
+      "rewards/correctness_reward_func_math": 0.625,
+      "step": 1017,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.033933333333333336,
+      "grad_norm": 0.21847817301750183,
+      "learning_rate": 3e-06,
+      "loss": 0.1485,
+      "step": 1018
+    },
+    {
+      "epoch": 0.033966666666666666,
+      "grad_norm": 0.18349294364452362,
+      "learning_rate": 3e-06,
+      "loss": 0.149,
+      "step": 1019
+    },
+    {
+      "epoch": 0.034,
+      "grad_norm": 0.17740820348262787,
+      "learning_rate": 3e-06,
+      "loss": 0.1476,
+      "step": 1020
+    },
+    {
+      "epoch": 0.03403333333333333,
+      "grad_norm": 0.16408662497997284,
+      "learning_rate": 3e-06,
+      "loss": 0.1449,
+      "step": 1021
+    },
+    {
+      "epoch": 0.03406666666666667,
+      "grad_norm": 0.14820440113544464,
+      "learning_rate": 3e-06,
+      "loss": 0.1457,
+      "step": 1022
+    },
+    {
+      "epoch": 0.0341,
+      "grad_norm": 0.16253526508808136,
+      "learning_rate": 3e-06,
+      "loss": 0.1442,
+      "step": 1023
+    },
+    {
+      "epoch": 0.034133333333333335,
+      "grad_norm": 0.1433018445968628,
+      "learning_rate": 3e-06,
+      "loss": 0.1457,
+      "step": 1024
+    },
+    {
+      "completion_length": 251.71875,
+      "epoch": 0.034166666666666665,
+      "grad_norm": 0.10680565237998962,
+      "learning_rate": 3e-06,
+      "loss": 0.0351,
+      "reward": 0.03125,
+      "reward_std": 0.125,
+      "rewards/correctness_reward_func_math": 0.03125,
+      "step": 1025,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.0342,
+      "grad_norm": 0.08578264713287354,
+      "learning_rate": 3e-06,
+      "loss": 0.0351,
+      "step": 1026
+    },
+    {
+      "epoch": 0.03423333333333333,
+      "grad_norm": 0.08467423915863037,
+      "learning_rate": 3e-06,
+      "loss": 0.0348,
+      "step": 1027
+    },
+    {
+      "epoch": 0.03426666666666667,
+      "grad_norm": 0.07423865795135498,
+      "learning_rate": 3e-06,
+      "loss": 0.0345,
+      "step": 1028
+    },
+    {
+      "epoch": 0.0343,
+      "grad_norm": 0.08462617546319962,
+      "learning_rate": 3e-06,
+      "loss": 0.0339,
+      "step": 1029
+    },
+    {
+      "epoch": 0.034333333333333334,
+      "grad_norm": 0.0944114699959755,
+      "learning_rate": 3e-06,
+      "loss": 0.0329,
+      "step": 1030
+    },
+    {
+      "epoch": 0.03436666666666666,
+      "grad_norm": 0.08845286816358566,
+      "learning_rate": 3e-06,
+      "loss": 0.0331,
+      "step": 1031
+    },
+    {
+      "epoch": 0.0344,
+      "grad_norm": 0.08899787813425064,
+      "learning_rate": 3e-06,
+      "loss": 0.032,
+      "step": 1032
+    },
+    {
+      "completion_length": 238.78125,
+      "epoch": 0.03443333333333334,
+      "grad_norm": 0.15678392350673676,
+      "learning_rate": 3e-06,
+      "loss": 0.1062,
+      "reward": 0.375,
+      "reward_std": 0.22360679507255554,
+      "rewards/correctness_reward_func_math": 0.375,
+      "step": 1033,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.034466666666666666,
+      "grad_norm": 0.14116446673870087,
+      "learning_rate": 3e-06,
+      "loss": 0.1056,
+      "step": 1034
+    },
+    {
+      "epoch": 0.0345,
+      "grad_norm": 0.1361791044473648,
+      "learning_rate": 3e-06,
+      "loss": 0.1041,
+      "step": 1035
+    },
+    {
+      "epoch": 0.03453333333333333,
+      "grad_norm": 0.15958596765995026,
+      "learning_rate": 3e-06,
+      "loss": 0.1039,
+      "step": 1036
+    },
+    {
+      "epoch": 0.03456666666666667,
+      "grad_norm": 0.1506490707397461,
+      "learning_rate": 3e-06,
+      "loss": 0.1035,
+      "step": 1037
+    },
+    {
+      "epoch": 0.0346,
+      "grad_norm": 0.14494788646697998,
+      "learning_rate": 3e-06,
+      "loss": 0.1035,
+      "step": 1038
+    },
+    {
+      "epoch": 0.034633333333333335,
+      "grad_norm": 0.14232201874256134,
+      "learning_rate": 3e-06,
+      "loss": 0.1016,
+      "step": 1039
+    },
+    {
+      "epoch": 0.034666666666666665,
+      "grad_norm": 0.1374843716621399,
+      "learning_rate": 3e-06,
+      "loss": 0.0998,
+      "step": 1040
+    },
+    {
+      "completion_length": 254.5,
+      "epoch": 0.0347,
+      "grad_norm": 0.5466945171356201,
+      "learning_rate": 3e-06,
+      "loss": 0.1693,
+      "reward": 0.8125,
+      "reward_std": 0.40311288833618164,
+      "rewards/correctness_reward_func_math": 0.8125,
+      "step": 1041,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.03473333333333333,
+      "grad_norm": 0.4727940261363983,
+      "learning_rate": 3e-06,
+      "loss": 0.1681,
+      "step": 1042
+    },
+    {
+      "epoch": 0.03476666666666667,
+      "grad_norm": 0.46374690532684326,
+      "learning_rate": 3e-06,
+      "loss": 0.1662,
+      "step": 1043
+    },
+    {
+      "epoch": 0.0348,
+      "grad_norm": 0.4748273491859436,
+      "learning_rate": 3e-06,
+      "loss": 0.1647,
+      "step": 1044
+    },
+    {
+      "epoch": 0.034833333333333334,
+      "grad_norm": 0.4575069844722748,
+      "learning_rate": 3e-06,
+      "loss": 0.1629,
+      "step": 1045
+    },
+    {
+      "epoch": 0.034866666666666664,
+      "grad_norm": 0.42330142855644226,
+      "learning_rate": 3e-06,
+      "loss": 0.16,
+      "step": 1046
+    },
+    {
+      "epoch": 0.0349,
+      "grad_norm": 0.394876629114151,
+      "learning_rate": 3e-06,
+      "loss": 0.1574,
+      "step": 1047
+    },
+    {
+      "epoch": 0.03493333333333333,
+      "grad_norm": 0.35237663984298706,
+      "learning_rate": 3e-06,
+      "loss": 0.1543,
+      "step": 1048
+    },
+    {
+      "completion_length": 251.6875,
+      "epoch": 0.03496666666666667,
+      "grad_norm": 0.18571512401103973,
+      "learning_rate": 3e-06,
+      "loss": 0.1384,
+      "reward": 0.40625,
+      "reward_std": 0.34860679507255554,
+      "rewards/correctness_reward_func_math": 0.40625,
+      "step": 1049,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.035,
+      "grad_norm": 0.17443479597568512,
+      "learning_rate": 3e-06,
+      "loss": 0.1366,
+      "step": 1050
+    },
+    {
+      "epoch": 0.03503333333333333,
+      "grad_norm": 0.16585789620876312,
+      "learning_rate": 3e-06,
+      "loss": 0.1371,
+      "step": 1051
+    },
+    {
+      "epoch": 0.03506666666666667,
+      "grad_norm": 0.16354313492774963,
+      "learning_rate": 3e-06,
+      "loss": 0.1374,
+      "step": 1052
+    },
+    {
+      "epoch": 0.0351,
+      "grad_norm": 0.1693667769432068,
+      "learning_rate": 3e-06,
+      "loss": 0.1355,
+      "step": 1053
+    },
+    {
+      "epoch": 0.035133333333333336,
+      "grad_norm": 0.15366947650909424,
+      "learning_rate": 3e-06,
+      "loss": 0.1336,
+      "step": 1054
+    },
+    {
+      "epoch": 0.035166666666666666,
+      "grad_norm": 0.14895740151405334,
+      "learning_rate": 3e-06,
+      "loss": 0.1328,
+      "step": 1055
+    },
+    {
+      "epoch": 0.0352,
+      "grad_norm": 0.1341189295053482,
+      "learning_rate": 3e-06,
+      "loss": 0.1318,
+      "step": 1056
+    },
+    {
+      "completion_length": 241.5625,
+      "epoch": 0.03523333333333333,
+      "grad_norm": 0.4317583739757538,
+      "learning_rate": 3e-06,
+      "loss": 0.1063,
+      "reward": 0.125,
+      "reward_std": 0.22360679507255554,
+      "rewards/correctness_reward_func_math": 0.125,
+      "step": 1057,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.03526666666666667,
+      "grad_norm": 0.45221447944641113,
+      "learning_rate": 3e-06,
+      "loss": 0.105,
+      "step": 1058
+    },
+    {
+      "epoch": 0.0353,
+      "grad_norm": 0.4438345432281494,
+      "learning_rate": 3e-06,
+      "loss": 0.1014,
+      "step": 1059
+    },
+    {
+      "epoch": 0.035333333333333335,
+      "grad_norm": 0.45792561769485474,
+      "learning_rate": 3e-06,
+      "loss": 0.0984,
+      "step": 1060
+    },
+    {
+      "epoch": 0.035366666666666664,
+      "grad_norm": 0.447086364030838,
+      "learning_rate": 3e-06,
+      "loss": 0.0973,
+      "step": 1061
+    },
+    {
+      "epoch": 0.0354,
+      "grad_norm": 0.6408032178878784,
+      "learning_rate": 3e-06,
+      "loss": 0.0966,
+      "step": 1062
+    },
+    {
+      "epoch": 0.03543333333333333,
+      "grad_norm": 0.40243759751319885,
+      "learning_rate": 3e-06,
+      "loss": 0.0937,
+      "step": 1063
+    },
+    {
+      "epoch": 0.03546666666666667,
+      "grad_norm": 0.5021228790283203,
+      "learning_rate": 3e-06,
+      "loss": 0.0914,
+      "step": 1064
+    },
+    {
+      "completion_length": 253.375,
+      "epoch": 0.0355,
+      "grad_norm": 0.27089691162109375,
+      "learning_rate": 3e-06,
+      "loss": 0.1631,
+      "reward": 0.78125,
+      "reward_std": 0.375,
+      "rewards/correctness_reward_func_math": 0.78125,
+      "step": 1065,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.03553333333333333,
+      "grad_norm": 0.24373586475849152,
+      "learning_rate": 3e-06,
+      "loss": 0.162,
+      "step": 1066
+    },
+    {
+      "epoch": 0.03556666666666667,
+      "grad_norm": 0.22820116579532623,
+      "learning_rate": 3e-06,
+      "loss": 0.1603,
+      "step": 1067
+    },
+    {
+      "epoch": 0.0356,
+      "grad_norm": 0.22224998474121094,
+      "learning_rate": 3e-06,
+      "loss": 0.1593,
+      "step": 1068
+    },
+    {
+      "epoch": 0.035633333333333336,
+      "grad_norm": 0.22970391809940338,
+      "learning_rate": 3e-06,
+      "loss": 0.1604,
+      "step": 1069
+    },
+    {
+      "epoch": 0.035666666666666666,
+      "grad_norm": 0.1953325867652893,
+      "learning_rate": 3e-06,
+      "loss": 0.1585,
+      "step": 1070
+    },
+    {
+      "epoch": 0.0357,
+      "grad_norm": 0.18729107081890106,
+      "learning_rate": 3e-06,
+      "loss": 0.1587,
+      "step": 1071
+    },
+    {
+      "epoch": 0.03573333333333333,
+      "grad_norm": 0.19014033675193787,
+      "learning_rate": 3e-06,
+      "loss": 0.1534,
+      "step": 1072
+    },
+    {
+      "completion_length": 220.3125,
+      "epoch": 0.03576666666666667,
+      "grad_norm": 0.988413393497467,
+      "learning_rate": 3e-06,
+      "loss": 0.1511,
+      "reward": 0.5,
+      "reward_std": 0.34156501293182373,
+      "rewards/correctness_reward_func_math": 0.5,
+      "step": 1073,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.0358,
+      "grad_norm": 2.1757404804229736,
+      "learning_rate": 3e-06,
+      "loss": 0.1569,
+      "step": 1074
+    },
+    {
+      "epoch": 0.035833333333333335,
+      "grad_norm": 1.2399039268493652,
+      "learning_rate": 3e-06,
+      "loss": 0.1538,
+      "step": 1075
+    },
+    {
+      "epoch": 0.035866666666666665,
+      "grad_norm": 0.6959274411201477,
+      "learning_rate": 3e-06,
+      "loss": 0.153,
+      "step": 1076
+    },
+    {
+      "epoch": 0.0359,
+      "grad_norm": 0.542428731918335,
+      "learning_rate": 3e-06,
+      "loss": 0.1462,
+      "step": 1077
+    },
+    {
+      "epoch": 0.03593333333333333,
+      "grad_norm": 1.1614465713500977,
+      "learning_rate": 3e-06,
+      "loss": 0.15,
+      "step": 1078
+    },
+    {
+      "epoch": 0.03596666666666667,
+      "grad_norm": 0.7393024563789368,
+      "learning_rate": 3e-06,
+      "loss": 0.1443,
+      "step": 1079
+    },
+    {
+      "epoch": 0.036,
+      "grad_norm": 0.9945587515830994,
+      "learning_rate": 3e-06,
+      "loss": 0.1432,
+      "step": 1080
+    },
+    {
+      "completion_length": 254.125,
+      "epoch": 0.036033333333333334,
+      "grad_norm": 0.2751837372779846,
+      "learning_rate": 3e-06,
+      "loss": 0.106,
+      "reward": 0.375,
+      "reward_std": 0.22360679507255554,
+      "rewards/correctness_reward_func_math": 0.375,
+      "step": 1081,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.036066666666666664,
+      "grad_norm": 0.19160528481006622,
+      "learning_rate": 3e-06,
+      "loss": 0.1063,
+      "step": 1082
+    },
+    {
+      "epoch": 0.0361,
+      "grad_norm": 0.21930015087127686,
+      "learning_rate": 3e-06,
+      "loss": 0.1075,
+      "step": 1083
+    },
+    {
+      "epoch": 0.03613333333333334,
+      "grad_norm": 0.19952435791492462,
+      "learning_rate": 3e-06,
+      "loss": 0.1054,
+      "step": 1084
+    },
+    {
+      "epoch": 0.036166666666666666,
+      "grad_norm": 0.21034124493598938,
+      "learning_rate": 3e-06,
+      "loss": 0.104,
+      "step": 1085
+    },
+    {
+      "epoch": 0.0362,
+      "grad_norm": 0.217341348528862,
+      "learning_rate": 3e-06,
+      "loss": 0.1044,
+      "step": 1086
+    },
+    {
+      "epoch": 0.03623333333333333,
+      "grad_norm": 0.20154766738414764,
+      "learning_rate": 3e-06,
+      "loss": 0.1045,
+      "step": 1087
+    },
+    {
+      "epoch": 0.03626666666666667,
+      "grad_norm": 0.17877817153930664,
+      "learning_rate": 3e-06,
+      "loss": 0.101,
+      "step": 1088
+    },
+    {
+      "completion_length": 192.6875,
+      "epoch": 0.0363,
+      "grad_norm": 6.845195770263672,
+      "learning_rate": 3e-06,
+      "loss": 1.2108,
+      "reward": 0.15625,
+      "reward_std": 0.23935678601264954,
+      "rewards/correctness_reward_func_math": 0.15625,
+      "step": 1089,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.036333333333333336,
+      "grad_norm": 6.897146224975586,
+      "learning_rate": 3e-06,
+      "loss": 1.2193,
+      "step": 1090
+    },
+    {
+      "epoch": 0.036366666666666665,
+      "grad_norm": 6.728276252746582,
+      "learning_rate": 3e-06,
+      "loss": 1.2005,
+      "step": 1091
+    },
+    {
+      "epoch": 0.0364,
+      "grad_norm": 6.475564479827881,
+      "learning_rate": 3e-06,
+      "loss": 1.1893,
+      "step": 1092
+    },
+    {
+      "epoch": 0.03643333333333333,
+      "grad_norm": 6.202358245849609,
+      "learning_rate": 3e-06,
+      "loss": 1.1557,
+      "step": 1093
+    },
+    {
+      "epoch": 0.03646666666666667,
+      "grad_norm": 5.867295265197754,
+      "learning_rate": 3e-06,
+      "loss": 1.1439,
+      "step": 1094
+    },
+    {
+      "epoch": 0.0365,
+      "grad_norm": 5.2547736167907715,
+      "learning_rate": 3e-06,
+      "loss": 1.1129,
+      "step": 1095
+    },
+    {
+      "epoch": 0.036533333333333334,
+      "grad_norm": 4.81318473815918,
+      "learning_rate": 3e-06,
+      "loss": 1.0675,
+      "step": 1096
+    },
+    {
+      "completion_length": 249.875,
+      "epoch": 0.036566666666666664,
+      "grad_norm": 0.2811627984046936,
+      "learning_rate": 3e-06,
+      "loss": 0.1117,
+      "reward": 0.125,
+      "reward_std": 0.22360679507255554,
+      "rewards/correctness_reward_func_math": 0.125,
+      "step": 1097,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.0366,
+      "grad_norm": 0.27520275115966797,
+      "learning_rate": 3e-06,
+      "loss": 0.1111,
+      "step": 1098
+    },
+    {
+      "epoch": 0.03663333333333333,
+      "grad_norm": 0.2788986563682556,
+      "learning_rate": 3e-06,
+      "loss": 0.1112,
+      "step": 1099
+    },
+    {
+      "epoch": 0.03666666666666667,
+      "grad_norm": 0.25667765736579895,
+      "learning_rate": 3e-06,
+      "loss": 0.1087,
+      "step": 1100
+    },
+    {
+      "epoch": 0.0367,
+      "grad_norm": 0.2332039773464203,
+      "learning_rate": 3e-06,
+      "loss": 0.1084,
+      "step": 1101
+    },
+    {
+      "epoch": 0.03673333333333333,
+      "grad_norm": 0.2040964961051941,
+      "learning_rate": 3e-06,
+      "loss": 0.1063,
+      "step": 1102
+    },
+    {
+      "epoch": 0.03676666666666667,
+      "grad_norm": 0.18265306949615479,
+      "learning_rate": 3e-06,
+      "loss": 0.1053,
+      "step": 1103
+    },
+    {
+      "epoch": 0.0368,
+      "grad_norm": 0.1694479137659073,
+      "learning_rate": 3e-06,
+      "loss": 0.1037,
+      "step": 1104
+    },
+    {
+      "completion_length": 242.15625,
+      "epoch": 0.036833333333333336,
+      "grad_norm": 0.09724559634923935,
+      "learning_rate": 3e-06,
+      "loss": 0.01,
+      "reward": 0.0,
+      "reward_std": 0.0,
+      "rewards/correctness_reward_func_math": 0.0,
+      "step": 1105,
+      "zero_std_ratio": 1.0
+    },
+    {
+      "epoch": 0.036866666666666666,
+      "grad_norm": 0.08962823450565338,
+      "learning_rate": 3e-06,
+      "loss": 0.0098,
+      "step": 1106
+    },
+    {
+      "epoch": 0.0369,
+      "grad_norm": 0.07348349690437317,
+      "learning_rate": 3e-06,
+      "loss": 0.0096,
+      "step": 1107
+    },
+    {
+      "epoch": 0.03693333333333333,
+      "grad_norm": 0.061543237417936325,
+      "learning_rate": 3e-06,
+      "loss": 0.0093,
+      "step": 1108
+    },
+    {
+      "epoch": 0.03696666666666667,
+      "grad_norm": 0.051598791033029556,
+      "learning_rate": 3e-06,
+      "loss": 0.0092,
+      "step": 1109
+    },
+    {
+      "epoch": 0.037,
+      "grad_norm": 0.03892870619893074,
+      "learning_rate": 3e-06,
+      "loss": 0.009,
+      "step": 1110
+    },
+    {
+      "epoch": 0.037033333333333335,
+      "grad_norm": 0.02800181321799755,
+      "learning_rate": 3e-06,
+      "loss": 0.009,
+      "step": 1111
+    },
+    {
+      "epoch": 0.037066666666666664,
+      "grad_norm": 0.03151165321469307,
+      "learning_rate": 3e-06,
+      "loss": 0.0089,
+      "step": 1112
+    },
+    {
+      "completion_length": 250.5,
+      "epoch": 0.0371,
+      "grad_norm": 0.09992168843746185,
+      "learning_rate": 3e-06,
+      "loss": 0.0379,
+      "reward": 0.03125,
+      "reward_std": 0.125,
+      "rewards/correctness_reward_func_math": 0.03125,
+      "step": 1113,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.03713333333333333,
+      "grad_norm": 0.0988185927271843,
+      "learning_rate": 3e-06,
+      "loss": 0.0375,
+      "step": 1114
+    },
+    {
+      "epoch": 0.03716666666666667,
+      "grad_norm": 0.08927521854639053,
+      "learning_rate": 3e-06,
+      "loss": 0.0378,
+      "step": 1115
+    },
+    {
+      "epoch": 0.0372,
+      "grad_norm": 0.08743361383676529,
+      "learning_rate": 3e-06,
+      "loss": 0.0377,
+      "step": 1116
+    },
+    {
+      "epoch": 0.037233333333333334,
+      "grad_norm": 0.08153776824474335,
+      "learning_rate": 3e-06,
+      "loss": 0.037,
+      "step": 1117
+    },
+    {
+      "epoch": 0.03726666666666666,
+      "grad_norm": 0.0721680298447609,
+      "learning_rate": 3e-06,
+      "loss": 0.0366,
+      "step": 1118
+    },
+    {
+      "epoch": 0.0373,
+      "grad_norm": 0.0869482010602951,
+      "learning_rate": 3e-06,
+      "loss": 0.0363,
+      "step": 1119
+    },
+    {
+      "epoch": 0.037333333333333336,
+      "grad_norm": 0.0678432360291481,
+      "learning_rate": 3e-06,
+      "loss": 0.0354,
+      "step": 1120
+    },
+    {
+      "completion_length": 246.9375,
+      "epoch": 0.037366666666666666,
+      "grad_norm": 0.21729013323783875,
+      "learning_rate": 3e-06,
+      "loss": 0.0419,
+      "reward": 0.46875,
+      "reward_std": 0.125,
+      "rewards/correctness_reward_func_math": 0.46875,
+      "step": 1121,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.0374,
+      "grad_norm": 0.1865081638097763,
+      "learning_rate": 3e-06,
+      "loss": 0.0433,
+      "step": 1122
+    },
+    {
+      "epoch": 0.03743333333333333,
+      "grad_norm": 0.1818612962961197,
+      "learning_rate": 3e-06,
+      "loss": 0.0425,
+      "step": 1123
+    },
+    {
+      "epoch": 0.03746666666666667,
+      "grad_norm": 0.13701914250850677,
+      "learning_rate": 3e-06,
+      "loss": 0.0424,
+      "step": 1124
+    },
+    {
+      "epoch": 0.0375,
+      "grad_norm": 0.2519417703151703,
+      "learning_rate": 3e-06,
+      "loss": 0.0414,
+      "step": 1125
+    },
+    {
+      "epoch": 0.037533333333333335,
+      "grad_norm": 0.12741561233997345,
+      "learning_rate": 3e-06,
+      "loss": 0.043,
+      "step": 1126
+    },
+    {
+      "epoch": 0.037566666666666665,
+      "grad_norm": 0.1042279452085495,
+      "learning_rate": 3e-06,
+      "loss": 0.0416,
+      "step": 1127
+    },
+    {
+      "epoch": 0.0376,
+      "grad_norm": 0.1377723515033722,
+      "learning_rate": 3e-06,
+      "loss": 0.0403,
+      "step": 1128
+    },
+    {
+      "completion_length": 248.15625,
+      "epoch": 0.03763333333333333,
+      "grad_norm": 0.13222867250442505,
+      "learning_rate": 3e-06,
+      "loss": 0.0374,
+      "reward": 0.03125,
+      "reward_std": 0.125,
+      "rewards/correctness_reward_func_math": 0.03125,
+      "step": 1129,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.03766666666666667,
+      "grad_norm": 0.12638776004314423,
+      "learning_rate": 3e-06,
+      "loss": 0.0376,
+      "step": 1130
+    },
+    {
+      "epoch": 0.0377,
+      "grad_norm": 0.12123610079288483,
+      "learning_rate": 3e-06,
+      "loss": 0.0373,
+      "step": 1131
+    },
+    {
+      "epoch": 0.037733333333333334,
+      "grad_norm": 0.10618145018815994,
+      "learning_rate": 3e-06,
+      "loss": 0.0366,
+      "step": 1132
+    },
+    {
+      "epoch": 0.037766666666666664,
+      "grad_norm": 0.09220066666603088,
+      "learning_rate": 3e-06,
+      "loss": 0.0368,
+      "step": 1133
+    },
+    {
+      "epoch": 0.0378,
+      "grad_norm": 0.07213561236858368,
+      "learning_rate": 3e-06,
+      "loss": 0.0359,
+      "step": 1134
+    },
+    {
+      "epoch": 0.03783333333333333,
+      "grad_norm": 0.05881815403699875,
+      "learning_rate": 3e-06,
+      "loss": 0.0356,
+      "step": 1135
+    },
+    {
+      "epoch": 0.037866666666666667,
+      "grad_norm": 0.06986034661531448,
+      "learning_rate": 3e-06,
+      "loss": 0.0356,
+      "step": 1136
+    },
+    {
+      "completion_length": 245.5,
+      "epoch": 0.0379,
+      "grad_norm": 0.06382188946008682,
+      "learning_rate": 3e-06,
+      "loss": 0.009,
+      "reward": 0.5,
+      "reward_std": 0.0,
+      "rewards/correctness_reward_func_math": 0.5,
+      "step": 1137,
+      "zero_std_ratio": 1.0
+    },
+    {
+      "epoch": 0.03793333333333333,
+      "grad_norm": 0.06001730635762215,
+      "learning_rate": 3e-06,
+      "loss": 0.009,
+      "step": 1138
+    },
+    {
+      "epoch": 0.03796666666666667,
+      "grad_norm": 0.08677556365728378,
+      "learning_rate": 3e-06,
+      "loss": 0.0089,
+      "step": 1139
+    },
+    {
+      "epoch": 0.038,
+      "grad_norm": 0.05003276839852333,
+      "learning_rate": 3e-06,
+      "loss": 0.0085,
+      "step": 1140
+    },
+    {
+      "epoch": 0.038033333333333336,
+      "grad_norm": 0.04423540458083153,
+      "learning_rate": 3e-06,
+      "loss": 0.0085,
+      "step": 1141
+    },
+    {
+      "epoch": 0.038066666666666665,
+      "grad_norm": 0.038173891603946686,
+      "learning_rate": 3e-06,
+      "loss": 0.0083,
+      "step": 1142
+    },
+    {
+      "epoch": 0.0381,
+      "grad_norm": 0.03637485206127167,
+      "learning_rate": 3e-06,
+      "loss": 0.0082,
+      "step": 1143
+    },
+    {
+      "epoch": 0.03813333333333333,
+      "grad_norm": 0.03237668424844742,
+      "learning_rate": 3e-06,
+      "loss": 0.0081,
+      "step": 1144
+    },
+    {
+      "completion_length": 251.40625,
+      "epoch": 0.03816666666666667,
+      "grad_norm": 0.15508528053760529,
+      "learning_rate": 3e-06,
+      "loss": 0.0418,
+      "reward": 0.46875,
+      "reward_std": 0.125,
+      "rewards/correctness_reward_func_math": 0.46875,
+      "step": 1145,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.0382,
+      "grad_norm": 0.14286530017852783,
+      "learning_rate": 3e-06,
+      "loss": 0.0411,
+      "step": 1146
+    },
+    {
+      "epoch": 0.038233333333333334,
+      "grad_norm": 0.13450852036476135,
+      "learning_rate": 3e-06,
+      "loss": 0.041,
+      "step": 1147
+    },
+    {
+      "epoch": 0.038266666666666664,
+      "grad_norm": 0.09698207676410675,
+      "learning_rate": 3e-06,
+      "loss": 0.0402,
+      "step": 1148
+    },
+    {
+      "epoch": 0.0383,
+      "grad_norm": 0.10916008800268173,
+      "learning_rate": 3e-06,
+      "loss": 0.0396,
+      "step": 1149
+    },
+    {
+      "epoch": 0.03833333333333333,
+      "grad_norm": 0.11014330387115479,
+      "learning_rate": 3e-06,
+      "loss": 0.0393,
+      "step": 1150
+    },
+    {
+      "epoch": 0.03836666666666667,
+      "grad_norm": 0.09548075497150421,
+      "learning_rate": 3e-06,
+      "loss": 0.0384,
+      "step": 1151
+    },
+    {
+      "epoch": 0.0384,
+      "grad_norm": 0.10518888384103775,
+      "learning_rate": 3e-06,
+      "loss": 0.0379,
+      "step": 1152
+    },
+    {
+      "completion_length": 252.03125,
+      "epoch": 0.03843333333333333,
+      "grad_norm": 0.2809561789035797,
+      "learning_rate": 3e-06,
+      "loss": 0.1303,
+      "reward": 0.6875,
+      "reward_std": 0.25,
+      "rewards/correctness_reward_func_math": 0.6875,
+      "step": 1153,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.03846666666666667,
+      "grad_norm": 0.29885008931159973,
+      "learning_rate": 3e-06,
+      "loss": 0.1292,
+      "step": 1154
+    },
+    {
+      "epoch": 0.0385,
+      "grad_norm": 0.5217714905738831,
+      "learning_rate": 3e-06,
+      "loss": 0.1259,
+      "step": 1155
+    },
+    {
+      "epoch": 0.038533333333333336,
+      "grad_norm": 0.339626669883728,
+      "learning_rate": 3e-06,
+      "loss": 0.124,
+      "step": 1156
+    },
+    {
+      "epoch": 0.038566666666666666,
+      "grad_norm": 0.40646469593048096,
+      "learning_rate": 3e-06,
+      "loss": 0.1239,
+      "step": 1157
+    },
+    {
+      "epoch": 0.0386,
+      "grad_norm": 0.32586702704429626,
+      "learning_rate": 3e-06,
+      "loss": 0.1232,
+      "step": 1158
+    },
+    {
+      "epoch": 0.03863333333333333,
+      "grad_norm": 0.3826848268508911,
+      "learning_rate": 3e-06,
+      "loss": 0.1222,
+      "step": 1159
+    },
+    {
+      "epoch": 0.03866666666666667,
+      "grad_norm": 0.20624837279319763,
+      "learning_rate": 3e-06,
+      "loss": 0.1201,
+      "step": 1160
+    },
+    {
+      "completion_length": 255.875,
+      "epoch": 0.0387,
+      "grad_norm": 0.17041213810443878,
+      "learning_rate": 3e-06,
+      "loss": 0.0877,
+      "reward": 0.90625,
+      "reward_std": 0.20155644416809082,
+      "rewards/correctness_reward_func_math": 0.90625,
+      "step": 1161,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.038733333333333335,
+      "grad_norm": 0.1572151631116867,
+      "learning_rate": 3e-06,
+      "loss": 0.0869,
+      "step": 1162
+    },
+    {
+      "epoch": 0.038766666666666665,
+      "grad_norm": 0.1790526807308197,
+      "learning_rate": 3e-06,
+      "loss": 0.087,
+      "step": 1163
+    },
+    {
+      "epoch": 0.0388,
+      "grad_norm": 0.1576666533946991,
+      "learning_rate": 3e-06,
+      "loss": 0.0865,
+      "step": 1164
+    },
+    {
+      "epoch": 0.03883333333333333,
+      "grad_norm": 0.1885707825422287,
+      "learning_rate": 3e-06,
+      "loss": 0.0848,
+      "step": 1165
+    },
+    {
+      "epoch": 0.03886666666666667,
+      "grad_norm": 0.15056979656219482,
+      "learning_rate": 3e-06,
+      "loss": 0.0831,
+      "step": 1166
+    },
+    {
+      "epoch": 0.0389,
+      "grad_norm": 0.13065695762634277,
+      "learning_rate": 3e-06,
+      "loss": 0.0842,
+      "step": 1167
+    },
+    {
+      "epoch": 0.038933333333333334,
+      "grad_norm": 0.13578306138515472,
+      "learning_rate": 3e-06,
+      "loss": 0.0817,
+      "step": 1168
+    },
+    {
+      "completion_length": 247.46875,
+      "epoch": 0.03896666666666666,
+      "grad_norm": 0.1590975522994995,
+      "learning_rate": 3e-06,
+      "loss": 0.0662,
+      "reward": 0.5625,
+      "reward_std": 0.17078250646591187,
+      "rewards/correctness_reward_func_math": 0.5625,
+      "step": 1169,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.039,
+      "grad_norm": 0.15599462389945984,
+      "learning_rate": 3e-06,
+      "loss": 0.066,
+      "step": 1170
+    },
+    {
+      "epoch": 0.03903333333333334,
+      "grad_norm": 0.1564629226922989,
+      "learning_rate": 3e-06,
+      "loss": 0.0657,
+      "step": 1171
+    },
+    {
+      "epoch": 0.039066666666666666,
+      "grad_norm": 0.15594100952148438,
+      "learning_rate": 3e-06,
+      "loss": 0.0652,
+      "step": 1172
+    },
+    {
+      "epoch": 0.0391,
+      "grad_norm": 0.1474727988243103,
+      "learning_rate": 3e-06,
+      "loss": 0.064,
+      "step": 1173
+    },
+    {
+      "epoch": 0.03913333333333333,
+      "grad_norm": 0.1408667266368866,
+      "learning_rate": 3e-06,
+      "loss": 0.0636,
+      "step": 1174
+    },
+    {
+      "epoch": 0.03916666666666667,
+      "grad_norm": 0.14258000254631042,
+      "learning_rate": 3e-06,
+      "loss": 0.0625,
+      "step": 1175
+    },
+    {
+      "epoch": 0.0392,
+      "grad_norm": 0.13873790204524994,
+      "learning_rate": 3e-06,
+      "loss": 0.0617,
+      "step": 1176
+    },
+    {
+      "completion_length": 233.375,
+      "epoch": 0.039233333333333335,
+      "grad_norm": 0.09470241516828537,
+      "learning_rate": 3e-06,
+      "loss": 0.0068,
+      "reward": 0.0,
+      "reward_std": 0.0,
+      "rewards/correctness_reward_func_math": 0.0,
+      "step": 1177,
+      "zero_std_ratio": 1.0
+    },
+    {
+      "epoch": 0.039266666666666665,
+      "grad_norm": 0.07768533378839493,
+      "learning_rate": 3e-06,
+      "loss": 0.0067,
+      "step": 1178
+    },
+    {
+      "epoch": 0.0393,
+      "grad_norm": 0.07244566082954407,
+      "learning_rate": 3e-06,
+      "loss": 0.0068,
+      "step": 1179
+    },
+    {
+      "epoch": 0.03933333333333333,
+      "grad_norm": 0.06073782220482826,
+      "learning_rate": 3e-06,
+      "loss": 0.0065,
+      "step": 1180
+    },
+    {
+      "epoch": 0.03936666666666667,
+      "grad_norm": 0.07853775471448898,
+      "learning_rate": 3e-06,
+      "loss": 0.0065,
+      "step": 1181
+    },
+    {
+      "epoch": 0.0394,
+      "grad_norm": 0.06908097118139267,
+      "learning_rate": 3e-06,
+      "loss": 0.0065,
+      "step": 1182
+    },
+    {
+      "epoch": 0.039433333333333334,
+      "grad_norm": 0.05858816206455231,
+      "learning_rate": 3e-06,
+      "loss": 0.0063,
+      "step": 1183
+    },
+    {
+      "epoch": 0.039466666666666664,
+      "grad_norm": 0.04564308747649193,
+      "learning_rate": 3e-06,
+      "loss": 0.0061,
+      "step": 1184
+    },
+    {
+      "completion_length": 248.59375,
+      "epoch": 0.0395,
+      "grad_norm": 0.7837366461753845,
+      "learning_rate": 3e-06,
+      "loss": 0.2616,
+      "reward": 0.46875,
+      "reward_std": 0.5061737298965454,
+      "rewards/correctness_reward_func_math": 0.46875,
+      "step": 1185,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.03953333333333333,
+      "grad_norm": 0.729447603225708,
+      "learning_rate": 3e-06,
+      "loss": 0.2606,
+      "step": 1186
+    },
+    {
+      "epoch": 0.03956666666666667,
+      "grad_norm": 0.7528496384620667,
+      "learning_rate": 3e-06,
+      "loss": 0.2581,
+      "step": 1187
+    },
+    {
+      "epoch": 0.0396,
+      "grad_norm": 0.7421455979347229,
+      "learning_rate": 3e-06,
+      "loss": 0.2531,
+      "step": 1188
+    },
+    {
+      "epoch": 0.03963333333333333,
+      "grad_norm": 0.6383472681045532,
+      "learning_rate": 3e-06,
+      "loss": 0.2497,
+      "step": 1189
+    },
+    {
+      "epoch": 0.03966666666666667,
+      "grad_norm": 0.6820692420005798,
+      "learning_rate": 3e-06,
+      "loss": 0.2481,
+      "step": 1190
+    },
+    {
+      "epoch": 0.0397,
+      "grad_norm": 0.6194692254066467,
+      "learning_rate": 3e-06,
+      "loss": 0.2426,
+      "step": 1191
+    },
+    {
+      "epoch": 0.039733333333333336,
+      "grad_norm": 0.6068683862686157,
+      "learning_rate": 3e-06,
+      "loss": 0.2398,
+      "step": 1192
+    },
+    {
+      "completion_length": 251.59375,
+      "epoch": 0.039766666666666665,
+      "grad_norm": 0.06570769101381302,
+      "learning_rate": 3e-06,
+      "loss": 0.0069,
+      "reward": 0.0,
+      "reward_std": 0.0,
+      "rewards/correctness_reward_func_math": 0.0,
+      "step": 1193,
+      "zero_std_ratio": 1.0
+    },
+    {
+      "epoch": 0.0398,
+      "grad_norm": 0.06815807521343231,
+      "learning_rate": 3e-06,
+      "loss": 0.0068,
+      "step": 1194
+    },
+    {
+      "epoch": 0.03983333333333333,
+      "grad_norm": 0.060357313603162766,
+      "learning_rate": 3e-06,
+      "loss": 0.0067,
+      "step": 1195
+    },
+    {
+      "epoch": 0.03986666666666667,
+      "grad_norm": 0.05609077587723732,
+      "learning_rate": 3e-06,
+      "loss": 0.0066,
+      "step": 1196
+    },
+    {
+      "epoch": 0.0399,
+      "grad_norm": 0.04564317688345909,
+      "learning_rate": 3e-06,
+      "loss": 0.0063,
+      "step": 1197
+    },
+    {
+      "epoch": 0.039933333333333335,
+      "grad_norm": 0.03556285426020622,
+      "learning_rate": 3e-06,
+      "loss": 0.0061,
+      "step": 1198
+    },
+    {
+      "epoch": 0.039966666666666664,
+      "grad_norm": 0.038435716181993484,
+      "learning_rate": 3e-06,
+      "loss": 0.0061,
+      "step": 1199
+    },
+    {
+      "epoch": 0.04,
+      "grad_norm": 0.02613815851509571,
+      "learning_rate": 3e-06,
+      "loss": 0.006,
+      "step": 1200
+    },
+    {
+      "completion_length": 253.8125,
+      "epoch": 0.04003333333333333,
+      "grad_norm": 0.12683774530887604,
+      "learning_rate": 3e-06,
+      "loss": 0.0836,
+      "reward": 0.40625,
+      "reward_std": 0.20155644416809082,
+      "rewards/correctness_reward_func_math": 0.40625,
+      "step": 1201,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.04006666666666667,
+      "grad_norm": 0.13124971091747284,
+      "learning_rate": 3e-06,
+      "loss": 0.0833,
+      "step": 1202
+    },
+    {
+      "epoch": 0.0401,
+      "grad_norm": 0.12949474155902863,
+      "learning_rate": 3e-06,
+      "loss": 0.0818,
+      "step": 1203
+    },
+    {
+      "epoch": 0.04013333333333333,
+      "grad_norm": 0.13979212939739227,
+      "learning_rate": 3e-06,
+      "loss": 0.0824,
+      "step": 1204
+    },
+    {
+      "epoch": 0.04016666666666667,
+      "grad_norm": 0.13219134509563446,
+      "learning_rate": 3e-06,
+      "loss": 0.0809,
+      "step": 1205
+    },
+    {
+      "epoch": 0.0402,
+      "grad_norm": 0.12553533911705017,
+      "learning_rate": 3e-06,
+      "loss": 0.0802,
+      "step": 1206
+    },
+    {
+      "epoch": 0.040233333333333336,
+      "grad_norm": 0.12410596013069153,
+      "learning_rate": 3e-06,
+      "loss": 0.0797,
+      "step": 1207
+    },
+    {
+      "epoch": 0.040266666666666666,
+      "grad_norm": 0.12662915885448456,
+      "learning_rate": 3e-06,
+      "loss": 0.079,
+      "step": 1208
+    },
+    {
+      "completion_length": 204.84375,
+      "epoch": 0.0403,
+      "grad_norm": 0.17810280621051788,
+      "learning_rate": 3e-06,
+      "loss": 0.0525,
+      "reward": 0.03125,
+      "reward_std": 0.125,
+      "rewards/correctness_reward_func_math": 0.03125,
+      "step": 1209,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.04033333333333333,
+      "grad_norm": 0.17428863048553467,
+      "learning_rate": 3e-06,
+      "loss": 0.0526,
+      "step": 1210
+    },
+    {
+      "epoch": 0.04036666666666667,
+      "grad_norm": 0.17163105309009552,
+      "learning_rate": 3e-06,
+      "loss": 0.0523,
+      "step": 1211
+    },
+    {
+      "epoch": 0.0404,
+      "grad_norm": 0.17285925149917603,
+      "learning_rate": 3e-06,
+      "loss": 0.0516,
+      "step": 1212
+    },
+    {
+      "epoch": 0.040433333333333335,
+      "grad_norm": 0.1694248616695404,
+      "learning_rate": 3e-06,
+      "loss": 0.0506,
+      "step": 1213
+    },
+    {
+      "epoch": 0.040466666666666665,
+      "grad_norm": 0.16183939576148987,
+      "learning_rate": 3e-06,
+      "loss": 0.0502,
+      "step": 1214
+    },
+    {
+      "epoch": 0.0405,
+      "grad_norm": 0.15943589806556702,
+      "learning_rate": 3e-06,
+      "loss": 0.0492,
+      "step": 1215
+    },
+    {
+      "epoch": 0.04053333333333333,
+      "grad_norm": 0.15363821387290955,
+      "learning_rate": 3e-06,
+      "loss": 0.0485,
+      "step": 1216
+    },
+    {
+      "completion_length": 252.59375,
+      "epoch": 0.04056666666666667,
+      "grad_norm": 0.22539129853248596,
+      "learning_rate": 3e-06,
+      "loss": 0.1314,
+      "reward": 0.28125,
+      "reward_std": 0.2561737596988678,
+      "rewards/correctness_reward_func_math": 0.28125,
+      "step": 1217,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.0406,
+      "grad_norm": 0.21028558909893036,
+      "learning_rate": 3e-06,
+      "loss": 0.1311,
+      "step": 1218
+    },
+    {
+      "epoch": 0.040633333333333334,
+      "grad_norm": 0.2075134664773941,
+      "learning_rate": 3e-06,
+      "loss": 0.1292,
+      "step": 1219
+    },
+    {
+      "epoch": 0.04066666666666666,
+      "grad_norm": 0.20712244510650635,
+      "learning_rate": 3e-06,
+      "loss": 0.1279,
+      "step": 1220
+    },
+    {
+      "epoch": 0.0407,
+      "grad_norm": 0.20241022109985352,
+      "learning_rate": 3e-06,
+      "loss": 0.128,
+      "step": 1221
+    },
+    {
+      "epoch": 0.04073333333333334,
+      "grad_norm": 0.1900181621313095,
+      "learning_rate": 3e-06,
+      "loss": 0.1272,
+      "step": 1222
+    },
+    {
+      "epoch": 0.040766666666666666,
+      "grad_norm": 0.17713408172130585,
+      "learning_rate": 3e-06,
+      "loss": 0.1256,
+      "step": 1223
+    },
+    {
+      "epoch": 0.0408,
+      "grad_norm": 0.1898873895406723,
+      "learning_rate": 3e-06,
+      "loss": 0.1236,
+      "step": 1224
+    },
+    {
+      "completion_length": 232.46875,
+      "epoch": 0.04083333333333333,
+      "grad_norm": 0.2911894917488098,
+      "learning_rate": 3e-06,
+      "loss": 0.0463,
+      "reward": 0.03125,
+      "reward_std": 0.125,
+      "rewards/correctness_reward_func_math": 0.03125,
+      "step": 1225,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.04086666666666667,
+      "grad_norm": 0.2735547721385956,
+      "learning_rate": 3e-06,
+      "loss": 0.0449,
+      "step": 1226
+    },
+    {
+      "epoch": 0.0409,
+      "grad_norm": 0.23644503951072693,
+      "learning_rate": 3e-06,
+      "loss": 0.0434,
+      "step": 1227
+    },
+    {
+      "epoch": 0.040933333333333335,
+      "grad_norm": 0.302605003118515,
+      "learning_rate": 3e-06,
+      "loss": 0.0447,
+      "step": 1228
+    },
+    {
+      "epoch": 0.040966666666666665,
+      "grad_norm": 0.20925043523311615,
+      "learning_rate": 3e-06,
+      "loss": 0.0417,
+      "step": 1229
+    },
+    {
+      "epoch": 0.041,
+      "grad_norm": 0.20531818270683289,
+      "learning_rate": 3e-06,
+      "loss": 0.0414,
+      "step": 1230
+    },
+    {
+      "epoch": 0.04103333333333333,
+      "grad_norm": 0.1333693563938141,
+      "learning_rate": 3e-06,
+      "loss": 0.0392,
+      "step": 1231
+    },
+    {
+      "epoch": 0.04106666666666667,
+      "grad_norm": 0.14160728454589844,
+      "learning_rate": 3e-06,
+      "loss": 0.0404,
+      "step": 1232
+    },
+    {
+      "completion_length": 231.21875,
+      "epoch": 0.0411,
+      "grad_norm": 0.23780308663845062,
+      "learning_rate": 3e-06,
+      "loss": 0.0716,
+      "reward": 0.0625,
+      "reward_std": 0.25,
+      "rewards/correctness_reward_func_math": 0.0625,
+      "step": 1233,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.041133333333333334,
+      "grad_norm": 0.1875021904706955,
+      "learning_rate": 3e-06,
+      "loss": 0.0722,
+      "step": 1234
+    },
+    {
+      "epoch": 0.041166666666666664,
+      "grad_norm": 0.18207892775535583,
+      "learning_rate": 3e-06,
+      "loss": 0.0745,
+      "step": 1235
+    },
+    {
+      "epoch": 0.0412,
+      "grad_norm": 0.17320051789283752,
+      "learning_rate": 3e-06,
+      "loss": 0.0701,
+      "step": 1236
+    },
+    {
+      "epoch": 0.04123333333333333,
+      "grad_norm": 0.7105273604393005,
+      "learning_rate": 3e-06,
+      "loss": 0.0716,
+      "step": 1237
+    },
+    {
+      "epoch": 0.04126666666666667,
+      "grad_norm": 0.5314026474952698,
+      "learning_rate": 3e-06,
+      "loss": 0.0689,
+      "step": 1238
+    },
+    {
+      "epoch": 0.0413,
+      "grad_norm": 0.17269432544708252,
+      "learning_rate": 3e-06,
+      "loss": 0.0679,
+      "step": 1239
+    },
+    {
+      "epoch": 0.04133333333333333,
+      "grad_norm": 0.15828640758991241,
+      "learning_rate": 3e-06,
+      "loss": 0.068,
+      "step": 1240
+    },
+    {
+      "completion_length": 248.25,
+      "epoch": 0.04136666666666667,
+      "grad_norm": 0.19831602275371552,
+      "learning_rate": 3e-06,
+      "loss": 0.1809,
+      "reward": 0.21875,
+      "reward_std": 0.4101392924785614,
+      "rewards/correctness_reward_func_math": 0.21875,
+      "step": 1241,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.0414,
+      "grad_norm": 0.20271098613739014,
+      "learning_rate": 3e-06,
+      "loss": 0.1804,
+      "step": 1242
+    },
+    {
+      "epoch": 0.041433333333333336,
+      "grad_norm": 0.1865813434123993,
+      "learning_rate": 3e-06,
+      "loss": 0.1783,
+      "step": 1243
+    },
+    {
+      "epoch": 0.041466666666666666,
+      "grad_norm": 0.18555627763271332,
+      "learning_rate": 3e-06,
+      "loss": 0.1783,
+      "step": 1244
+    },
+    {
+      "epoch": 0.0415,
+      "grad_norm": 0.17374183237552643,
+      "learning_rate": 3e-06,
+      "loss": 0.1771,
+      "step": 1245
+    },
+    {
+      "epoch": 0.04153333333333333,
+      "grad_norm": 0.1896713674068451,
+      "learning_rate": 3e-06,
+      "loss": 0.1777,
+      "step": 1246
+    },
+    {
+      "epoch": 0.04156666666666667,
+      "grad_norm": 0.17510639131069183,
+      "learning_rate": 3e-06,
+      "loss": 0.1755,
+      "step": 1247
+    },
+    {
+      "epoch": 0.0416,
+      "grad_norm": 0.1834803968667984,
+      "learning_rate": 3e-06,
+      "loss": 0.1756,
+      "step": 1248
+    },
+    {
+      "completion_length": 243.09375,
+      "epoch": 0.041633333333333335,
+      "grad_norm": 0.08111850172281265,
+      "learning_rate": 3e-06,
+      "loss": 0.0074,
+      "reward": 0.5,
+      "reward_std": 0.0,
+      "rewards/correctness_reward_func_math": 0.5,
+      "step": 1249,
+      "zero_std_ratio": 1.0
+    },
+    {
+      "epoch": 0.041666666666666664,
+      "grad_norm": 0.07085826247930527,
+      "learning_rate": 3e-06,
+      "loss": 0.0073,
+      "step": 1250
+    },
+    {
+      "epoch": 0.0417,
+      "grad_norm": 0.07034741342067719,
+      "learning_rate": 3e-06,
+      "loss": 0.0072,
+      "step": 1251
+    },
+    {
+      "epoch": 0.04173333333333333,
+      "grad_norm": 0.05835133418440819,
+      "learning_rate": 3e-06,
+      "loss": 0.007,
+      "step": 1252
+    },
+    {
+      "epoch": 0.04176666666666667,
+      "grad_norm": 0.03952647000551224,
+      "learning_rate": 3e-06,
+      "loss": 0.007,
+      "step": 1253
+    },
+    {
+      "epoch": 0.0418,
+      "grad_norm": 0.027786627411842346,
+      "learning_rate": 3e-06,
+      "loss": 0.0068,
+      "step": 1254
+    },
+    {
+      "epoch": 0.041833333333333333,
+      "grad_norm": 0.020669469609856606,
+      "learning_rate": 3e-06,
+      "loss": 0.0068,
+      "step": 1255
+    },
+    {
+      "epoch": 0.04186666666666667,
+      "grad_norm": 0.017302891239523888,
+      "learning_rate": 3e-06,
+      "loss": 0.0067,
+      "step": 1256
+    },
+    {
+      "completion_length": 251.0625,
+      "epoch": 0.0419,
+      "grad_norm": 0.24360023438930511,
+      "learning_rate": 3e-06,
+      "loss": 0.1382,
+      "reward": 0.75,
+      "reward_std": 0.25819888710975647,
+      "rewards/correctness_reward_func_math": 0.75,
+      "step": 1257,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.041933333333333336,
+      "grad_norm": 0.2754175066947937,
+      "learning_rate": 3e-06,
+      "loss": 0.137,
+      "step": 1258
+    },
+    {
+      "epoch": 0.041966666666666666,
+      "grad_norm": 0.24558553099632263,
+      "learning_rate": 3e-06,
+      "loss": 0.1376,
+      "step": 1259
+    },
+    {
+      "epoch": 0.042,
+      "grad_norm": 0.26455336809158325,
+      "learning_rate": 3e-06,
+      "loss": 0.1378,
+      "step": 1260
+    },
+    {
+      "epoch": 0.04203333333333333,
+      "grad_norm": 0.24498197436332703,
+      "learning_rate": 3e-06,
+      "loss": 0.1368,
+      "step": 1261
+    },
+    {
+      "epoch": 0.04206666666666667,
+      "grad_norm": 0.22113963961601257,
+      "learning_rate": 3e-06,
+      "loss": 0.1338,
+      "step": 1262
+    },
+    {
+      "epoch": 0.0421,
+      "grad_norm": 0.22764645516872406,
+      "learning_rate": 3e-06,
+      "loss": 0.1321,
+      "step": 1263
+    },
+    {
+      "epoch": 0.042133333333333335,
+      "grad_norm": 0.21630293130874634,
+      "learning_rate": 3e-06,
+      "loss": 0.1312,
+      "step": 1264
+    },
+    {
+      "completion_length": 250.15625,
+      "epoch": 0.042166666666666665,
+      "grad_norm": 0.23653137683868408,
+      "learning_rate": 3e-06,
+      "loss": 0.1027,
+      "reward": 0.90625,
+      "reward_std": 0.20155644416809082,
+      "rewards/correctness_reward_func_math": 0.90625,
+      "step": 1265,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.0422,
+      "grad_norm": 0.18874193727970123,
+      "learning_rate": 3e-06,
+      "loss": 0.1017,
+      "step": 1266
+    },
+    {
+      "epoch": 0.04223333333333333,
+      "grad_norm": 0.1894417703151703,
+      "learning_rate": 3e-06,
+      "loss": 0.102,
+      "step": 1267
+    },
+    {
+      "epoch": 0.04226666666666667,
+      "grad_norm": 0.1736340969800949,
+      "learning_rate": 3e-06,
+      "loss": 0.1011,
+      "step": 1268
+    },
+    {
+      "epoch": 0.0423,
+      "grad_norm": 0.16614238917827606,
+      "learning_rate": 3e-06,
+      "loss": 0.0988,
+      "step": 1269
+    },
+    {
+      "epoch": 0.042333333333333334,
+      "grad_norm": 0.15588539838790894,
+      "learning_rate": 3e-06,
+      "loss": 0.0977,
+      "step": 1270
+    },
+    {
+      "epoch": 0.042366666666666664,
+      "grad_norm": 0.18824079632759094,
+      "learning_rate": 3e-06,
+      "loss": 0.097,
+      "step": 1271
+    },
+    {
+      "epoch": 0.0424,
+      "grad_norm": 0.16305284202098846,
+      "learning_rate": 3e-06,
+      "loss": 0.0962,
+      "step": 1272
+    },
+    {
+      "completion_length": 236.25,
+      "epoch": 0.04243333333333334,
+      "grad_norm": 0.10276592522859573,
+      "learning_rate": 3e-06,
+      "loss": 0.0438,
+      "reward": 0.03125,
+      "reward_std": 0.125,
+      "rewards/correctness_reward_func_math": 0.03125,
+      "step": 1273,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.042466666666666666,
+      "grad_norm": 0.10065162926912308,
+      "learning_rate": 3e-06,
+      "loss": 0.0442,
+      "step": 1274
+    },
+    {
+      "epoch": 0.0425,
+      "grad_norm": 0.10048094391822815,
+      "learning_rate": 3e-06,
+      "loss": 0.0434,
+      "step": 1275
+    },
+    {
+      "epoch": 0.04253333333333333,
+      "grad_norm": 0.09218808263540268,
+      "learning_rate": 3e-06,
+      "loss": 0.0433,
+      "step": 1276
+    },
+    {
+      "epoch": 0.04256666666666667,
+      "grad_norm": 0.08327342569828033,
+      "learning_rate": 3e-06,
+      "loss": 0.043,
+      "step": 1277
+    },
+    {
+      "epoch": 0.0426,
+      "grad_norm": 0.090260811150074,
+      "learning_rate": 3e-06,
+      "loss": 0.0425,
+      "step": 1278
+    },
+    {
+      "epoch": 0.042633333333333336,
+      "grad_norm": 0.10080470144748688,
+      "learning_rate": 3e-06,
+      "loss": 0.042,
+      "step": 1279
+    },
+    {
+      "epoch": 0.042666666666666665,
+      "grad_norm": 0.06978421658277512,
+      "learning_rate": 3e-06,
+      "loss": 0.041,
+      "step": 1280
+    },
+    {
+      "completion_length": 233.09375,
+      "epoch": 0.0427,
+      "grad_norm": 0.15625745058059692,
+      "learning_rate": 3e-06,
+      "loss": 0.1367,
+      "reward": 0.28125,
+      "reward_std": 0.2561737596988678,
+      "rewards/correctness_reward_func_math": 0.28125,
+      "step": 1281,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.04273333333333333,
+      "grad_norm": 0.14208756387233734,
+      "learning_rate": 3e-06,
+      "loss": 0.1366,
+      "step": 1282
+    },
+    {
+      "epoch": 0.04276666666666667,
+      "grad_norm": 0.1476888656616211,
+      "learning_rate": 3e-06,
+      "loss": 0.1363,
+      "step": 1283
+    },
+    {
+      "epoch": 0.0428,
+      "grad_norm": 0.1662600338459015,
+      "learning_rate": 3e-06,
+      "loss": 0.1352,
+      "step": 1284
+    },
+    {
+      "epoch": 0.042833333333333334,
+      "grad_norm": 0.11616342514753342,
+      "learning_rate": 3e-06,
+      "loss": 0.1358,
+      "step": 1285
+    },
+    {
+      "epoch": 0.042866666666666664,
+      "grad_norm": 0.1286487728357315,
+      "learning_rate": 3e-06,
+      "loss": 0.1346,
+      "step": 1286
+    },
+    {
+      "epoch": 0.0429,
+      "grad_norm": 0.1190117672085762,
+      "learning_rate": 3e-06,
+      "loss": 0.1344,
+      "step": 1287
+    },
+    {
+      "epoch": 0.04293333333333333,
+      "grad_norm": 0.1148218885064125,
+      "learning_rate": 3e-06,
+      "loss": 0.1331,
+      "step": 1288
+    },
+    {
+      "completion_length": 249.0,
+      "epoch": 0.04296666666666667,
+      "grad_norm": 0.2881479859352112,
+      "learning_rate": 3e-06,
+      "loss": 0.091,
+      "reward": 0.46875,
+      "reward_std": 0.29578250646591187,
+      "rewards/correctness_reward_func_math": 0.46875,
+      "step": 1289,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.043,
+      "grad_norm": 0.2850145995616913,
+      "learning_rate": 3e-06,
+      "loss": 0.09,
+      "step": 1290
+    },
+    {
+      "epoch": 0.04303333333333333,
+      "grad_norm": 0.2833481431007385,
+      "learning_rate": 3e-06,
+      "loss": 0.0902,
+      "step": 1291
+    },
+    {
+      "epoch": 0.04306666666666667,
+      "grad_norm": 0.25467443466186523,
+      "learning_rate": 3e-06,
+      "loss": 0.0882,
+      "step": 1292
+    },
+    {
+      "epoch": 0.0431,
+      "grad_norm": 0.23497824370861053,
+      "learning_rate": 3e-06,
+      "loss": 0.0874,
+      "step": 1293
+    },
+    {
+      "epoch": 0.043133333333333336,
+      "grad_norm": 0.218675896525383,
+      "learning_rate": 3e-06,
+      "loss": 0.0853,
+      "step": 1294
+    },
+    {
+      "epoch": 0.043166666666666666,
+      "grad_norm": 0.19636178016662598,
+      "learning_rate": 3e-06,
+      "loss": 0.0845,
+      "step": 1295
+    },
+    {
+      "epoch": 0.0432,
+      "grad_norm": 0.17459912598133087,
+      "learning_rate": 3e-06,
+      "loss": 0.0831,
+      "step": 1296
+    },
+    {
+      "completion_length": 255.96875,
+      "epoch": 0.04323333333333333,
+      "grad_norm": 0.06534198671579361,
+      "learning_rate": 3e-06,
+      "loss": 0.0052,
+      "reward": 0.0,
+      "reward_std": 0.0,
+      "rewards/correctness_reward_func_math": 0.0,
+      "step": 1297,
+      "zero_std_ratio": 1.0
+    },
+    {
+      "epoch": 0.04326666666666667,
+      "grad_norm": 0.06812389940023422,
+      "learning_rate": 3e-06,
+      "loss": 0.0053,
+      "step": 1298
+    },
+    {
+      "epoch": 0.0433,
+      "grad_norm": 0.05845356360077858,
+      "learning_rate": 3e-06,
+      "loss": 0.0051,
+      "step": 1299
+    },
+    {
+      "epoch": 0.043333333333333335,
+      "grad_norm": 0.054101575165987015,
+      "learning_rate": 3e-06,
+      "loss": 0.0049,
+      "step": 1300
+    },
+    {
+      "epoch": 0.043366666666666664,
+      "grad_norm": 0.05138677358627319,
+      "learning_rate": 3e-06,
+      "loss": 0.0048,
+      "step": 1301
+    },
+    {
+      "epoch": 0.0434,
+      "grad_norm": 0.04004233703017235,
+      "learning_rate": 3e-06,
+      "loss": 0.0046,
+      "step": 1302
+    },
+    {
+      "epoch": 0.04343333333333333,
+      "grad_norm": 0.039354074746370316,
+      "learning_rate": 3e-06,
+      "loss": 0.0045,
+      "step": 1303
+    },
+    {
+      "epoch": 0.04346666666666667,
+      "grad_norm": 0.02462739497423172,
+      "learning_rate": 3e-06,
+      "loss": 0.0043,
+      "step": 1304
+    },
+    {
+      "completion_length": 255.5625,
+      "epoch": 0.0435,
+      "grad_norm": 0.07814393937587738,
+      "learning_rate": 3e-06,
+      "loss": 0.0051,
+      "reward": 0.5,
+      "reward_std": 0.0,
+      "rewards/correctness_reward_func_math": 0.5,
+      "step": 1305,
+      "zero_std_ratio": 1.0
+    },
+    {
+      "epoch": 0.043533333333333334,
+      "grad_norm": 0.07192434370517731,
+      "learning_rate": 3e-06,
+      "loss": 0.0049,
+      "step": 1306
+    },
+    {
+      "epoch": 0.04356666666666666,
+      "grad_norm": 0.03712638095021248,
+      "learning_rate": 3e-06,
+      "loss": 0.0047,
+      "step": 1307
+    },
+    {
+      "epoch": 0.0436,
+      "grad_norm": 0.032275207340717316,
+      "learning_rate": 3e-06,
+      "loss": 0.0045,
+      "step": 1308
+    },
+    {
+      "epoch": 0.043633333333333336,
+      "grad_norm": 0.019034771248698235,
+      "learning_rate": 3e-06,
+      "loss": 0.0044,
+      "step": 1309
+    },
+    {
+      "epoch": 0.043666666666666666,
+      "grad_norm": 0.027677353471517563,
+      "learning_rate": 3e-06,
+      "loss": 0.0045,
+      "step": 1310
+    },
+    {
+      "epoch": 0.0437,
+      "grad_norm": 0.03792901337146759,
+      "learning_rate": 3e-06,
+      "loss": 0.0045,
+      "step": 1311
+    },
+    {
+      "epoch": 0.04373333333333333,
+      "grad_norm": 0.039650484919548035,
+      "learning_rate": 3e-06,
+      "loss": 0.0045,
+      "step": 1312
+    },
+    {
+      "completion_length": 253.6875,
+      "epoch": 0.04376666666666667,
+      "grad_norm": 0.16964580118656158,
+      "learning_rate": 3e-06,
+      "loss": 0.0644,
+      "reward": 0.9375,
+      "reward_std": 0.17078250646591187,
+      "rewards/correctness_reward_func_math": 0.9375,
+      "step": 1313,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.0438,
+      "grad_norm": 0.18767298758029938,
+      "learning_rate": 3e-06,
+      "loss": 0.0641,
+      "step": 1314
+    },
+    {
+      "epoch": 0.043833333333333335,
+      "grad_norm": 0.14583227038383484,
+      "learning_rate": 3e-06,
+      "loss": 0.0635,
+      "step": 1315
+    },
+    {
+      "epoch": 0.043866666666666665,
+      "grad_norm": 0.21094247698783875,
+      "learning_rate": 3e-06,
+      "loss": 0.0636,
+      "step": 1316
+    },
+    {
+      "epoch": 0.0439,
+      "grad_norm": 0.09995721280574799,
+      "learning_rate": 3e-06,
+      "loss": 0.0631,
+      "step": 1317
+    },
+    {
+      "epoch": 0.04393333333333333,
+      "grad_norm": 0.105036661028862,
+      "learning_rate": 3e-06,
+      "loss": 0.0626,
+      "step": 1318
+    },
+    {
+      "epoch": 0.04396666666666667,
+      "grad_norm": 0.14870531857013702,
+      "learning_rate": 3e-06,
+      "loss": 0.0623,
+      "step": 1319
+    },
+    {
+      "epoch": 0.044,
+      "grad_norm": 0.1270669549703598,
+      "learning_rate": 3e-06,
+      "loss": 0.0618,
+      "step": 1320
+    },
+    {
+      "completion_length": 246.4375,
+      "epoch": 0.044033333333333334,
+      "grad_norm": 0.05354250967502594,
+      "learning_rate": 3e-06,
+      "loss": 0.0081,
+      "reward": 0.0,
+      "reward_std": 0.0,
+      "rewards/correctness_reward_func_math": 0.0,
+      "step": 1321,
+      "zero_std_ratio": 1.0
+    },
+    {
+      "epoch": 0.044066666666666664,
+      "grad_norm": 0.05499863997101784,
+      "learning_rate": 3e-06,
+      "loss": 0.0082,
+      "step": 1322
+    },
+    {
+      "epoch": 0.0441,
+      "grad_norm": 0.08030810207128525,
+      "learning_rate": 3e-06,
+      "loss": 0.008,
+      "step": 1323
+    },
+    {
+      "epoch": 0.04413333333333333,
+      "grad_norm": 0.08405372500419617,
+      "learning_rate": 3e-06,
+      "loss": 0.008,
+      "step": 1324
+    },
+    {
+      "epoch": 0.04416666666666667,
+      "grad_norm": 0.17248214781284332,
+      "learning_rate": 3e-06,
+      "loss": 0.0082,
+      "step": 1325
+    },
+    {
+      "epoch": 0.0442,
+      "grad_norm": 0.1044781431555748,
+      "learning_rate": 3e-06,
+      "loss": 0.0079,
+      "step": 1326
+    },
+    {
+      "epoch": 0.04423333333333333,
+      "grad_norm": 0.05087236687541008,
+      "learning_rate": 3e-06,
+      "loss": 0.0077,
+      "step": 1327
+    },
+    {
+      "epoch": 0.04426666666666667,
+      "grad_norm": 0.09604676067829132,
+      "learning_rate": 3e-06,
+      "loss": 0.0076,
+      "step": 1328
+    },
+    {
+      "completion_length": 235.8125,
+      "epoch": 0.0443,
+      "grad_norm": 0.06466595083475113,
+      "learning_rate": 3e-06,
+      "loss": 0.0358,
+      "reward": 0.46875,
+      "reward_std": 0.125,
+      "rewards/correctness_reward_func_math": 0.46875,
+      "step": 1329,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.044333333333333336,
+      "grad_norm": 0.060752905905246735,
+      "learning_rate": 3e-06,
+      "loss": 0.0355,
+      "step": 1330
+    },
+    {
+      "epoch": 0.044366666666666665,
+      "grad_norm": 0.054815832525491714,
+      "learning_rate": 3e-06,
+      "loss": 0.0354,
+      "step": 1331
+    },
+    {
+      "epoch": 0.0444,
+      "grad_norm": 0.05278829112648964,
+      "learning_rate": 3e-06,
+      "loss": 0.0358,
+      "step": 1332
+    },
+    {
+      "epoch": 0.04443333333333333,
+      "grad_norm": 0.05578245222568512,
+      "learning_rate": 3e-06,
+      "loss": 0.0353,
+      "step": 1333
+    },
+    {
+      "epoch": 0.04446666666666667,
+      "grad_norm": 0.05509086698293686,
+      "learning_rate": 3e-06,
+      "loss": 0.0353,
+      "step": 1334
+    },
+    {
+      "epoch": 0.0445,
+      "grad_norm": 0.053300678730010986,
+      "learning_rate": 3e-06,
+      "loss": 0.0347,
+      "step": 1335
+    },
+    {
+      "epoch": 0.044533333333333334,
+      "grad_norm": 0.05789167433977127,
+      "learning_rate": 3e-06,
+      "loss": 0.0348,
+      "step": 1336
+    },
+    {
+      "completion_length": 253.5625,
+      "epoch": 0.044566666666666664,
+      "grad_norm": 0.03163622319698334,
+      "learning_rate": 3e-06,
+      "loss": 0.0028,
+      "reward": 0.5,
+      "reward_std": 0.0,
+      "rewards/correctness_reward_func_math": 0.5,
+      "step": 1337,
+      "zero_std_ratio": 1.0
+    },
+    {
+      "epoch": 0.0446,
+      "grad_norm": 0.030102279037237167,
+      "learning_rate": 3e-06,
+      "loss": 0.0026,
+      "step": 1338
+    },
+    {
+      "epoch": 0.04463333333333333,
+      "grad_norm": 0.027015862986445427,
+      "learning_rate": 3e-06,
+      "loss": 0.0026,
+      "step": 1339
+    },
+    {
+      "epoch": 0.04466666666666667,
+      "grad_norm": 0.06740744411945343,
+      "learning_rate": 3e-06,
+      "loss": 0.0026,
+      "step": 1340
+    },
+    {
+      "epoch": 0.0447,
+      "grad_norm": 0.019920874387025833,
+      "learning_rate": 3e-06,
+      "loss": 0.0025,
+      "step": 1341
+    },
+    {
+      "epoch": 0.04473333333333333,
+      "grad_norm": 0.025682078674435616,
+      "learning_rate": 3e-06,
+      "loss": 0.0025,
+      "step": 1342
+    },
+    {
+      "epoch": 0.04476666666666667,
+      "grad_norm": 0.01616826467216015,
+      "learning_rate": 3e-06,
+      "loss": 0.0025,
+      "step": 1343
+    },
+    {
+      "epoch": 0.0448,
+      "grad_norm": 0.01479593850672245,
+      "learning_rate": 3e-06,
+      "loss": 0.0023,
+      "step": 1344
+    },
+    {
+      "completion_length": 250.34375,
+      "epoch": 0.044833333333333336,
+      "grad_norm": 0.03634990006685257,
+      "learning_rate": 3e-06,
+      "loss": 0.0027,
+      "reward": 0.0,
+      "reward_std": 0.0,
+      "rewards/correctness_reward_func_math": 0.0,
+      "step": 1345,
+      "zero_std_ratio": 1.0
+    },
+    {
+      "epoch": 0.044866666666666666,
+      "grad_norm": 0.034966882318258286,
+      "learning_rate": 3e-06,
+      "loss": 0.0026,
+      "step": 1346
+    },
+    {
+      "epoch": 0.0449,
+      "grad_norm": 0.045817114412784576,
+      "learning_rate": 3e-06,
+      "loss": 0.0025,
+      "step": 1347
+    },
+    {
+      "epoch": 0.04493333333333333,
+      "grad_norm": 0.030671628192067146,
+      "learning_rate": 3e-06,
+      "loss": 0.0026,
+      "step": 1348
+    },
+    {
+      "epoch": 0.04496666666666667,
+      "grad_norm": 0.03673558682203293,
+      "learning_rate": 3e-06,
+      "loss": 0.0026,
+      "step": 1349
+    },
+    {
+      "epoch": 0.045,
+      "grad_norm": 0.03456122800707817,
+      "learning_rate": 3e-06,
+      "loss": 0.0025,
+      "step": 1350
+    },
+    {
+      "epoch": 0.045033333333333335,
+      "grad_norm": 0.017483094707131386,
+      "learning_rate": 3e-06,
+      "loss": 0.0023,
+      "step": 1351
+    },
+    {
+      "epoch": 0.045066666666666665,
+      "grad_norm": 0.026852404698729515,
+      "learning_rate": 3e-06,
+      "loss": 0.0024,
+      "step": 1352
+    },
+    {
+      "completion_length": 250.0,
+      "epoch": 0.0451,
+      "grad_norm": 0.024333864450454712,
+      "learning_rate": 3e-06,
+      "loss": 0.0029,
+      "reward": 0.5,
+      "reward_std": 0.0,
+      "rewards/correctness_reward_func_math": 0.5,
+      "step": 1353,
+      "zero_std_ratio": 1.0
+    },
+    {
+      "epoch": 0.04513333333333333,
+      "grad_norm": 0.024488670751452446,
+      "learning_rate": 3e-06,
+      "loss": 0.0029,
+      "step": 1354
+    },
+    {
+      "epoch": 0.04516666666666667,
+      "grad_norm": 0.021411802619695663,
+      "learning_rate": 3e-06,
+      "loss": 0.0028,
+      "step": 1355
+    },
+    {
+      "epoch": 0.0452,
+      "grad_norm": 0.01871107518672943,
+      "learning_rate": 3e-06,
+      "loss": 0.0027,
+      "step": 1356
+    },
+    {
+      "epoch": 0.045233333333333334,
+      "grad_norm": 0.02223369851708412,
+      "learning_rate": 3e-06,
+      "loss": 0.0027,
+      "step": 1357
+    },
+    {
+      "epoch": 0.04526666666666666,
+      "grad_norm": 0.017866289243102074,
+      "learning_rate": 3e-06,
+      "loss": 0.0027,
+      "step": 1358
+    },
+    {
+      "epoch": 0.0453,
+      "grad_norm": 0.016158122569322586,
+      "learning_rate": 3e-06,
+      "loss": 0.0027,
+      "step": 1359
+    },
+    {
+      "epoch": 0.04533333333333334,
+      "grad_norm": 0.01581208035349846,
+      "learning_rate": 3e-06,
+      "loss": 0.0026,
+      "step": 1360
+    },
+    {
+      "completion_length": 256.0,
+      "epoch": 0.045366666666666666,
+      "grad_norm": 0.061078209429979324,
+      "learning_rate": 3e-06,
+      "loss": 0.0345,
+      "reward": 0.46875,
+      "reward_std": 0.125,
+      "rewards/correctness_reward_func_math": 0.46875,
+      "step": 1361,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.0454,
+      "grad_norm": 0.057114388793706894,
+      "learning_rate": 3e-06,
+      "loss": 0.0344,
+      "step": 1362
+    },
+    {
+      "epoch": 0.04543333333333333,
+      "grad_norm": 0.049756623804569244,
+      "learning_rate": 3e-06,
+      "loss": 0.0341,
+      "step": 1363
+    },
+    {
+      "epoch": 0.04546666666666667,
+      "grad_norm": 0.043655410408973694,
+      "learning_rate": 3e-06,
+      "loss": 0.034,
+      "step": 1364
+    },
+    {
+      "epoch": 0.0455,
+      "grad_norm": 0.039942942559719086,
+      "learning_rate": 3e-06,
+      "loss": 0.0342,
+      "step": 1365
+    },
+    {
+      "epoch": 0.045533333333333335,
+      "grad_norm": 0.045738015323877335,
+      "learning_rate": 3e-06,
+      "loss": 0.0334,
+      "step": 1366
+    },
+    {
+      "epoch": 0.045566666666666665,
+      "grad_norm": 0.04575677216053009,
+      "learning_rate": 3e-06,
+      "loss": 0.034,
+      "step": 1367
+    },
+    {
+      "epoch": 0.0456,
+      "grad_norm": 0.04586080461740494,
+      "learning_rate": 3e-06,
+      "loss": 0.0338,
+      "step": 1368
+    },
+    {
+      "completion_length": 254.28125,
+      "epoch": 0.04563333333333333,
+      "grad_norm": 0.029736308380961418,
+      "learning_rate": 3e-06,
+      "loss": 0.0025,
+      "reward": 0.0,
+      "reward_std": 0.0,
+      "rewards/correctness_reward_func_math": 0.0,
+      "step": 1369,
+      "zero_std_ratio": 1.0
+    },
+    {
+      "epoch": 0.04566666666666667,
+      "grad_norm": 0.027602357789874077,
+      "learning_rate": 3e-06,
+      "loss": 0.0025,
+      "step": 1370
+    },
+    {
+      "epoch": 0.0457,
+      "grad_norm": 0.02478105016052723,
+      "learning_rate": 3e-06,
+      "loss": 0.0025,
+      "step": 1371
+    },
+    {
+      "epoch": 0.045733333333333334,
+      "grad_norm": 0.0222614835947752,
+      "learning_rate": 3e-06,
+      "loss": 0.0024,
+      "step": 1372
+    },
+    {
+      "epoch": 0.045766666666666664,
+      "grad_norm": 0.02130105346441269,
+      "learning_rate": 3e-06,
+      "loss": 0.0024,
+      "step": 1373
+    },
+    {
+      "epoch": 0.0458,
+      "grad_norm": 0.018622133880853653,
+      "learning_rate": 3e-06,
+      "loss": 0.0023,
+      "step": 1374
+    },
+    {
+      "epoch": 0.04583333333333333,
+      "grad_norm": 0.017691385000944138,
+      "learning_rate": 3e-06,
+      "loss": 0.0023,
+      "step": 1375
+    },
+    {
+      "epoch": 0.04586666666666667,
+      "grad_norm": 0.012226966209709644,
+      "learning_rate": 3e-06,
+      "loss": 0.0023,
+      "step": 1376
+    },
+    {
+      "completion_length": 252.0625,
+      "epoch": 0.0459,
+      "grad_norm": 0.23014993965625763,
+      "learning_rate": 3e-06,
+      "loss": 0.1642,
+      "reward": 0.25,
+      "reward_std": 0.3811737596988678,
+      "rewards/correctness_reward_func_math": 0.25,
+      "step": 1377,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.04593333333333333,
+      "grad_norm": 0.23351915180683136,
+      "learning_rate": 3e-06,
+      "loss": 0.1649,
+      "step": 1378
+    },
+    {
+      "epoch": 0.04596666666666667,
+      "grad_norm": 0.2159285545349121,
+      "learning_rate": 3e-06,
+      "loss": 0.1618,
+      "step": 1379
+    },
+    {
+      "epoch": 0.046,
+      "grad_norm": 0.19856536388397217,
+      "learning_rate": 3e-06,
+      "loss": 0.1614,
+      "step": 1380
+    },
+    {
+      "epoch": 0.046033333333333336,
+      "grad_norm": 0.2136208862066269,
+      "learning_rate": 3e-06,
+      "loss": 0.1591,
+      "step": 1381
+    },
+    {
+      "epoch": 0.046066666666666665,
+      "grad_norm": 0.17231211066246033,
+      "learning_rate": 3e-06,
+      "loss": 0.1597,
+      "step": 1382
+    },
+    {
+      "epoch": 0.0461,
+      "grad_norm": 0.16108743846416473,
+      "learning_rate": 3e-06,
+      "loss": 0.1568,
+      "step": 1383
+    },
+    {
+      "epoch": 0.04613333333333333,
+      "grad_norm": 0.152730792760849,
+      "learning_rate": 3e-06,
+      "loss": 0.156,
+      "step": 1384
+    },
+    {
+      "completion_length": 239.6875,
+      "epoch": 0.04616666666666667,
+      "grad_norm": 0.3357212245464325,
+      "learning_rate": 3e-06,
+      "loss": 0.1978,
+      "reward": 0.34375,
+      "reward_std": 0.42695626616477966,
+      "rewards/correctness_reward_func_math": 0.34375,
+      "step": 1385,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.0462,
+      "grad_norm": 0.3073735535144806,
+      "learning_rate": 3e-06,
+      "loss": 0.197,
+      "step": 1386
+    },
+    {
+      "epoch": 0.046233333333333335,
+      "grad_norm": 0.332206666469574,
+      "learning_rate": 3e-06,
+      "loss": 0.1969,
+      "step": 1387
+    },
+    {
+      "epoch": 0.046266666666666664,
+      "grad_norm": 0.3077825903892517,
+      "learning_rate": 3e-06,
+      "loss": 0.1949,
+      "step": 1388
+    },
+    {
+      "epoch": 0.0463,
+      "grad_norm": 0.3089907169342041,
+      "learning_rate": 3e-06,
+      "loss": 0.1928,
+      "step": 1389
+    },
+    {
+      "epoch": 0.04633333333333333,
+      "grad_norm": 0.27995601296424866,
+      "learning_rate": 3e-06,
+      "loss": 0.1891,
+      "step": 1390
+    },
+    {
+      "epoch": 0.04636666666666667,
+      "grad_norm": 0.27766379714012146,
+      "learning_rate": 3e-06,
+      "loss": 0.1865,
+      "step": 1391
+    },
+    {
+      "epoch": 0.0464,
+      "grad_norm": 0.27810049057006836,
+      "learning_rate": 3e-06,
+      "loss": 0.1843,
+      "step": 1392
+    },
+    {
+      "completion_length": 252.71875,
+      "epoch": 0.04643333333333333,
+      "grad_norm": 0.11156199872493744,
+      "learning_rate": 3e-06,
+      "loss": 0.0616,
+      "reward": 0.5625,
+      "reward_std": 0.17078250646591187,
+      "rewards/correctness_reward_func_math": 0.5625,
+      "step": 1393,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.04646666666666667,
+      "grad_norm": 0.10402116924524307,
+      "learning_rate": 3e-06,
+      "loss": 0.0622,
+      "step": 1394
+    },
+    {
+      "epoch": 0.0465,
+      "grad_norm": 0.1066533550620079,
+      "learning_rate": 3e-06,
+      "loss": 0.062,
+      "step": 1395
+    },
+    {
+      "epoch": 0.046533333333333336,
+      "grad_norm": 0.09639869630336761,
+      "learning_rate": 3e-06,
+      "loss": 0.0605,
+      "step": 1396
+    },
+    {
+      "epoch": 0.046566666666666666,
+      "grad_norm": 0.08363742381334305,
+      "learning_rate": 3e-06,
+      "loss": 0.0606,
+      "step": 1397
+    },
+    {
+      "epoch": 0.0466,
+      "grad_norm": 0.07860293984413147,
+      "learning_rate": 3e-06,
+      "loss": 0.0603,
+      "step": 1398
+    },
+    {
+      "epoch": 0.04663333333333333,
+      "grad_norm": 0.06883884966373444,
+      "learning_rate": 3e-06,
+      "loss": 0.06,
+      "step": 1399
+    },
+    {
+      "epoch": 0.04666666666666667,
+      "grad_norm": 0.0731160119175911,
+      "learning_rate": 3e-06,
+      "loss": 0.0594,
+      "step": 1400
+    },
+    {
+      "completion_length": 255.34375,
+      "epoch": 0.0467,
+      "grad_norm": 0.19816578924655914,
+      "learning_rate": 3e-06,
+      "loss": 0.165,
+      "reward": 0.71875,
+      "reward_std": 0.38319888710975647,
+      "rewards/correctness_reward_func_math": 0.71875,
+      "step": 1401,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.046733333333333335,
+      "grad_norm": 0.18081672489643097,
+      "learning_rate": 3e-06,
+      "loss": 0.1645,
+      "step": 1402
+    },
+    {
+      "epoch": 0.046766666666666665,
+      "grad_norm": 0.18132072687149048,
+      "learning_rate": 3e-06,
+      "loss": 0.1634,
+      "step": 1403
+    },
+    {
+      "epoch": 0.0468,
+      "grad_norm": 0.19431625306606293,
+      "learning_rate": 3e-06,
+      "loss": 0.1625,
+      "step": 1404
+    },
+    {
+      "epoch": 0.04683333333333333,
+      "grad_norm": 0.20083452761173248,
+      "learning_rate": 3e-06,
+      "loss": 0.16,
+      "step": 1405
+    },
+    {
+      "epoch": 0.04686666666666667,
+      "grad_norm": 0.19956934452056885,
+      "learning_rate": 3e-06,
+      "loss": 0.1594,
+      "step": 1406
+    },
+    {
+      "epoch": 0.0469,
+      "grad_norm": 0.20804114639759064,
+      "learning_rate": 3e-06,
+      "loss": 0.1572,
+      "step": 1407
+    },
+    {
+      "epoch": 0.046933333333333334,
+      "grad_norm": 0.1582537144422531,
+      "learning_rate": 3e-06,
+      "loss": 0.1571,
+      "step": 1408
+    },
+    {
+      "completion_length": 184.34375,
+      "epoch": 0.046966666666666664,
+      "grad_norm": 17.14986228942871,
+      "learning_rate": 3e-06,
+      "loss": 1.3678,
+      "reward": 0.0,
+      "reward_std": 0.0,
+      "rewards/correctness_reward_func_math": 0.0,
+      "step": 1409,
+      "zero_std_ratio": 1.0
+    },
+    {
+      "epoch": 0.047,
+      "grad_norm": 17.014127731323242,
+      "learning_rate": 3e-06,
+      "loss": 1.3257,
+      "step": 1410
+    },
+    {
+      "epoch": 0.04703333333333334,
+      "grad_norm": 16.846445083618164,
+      "learning_rate": 3e-06,
+      "loss": 1.3173,
+      "step": 1411
+    },
+    {
+      "epoch": 0.047066666666666666,
+      "grad_norm": 15.994141578674316,
+      "learning_rate": 3e-06,
+      "loss": 1.2646,
+      "step": 1412
+    },
+    {
+      "epoch": 0.0471,
+      "grad_norm": 15.135900497436523,
+      "learning_rate": 3e-06,
+      "loss": 1.2001,
+      "step": 1413
+    },
+    {
+      "epoch": 0.04713333333333333,
+      "grad_norm": 13.971061706542969,
+      "learning_rate": 3e-06,
+      "loss": 1.1376,
+      "step": 1414
+    },
+    {
+      "epoch": 0.04716666666666667,
+      "grad_norm": 13.380853652954102,
+      "learning_rate": 3e-06,
+      "loss": 1.0751,
+      "step": 1415
+    },
+    {
+      "epoch": 0.0472,
+      "grad_norm": 12.541315078735352,
+      "learning_rate": 3e-06,
+      "loss": 0.996,
+      "step": 1416
+    },
+    {
+      "completion_length": 251.125,
+      "epoch": 0.047233333333333336,
+      "grad_norm": 0.24034744501113892,
+      "learning_rate": 3e-06,
+      "loss": 0.105,
+      "reward": 0.125,
+      "reward_std": 0.22360679507255554,
+      "rewards/correctness_reward_func_math": 0.125,
+      "step": 1417,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.047266666666666665,
+      "grad_norm": 0.16014638543128967,
+      "learning_rate": 3e-06,
+      "loss": 0.1045,
+      "step": 1418
+    },
+    {
+      "epoch": 0.0473,
+      "grad_norm": 0.18009281158447266,
+      "learning_rate": 3e-06,
+      "loss": 0.1042,
+      "step": 1419
+    },
+    {
+      "epoch": 0.04733333333333333,
+      "grad_norm": 0.1511000394821167,
+      "learning_rate": 3e-06,
+      "loss": 0.1038,
+      "step": 1420
+    },
+    {
+      "epoch": 0.04736666666666667,
+      "grad_norm": 0.1865791380405426,
+      "learning_rate": 3e-06,
+      "loss": 0.1032,
+      "step": 1421
+    },
+    {
+      "epoch": 0.0474,
+      "grad_norm": 0.16475264728069305,
+      "learning_rate": 3e-06,
+      "loss": 0.1032,
+      "step": 1422
+    },
+    {
+      "epoch": 0.047433333333333334,
+      "grad_norm": 0.14053814113140106,
+      "learning_rate": 3e-06,
+      "loss": 0.1014,
+      "step": 1423
+    },
+    {
+      "epoch": 0.047466666666666664,
+      "grad_norm": 0.1329917013645172,
+      "learning_rate": 3e-06,
+      "loss": 0.1006,
+      "step": 1424
+    },
+    {
+      "completion_length": 254.0,
+      "epoch": 0.0475,
+      "grad_norm": 0.20007120072841644,
+      "learning_rate": 3e-06,
+      "loss": 0.1167,
+      "reward": 0.34375,
+      "reward_std": 0.23935678601264954,
+      "rewards/correctness_reward_func_math": 0.34375,
+      "step": 1425,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.04753333333333333,
+      "grad_norm": 0.23590752482414246,
+      "learning_rate": 3e-06,
+      "loss": 0.1167,
+      "step": 1426
+    },
+    {
+      "epoch": 0.04756666666666667,
+      "grad_norm": 0.20339913666248322,
+      "learning_rate": 3e-06,
+      "loss": 0.1172,
+      "step": 1427
+    },
+    {
+      "epoch": 0.0476,
+      "grad_norm": 0.24539320170879364,
+      "learning_rate": 3e-06,
+      "loss": 0.1154,
+      "step": 1428
+    },
+    {
+      "epoch": 0.04763333333333333,
+      "grad_norm": 0.18829266726970673,
+      "learning_rate": 3e-06,
+      "loss": 0.1135,
+      "step": 1429
+    },
+    {
+      "epoch": 0.04766666666666667,
+      "grad_norm": 0.18865181505680084,
+      "learning_rate": 3e-06,
+      "loss": 0.1133,
+      "step": 1430
+    },
+    {
+      "epoch": 0.0477,
+      "grad_norm": 0.19600848853588104,
+      "learning_rate": 3e-06,
+      "loss": 0.1105,
+      "step": 1431
+    },
+    {
+      "epoch": 0.047733333333333336,
+      "grad_norm": 0.2188960462808609,
+      "learning_rate": 3e-06,
+      "loss": 0.1091,
+      "step": 1432
+    },
+    {
+      "completion_length": 249.6875,
+      "epoch": 0.047766666666666666,
+      "grad_norm": 0.14445124566555023,
+      "learning_rate": 3e-06,
+      "loss": 0.0848,
+      "reward": 0.09375,
+      "reward_std": 0.20155644416809082,
+      "rewards/correctness_reward_func_math": 0.09375,
+      "step": 1433,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.0478,
+      "grad_norm": 0.14152617752552032,
+      "learning_rate": 3e-06,
+      "loss": 0.0839,
+      "step": 1434
+    },
+    {
+      "epoch": 0.04783333333333333,
+      "grad_norm": 0.12116482108831406,
+      "learning_rate": 3e-06,
+      "loss": 0.0837,
+      "step": 1435
+    },
+    {
+      "epoch": 0.04786666666666667,
+      "grad_norm": 0.12300706654787064,
+      "learning_rate": 3e-06,
+      "loss": 0.0826,
+      "step": 1436
+    },
+    {
+      "epoch": 0.0479,
+      "grad_norm": 0.09233906865119934,
+      "learning_rate": 3e-06,
+      "loss": 0.0826,
+      "step": 1437
+    },
+    {
+      "epoch": 0.047933333333333335,
+      "grad_norm": 0.0907946228981018,
+      "learning_rate": 3e-06,
+      "loss": 0.0822,
+      "step": 1438
+    },
+    {
+      "epoch": 0.047966666666666664,
+      "grad_norm": 0.0836271345615387,
+      "learning_rate": 3e-06,
+      "loss": 0.0822,
+      "step": 1439
+    },
+    {
+      "epoch": 0.048,
+      "grad_norm": 0.0965438261628151,
+      "learning_rate": 3e-06,
+      "loss": 0.0806,
+      "step": 1440
+    },
+    {
+      "completion_length": 254.75,
+      "epoch": 0.04803333333333333,
+      "grad_norm": 0.11104796081781387,
+      "learning_rate": 3e-06,
+      "loss": 0.0406,
+      "reward": 0.46875,
+      "reward_std": 0.125,
+      "rewards/correctness_reward_func_math": 0.46875,
+      "step": 1441,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.04806666666666667,
+      "grad_norm": 0.0933348760008812,
+      "learning_rate": 3e-06,
+      "loss": 0.0402,
+      "step": 1442
+    },
+    {
+      "epoch": 0.0481,
+      "grad_norm": 0.08195942640304565,
+      "learning_rate": 3e-06,
+      "loss": 0.0403,
+      "step": 1443
+    },
+    {
+      "epoch": 0.048133333333333334,
+      "grad_norm": 0.07299939543008804,
+      "learning_rate": 3e-06,
+      "loss": 0.0394,
+      "step": 1444
+    },
+    {
+      "epoch": 0.04816666666666667,
+      "grad_norm": 0.09467977285385132,
+      "learning_rate": 3e-06,
+      "loss": 0.0394,
+      "step": 1445
+    },
+    {
+      "epoch": 0.0482,
+      "grad_norm": 0.06709664314985275,
+      "learning_rate": 3e-06,
+      "loss": 0.0397,
+      "step": 1446
+    },
+    {
+      "epoch": 0.048233333333333336,
+      "grad_norm": 0.0602833554148674,
+      "learning_rate": 3e-06,
+      "loss": 0.0386,
+      "step": 1447
+    },
+    {
+      "epoch": 0.048266666666666666,
+      "grad_norm": 0.06221834942698479,
+      "learning_rate": 3e-06,
+      "loss": 0.0385,
+      "step": 1448
+    },
+    {
+      "completion_length": 254.1875,
+      "epoch": 0.0483,
+      "grad_norm": 0.06285559386014938,
+      "learning_rate": 3e-06,
+      "loss": 0.0063,
+      "reward": 0.0,
+      "reward_std": 0.0,
+      "rewards/correctness_reward_func_math": 0.0,
+      "step": 1449,
+      "zero_std_ratio": 1.0
+    },
+    {
+      "epoch": 0.04833333333333333,
+      "grad_norm": 0.060872673988342285,
+      "learning_rate": 3e-06,
+      "loss": 0.0062,
+      "step": 1450
+    },
+    {
+      "epoch": 0.04836666666666667,
+      "grad_norm": 0.050539351999759674,
+      "learning_rate": 3e-06,
+      "loss": 0.006,
+      "step": 1451
+    },
+    {
+      "epoch": 0.0484,
+      "grad_norm": 0.04205344617366791,
+      "learning_rate": 3e-06,
+      "loss": 0.0058,
+      "step": 1452
+    },
+    {
+      "epoch": 0.048433333333333335,
+      "grad_norm": 0.04059898480772972,
+      "learning_rate": 3e-06,
+      "loss": 0.0058,
+      "step": 1453
+    },
+    {
+      "epoch": 0.048466666666666665,
+      "grad_norm": 0.033937305212020874,
+      "learning_rate": 3e-06,
+      "loss": 0.0056,
+      "step": 1454
+    },
+    {
+      "epoch": 0.0485,
+      "grad_norm": 0.02262023463845253,
+      "learning_rate": 3e-06,
+      "loss": 0.0055,
+      "step": 1455
+    },
+    {
+      "epoch": 0.04853333333333333,
+      "grad_norm": 0.021515004336833954,
+      "learning_rate": 3e-06,
+      "loss": 0.0054,
+      "step": 1456
+    },
+    {
+      "completion_length": 246.8125,
+      "epoch": 0.04856666666666667,
+      "grad_norm": 0.2971879541873932,
+      "learning_rate": 3e-06,
+      "loss": 0.1358,
+      "reward": 0.28125,
+      "reward_std": 0.2561737596988678,
+      "rewards/correctness_reward_func_math": 0.28125,
+      "step": 1457,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.0486,
+      "grad_norm": 0.2692025303840637,
+      "learning_rate": 3e-06,
+      "loss": 0.134,
+      "step": 1458
+    },
+    {
+      "epoch": 0.048633333333333334,
+      "grad_norm": 0.2372675985097885,
+      "learning_rate": 3e-06,
+      "loss": 0.1343,
+      "step": 1459
+    },
+    {
+      "epoch": 0.048666666666666664,
+      "grad_norm": 0.2359243929386139,
+      "learning_rate": 3e-06,
+      "loss": 0.1332,
+      "step": 1460
+    },
+    {
+      "epoch": 0.0487,
+      "grad_norm": 0.23707279562950134,
+      "learning_rate": 3e-06,
+      "loss": 0.1326,
+      "step": 1461
+    },
+    {
+      "epoch": 0.04873333333333333,
+      "grad_norm": 0.21997582912445068,
+      "learning_rate": 3e-06,
+      "loss": 0.1318,
+      "step": 1462
+    },
+    {
+      "epoch": 0.048766666666666666,
+      "grad_norm": 0.23907022178173065,
+      "learning_rate": 3e-06,
+      "loss": 0.1294,
+      "step": 1463
+    },
+    {
+      "epoch": 0.0488,
+      "grad_norm": 0.20247843861579895,
+      "learning_rate": 3e-06,
+      "loss": 0.1269,
+      "step": 1464
+    },
+    {
+      "completion_length": 242.5625,
+      "epoch": 0.04883333333333333,
+      "grad_norm": 0.06284216046333313,
+      "learning_rate": 3e-06,
+      "loss": 0.0067,
+      "reward": 0.0,
+      "reward_std": 0.0,
+      "rewards/correctness_reward_func_math": 0.0,
+      "step": 1465,
+      "zero_std_ratio": 1.0
+    },
+    {
+      "epoch": 0.04886666666666667,
+      "grad_norm": 0.05778082087635994,
+      "learning_rate": 3e-06,
+      "loss": 0.0067,
+      "step": 1466
+    },
+    {
+      "epoch": 0.0489,
+      "grad_norm": 0.054916925728321075,
+      "learning_rate": 3e-06,
+      "loss": 0.0066,
+      "step": 1467
+    },
+    {
+      "epoch": 0.048933333333333336,
+      "grad_norm": 0.04636479169130325,
+      "learning_rate": 3e-06,
+      "loss": 0.0065,
+      "step": 1468
+    },
+    {
+      "epoch": 0.048966666666666665,
+      "grad_norm": 0.04401632025837898,
+      "learning_rate": 3e-06,
+      "loss": 0.0064,
+      "step": 1469
+    },
+    {
+      "epoch": 0.049,
+      "grad_norm": 0.033022623509168625,
+      "learning_rate": 3e-06,
+      "loss": 0.0063,
+      "step": 1470
+    },
+    {
+      "epoch": 0.04903333333333333,
+      "grad_norm": 0.02671346813440323,
+      "learning_rate": 3e-06,
+      "loss": 0.0063,
+      "step": 1471
+    },
+    {
+      "epoch": 0.04906666666666667,
+      "grad_norm": 0.01854526810348034,
+      "learning_rate": 3e-06,
+      "loss": 0.0062,
+      "step": 1472
+    },
+    {
+      "completion_length": 253.875,
+      "epoch": 0.0491,
+      "grad_norm": 0.5275839567184448,
+      "learning_rate": 3e-06,
+      "loss": 0.168,
+      "reward": 0.3125,
+      "reward_std": 0.3811737596988678,
+      "rewards/correctness_reward_func_math": 0.3125,
+      "step": 1473,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.049133333333333334,
+      "grad_norm": 0.554264485836029,
+      "learning_rate": 3e-06,
+      "loss": 0.1668,
+      "step": 1474
+    },
+    {
+      "epoch": 0.049166666666666664,
+      "grad_norm": 0.5380470156669617,
+      "learning_rate": 3e-06,
+      "loss": 0.1671,
+      "step": 1475
+    },
+    {
+      "epoch": 0.0492,
+      "grad_norm": 0.4706686735153198,
+      "learning_rate": 3e-06,
+      "loss": 0.1622,
+      "step": 1476
+    },
+    {
+      "epoch": 0.04923333333333333,
+      "grad_norm": 0.4374648630619049,
+      "learning_rate": 3e-06,
+      "loss": 0.1606,
+      "step": 1477
+    },
+    {
+      "epoch": 0.04926666666666667,
+      "grad_norm": 0.41051018238067627,
+      "learning_rate": 3e-06,
+      "loss": 0.1563,
+      "step": 1478
+    },
+    {
+      "epoch": 0.0493,
+      "grad_norm": 0.39222389459609985,
+      "learning_rate": 3e-06,
+      "loss": 0.1524,
+      "step": 1479
+    },
+    {
+      "epoch": 0.04933333333333333,
+      "grad_norm": 0.3211610019207001,
+      "learning_rate": 3e-06,
+      "loss": 0.1523,
+      "step": 1480
+    },
+    {
+      "completion_length": 253.8125,
+      "epoch": 0.04936666666666667,
+      "grad_norm": 0.29773733019828796,
+      "learning_rate": 3e-06,
+      "loss": 0.1853,
+      "reward": 0.25,
+      "reward_std": 0.42078250646591187,
+      "rewards/correctness_reward_func_math": 0.25,
+      "step": 1481,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.0494,
+      "grad_norm": 0.29620200395584106,
+      "learning_rate": 3e-06,
+      "loss": 0.1842,
+      "step": 1482
+    },
+    {
+      "epoch": 0.049433333333333336,
+      "grad_norm": 0.30779269337654114,
+      "learning_rate": 3e-06,
+      "loss": 0.1847,
+      "step": 1483
+    },
+    {
+      "epoch": 0.049466666666666666,
+      "grad_norm": 0.2874087393283844,
+      "learning_rate": 3e-06,
+      "loss": 0.1822,
+      "step": 1484
+    },
+    {
+      "epoch": 0.0495,
+      "grad_norm": 0.29702794551849365,
+      "learning_rate": 3e-06,
+      "loss": 0.1808,
+      "step": 1485
+    },
+    {
+      "epoch": 0.04953333333333333,
+      "grad_norm": 0.2929514944553375,
+      "learning_rate": 3e-06,
+      "loss": 0.1791,
+      "step": 1486
+    },
+    {
+      "epoch": 0.04956666666666667,
+      "grad_norm": 0.27243390679359436,
+      "learning_rate": 3e-06,
+      "loss": 0.1763,
+      "step": 1487
+    },
+    {
+      "epoch": 0.0496,
+      "grad_norm": 0.26037123799324036,
+      "learning_rate": 3e-06,
+      "loss": 0.1742,
+      "step": 1488
+    },
+    {
+      "completion_length": 254.625,
+      "epoch": 0.049633333333333335,
+      "grad_norm": 0.18075157701969147,
+      "learning_rate": 3e-06,
+      "loss": 0.0345,
+      "reward": 0.53125,
+      "reward_std": 0.125,
+      "rewards/correctness_reward_func_math": 0.53125,
+      "step": 1489,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.049666666666666665,
+      "grad_norm": 0.20608097314834595,
+      "learning_rate": 3e-06,
+      "loss": 0.0349,
+      "step": 1490
+    },
+    {
+      "epoch": 0.0497,
+      "grad_norm": 0.1507950872182846,
+      "learning_rate": 3e-06,
+      "loss": 0.0348,
+      "step": 1491
+    },
+    {
+      "epoch": 0.04973333333333333,
+      "grad_norm": 0.11649920046329498,
+      "learning_rate": 3e-06,
+      "loss": 0.0348,
+      "step": 1492
+    },
+    {
+      "epoch": 0.04976666666666667,
+      "grad_norm": 0.14879146218299866,
+      "learning_rate": 3e-06,
+      "loss": 0.0342,
+      "step": 1493
+    },
+    {
+      "epoch": 0.0498,
+      "grad_norm": 0.11663413792848587,
+      "learning_rate": 3e-06,
+      "loss": 0.0338,
+      "step": 1494
+    },
+    {
+      "epoch": 0.049833333333333334,
+      "grad_norm": 0.14703652262687683,
+      "learning_rate": 3e-06,
+      "loss": 0.0335,
+      "step": 1495
+    },
+    {
+      "epoch": 0.04986666666666666,
+      "grad_norm": 0.13113050162792206,
+      "learning_rate": 3e-06,
+      "loss": 0.0329,
+      "step": 1496
+    },
+    {
+      "completion_length": 232.78125,
+      "epoch": 0.0499,
+      "grad_norm": 0.3216227889060974,
+      "learning_rate": 3e-06,
+      "loss": 0.1405,
+      "reward": 0.25,
+      "reward_std": 0.25819888710975647,
+      "rewards/correctness_reward_func_math": 0.25,
+      "step": 1497,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.049933333333333337,
+      "grad_norm": 0.3237127363681793,
+      "learning_rate": 3e-06,
+      "loss": 0.1405,
+      "step": 1498
+    },
+    {
+      "epoch": 0.049966666666666666,
+      "grad_norm": 0.3071592450141907,
+      "learning_rate": 3e-06,
+      "loss": 0.139,
+      "step": 1499
+    },
+    {
+      "epoch": 0.05,
+      "grad_norm": 0.3138082027435303,
+      "learning_rate": 3e-06,
+      "loss": 0.138,
+      "step": 1500
+    },
+    {
+      "epoch": 0.05003333333333333,
+      "grad_norm": 0.29736122488975525,
+      "learning_rate": 3e-06,
+      "loss": 0.1359,
+      "step": 1501
+    },
+    {
+      "epoch": 0.05006666666666667,
+      "grad_norm": 0.29749348759651184,
+      "learning_rate": 3e-06,
+      "loss": 0.1336,
+      "step": 1502
+    },
+    {
+      "epoch": 0.0501,
+      "grad_norm": 0.28787168860435486,
+      "learning_rate": 3e-06,
+      "loss": 0.1321,
+      "step": 1503
+    },
+    {
+      "epoch": 0.050133333333333335,
+      "grad_norm": 0.2753235697746277,
+      "learning_rate": 3e-06,
+      "loss": 0.1305,
+      "step": 1504
+    },
+    {
+      "completion_length": 244.75,
+      "epoch": 0.050166666666666665,
+      "grad_norm": 0.23533514142036438,
+      "learning_rate": 3e-06,
+      "loss": 0.1927,
+      "reward": 0.71875,
+      "reward_std": 0.42695626616477966,
+      "rewards/correctness_reward_func_math": 0.71875,
+      "step": 1505,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.0502,
+      "grad_norm": 0.22737225890159607,
+      "learning_rate": 3e-06,
+      "loss": 0.1914,
+      "step": 1506
+    },
+    {
+      "epoch": 0.05023333333333333,
+      "grad_norm": 0.21402603387832642,
+      "learning_rate": 3e-06,
+      "loss": 0.192,
+      "step": 1507
+    },
+    {
+      "epoch": 0.05026666666666667,
+      "grad_norm": 0.2249138206243515,
+      "learning_rate": 3e-06,
+      "loss": 0.1901,
+      "step": 1508
+    },
+    {
+      "epoch": 0.0503,
+      "grad_norm": 0.2024301439523697,
+      "learning_rate": 3e-06,
+      "loss": 0.1902,
+      "step": 1509
+    },
+    {
+      "epoch": 0.050333333333333334,
+      "grad_norm": 0.17059683799743652,
+      "learning_rate": 3e-06,
+      "loss": 0.1872,
+      "step": 1510
+    },
+    {
+      "epoch": 0.050366666666666664,
+      "grad_norm": 0.17103542387485504,
+      "learning_rate": 3e-06,
+      "loss": 0.1865,
+      "step": 1511
+    },
+    {
+      "epoch": 0.0504,
+      "grad_norm": 0.19049455225467682,
+      "learning_rate": 3e-06,
+      "loss": 0.1858,
+      "step": 1512
+    },
+    {
+      "completion_length": 248.96875,
+      "epoch": 0.05043333333333333,
+      "grad_norm": 0.27840203046798706,
+      "learning_rate": 3e-06,
+      "loss": 0.1325,
+      "reward": 0.1875,
+      "reward_std": 0.25,
+      "rewards/correctness_reward_func_math": 0.1875,
+      "step": 1513,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.05046666666666667,
+      "grad_norm": 0.35982492566108704,
+      "learning_rate": 3e-06,
+      "loss": 0.1324,
+      "step": 1514
+    },
+    {
+      "epoch": 0.0505,
+      "grad_norm": 0.28412455320358276,
+      "learning_rate": 3e-06,
+      "loss": 0.1318,
+      "step": 1515
+    },
+    {
+      "epoch": 0.05053333333333333,
+      "grad_norm": 0.30263611674308777,
+      "learning_rate": 3e-06,
+      "loss": 0.1303,
+      "step": 1516
+    },
+    {
+      "epoch": 0.05056666666666667,
+      "grad_norm": 0.2870819866657257,
+      "learning_rate": 3e-06,
+      "loss": 0.1289,
+      "step": 1517
+    },
+    {
+      "epoch": 0.0506,
+      "grad_norm": 0.2824283242225647,
+      "learning_rate": 3e-06,
+      "loss": 0.127,
+      "step": 1518
+    },
+    {
+      "epoch": 0.050633333333333336,
+      "grad_norm": 0.27163439989089966,
+      "learning_rate": 3e-06,
+      "loss": 0.1247,
+      "step": 1519
+    },
+    {
+      "epoch": 0.050666666666666665,
+      "grad_norm": 0.2753116190433502,
+      "learning_rate": 3e-06,
+      "loss": 0.1224,
+      "step": 1520
+    },
+    {
+      "completion_length": 235.28125,
+      "epoch": 0.0507,
+      "grad_norm": 0.1899942308664322,
+      "learning_rate": 3e-06,
+      "loss": 0.147,
+      "reward": 0.84375,
+      "reward_std": 0.34860679507255554,
+      "rewards/correctness_reward_func_math": 0.84375,
+      "step": 1521,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.05073333333333333,
+      "grad_norm": 0.18991850316524506,
+      "learning_rate": 3e-06,
+      "loss": 0.1455,
+      "step": 1522
+    },
+    {
+      "epoch": 0.05076666666666667,
+      "grad_norm": 0.1785658448934555,
+      "learning_rate": 3e-06,
+      "loss": 0.1449,
+      "step": 1523
+    },
+    {
+      "epoch": 0.0508,
+      "grad_norm": 0.16625156998634338,
+      "learning_rate": 3e-06,
+      "loss": 0.1446,
+      "step": 1524
+    },
+    {
+      "epoch": 0.050833333333333335,
+      "grad_norm": 0.21187733113765717,
+      "learning_rate": 3e-06,
+      "loss": 0.1433,
+      "step": 1525
+    },
+    {
+      "epoch": 0.050866666666666664,
+      "grad_norm": 0.16006319224834442,
+      "learning_rate": 3e-06,
+      "loss": 0.1435,
+      "step": 1526
+    },
+    {
+      "epoch": 0.0509,
+      "grad_norm": 0.17056898772716522,
+      "learning_rate": 3e-06,
+      "loss": 0.142,
+      "step": 1527
+    },
+    {
+      "epoch": 0.05093333333333333,
+      "grad_norm": 0.15811577439308167,
+      "learning_rate": 3e-06,
+      "loss": 0.1421,
+      "step": 1528
+    },
+    {
+      "completion_length": 183.53125,
+      "epoch": 0.05096666666666667,
+      "grad_norm": 5.379082679748535,
+      "learning_rate": 3e-06,
+      "loss": 0.7876,
+      "reward": 0.0,
+      "reward_std": 0.0,
+      "rewards/correctness_reward_func_math": 0.0,
+      "step": 1529,
+      "zero_std_ratio": 1.0
+    },
+    {
+      "epoch": 0.051,
+      "grad_norm": 5.294602870941162,
+      "learning_rate": 3e-06,
+      "loss": 0.7771,
+      "step": 1530
+    },
+    {
+      "epoch": 0.05103333333333333,
+      "grad_norm": 5.190073490142822,
+      "learning_rate": 3e-06,
+      "loss": 0.7721,
+      "step": 1531
+    },
+    {
+      "epoch": 0.05106666666666667,
+      "grad_norm": 5.567417144775391,
+      "learning_rate": 3e-06,
+      "loss": 0.7616,
+      "step": 1532
+    },
+    {
+      "epoch": 0.0511,
+      "grad_norm": 5.272940635681152,
+      "learning_rate": 3e-06,
+      "loss": 0.7372,
+      "step": 1533
+    },
+    {
+      "epoch": 0.051133333333333336,
+      "grad_norm": 4.963688850402832,
+      "learning_rate": 3e-06,
+      "loss": 0.7323,
+      "step": 1534
+    },
+    {
+      "epoch": 0.051166666666666666,
+      "grad_norm": 4.621523857116699,
+      "learning_rate": 3e-06,
+      "loss": 0.6942,
+      "step": 1535
+    },
+    {
+      "epoch": 0.0512,
+      "grad_norm": 4.537539005279541,
+      "learning_rate": 3e-06,
+      "loss": 0.6871,
+      "step": 1536
+    },
+    {
+      "completion_length": 200.28125,
+      "epoch": 0.05123333333333333,
+      "grad_norm": 3.9101438522338867,
+      "learning_rate": 3e-06,
+      "loss": 1.1122,
+      "reward": 0.09375,
+      "reward_std": 0.20155644416809082,
+      "rewards/correctness_reward_func_math": 0.09375,
+      "step": 1537,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.05126666666666667,
+      "grad_norm": 3.8600802421569824,
+      "learning_rate": 3e-06,
+      "loss": 1.1088,
+      "step": 1538
+    },
+    {
+      "epoch": 0.0513,
+      "grad_norm": 5.163720607757568,
+      "learning_rate": 3e-06,
+      "loss": 1.0825,
+      "step": 1539
+    },
+    {
+      "epoch": 0.051333333333333335,
+      "grad_norm": 6.1911773681640625,
+      "learning_rate": 3e-06,
+      "loss": 1.0641,
+      "step": 1540
+    },
+    {
+      "epoch": 0.051366666666666665,
+      "grad_norm": 3.343125820159912,
+      "learning_rate": 3e-06,
+      "loss": 1.0626,
+      "step": 1541
+    },
+    {
+      "epoch": 0.0514,
+      "grad_norm": 3.1478517055511475,
+      "learning_rate": 3e-06,
+      "loss": 1.0494,
+      "step": 1542
+    },
+    {
+      "epoch": 0.05143333333333333,
+      "grad_norm": 3.744682550430298,
+      "learning_rate": 3e-06,
+      "loss": 1.0292,
+      "step": 1543
+    },
+    {
+      "epoch": 0.05146666666666667,
+      "grad_norm": 2.912240505218506,
+      "learning_rate": 3e-06,
+      "loss": 1.0272,
+      "step": 1544
+    },
+    {
+      "completion_length": 248.21875,
+      "epoch": 0.0515,
+      "grad_norm": 0.2519960105419159,
+      "learning_rate": 3e-06,
+      "loss": 0.1992,
+      "reward": 0.65625,
+      "reward_std": 0.42695626616477966,
+      "rewards/correctness_reward_func_math": 0.65625,
+      "step": 1545,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.051533333333333334,
+      "grad_norm": 0.2561526298522949,
+      "learning_rate": 3e-06,
+      "loss": 0.1974,
+      "step": 1546
+    },
+    {
+      "epoch": 0.05156666666666666,
+      "grad_norm": 0.26231077313423157,
+      "learning_rate": 3e-06,
+      "loss": 0.1979,
+      "step": 1547
+    },
+    {
+      "epoch": 0.0516,
+      "grad_norm": 0.2676127851009369,
+      "learning_rate": 3e-06,
+      "loss": 0.1965,
+      "step": 1548
+    },
+    {
+      "epoch": 0.05163333333333334,
+      "grad_norm": 0.2702215909957886,
+      "learning_rate": 3e-06,
+      "loss": 0.196,
+      "step": 1549
+    },
+    {
+      "epoch": 0.051666666666666666,
+      "grad_norm": 0.26127076148986816,
+      "learning_rate": 3e-06,
+      "loss": 0.1951,
+      "step": 1550
+    },
+    {
+      "epoch": 0.0517,
+      "grad_norm": 0.27322623133659363,
+      "learning_rate": 3e-06,
+      "loss": 0.1939,
+      "step": 1551
+    },
+    {
+      "epoch": 0.05173333333333333,
+      "grad_norm": 0.2524160146713257,
+      "learning_rate": 3e-06,
+      "loss": 0.1936,
+      "step": 1552
+    },
+    {
+      "completion_length": 254.0,
+      "epoch": 0.05176666666666667,
+      "grad_norm": 0.2876618802547455,
+      "learning_rate": 3e-06,
+      "loss": 0.1027,
+      "reward": 0.375,
+      "reward_std": 0.22360679507255554,
+      "rewards/correctness_reward_func_math": 0.375,
+      "step": 1553,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.0518,
+      "grad_norm": 0.2592063248157501,
+      "learning_rate": 3e-06,
+      "loss": 0.1043,
+      "step": 1554
+    },
+    {
+      "epoch": 0.051833333333333335,
+      "grad_norm": 0.29030370712280273,
+      "learning_rate": 3e-06,
+      "loss": 0.1016,
+      "step": 1555
+    },
+    {
+      "epoch": 0.051866666666666665,
+      "grad_norm": 0.2753410041332245,
+      "learning_rate": 3e-06,
+      "loss": 0.1,
+      "step": 1556
+    },
+    {
+      "epoch": 0.0519,
+      "grad_norm": 0.20868481695652008,
+      "learning_rate": 3e-06,
+      "loss": 0.1013,
+      "step": 1557
+    },
+    {
+      "epoch": 0.05193333333333333,
+      "grad_norm": 0.17180320620536804,
+      "learning_rate": 3e-06,
+      "loss": 0.0986,
+      "step": 1558
+    },
+    {
+      "epoch": 0.05196666666666667,
+      "grad_norm": 0.16166988015174866,
+      "learning_rate": 3e-06,
+      "loss": 0.0965,
+      "step": 1559
+    },
+    {
+      "epoch": 0.052,
+      "grad_norm": 0.19196717441082,
+      "learning_rate": 3e-06,
+      "loss": 0.0962,
+      "step": 1560
+    },
+    {
+      "completion_length": 242.1875,
+      "epoch": 0.052033333333333334,
+      "grad_norm": 0.28496232628822327,
+      "learning_rate": 3e-06,
+      "loss": 0.1717,
+      "reward": 0.25,
+      "reward_std": 0.3811737596988678,
+      "rewards/correctness_reward_func_math": 0.25,
+      "step": 1561,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.052066666666666664,
+      "grad_norm": 0.2808539867401123,
+      "learning_rate": 3e-06,
+      "loss": 0.1707,
+      "step": 1562
+    },
+    {
+      "epoch": 0.0521,
+      "grad_norm": 0.2739051878452301,
+      "learning_rate": 3e-06,
+      "loss": 0.1705,
+      "step": 1563
+    },
+    {
+      "epoch": 0.05213333333333333,
+      "grad_norm": 0.27784237265586853,
+      "learning_rate": 3e-06,
+      "loss": 0.1673,
+      "step": 1564
+    },
+    {
+      "epoch": 0.05216666666666667,
+      "grad_norm": 0.2698833644390106,
+      "learning_rate": 3e-06,
+      "loss": 0.1658,
+      "step": 1565
+    },
+    {
+      "epoch": 0.0522,
+      "grad_norm": 0.25611448287963867,
+      "learning_rate": 3e-06,
+      "loss": 0.1652,
+      "step": 1566
+    },
+    {
+      "epoch": 0.05223333333333333,
+      "grad_norm": 0.25798577070236206,
+      "learning_rate": 3e-06,
+      "loss": 0.1617,
+      "step": 1567
+    },
+    {
+      "epoch": 0.05226666666666667,
+      "grad_norm": 0.24130210280418396,
+      "learning_rate": 3e-06,
+      "loss": 0.1594,
+      "step": 1568
+    },
+    {
+      "completion_length": 255.15625,
+      "epoch": 0.0523,
+      "grad_norm": 0.3055150806903839,
+      "learning_rate": 3e-06,
+      "loss": 0.2688,
+      "reward": 0.46875,
+      "reward_std": 0.5143726468086243,
+      "rewards/correctness_reward_func_math": 0.46875,
+      "step": 1569,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.052333333333333336,
+      "grad_norm": 0.30249297618865967,
+      "learning_rate": 3e-06,
+      "loss": 0.2675,
+      "step": 1570
+    },
+    {
+      "epoch": 0.052366666666666666,
+      "grad_norm": 0.29845359921455383,
+      "learning_rate": 3e-06,
+      "loss": 0.2683,
+      "step": 1571
+    },
+    {
+      "epoch": 0.0524,
+      "grad_norm": 0.29230496287345886,
+      "learning_rate": 3e-06,
+      "loss": 0.2662,
+      "step": 1572
+    },
+    {
+      "epoch": 0.05243333333333333,
+      "grad_norm": 0.2750018835067749,
+      "learning_rate": 3e-06,
+      "loss": 0.2661,
+      "step": 1573
+    },
+    {
+      "epoch": 0.05246666666666667,
+      "grad_norm": 0.269535630941391,
+      "learning_rate": 3e-06,
+      "loss": 0.2654,
+      "step": 1574
+    },
+    {
+      "epoch": 0.0525,
+      "grad_norm": 0.28202304244041443,
+      "learning_rate": 3e-06,
+      "loss": 0.2622,
+      "step": 1575
+    },
+    {
+      "epoch": 0.052533333333333335,
+      "grad_norm": 0.24338462948799133,
+      "learning_rate": 3e-06,
+      "loss": 0.2604,
+      "step": 1576
+    },
+    {
+      "completion_length": 253.0625,
+      "epoch": 0.052566666666666664,
+      "grad_norm": 0.07899879664182663,
+      "learning_rate": 3e-06,
+      "loss": 0.0085,
+      "reward": 0.0,
+      "reward_std": 0.0,
+      "rewards/correctness_reward_func_math": 0.0,
+      "step": 1577,
+      "zero_std_ratio": 1.0
+    },
+    {
+      "epoch": 0.0526,
+      "grad_norm": 0.08809391409158707,
+      "learning_rate": 3e-06,
+      "loss": 0.0087,
+      "step": 1578
+    },
+    {
+      "epoch": 0.05263333333333333,
+      "grad_norm": 0.07725213468074799,
+      "learning_rate": 3e-06,
+      "loss": 0.0084,
+      "step": 1579
+    },
+    {
+      "epoch": 0.05266666666666667,
+      "grad_norm": 0.07352132350206375,
+      "learning_rate": 3e-06,
+      "loss": 0.0083,
+      "step": 1580
+    },
+    {
+      "epoch": 0.0527,
+      "grad_norm": 0.06681083887815475,
+      "learning_rate": 3e-06,
+      "loss": 0.0081,
+      "step": 1581
+    },
+    {
+      "epoch": 0.05273333333333333,
+      "grad_norm": 0.05827196314930916,
+      "learning_rate": 3e-06,
+      "loss": 0.0079,
+      "step": 1582
+    },
+    {
+      "epoch": 0.05276666666666667,
+      "grad_norm": 0.044709209352731705,
+      "learning_rate": 3e-06,
+      "loss": 0.0077,
+      "step": 1583
+    },
+    {
+      "epoch": 0.0528,
+      "grad_norm": 0.033734701573848724,
+      "learning_rate": 3e-06,
+      "loss": 0.0075,
+      "step": 1584
+    },
+    {
+      "completion_length": 252.375,
+      "epoch": 0.052833333333333336,
+      "grad_norm": 0.20026268064975739,
+      "learning_rate": 3e-06,
+      "loss": 0.0701,
+      "reward": 0.5625,
+      "reward_std": 0.17078250646591187,
+      "rewards/correctness_reward_func_math": 0.5625,
+      "step": 1585,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.052866666666666666,
+      "grad_norm": 0.18569020926952362,
+      "learning_rate": 3e-06,
+      "loss": 0.0701,
+      "step": 1586
+    },
+    {
+      "epoch": 0.0529,
+      "grad_norm": 0.16603229939937592,
+      "learning_rate": 3e-06,
+      "loss": 0.0691,
+      "step": 1587
+    },
+    {
+      "epoch": 0.05293333333333333,
+      "grad_norm": 0.17058143019676208,
+      "learning_rate": 3e-06,
+      "loss": 0.069,
+      "step": 1588
+    },
+    {
+      "epoch": 0.05296666666666667,
+      "grad_norm": 0.1553438901901245,
+      "learning_rate": 3e-06,
+      "loss": 0.0672,
+      "step": 1589
+    },
+    {
+      "epoch": 0.053,
+      "grad_norm": 0.151481032371521,
+      "learning_rate": 3e-06,
+      "loss": 0.0683,
+      "step": 1590
+    },
+    {
+      "epoch": 0.053033333333333335,
+      "grad_norm": 0.15485313534736633,
+      "learning_rate": 3e-06,
+      "loss": 0.0664,
+      "step": 1591
+    },
+    {
+      "epoch": 0.053066666666666665,
+      "grad_norm": 0.17105649411678314,
+      "learning_rate": 3e-06,
+      "loss": 0.0663,
+      "step": 1592
+    },
+    {
+      "completion_length": 238.0,
+      "epoch": 0.0531,
+      "grad_norm": 0.4432382583618164,
+      "learning_rate": 3e-06,
+      "loss": 0.243,
+      "reward": 0.5,
+      "reward_std": 0.4787135720252991,
+      "rewards/correctness_reward_func_math": 0.5,
+      "step": 1593,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.05313333333333333,
+      "grad_norm": 0.4461991786956787,
+      "learning_rate": 3e-06,
+      "loss": 0.2414,
+      "step": 1594
+    },
+    {
+      "epoch": 0.05316666666666667,
+      "grad_norm": 0.4520772099494934,
+      "learning_rate": 3e-06,
+      "loss": 0.2413,
+      "step": 1595
+    },
+    {
+      "epoch": 0.0532,
+      "grad_norm": 0.4452292323112488,
+      "learning_rate": 3e-06,
+      "loss": 0.2403,
+      "step": 1596
+    },
+    {
+      "epoch": 0.053233333333333334,
+      "grad_norm": 0.43045634031295776,
+      "learning_rate": 3e-06,
+      "loss": 0.2359,
+      "step": 1597
+    },
+    {
+      "epoch": 0.053266666666666664,
+      "grad_norm": 0.40069329738616943,
+      "learning_rate": 3e-06,
+      "loss": 0.2323,
+      "step": 1598
+    },
+    {
+      "epoch": 0.0533,
+      "grad_norm": 0.3801378607749939,
+      "learning_rate": 3e-06,
+      "loss": 0.2286,
+      "step": 1599
+    },
+    {
+      "epoch": 0.05333333333333334,
+      "grad_norm": 0.36563870310783386,
+      "learning_rate": 3e-06,
+      "loss": 0.2264,
+      "step": 1600
+    },
+    {
+      "completion_length": 233.03125,
+      "epoch": 0.053366666666666666,
+      "grad_norm": 0.19375073909759521,
+      "learning_rate": 3e-06,
+      "loss": 0.1065,
+      "reward": 0.40625,
+      "reward_std": 0.20155644416809082,
+      "rewards/correctness_reward_func_math": 0.40625,
+      "step": 1601,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.0534,
+      "grad_norm": 0.18908612430095673,
+      "learning_rate": 3e-06,
+      "loss": 0.1057,
+      "step": 1602
+    },
+    {
+      "epoch": 0.05343333333333333,
+      "grad_norm": 0.18463055789470673,
+      "learning_rate": 3e-06,
+      "loss": 0.1052,
+      "step": 1603
+    },
+    {
+      "epoch": 0.05346666666666667,
+      "grad_norm": 0.1749989092350006,
+      "learning_rate": 3e-06,
+      "loss": 0.1043,
+      "step": 1604
+    },
+    {
+      "epoch": 0.0535,
+      "grad_norm": 0.17054888606071472,
+      "learning_rate": 3e-06,
+      "loss": 0.1026,
+      "step": 1605
+    },
+    {
+      "epoch": 0.053533333333333336,
+      "grad_norm": 0.15285414457321167,
+      "learning_rate": 3e-06,
+      "loss": 0.1008,
+      "step": 1606
+    },
+    {
+      "epoch": 0.053566666666666665,
+      "grad_norm": 0.1555665135383606,
+      "learning_rate": 3e-06,
+      "loss": 0.1002,
+      "step": 1607
+    },
+    {
+      "epoch": 0.0536,
+      "grad_norm": 0.13729426264762878,
+      "learning_rate": 3e-06,
+      "loss": 0.0987,
+      "step": 1608
+    },
+    {
+      "completion_length": 245.78125,
+      "epoch": 0.05363333333333333,
+      "grad_norm": 0.2621360123157501,
+      "learning_rate": 3e-06,
+      "loss": 0.1341,
+      "reward": 0.1875,
+      "reward_std": 0.25,
+      "rewards/correctness_reward_func_math": 0.1875,
+      "step": 1609,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.05366666666666667,
+      "grad_norm": 0.2306748926639557,
+      "learning_rate": 3e-06,
+      "loss": 0.1334,
+      "step": 1610
+    },
+    {
+      "epoch": 0.0537,
+      "grad_norm": 0.22244994342327118,
+      "learning_rate": 3e-06,
+      "loss": 0.1329,
+      "step": 1611
+    },
+    {
+      "epoch": 0.053733333333333334,
+      "grad_norm": 0.20417103171348572,
+      "learning_rate": 3e-06,
+      "loss": 0.1315,
+      "step": 1612
+    },
+    {
+      "epoch": 0.053766666666666664,
+      "grad_norm": 0.23233039677143097,
+      "learning_rate": 3e-06,
+      "loss": 0.1309,
+      "step": 1613
+    },
+    {
+      "epoch": 0.0538,
+      "grad_norm": 0.19430069625377655,
+      "learning_rate": 3e-06,
+      "loss": 0.13,
+      "step": 1614
+    },
+    {
+      "epoch": 0.05383333333333333,
+      "grad_norm": 0.20964951813220978,
+      "learning_rate": 3e-06,
+      "loss": 0.1288,
+      "step": 1615
+    },
+    {
+      "epoch": 0.05386666666666667,
+      "grad_norm": 0.23972201347351074,
+      "learning_rate": 3e-06,
+      "loss": 0.1265,
+      "step": 1616
+    },
+    {
+      "completion_length": 238.75,
+      "epoch": 0.0539,
+      "grad_norm": 0.2255379855632782,
+      "learning_rate": 3e-06,
+      "loss": 0.0763,
+      "reward": 0.5625,
+      "reward_std": 0.17078250646591187,
+      "rewards/correctness_reward_func_math": 0.5625,
+      "step": 1617,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.05393333333333333,
+      "grad_norm": 0.20867635309696198,
+      "learning_rate": 3e-06,
+      "loss": 0.0754,
+      "step": 1618
+    },
+    {
+      "epoch": 0.05396666666666667,
+      "grad_norm": 0.18960921466350555,
+      "learning_rate": 3e-06,
+      "loss": 0.0745,
+      "step": 1619
+    },
+    {
+      "epoch": 0.054,
+      "grad_norm": 0.16259737312793732,
+      "learning_rate": 3e-06,
+      "loss": 0.0726,
+      "step": 1620
+    },
+    {
+      "epoch": 0.054033333333333336,
+      "grad_norm": 0.15113703906536102,
+      "learning_rate": 3e-06,
+      "loss": 0.0725,
+      "step": 1621
+    },
+    {
+      "epoch": 0.054066666666666666,
+      "grad_norm": 0.1299036294221878,
+      "learning_rate": 3e-06,
+      "loss": 0.0708,
+      "step": 1622
+    },
+    {
+      "epoch": 0.0541,
+      "grad_norm": 0.1295892298221588,
+      "learning_rate": 3e-06,
+      "loss": 0.071,
+      "step": 1623
+    },
+    {
+      "epoch": 0.05413333333333333,
+      "grad_norm": 0.1408979594707489,
+      "learning_rate": 3e-06,
+      "loss": 0.0699,
+      "step": 1624
+    },
+    {
+      "completion_length": 228.53125,
+      "epoch": 0.05416666666666667,
+      "grad_norm": 0.21668359637260437,
+      "learning_rate": 3e-06,
+      "loss": 0.1526,
+      "reward": 0.25,
+      "reward_std": 0.25819888710975647,
+      "rewards/correctness_reward_func_math": 0.25,
+      "step": 1625,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.0542,
+      "grad_norm": 0.20603559911251068,
+      "learning_rate": 3e-06,
+      "loss": 0.1505,
+      "step": 1626
+    },
+    {
+      "epoch": 0.054233333333333335,
+      "grad_norm": 0.1969224512577057,
+      "learning_rate": 3e-06,
+      "loss": 0.1501,
+      "step": 1627
+    },
+    {
+      "epoch": 0.054266666666666664,
+      "grad_norm": 0.24191619455814362,
+      "learning_rate": 3e-06,
+      "loss": 0.1502,
+      "step": 1628
+    },
+    {
+      "epoch": 0.0543,
+      "grad_norm": 0.22686970233917236,
+      "learning_rate": 3e-06,
+      "loss": 0.1495,
+      "step": 1629
+    },
+    {
+      "epoch": 0.05433333333333333,
+      "grad_norm": 0.18943332135677338,
+      "learning_rate": 3e-06,
+      "loss": 0.1483,
+      "step": 1630
+    },
+    {
+      "epoch": 0.05436666666666667,
+      "grad_norm": 0.2334376871585846,
+      "learning_rate": 3e-06,
+      "loss": 0.1443,
+      "step": 1631
+    },
+    {
+      "epoch": 0.0544,
+      "grad_norm": 0.2222411185503006,
+      "learning_rate": 3e-06,
+      "loss": 0.1437,
+      "step": 1632
+    },
+    {
+      "completion_length": 246.84375,
+      "epoch": 0.054433333333333334,
+      "grad_norm": 0.1527053862810135,
+      "learning_rate": 3e-06,
+      "loss": 0.0145,
+      "reward": 0.5,
+      "reward_std": 0.0,
+      "rewards/correctness_reward_func_math": 0.5,
+      "step": 1633,
+      "zero_std_ratio": 1.0
+    },
+    {
+      "epoch": 0.05446666666666666,
+      "grad_norm": 0.14784280955791473,
+      "learning_rate": 3e-06,
+      "loss": 0.0144,
+      "step": 1634
+    },
+    {
+      "epoch": 0.0545,
+      "grad_norm": 0.12617087364196777,
+      "learning_rate": 3e-06,
+      "loss": 0.0142,
+      "step": 1635
+    },
+    {
+      "epoch": 0.054533333333333336,
+      "grad_norm": 0.09969992935657501,
+      "learning_rate": 3e-06,
+      "loss": 0.014,
+      "step": 1636
+    },
+    {
+      "epoch": 0.054566666666666666,
+      "grad_norm": 0.08068403601646423,
+      "learning_rate": 3e-06,
+      "loss": 0.0137,
+      "step": 1637
+    },
+    {
+      "epoch": 0.0546,
+      "grad_norm": 0.04167131707072258,
+      "learning_rate": 3e-06,
+      "loss": 0.0134,
+      "step": 1638
+    },
+    {
+      "epoch": 0.05463333333333333,
+      "grad_norm": 0.042570121586322784,
+      "learning_rate": 3e-06,
+      "loss": 0.0134,
+      "step": 1639
+    },
+    {
+      "epoch": 0.05466666666666667,
+      "grad_norm": 0.059948425740003586,
+      "learning_rate": 3e-06,
+      "loss": 0.0135,
+      "step": 1640
+    },
+    {
+      "completion_length": 228.6875,
+      "epoch": 0.0547,
+      "grad_norm": 0.17177724838256836,
+      "learning_rate": 3e-06,
+      "loss": 0.1142,
+      "reward": 0.375,
+      "reward_std": 0.22360679507255554,
+      "rewards/correctness_reward_func_math": 0.375,
+      "step": 1641,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.054733333333333335,
+      "grad_norm": 0.17348991334438324,
+      "learning_rate": 3e-06,
+      "loss": 0.1137,
+      "step": 1642
+    },
+    {
+      "epoch": 0.054766666666666665,
+      "grad_norm": 0.1652490496635437,
+      "learning_rate": 3e-06,
+      "loss": 0.1134,
+      "step": 1643
+    },
+    {
+      "epoch": 0.0548,
+      "grad_norm": 0.16295836865901947,
+      "learning_rate": 3e-06,
+      "loss": 0.112,
+      "step": 1644
+    },
+    {
+      "epoch": 0.05483333333333333,
+      "grad_norm": 0.15881240367889404,
+      "learning_rate": 3e-06,
+      "loss": 0.1117,
+      "step": 1645
+    },
+    {
+      "epoch": 0.05486666666666667,
+      "grad_norm": 0.14986133575439453,
+      "learning_rate": 3e-06,
+      "loss": 0.1108,
+      "step": 1646
+    },
+    {
+      "epoch": 0.0549,
+      "grad_norm": 0.14981204271316528,
+      "learning_rate": 3e-06,
+      "loss": 0.1097,
+      "step": 1647
+    },
+    {
+      "epoch": 0.054933333333333334,
+      "grad_norm": 0.1459341198205948,
+      "learning_rate": 3e-06,
+      "loss": 0.1083,
+      "step": 1648
+    },
+    {
+      "completion_length": 239.5,
+      "epoch": 0.054966666666666664,
+      "grad_norm": 0.24271708726882935,
+      "learning_rate": 3e-06,
+      "loss": 0.0574,
+      "reward": 0.46875,
+      "reward_std": 0.125,
+      "rewards/correctness_reward_func_math": 0.46875,
+      "step": 1649,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.055,
+      "grad_norm": 0.2174004167318344,
+      "learning_rate": 3e-06,
+      "loss": 0.0569,
+      "step": 1650
+    },
+    {
+      "epoch": 0.05503333333333333,
+      "grad_norm": 0.18040905892848969,
+      "learning_rate": 3e-06,
+      "loss": 0.0558,
+      "step": 1651
+    },
+    {
+      "epoch": 0.05506666666666667,
+      "grad_norm": 0.137916699051857,
+      "learning_rate": 3e-06,
+      "loss": 0.055,
+      "step": 1652
+    },
+    {
+      "epoch": 0.0551,
+      "grad_norm": 0.11561326682567596,
+      "learning_rate": 3e-06,
+      "loss": 0.0545,
+      "step": 1653
+    },
+    {
+      "epoch": 0.05513333333333333,
+      "grad_norm": 0.10518098622560501,
+      "learning_rate": 3e-06,
+      "loss": 0.0539,
+      "step": 1654
+    },
+    {
+      "epoch": 0.05516666666666667,
+      "grad_norm": 0.11917734146118164,
+      "learning_rate": 3e-06,
+      "loss": 0.0529,
+      "step": 1655
+    },
+    {
+      "epoch": 0.0552,
+      "grad_norm": 0.13306376338005066,
+      "learning_rate": 3e-06,
+      "loss": 0.0521,
+      "step": 1656
+    },
+    {
+      "completion_length": 248.5,
+      "epoch": 0.055233333333333336,
+      "grad_norm": 0.951671838760376,
+      "learning_rate": 3e-06,
+      "loss": 0.1664,
+      "reward": 0.65625,
+      "reward_std": 0.375,
+      "rewards/correctness_reward_func_math": 0.65625,
+      "step": 1657,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.055266666666666665,
+      "grad_norm": 0.9794697165489197,
+      "learning_rate": 3e-06,
+      "loss": 0.1641,
+      "step": 1658
+    },
+    {
+      "epoch": 0.0553,
+      "grad_norm": 0.956179141998291,
+      "learning_rate": 3e-06,
+      "loss": 0.1623,
+      "step": 1659
+    },
+    {
+      "epoch": 0.05533333333333333,
+      "grad_norm": 1.1352803707122803,
+      "learning_rate": 3e-06,
+      "loss": 0.158,
+      "step": 1660
+    },
+    {
+      "epoch": 0.05536666666666667,
+      "grad_norm": 0.9455515742301941,
+      "learning_rate": 3e-06,
+      "loss": 0.1504,
+      "step": 1661
+    },
+    {
+      "epoch": 0.0554,
+      "grad_norm": 0.8986855149269104,
+      "learning_rate": 3e-06,
+      "loss": 0.1431,
+      "step": 1662
+    },
+    {
+      "epoch": 0.055433333333333334,
+      "grad_norm": 0.884671688079834,
+      "learning_rate": 3e-06,
+      "loss": 0.1365,
+      "step": 1663
+    },
+    {
+      "epoch": 0.055466666666666664,
+      "grad_norm": 0.7072070240974426,
+      "learning_rate": 3e-06,
+      "loss": 0.1307,
+      "step": 1664
+    },
+    {
+      "completion_length": 254.78125,
+      "epoch": 0.0555,
+      "grad_norm": 0.23971621692180634,
+      "learning_rate": 3e-06,
+      "loss": 0.1077,
+      "reward": 0.125,
+      "reward_std": 0.22360679507255554,
+      "rewards/correctness_reward_func_math": 0.125,
+      "step": 1665,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.05553333333333333,
+      "grad_norm": 0.23501349985599518,
+      "learning_rate": 3e-06,
+      "loss": 0.1079,
+      "step": 1666
+    },
+    {
+      "epoch": 0.05556666666666667,
+      "grad_norm": 0.2331189066171646,
+      "learning_rate": 3e-06,
+      "loss": 0.1071,
+      "step": 1667
+    },
+    {
+      "epoch": 0.0556,
+      "grad_norm": 0.24440321326255798,
+      "learning_rate": 3e-06,
+      "loss": 0.1054,
+      "step": 1668
+    },
+    {
+      "epoch": 0.05563333333333333,
+      "grad_norm": 0.23394343256950378,
+      "learning_rate": 3e-06,
+      "loss": 0.1039,
+      "step": 1669
+    },
+    {
+      "epoch": 0.05566666666666667,
+      "grad_norm": 0.2394144982099533,
+      "learning_rate": 3e-06,
+      "loss": 0.1029,
+      "step": 1670
+    },
+    {
+      "epoch": 0.0557,
+      "grad_norm": 0.2398831844329834,
+      "learning_rate": 3e-06,
+      "loss": 0.0991,
+      "step": 1671
+    },
+    {
+      "epoch": 0.055733333333333336,
+      "grad_norm": 0.24641746282577515,
+      "learning_rate": 3e-06,
+      "loss": 0.0983,
+      "step": 1672
+    },
+    {
+      "completion_length": 249.0625,
+      "epoch": 0.055766666666666666,
+      "grad_norm": 0.6047961711883545,
+      "learning_rate": 3e-06,
+      "loss": 0.2393,
+      "reward": 0.40625,
+      "reward_std": 0.47978055477142334,
+      "rewards/correctness_reward_func_math": 0.40625,
+      "step": 1673,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.0558,
+      "grad_norm": 0.6172682046890259,
+      "learning_rate": 3e-06,
+      "loss": 0.2391,
+      "step": 1674
+    },
+    {
+      "epoch": 0.05583333333333333,
+      "grad_norm": 0.5890278816223145,
+      "learning_rate": 3e-06,
+      "loss": 0.2371,
+      "step": 1675
+    },
+    {
+      "epoch": 0.05586666666666667,
+      "grad_norm": 0.5960976481437683,
+      "learning_rate": 3e-06,
+      "loss": 0.2313,
+      "step": 1676
+    },
+    {
+      "epoch": 0.0559,
+      "grad_norm": 0.5679032802581787,
+      "learning_rate": 3e-06,
+      "loss": 0.2292,
+      "step": 1677
+    },
+    {
+      "epoch": 0.055933333333333335,
+      "grad_norm": 0.5436708927154541,
+      "learning_rate": 3e-06,
+      "loss": 0.2243,
+      "step": 1678
+    },
+    {
+      "epoch": 0.055966666666666665,
+      "grad_norm": 0.4896470308303833,
+      "learning_rate": 3e-06,
+      "loss": 0.2195,
+      "step": 1679
+    },
+    {
+      "epoch": 0.056,
+      "grad_norm": 0.46741580963134766,
+      "learning_rate": 3e-06,
+      "loss": 0.2175,
+      "step": 1680
+    },
+    {
+      "completion_length": 227.8125,
+      "epoch": 0.05603333333333333,
+      "grad_norm": 0.4459920823574066,
+      "learning_rate": 3e-06,
+      "loss": 0.0886,
+      "reward": 0.09375,
+      "reward_std": 0.20155644416809082,
+      "rewards/correctness_reward_func_math": 0.09375,
+      "step": 1681,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.05606666666666667,
+      "grad_norm": 0.4030301868915558,
+      "learning_rate": 3e-06,
+      "loss": 0.0872,
+      "step": 1682
+    },
+    {
+      "epoch": 0.0561,
+      "grad_norm": 0.5257895588874817,
+      "learning_rate": 3e-06,
+      "loss": 0.0878,
+      "step": 1683
+    },
+    {
+      "epoch": 0.056133333333333334,
+      "grad_norm": 0.310937762260437,
+      "learning_rate": 3e-06,
+      "loss": 0.085,
+      "step": 1684
+    },
+    {
+      "epoch": 0.05616666666666666,
+      "grad_norm": 0.3546542525291443,
+      "learning_rate": 3e-06,
+      "loss": 0.0847,
+      "step": 1685
+    },
+    {
+      "epoch": 0.0562,
+      "grad_norm": 0.27772390842437744,
+      "learning_rate": 3e-06,
+      "loss": 0.0834,
+      "step": 1686
+    },
+    {
+      "epoch": 0.05623333333333334,
+      "grad_norm": 0.35217908024787903,
+      "learning_rate": 3e-06,
+      "loss": 0.0836,
+      "step": 1687
+    },
+    {
+      "epoch": 0.056266666666666666,
+      "grad_norm": 0.26466086506843567,
+      "learning_rate": 3e-06,
+      "loss": 0.0824,
+      "step": 1688
+    },
+    {
+      "completion_length": 249.09375,
+      "epoch": 0.0563,
+      "grad_norm": 0.21031266450881958,
+      "learning_rate": 3e-06,
+      "loss": 0.1564,
+      "reward": 0.8125,
+      "reward_std": 0.36435678601264954,
+      "rewards/correctness_reward_func_math": 0.8125,
+      "step": 1689,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.05633333333333333,
+      "grad_norm": 0.21376827359199524,
+      "learning_rate": 3e-06,
+      "loss": 0.1553,
+      "step": 1690
+    },
+    {
+      "epoch": 0.05636666666666667,
+      "grad_norm": 0.20904387533664703,
+      "learning_rate": 3e-06,
+      "loss": 0.1539,
+      "step": 1691
+    },
+    {
+      "epoch": 0.0564,
+      "grad_norm": 0.21314197778701782,
+      "learning_rate": 3e-06,
+      "loss": 0.1539,
+      "step": 1692
+    },
+    {
+      "epoch": 0.056433333333333335,
+      "grad_norm": 0.20473940670490265,
+      "learning_rate": 3e-06,
+      "loss": 0.1524,
+      "step": 1693
+    },
+    {
+      "epoch": 0.056466666666666665,
+      "grad_norm": 0.21252557635307312,
+      "learning_rate": 3e-06,
+      "loss": 0.1501,
+      "step": 1694
+    },
+    {
+      "epoch": 0.0565,
+      "grad_norm": 0.21179981529712677,
+      "learning_rate": 3e-06,
+      "loss": 0.1508,
+      "step": 1695
+    },
+    {
+      "epoch": 0.05653333333333333,
+      "grad_norm": 0.1973676234483719,
+      "learning_rate": 3e-06,
+      "loss": 0.1498,
+      "step": 1696
+    },
+    {
+      "completion_length": 249.46875,
+      "epoch": 0.05656666666666667,
+      "grad_norm": 0.16930261254310608,
+      "learning_rate": 3e-06,
+      "loss": 0.0418,
+      "reward": 0.96875,
+      "reward_std": 0.125,
+      "rewards/correctness_reward_func_math": 0.96875,
+      "step": 1697,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.0566,
+      "grad_norm": 0.16575777530670166,
+      "learning_rate": 3e-06,
+      "loss": 0.0412,
+      "step": 1698
+    },
+    {
+      "epoch": 0.056633333333333334,
+      "grad_norm": 0.15888549387454987,
+      "learning_rate": 3e-06,
+      "loss": 0.0405,
+      "step": 1699
+    },
+    {
+      "epoch": 0.056666666666666664,
+      "grad_norm": 0.1260458081960678,
+      "learning_rate": 3e-06,
+      "loss": 0.0394,
+      "step": 1700
+    },
+    {
+      "epoch": 0.0567,
+      "grad_norm": 0.10817345231771469,
+      "learning_rate": 3e-06,
+      "loss": 0.0388,
+      "step": 1701
+    },
+    {
+      "epoch": 0.05673333333333333,
+      "grad_norm": 0.12600553035736084,
+      "learning_rate": 3e-06,
+      "loss": 0.038,
+      "step": 1702
+    },
+    {
+      "epoch": 0.05676666666666667,
+      "grad_norm": 0.09273850917816162,
+      "learning_rate": 3e-06,
+      "loss": 0.0371,
+      "step": 1703
+    },
+    {
+      "epoch": 0.0568,
+      "grad_norm": 0.09260569512844086,
+      "learning_rate": 3e-06,
+      "loss": 0.0365,
+      "step": 1704
+    },
+    {
+      "completion_length": 245.375,
+      "epoch": 0.05683333333333333,
+      "grad_norm": 0.07443758100271225,
+      "learning_rate": 3e-06,
+      "loss": 0.0459,
+      "reward": 0.46875,
+      "reward_std": 0.125,
+      "rewards/correctness_reward_func_math": 0.46875,
+      "step": 1705,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.05686666666666667,
+      "grad_norm": 0.07281555235385895,
+      "learning_rate": 3e-06,
+      "loss": 0.0458,
+      "step": 1706
+    },
+    {
+      "epoch": 0.0569,
+      "grad_norm": 0.09382864087820053,
+      "learning_rate": 3e-06,
+      "loss": 0.0456,
+      "step": 1707
+    },
+    {
+      "epoch": 0.056933333333333336,
+      "grad_norm": 0.07116400450468063,
+      "learning_rate": 3e-06,
+      "loss": 0.0454,
+      "step": 1708
+    },
+    {
+      "epoch": 0.056966666666666665,
+      "grad_norm": 0.1046074628829956,
+      "learning_rate": 3e-06,
+      "loss": 0.0453,
+      "step": 1709
+    },
+    {
+      "epoch": 0.057,
+      "grad_norm": 1.9001870155334473,
+      "learning_rate": 3e-06,
+      "loss": 0.0475,
+      "step": 1710
+    },
+    {
+      "epoch": 0.05703333333333333,
+      "grad_norm": 0.07268626242876053,
+      "learning_rate": 3e-06,
+      "loss": 0.0443,
+      "step": 1711
+    },
+    {
+      "epoch": 0.05706666666666667,
+      "grad_norm": 0.07787516713142395,
+      "learning_rate": 3e-06,
+      "loss": 0.0444,
+      "step": 1712
+    },
+    {
+      "completion_length": 231.28125,
+      "epoch": 0.0571,
+      "grad_norm": 0.10354837775230408,
+      "learning_rate": 3e-06,
+      "loss": 0.0112,
+      "reward": 0.5,
+      "reward_std": 0.0,
+      "rewards/correctness_reward_func_math": 0.5,
+      "step": 1713,
+      "zero_std_ratio": 1.0
+    },
+    {
+      "epoch": 0.057133333333333335,
+      "grad_norm": 0.08684965968132019,
+      "learning_rate": 3e-06,
+      "loss": 0.011,
+      "step": 1714
+    },
+    {
+      "epoch": 0.057166666666666664,
+      "grad_norm": 0.1391308754682541,
+      "learning_rate": 3e-06,
+      "loss": 0.0111,
+      "step": 1715
+    },
+    {
+      "epoch": 0.0572,
+      "grad_norm": 0.0779588595032692,
+      "learning_rate": 3e-06,
+      "loss": 0.0107,
+      "step": 1716
+    },
+    {
+      "epoch": 0.05723333333333333,
+      "grad_norm": 0.10443651676177979,
+      "learning_rate": 3e-06,
+      "loss": 0.0105,
+      "step": 1717
+    },
+    {
+      "epoch": 0.05726666666666667,
+      "grad_norm": 0.15442004799842834,
+      "learning_rate": 3e-06,
+      "loss": 0.0108,
+      "step": 1718
+    },
+    {
+      "epoch": 0.0573,
+      "grad_norm": 0.055060215294361115,
+      "learning_rate": 3e-06,
+      "loss": 0.01,
+      "step": 1719
+    },
+    {
+      "epoch": 0.05733333333333333,
+      "grad_norm": 0.07023460417985916,
+      "learning_rate": 3e-06,
+      "loss": 0.01,
+      "step": 1720
+    },
+    {
+      "completion_length": 255.34375,
+      "epoch": 0.05736666666666667,
+      "grad_norm": 0.12739254534244537,
+      "learning_rate": 3e-06,
+      "loss": 0.0861,
+      "reward": 0.59375,
+      "reward_std": 0.20155644416809082,
+      "rewards/correctness_reward_func_math": 0.59375,
+      "step": 1721,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.0574,
+      "grad_norm": 0.12717752158641815,
+      "learning_rate": 3e-06,
+      "loss": 0.0861,
+      "step": 1722
+    },
+    {
+      "epoch": 0.057433333333333336,
+      "grad_norm": 0.12834273278713226,
+      "learning_rate": 3e-06,
+      "loss": 0.0855,
+      "step": 1723
+    },
+    {
+      "epoch": 0.057466666666666666,
+      "grad_norm": 0.12179774045944214,
+      "learning_rate": 3e-06,
+      "loss": 0.0854,
+      "step": 1724
+    },
+    {
+      "epoch": 0.0575,
+      "grad_norm": 0.11645210534334183,
+      "learning_rate": 3e-06,
+      "loss": 0.0847,
+      "step": 1725
+    },
+    {
+      "epoch": 0.05753333333333333,
+      "grad_norm": 0.10764140635728836,
+      "learning_rate": 3e-06,
+      "loss": 0.0844,
+      "step": 1726
+    },
+    {
+      "epoch": 0.05756666666666667,
+      "grad_norm": 0.09548311680555344,
+      "learning_rate": 3e-06,
+      "loss": 0.0834,
+      "step": 1727
+    },
+    {
+      "epoch": 0.0576,
+      "grad_norm": 0.08859223127365112,
+      "learning_rate": 3e-06,
+      "loss": 0.0831,
+      "step": 1728
+    },
+    {
+      "completion_length": 234.9375,
+      "epoch": 0.057633333333333335,
+      "grad_norm": 0.07489707320928574,
+      "learning_rate": 3e-06,
+      "loss": 0.0091,
+      "reward": 0.5,
+      "reward_std": 0.0,
+      "rewards/correctness_reward_func_math": 0.5,
+      "step": 1729,
+      "zero_std_ratio": 1.0
+    },
+    {
+      "epoch": 0.057666666666666665,
+      "grad_norm": 0.07884868234395981,
+      "learning_rate": 3e-06,
+      "loss": 0.0091,
+      "step": 1730
+    },
+    {
+      "epoch": 0.0577,
+      "grad_norm": 0.06900548189878464,
+      "learning_rate": 3e-06,
+      "loss": 0.0089,
+      "step": 1731
+    },
+    {
+      "epoch": 0.05773333333333333,
+      "grad_norm": 0.06630001962184906,
+      "learning_rate": 3e-06,
+      "loss": 0.0088,
+      "step": 1732
+    },
+    {
+      "epoch": 0.05776666666666667,
+      "grad_norm": 0.0576147586107254,
+      "learning_rate": 3e-06,
+      "loss": 0.0086,
+      "step": 1733
+    },
+    {
+      "epoch": 0.0578,
+      "grad_norm": 0.05361408367753029,
+      "learning_rate": 3e-06,
+      "loss": 0.0085,
+      "step": 1734
+    },
+    {
+      "epoch": 0.057833333333333334,
+      "grad_norm": 0.04995980113744736,
+      "learning_rate": 3e-06,
+      "loss": 0.0083,
+      "step": 1735
+    },
+    {
+      "epoch": 0.057866666666666663,
+      "grad_norm": 0.044102270156145096,
+      "learning_rate": 3e-06,
+      "loss": 0.0081,
+      "step": 1736
+    },
+    {
+      "completion_length": 247.46875,
+      "epoch": 0.0579,
+      "grad_norm": 0.06444850564002991,
+      "learning_rate": 3e-06,
+      "loss": 0.0344,
+      "reward": 0.46875,
+      "reward_std": 0.125,
+      "rewards/correctness_reward_func_math": 0.46875,
+      "step": 1737,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.05793333333333334,
+      "grad_norm": 0.06368491798639297,
+      "learning_rate": 3e-06,
+      "loss": 0.0339,
+      "step": 1738
+    },
+    {
+      "epoch": 0.057966666666666666,
+      "grad_norm": 0.06100434064865112,
+      "learning_rate": 3e-06,
+      "loss": 0.0338,
+      "step": 1739
+    },
+    {
+      "epoch": 0.058,
+      "grad_norm": 0.05995892733335495,
+      "learning_rate": 3e-06,
+      "loss": 0.0345,
+      "step": 1740
+    },
+    {
+      "epoch": 0.05803333333333333,
+      "grad_norm": 0.05838857591152191,
+      "learning_rate": 3e-06,
+      "loss": 0.0332,
+      "step": 1741
+    },
+    {
+      "epoch": 0.05806666666666667,
+      "grad_norm": 0.06055672839283943,
+      "learning_rate": 3e-06,
+      "loss": 0.0331,
+      "step": 1742
+    },
+    {
+      "epoch": 0.0581,
+      "grad_norm": 0.05849483981728554,
+      "learning_rate": 3e-06,
+      "loss": 0.0336,
+      "step": 1743
+    },
+    {
+      "epoch": 0.058133333333333335,
+      "grad_norm": 0.044652555137872696,
+      "learning_rate": 3e-06,
+      "loss": 0.0329,
+      "step": 1744
+    },
+    {
+      "completion_length": 250.4375,
+      "epoch": 0.058166666666666665,
+      "grad_norm": 0.1587267369031906,
+      "learning_rate": 3e-06,
+      "loss": 0.1173,
+      "reward": 0.65625,
+      "reward_std": 0.23935678601264954,
+      "rewards/correctness_reward_func_math": 0.65625,
+      "step": 1745,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.0582,
+      "grad_norm": 0.16159160435199738,
+      "learning_rate": 3e-06,
+      "loss": 0.1172,
+      "step": 1746
+    },
+    {
+      "epoch": 0.05823333333333333,
+      "grad_norm": 0.1593158096075058,
+      "learning_rate": 3e-06,
+      "loss": 0.1161,
+      "step": 1747
+    },
+    {
+      "epoch": 0.05826666666666667,
+      "grad_norm": 0.16082753241062164,
+      "learning_rate": 3e-06,
+      "loss": 0.1154,
+      "step": 1748
+    },
+    {
+      "epoch": 0.0583,
+      "grad_norm": 0.13686244189739227,
+      "learning_rate": 3e-06,
+      "loss": 0.1154,
+      "step": 1749
+    },
+    {
+      "epoch": 0.058333333333333334,
+      "grad_norm": 0.142325758934021,
+      "learning_rate": 3e-06,
+      "loss": 0.1143,
+      "step": 1750
+    },
+    {
+      "epoch": 0.058366666666666664,
+      "grad_norm": 0.1417737603187561,
+      "learning_rate": 3e-06,
+      "loss": 0.113,
+      "step": 1751
+    },
+    {
+      "epoch": 0.0584,
+      "grad_norm": 0.1301846206188202,
+      "learning_rate": 3e-06,
+      "loss": 0.1116,
+      "step": 1752
+    },
+    {
+      "completion_length": 256.0,
+      "epoch": 0.05843333333333333,
+      "grad_norm": 0.06794056296348572,
+      "learning_rate": 3e-06,
+      "loss": 0.0338,
+      "reward": 0.53125,
+      "reward_std": 0.125,
+      "rewards/correctness_reward_func_math": 0.53125,
+      "step": 1753,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.05846666666666667,
+      "grad_norm": 0.07705505937337875,
+      "learning_rate": 3e-06,
+      "loss": 0.0332,
+      "step": 1754
+    },
+    {
+      "epoch": 0.0585,
+      "grad_norm": 0.06511757522821426,
+      "learning_rate": 3e-06,
+      "loss": 0.0338,
+      "step": 1755
+    },
+    {
+      "epoch": 0.05853333333333333,
+      "grad_norm": 0.08166729658842087,
+      "learning_rate": 3e-06,
+      "loss": 0.0336,
+      "step": 1756
+    },
+    {
+      "epoch": 0.05856666666666667,
+      "grad_norm": 0.07341329008340836,
+      "learning_rate": 3e-06,
+      "loss": 0.0334,
+      "step": 1757
+    },
+    {
+      "epoch": 0.0586,
+      "grad_norm": 0.05583718791604042,
+      "learning_rate": 3e-06,
+      "loss": 0.0328,
+      "step": 1758
+    },
+    {
+      "epoch": 0.058633333333333336,
+      "grad_norm": 0.08097627013921738,
+      "learning_rate": 3e-06,
+      "loss": 0.0332,
+      "step": 1759
+    },
+    {
+      "epoch": 0.058666666666666666,
+      "grad_norm": 0.04752197489142418,
+      "learning_rate": 3e-06,
+      "loss": 0.0328,
+      "step": 1760
+    },
+    {
+      "completion_length": 253.125,
+      "epoch": 0.0587,
+      "grad_norm": 0.360992431640625,
+      "learning_rate": 3e-06,
+      "loss": 0.1203,
+      "reward": 0.65625,
+      "reward_std": 0.23935678601264954,
+      "rewards/correctness_reward_func_math": 0.65625,
+      "step": 1761,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.05873333333333333,
+      "grad_norm": 0.36144810914993286,
+      "learning_rate": 3e-06,
+      "loss": 0.121,
+      "step": 1762
+    },
+    {
+      "epoch": 0.05876666666666667,
+      "grad_norm": 0.29194068908691406,
+      "learning_rate": 3e-06,
+      "loss": 0.1196,
+      "step": 1763
+    },
+    {
+      "epoch": 0.0588,
+      "grad_norm": 0.2681698203086853,
+      "learning_rate": 3e-06,
+      "loss": 0.1199,
+      "step": 1764
+    },
+    {
+      "epoch": 0.058833333333333335,
+      "grad_norm": 0.20152784883975983,
+      "learning_rate": 3e-06,
+      "loss": 0.1178,
+      "step": 1765
+    },
+    {
+      "epoch": 0.058866666666666664,
+      "grad_norm": 0.1904839724302292,
+      "learning_rate": 3e-06,
+      "loss": 0.1174,
+      "step": 1766
+    },
+    {
+      "epoch": 0.0589,
+      "grad_norm": 0.16319148242473602,
+      "learning_rate": 3e-06,
+      "loss": 0.1153,
+      "step": 1767
+    },
+    {
+      "epoch": 0.05893333333333333,
+      "grad_norm": 0.16463755071163177,
+      "learning_rate": 3e-06,
+      "loss": 0.1141,
+      "step": 1768
+    },
+    {
+      "completion_length": 254.90625,
+      "epoch": 0.05896666666666667,
+      "grad_norm": 0.3858882188796997,
+      "learning_rate": 3e-06,
+      "loss": 0.2159,
+      "reward": 0.53125,
+      "reward_std": 0.4629635810852051,
+      "rewards/correctness_reward_func_math": 0.53125,
+      "step": 1769,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.059,
+      "grad_norm": 0.3869569003582001,
+      "learning_rate": 3e-06,
+      "loss": 0.2174,
+      "step": 1770
+    },
+    {
+      "epoch": 0.059033333333333333,
+      "grad_norm": 0.37453633546829224,
+      "learning_rate": 3e-06,
+      "loss": 0.2145,
+      "step": 1771
+    },
+    {
+      "epoch": 0.05906666666666667,
+      "grad_norm": 0.36241471767425537,
+      "learning_rate": 3e-06,
+      "loss": 0.213,
+      "step": 1772
+    },
+    {
+      "epoch": 0.0591,
+      "grad_norm": 0.34296801686286926,
+      "learning_rate": 3e-06,
+      "loss": 0.21,
+      "step": 1773
+    },
+    {
+      "epoch": 0.059133333333333336,
+      "grad_norm": 0.33335763216018677,
+      "learning_rate": 3e-06,
+      "loss": 0.2074,
+      "step": 1774
+    },
+    {
+      "epoch": 0.059166666666666666,
+      "grad_norm": 0.29405051469802856,
+      "learning_rate": 3e-06,
+      "loss": 0.2043,
+      "step": 1775
+    },
+    {
+      "epoch": 0.0592,
+      "grad_norm": 0.2841731309890747,
+      "learning_rate": 3e-06,
+      "loss": 0.2023,
+      "step": 1776
+    },
+    {
+      "completion_length": 243.65625,
+      "epoch": 0.05923333333333333,
+      "grad_norm": 0.10953359305858612,
+      "learning_rate": 3e-06,
+      "loss": 0.0701,
+      "reward": 0.5625,
+      "reward_std": 0.17078250646591187,
+      "rewards/correctness_reward_func_math": 0.5625,
+      "step": 1777,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.05926666666666667,
+      "grad_norm": 0.11621461063623428,
+      "learning_rate": 3e-06,
+      "loss": 0.0704,
+      "step": 1778
+    },
+    {
+      "epoch": 0.0593,
+      "grad_norm": 0.113054059445858,
+      "learning_rate": 3e-06,
+      "loss": 0.0698,
+      "step": 1779
+    },
+    {
+      "epoch": 0.059333333333333335,
+      "grad_norm": 0.12514598667621613,
+      "learning_rate": 3e-06,
+      "loss": 0.0706,
+      "step": 1780
+    },
+    {
+      "epoch": 0.059366666666666665,
+      "grad_norm": 0.12311658263206482,
+      "learning_rate": 3e-06,
+      "loss": 0.0695,
+      "step": 1781
+    },
+    {
+      "epoch": 0.0594,
+      "grad_norm": 0.10992835462093353,
+      "learning_rate": 3e-06,
+      "loss": 0.0694,
+      "step": 1782
+    },
+    {
+      "epoch": 0.05943333333333333,
+      "grad_norm": 0.09687048196792603,
+      "learning_rate": 3e-06,
+      "loss": 0.0687,
+      "step": 1783
+    },
+    {
+      "epoch": 0.05946666666666667,
+      "grad_norm": 0.09277870506048203,
+      "learning_rate": 3e-06,
+      "loss": 0.068,
+      "step": 1784
+    },
+    {
+      "completion_length": 243.375,
+      "epoch": 0.0595,
+      "grad_norm": 0.14808954298496246,
+      "learning_rate": 3e-06,
+      "loss": 0.0366,
+      "reward": 0.46875,
+      "reward_std": 0.125,
+      "rewards/correctness_reward_func_math": 0.46875,
+      "step": 1785,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.059533333333333334,
+      "grad_norm": 0.12353605777025223,
+      "learning_rate": 3e-06,
+      "loss": 0.0379,
+      "step": 1786
+    },
+    {
+      "epoch": 0.059566666666666664,
+      "grad_norm": 0.13085032999515533,
+      "learning_rate": 3e-06,
+      "loss": 0.0365,
+      "step": 1787
+    },
+    {
+      "epoch": 0.0596,
+      "grad_norm": 0.11070671677589417,
+      "learning_rate": 3e-06,
+      "loss": 0.0366,
+      "step": 1788
+    },
+    {
+      "epoch": 0.05963333333333334,
+      "grad_norm": 0.11436684429645538,
+      "learning_rate": 3e-06,
+      "loss": 0.036,
+      "step": 1789
+    },
+    {
+      "epoch": 0.059666666666666666,
+      "grad_norm": 0.11333391070365906,
+      "learning_rate": 3e-06,
+      "loss": 0.0356,
+      "step": 1790
+    },
+    {
+      "epoch": 0.0597,
+      "grad_norm": 0.11856944859027863,
+      "learning_rate": 3e-06,
+      "loss": 0.0333,
+      "step": 1791
+    },
+    {
+      "epoch": 0.05973333333333333,
+      "grad_norm": 0.1240927204489708,
+      "learning_rate": 3e-06,
+      "loss": 0.0347,
+      "step": 1792
+    },
+    {
+      "completion_length": 256.0,
+      "epoch": 0.05976666666666667,
+      "grad_norm": 0.28191158175468445,
+      "learning_rate": 3e-06,
+      "loss": 0.1215,
+      "reward": 0.34375,
+      "reward_std": 0.23935678601264954,
+      "rewards/correctness_reward_func_math": 0.34375,
+      "step": 1793,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.0598,
+      "grad_norm": 0.4792408347129822,
+      "learning_rate": 3e-06,
+      "loss": 0.1204,
+      "step": 1794
+    },
+    {
+      "epoch": 0.059833333333333336,
+      "grad_norm": 0.3921617865562439,
+      "learning_rate": 3e-06,
+      "loss": 0.1216,
+      "step": 1795
+    },
+    {
+      "epoch": 0.059866666666666665,
+      "grad_norm": 0.25970259308815,
+      "learning_rate": 3e-06,
+      "loss": 0.1209,
+      "step": 1796
+    },
+    {
+      "epoch": 0.0599,
+      "grad_norm": 0.24418655037879944,
+      "learning_rate": 3e-06,
+      "loss": 0.1181,
+      "step": 1797
+    },
+    {
+      "epoch": 0.05993333333333333,
+      "grad_norm": 0.29293838143348694,
+      "learning_rate": 3e-06,
+      "loss": 0.1168,
+      "step": 1798
+    },
+    {
+      "epoch": 0.05996666666666667,
+      "grad_norm": 0.25854581594467163,
+      "learning_rate": 3e-06,
+      "loss": 0.1155,
+      "step": 1799
+    },
+    {
+      "epoch": 0.06,
+      "grad_norm": 0.30058786273002625,
+      "learning_rate": 3e-06,
+      "loss": 0.1155,
+      "step": 1800
+    },
+    {
+      "completion_length": 252.71875,
+      "epoch": 0.060033333333333334,
+      "grad_norm": 0.37477976083755493,
+      "learning_rate": 3e-06,
+      "loss": 0.1334,
+      "reward": 0.3125,
+      "reward_std": 0.25,
+      "rewards/correctness_reward_func_math": 0.3125,
+      "step": 1801,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.060066666666666664,
+      "grad_norm": 0.3531322181224823,
+      "learning_rate": 3e-06,
+      "loss": 0.1313,
+      "step": 1802
+    },
+    {
+      "epoch": 0.0601,
+      "grad_norm": 0.3565762937068939,
+      "learning_rate": 3e-06,
+      "loss": 0.1299,
+      "step": 1803
+    },
+    {
+      "epoch": 0.06013333333333333,
+      "grad_norm": 0.34621021151542664,
+      "learning_rate": 3e-06,
+      "loss": 0.1283,
+      "step": 1804
+    },
+    {
+      "epoch": 0.06016666666666667,
+      "grad_norm": 0.3161306083202362,
+      "learning_rate": 3e-06,
+      "loss": 0.1247,
+      "step": 1805
+    },
+    {
+      "epoch": 0.0602,
+      "grad_norm": 0.3095146119594574,
+      "learning_rate": 3e-06,
+      "loss": 0.1229,
+      "step": 1806
+    },
+    {
+      "epoch": 0.06023333333333333,
+      "grad_norm": 0.28297969698905945,
+      "learning_rate": 3e-06,
+      "loss": 0.1206,
+      "step": 1807
+    },
+    {
+      "epoch": 0.06026666666666667,
+      "grad_norm": 0.23653137683868408,
+      "learning_rate": 3e-06,
+      "loss": 0.1179,
+      "step": 1808
+    },
+    {
+      "completion_length": 251.15625,
+      "epoch": 0.0603,
+      "grad_norm": 0.1891864836215973,
+      "learning_rate": 3e-06,
+      "loss": 0.1416,
+      "reward": 0.84375,
+      "reward_std": 0.3723389506340027,
+      "rewards/correctness_reward_func_math": 0.84375,
+      "step": 1809,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.060333333333333336,
+      "grad_norm": 0.1668434590101242,
+      "learning_rate": 3e-06,
+      "loss": 0.1412,
+      "step": 1810
+    },
+    {
+      "epoch": 0.060366666666666666,
+      "grad_norm": 0.21866954863071442,
+      "learning_rate": 3e-06,
+      "loss": 0.1433,
+      "step": 1811
+    },
+    {
+      "epoch": 0.0604,
+      "grad_norm": 0.17338134348392487,
+      "learning_rate": 3e-06,
+      "loss": 0.141,
+      "step": 1812
+    },
+    {
+      "epoch": 0.06043333333333333,
+      "grad_norm": 0.17477814853191376,
+      "learning_rate": 3e-06,
+      "loss": 0.1402,
+      "step": 1813
+    },
+    {
+      "epoch": 0.06046666666666667,
+      "grad_norm": 0.17322474718093872,
+      "learning_rate": 3e-06,
+      "loss": 0.14,
+      "step": 1814
+    },
+    {
+      "epoch": 0.0605,
+      "grad_norm": 0.15521250665187836,
+      "learning_rate": 3e-06,
+      "loss": 0.1391,
+      "step": 1815
+    },
+    {
+      "epoch": 0.060533333333333335,
+      "grad_norm": 0.14684684574604034,
+      "learning_rate": 3e-06,
+      "loss": 0.1388,
+      "step": 1816
+    },
+    {
+      "completion_length": 255.0,
+      "epoch": 0.060566666666666664,
+      "grad_norm": 0.46004533767700195,
+      "learning_rate": 3e-06,
+      "loss": 0.1909,
+      "reward": 0.25,
+      "reward_std": 0.42078250646591187,
+      "rewards/correctness_reward_func_math": 0.25,
+      "step": 1817,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.0606,
+      "grad_norm": 0.4636804163455963,
+      "learning_rate": 3e-06,
+      "loss": 0.1906,
+      "step": 1818
+    },
+    {
+      "epoch": 0.06063333333333333,
+      "grad_norm": 0.4316295385360718,
+      "learning_rate": 3e-06,
+      "loss": 0.1893,
+      "step": 1819
+    },
+    {
+      "epoch": 0.06066666666666667,
+      "grad_norm": 0.4159581661224365,
+      "learning_rate": 3e-06,
+      "loss": 0.1868,
+      "step": 1820
+    },
+    {
+      "epoch": 0.0607,
+      "grad_norm": 0.3864031136035919,
+      "learning_rate": 3e-06,
+      "loss": 0.185,
+      "step": 1821
+    },
+    {
+      "epoch": 0.060733333333333334,
+      "grad_norm": 0.3501303493976593,
+      "learning_rate": 3e-06,
+      "loss": 0.1822,
+      "step": 1822
+    },
+    {
+      "epoch": 0.06076666666666666,
+      "grad_norm": 0.3482702672481537,
+      "learning_rate": 3e-06,
+      "loss": 0.1789,
+      "step": 1823
+    },
+    {
+      "epoch": 0.0608,
+      "grad_norm": 0.30272406339645386,
+      "learning_rate": 3e-06,
+      "loss": 0.1759,
+      "step": 1824
+    },
+    {
+      "completion_length": 243.0,
+      "epoch": 0.060833333333333336,
+      "grad_norm": 0.15900784730911255,
+      "learning_rate": 3e-06,
+      "loss": 0.041,
+      "reward": 0.53125,
+      "reward_std": 0.125,
+      "rewards/correctness_reward_func_math": 0.53125,
+      "step": 1825,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.060866666666666666,
+      "grad_norm": 0.16723616421222687,
+      "learning_rate": 3e-06,
+      "loss": 0.0401,
+      "step": 1826
+    },
+    {
+      "epoch": 0.0609,
+      "grad_norm": 0.16744385659694672,
+      "learning_rate": 3e-06,
+      "loss": 0.0403,
+      "step": 1827
+    },
+    {
+      "epoch": 0.06093333333333333,
+      "grad_norm": 0.1548798680305481,
+      "learning_rate": 3e-06,
+      "loss": 0.0398,
+      "step": 1828
+    },
+    {
+      "epoch": 0.06096666666666667,
+      "grad_norm": 0.146221324801445,
+      "learning_rate": 3e-06,
+      "loss": 0.0397,
+      "step": 1829
+    },
+    {
+      "epoch": 0.061,
+      "grad_norm": 0.14268910884857178,
+      "learning_rate": 3e-06,
+      "loss": 0.0381,
+      "step": 1830
+    },
+    {
+      "epoch": 0.061033333333333335,
+      "grad_norm": 0.12407243251800537,
+      "learning_rate": 3e-06,
+      "loss": 0.0379,
+      "step": 1831
+    },
+    {
+      "epoch": 0.061066666666666665,
+      "grad_norm": 0.11111710220575333,
+      "learning_rate": 3e-06,
+      "loss": 0.0369,
+      "step": 1832
+    },
+    {
+      "completion_length": 185.75,
+      "epoch": 0.0611,
+      "grad_norm": 1.6425055265426636,
+      "learning_rate": 3e-06,
+      "loss": 0.2343,
+      "reward": 0.0,
+      "reward_std": 0.0,
+      "rewards/correctness_reward_func_math": 0.0,
+      "step": 1833,
+      "zero_std_ratio": 1.0
+    },
+    {
+      "epoch": 0.06113333333333333,
+      "grad_norm": 1.6475173234939575,
+      "learning_rate": 3e-06,
+      "loss": 0.2352,
+      "step": 1834
+    },
+    {
+      "epoch": 0.06116666666666667,
+      "grad_norm": 1.6070164442062378,
+      "learning_rate": 3e-06,
+      "loss": 0.2331,
+      "step": 1835
+    },
+    {
+      "epoch": 0.0612,
+      "grad_norm": 1.6015102863311768,
+      "learning_rate": 3e-06,
+      "loss": 0.2325,
+      "step": 1836
+    },
+    {
+      "epoch": 0.061233333333333334,
+      "grad_norm": 1.575899600982666,
+      "learning_rate": 3e-06,
+      "loss": 0.2291,
+      "step": 1837
+    },
+    {
+      "epoch": 0.061266666666666664,
+      "grad_norm": 1.550963044166565,
+      "learning_rate": 3e-06,
+      "loss": 0.2258,
+      "step": 1838
+    },
+    {
+      "epoch": 0.0613,
+      "grad_norm": 1.5243844985961914,
+      "learning_rate": 3e-06,
+      "loss": 0.2214,
+      "step": 1839
+    },
+    {
+      "epoch": 0.06133333333333333,
+      "grad_norm": 1.496927261352539,
+      "learning_rate": 3e-06,
+      "loss": 0.2175,
+      "step": 1840
+    },
+    {
+      "completion_length": 255.96875,
+      "epoch": 0.06136666666666667,
+      "grad_norm": 0.25522732734680176,
+      "learning_rate": 3e-06,
+      "loss": 0.1327,
+      "reward": 0.3125,
+      "reward_std": 0.25,
+      "rewards/correctness_reward_func_math": 0.3125,
+      "step": 1841,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.0614,
+      "grad_norm": 0.25779587030410767,
+      "learning_rate": 3e-06,
+      "loss": 0.1316,
+      "step": 1842
+    },
+    {
+      "epoch": 0.06143333333333333,
+      "grad_norm": 0.2425825446844101,
+      "learning_rate": 3e-06,
+      "loss": 0.1285,
+      "step": 1843
+    },
+    {
+      "epoch": 0.06146666666666667,
+      "grad_norm": 0.24206620454788208,
+      "learning_rate": 3e-06,
+      "loss": 0.1301,
+      "step": 1844
+    },
+    {
+      "epoch": 0.0615,
+      "grad_norm": 0.23751582205295563,
+      "learning_rate": 3e-06,
+      "loss": 0.1297,
+      "step": 1845
+    },
+    {
+      "epoch": 0.061533333333333336,
+      "grad_norm": 0.24768762290477753,
+      "learning_rate": 3e-06,
+      "loss": 0.1284,
+      "step": 1846
+    },
+    {
+      "epoch": 0.061566666666666665,
+      "grad_norm": 0.218784362077713,
+      "learning_rate": 3e-06,
+      "loss": 0.1266,
+      "step": 1847
+    },
+    {
+      "epoch": 0.0616,
+      "grad_norm": 0.2257787436246872,
+      "learning_rate": 3e-06,
+      "loss": 0.1258,
+      "step": 1848
+    },
+    {
+      "completion_length": 247.25,
+      "epoch": 0.06163333333333333,
+      "grad_norm": 0.06892331689596176,
+      "learning_rate": 3e-06,
+      "loss": 0.0081,
+      "reward": 0.0,
+      "reward_std": 0.0,
+      "rewards/correctness_reward_func_math": 0.0,
+      "step": 1849,
+      "zero_std_ratio": 1.0
+    },
+    {
+      "epoch": 0.06166666666666667,
+      "grad_norm": 0.07194532454013824,
+      "learning_rate": 3e-06,
+      "loss": 0.0081,
+      "step": 1850
+    },
+    {
+      "epoch": 0.0617,
+      "grad_norm": 0.06555168330669403,
+      "learning_rate": 3e-06,
+      "loss": 0.008,
+      "step": 1851
+    },
+    {
+      "epoch": 0.061733333333333335,
+      "grad_norm": 0.048004187643527985,
+      "learning_rate": 3e-06,
+      "loss": 0.0078,
+      "step": 1852
+    },
+    {
+      "epoch": 0.061766666666666664,
+      "grad_norm": 0.030563561245799065,
+      "learning_rate": 3e-06,
+      "loss": 0.0077,
+      "step": 1853
+    },
+    {
+      "epoch": 0.0618,
+      "grad_norm": 0.022723816335201263,
+      "learning_rate": 3e-06,
+      "loss": 0.0076,
+      "step": 1854
+    },
+    {
+      "epoch": 0.06183333333333333,
+      "grad_norm": 0.02193901687860489,
+      "learning_rate": 3e-06,
+      "loss": 0.0076,
+      "step": 1855
+    },
+    {
+      "epoch": 0.06186666666666667,
+      "grad_norm": 0.028614236041903496,
+      "learning_rate": 3e-06,
+      "loss": 0.0075,
+      "step": 1856
+    },
+    {
+      "completion_length": 255.75,
+      "epoch": 0.0619,
+      "grad_norm": 0.14823856949806213,
+      "learning_rate": 3e-06,
+      "loss": 0.0598,
+      "reward": 0.9375,
+      "reward_std": 0.17078250646591187,
+      "rewards/correctness_reward_func_math": 0.9375,
+      "step": 1857,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.06193333333333333,
+      "grad_norm": 0.1741209626197815,
+      "learning_rate": 3e-06,
+      "loss": 0.0593,
+      "step": 1858
+    },
+    {
+      "epoch": 0.06196666666666667,
+      "grad_norm": 0.17066523432731628,
+      "learning_rate": 3e-06,
+      "loss": 0.0583,
+      "step": 1859
+    },
+    {
+      "epoch": 0.062,
+      "grad_norm": 0.11331308633089066,
+      "learning_rate": 3e-06,
+      "loss": 0.0588,
+      "step": 1860
+    },
+    {
+      "epoch": 0.062033333333333336,
+      "grad_norm": 0.11736991256475449,
+      "learning_rate": 3e-06,
+      "loss": 0.0581,
+      "step": 1861
+    },
+    {
+      "epoch": 0.062066666666666666,
+      "grad_norm": 0.11256687343120575,
+      "learning_rate": 3e-06,
+      "loss": 0.0574,
+      "step": 1862
+    },
+    {
+      "epoch": 0.0621,
+      "grad_norm": 0.11295061558485031,
+      "learning_rate": 3e-06,
+      "loss": 0.0567,
+      "step": 1863
+    },
+    {
+      "epoch": 0.06213333333333333,
+      "grad_norm": 0.1321628838777542,
+      "learning_rate": 3e-06,
+      "loss": 0.0568,
+      "step": 1864
+    },
+    {
+      "completion_length": 255.71875,
+      "epoch": 0.06216666666666667,
+      "grad_norm": 0.12294372916221619,
+      "learning_rate": 3e-06,
+      "loss": 0.0592,
+      "reward": 0.4375,
+      "reward_std": 0.17078250646591187,
+      "rewards/correctness_reward_func_math": 0.4375,
+      "step": 1865,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.0622,
+      "grad_norm": 0.1068810448050499,
+      "learning_rate": 3e-06,
+      "loss": 0.059,
+      "step": 1866
+    },
+    {
+      "epoch": 0.062233333333333335,
+      "grad_norm": 0.18457792699337006,
+      "learning_rate": 3e-06,
+      "loss": 0.0583,
+      "step": 1867
+    },
+    {
+      "epoch": 0.062266666666666665,
+      "grad_norm": 0.09551732242107391,
+      "learning_rate": 3e-06,
+      "loss": 0.0592,
+      "step": 1868
+    },
+    {
+      "epoch": 0.0623,
+      "grad_norm": 0.09707175195217133,
+      "learning_rate": 3e-06,
+      "loss": 0.0587,
+      "step": 1869
+    },
+    {
+      "epoch": 0.06233333333333333,
+      "grad_norm": 0.12154439091682434,
+      "learning_rate": 3e-06,
+      "loss": 0.0578,
+      "step": 1870
+    },
+    {
+      "epoch": 0.06236666666666667,
+      "grad_norm": 0.1025838628411293,
+      "learning_rate": 3e-06,
+      "loss": 0.0571,
+      "step": 1871
+    },
+    {
+      "epoch": 0.0624,
+      "grad_norm": 0.21979300677776337,
+      "learning_rate": 3e-06,
+      "loss": 0.0556,
+      "step": 1872
+    },
+    {
+      "completion_length": 242.5625,
+      "epoch": 0.062433333333333334,
+      "grad_norm": 0.08760565519332886,
+      "learning_rate": 3e-06,
+      "loss": 0.0444,
+      "reward": 0.03125,
+      "reward_std": 0.125,
+      "rewards/correctness_reward_func_math": 0.03125,
+      "step": 1873,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.06246666666666666,
+      "grad_norm": 0.08402563631534576,
+      "learning_rate": 3e-06,
+      "loss": 0.0442,
+      "step": 1874
+    },
+    {
+      "epoch": 0.0625,
+      "grad_norm": 0.08699683099985123,
+      "learning_rate": 3e-06,
+      "loss": 0.0439,
+      "step": 1875
+    },
+    {
+      "epoch": 0.06253333333333333,
+      "grad_norm": 0.08874766528606415,
+      "learning_rate": 3e-06,
+      "loss": 0.0438,
+      "step": 1876
+    },
+    {
+      "epoch": 0.06256666666666667,
+      "grad_norm": 0.07176293432712555,
+      "learning_rate": 3e-06,
+      "loss": 0.0436,
+      "step": 1877
+    },
+    {
+      "epoch": 0.0626,
+      "grad_norm": 0.06775759905576706,
+      "learning_rate": 3e-06,
+      "loss": 0.0432,
+      "step": 1878
+    },
+    {
+      "epoch": 0.06263333333333333,
+      "grad_norm": 0.06863688677549362,
+      "learning_rate": 3e-06,
+      "loss": 0.0425,
+      "step": 1879
+    },
+    {
+      "epoch": 0.06266666666666666,
+      "grad_norm": 0.06724990159273148,
+      "learning_rate": 3e-06,
+      "loss": 0.042,
+      "step": 1880
+    },
+    {
+      "completion_length": 252.375,
+      "epoch": 0.0627,
+      "grad_norm": 0.19778913259506226,
+      "learning_rate": 3e-06,
+      "loss": 0.1213,
+      "reward": 0.875,
+      "reward_std": 0.34156501293182373,
+      "rewards/correctness_reward_func_math": 0.875,
+      "step": 1881,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.06273333333333334,
+      "grad_norm": 0.23718205094337463,
+      "learning_rate": 3e-06,
+      "loss": 0.1204,
+      "step": 1882
+    },
+    {
+      "epoch": 0.06276666666666667,
+      "grad_norm": 0.17450261116027832,
+      "learning_rate": 3e-06,
+      "loss": 0.1217,
+      "step": 1883
+    },
+    {
+      "epoch": 0.0628,
+      "grad_norm": 0.18281269073486328,
+      "learning_rate": 3e-06,
+      "loss": 0.1198,
+      "step": 1884
+    },
+    {
+      "epoch": 0.06283333333333334,
+      "grad_norm": 0.1570565104484558,
+      "learning_rate": 3e-06,
+      "loss": 0.1178,
+      "step": 1885
+    },
+    {
+      "epoch": 0.06286666666666667,
+      "grad_norm": 0.21135437488555908,
+      "learning_rate": 3e-06,
+      "loss": 0.118,
+      "step": 1886
+    },
+    {
+      "epoch": 0.0629,
+      "grad_norm": 0.1774282604455948,
+      "learning_rate": 3e-06,
+      "loss": 0.1161,
+      "step": 1887
+    },
+    {
+      "epoch": 0.06293333333333333,
+      "grad_norm": 0.15314839780330658,
+      "learning_rate": 3e-06,
+      "loss": 0.1158,
+      "step": 1888
+    },
+    {
+      "completion_length": 249.5625,
+      "epoch": 0.06296666666666667,
+      "grad_norm": 0.06029735133051872,
+      "learning_rate": 3e-06,
+      "loss": 0.0077,
+      "reward": 0.5,
+      "reward_std": 0.0,
+      "rewards/correctness_reward_func_math": 0.5,
+      "step": 1889,
+      "zero_std_ratio": 1.0
+    },
+    {
+      "epoch": 0.063,
+      "grad_norm": 0.05777447298169136,
+      "learning_rate": 3e-06,
+      "loss": 0.0076,
+      "step": 1890
+    },
+    {
+      "epoch": 0.06303333333333333,
+      "grad_norm": 0.05558198690414429,
+      "learning_rate": 3e-06,
+      "loss": 0.0074,
+      "step": 1891
+    },
+    {
+      "epoch": 0.06306666666666666,
+      "grad_norm": 0.04853600636124611,
+      "learning_rate": 3e-06,
+      "loss": 0.0073,
+      "step": 1892
+    },
+    {
+      "epoch": 0.0631,
+      "grad_norm": 0.045975036919116974,
+      "learning_rate": 3e-06,
+      "loss": 0.0072,
+      "step": 1893
+    },
+    {
+      "epoch": 0.06313333333333333,
+      "grad_norm": 0.04137445613741875,
+      "learning_rate": 3e-06,
+      "loss": 0.007,
+      "step": 1894
+    },
+    {
+      "epoch": 0.06316666666666666,
+      "grad_norm": 0.03394879773259163,
+      "learning_rate": 3e-06,
+      "loss": 0.0069,
+      "step": 1895
+    },
+    {
+      "epoch": 0.0632,
+      "grad_norm": 0.028862809762358665,
+      "learning_rate": 3e-06,
+      "loss": 0.0067,
+      "step": 1896
+    },
+    {
+      "completion_length": 239.625,
+      "epoch": 0.06323333333333334,
+      "grad_norm": 0.2740474343299866,
+      "learning_rate": 3e-06,
+      "loss": 0.2008,
+      "reward": 0.4375,
+      "reward_std": 0.44091323018074036,
+      "rewards/correctness_reward_func_math": 0.4375,
+      "step": 1897,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.06326666666666667,
+      "grad_norm": 0.26001086831092834,
+      "learning_rate": 3e-06,
+      "loss": 0.2015,
+      "step": 1898
+    },
+    {
+      "epoch": 0.0633,
+      "grad_norm": 0.24858087301254272,
+      "learning_rate": 3e-06,
+      "loss": 0.2005,
+      "step": 1899
+    },
+    {
+      "epoch": 0.06333333333333334,
+      "grad_norm": 0.22484038770198822,
+      "learning_rate": 3e-06,
+      "loss": 0.1987,
+      "step": 1900
+    },
+    {
+      "epoch": 0.06336666666666667,
+      "grad_norm": 0.1965910792350769,
+      "learning_rate": 3e-06,
+      "loss": 0.1991,
+      "step": 1901
+    },
+    {
+      "epoch": 0.0634,
+      "grad_norm": 0.1697274148464203,
+      "learning_rate": 3e-06,
+      "loss": 0.1991,
+      "step": 1902
+    },
+    {
+      "epoch": 0.06343333333333333,
+      "grad_norm": 0.17321062088012695,
+      "learning_rate": 3e-06,
+      "loss": 0.1956,
+      "step": 1903
+    },
+    {
+      "epoch": 0.06346666666666667,
+      "grad_norm": 0.14460676908493042,
+      "learning_rate": 3e-06,
+      "loss": 0.1959,
+      "step": 1904
+    },
+    {
+      "completion_length": 251.3125,
+      "epoch": 0.0635,
+      "grad_norm": 0.0701010450720787,
+      "learning_rate": 3e-06,
+      "loss": 0.0061,
+      "reward": 0.5,
+      "reward_std": 0.0,
+      "rewards/correctness_reward_func_math": 0.5,
+      "step": 1905,
+      "zero_std_ratio": 1.0
+    },
+    {
+      "epoch": 0.06353333333333333,
+      "grad_norm": 0.06173884496092796,
+      "learning_rate": 3e-06,
+      "loss": 0.006,
+      "step": 1906
+    },
+    {
+      "epoch": 0.06356666666666666,
+      "grad_norm": 0.054763998836278915,
+      "learning_rate": 3e-06,
+      "loss": 0.006,
+      "step": 1907
+    },
+    {
+      "epoch": 0.0636,
+      "grad_norm": 0.04816952347755432,
+      "learning_rate": 3e-06,
+      "loss": 0.006,
+      "step": 1908
+    },
+    {
+      "epoch": 0.06363333333333333,
+      "grad_norm": 0.0335032157599926,
+      "learning_rate": 3e-06,
+      "loss": 0.0057,
+      "step": 1909
+    },
+    {
+      "epoch": 0.06366666666666666,
+      "grad_norm": 0.029903721064329147,
+      "learning_rate": 3e-06,
+      "loss": 0.0057,
+      "step": 1910
+    },
+    {
+      "epoch": 0.0637,
+      "grad_norm": 0.027072889730334282,
+      "learning_rate": 3e-06,
+      "loss": 0.0056,
+      "step": 1911
+    },
+    {
+      "epoch": 0.06373333333333334,
+      "grad_norm": 0.03360096737742424,
+      "learning_rate": 3e-06,
+      "loss": 0.0055,
+      "step": 1912
+    },
+    {
+      "completion_length": 243.34375,
+      "epoch": 0.06376666666666667,
+      "grad_norm": 0.2378849983215332,
+      "learning_rate": 3e-06,
+      "loss": 0.1108,
+      "reward": 0.375,
+      "reward_std": 0.22360679507255554,
+      "rewards/correctness_reward_func_math": 0.375,
+      "step": 1913,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.0638,
+      "grad_norm": 0.24160981178283691,
+      "learning_rate": 3e-06,
+      "loss": 0.1123,
+      "step": 1914
+    },
+    {
+      "epoch": 0.06383333333333334,
+      "grad_norm": 0.2541719377040863,
+      "learning_rate": 3e-06,
+      "loss": 0.1102,
+      "step": 1915
+    },
+    {
+      "epoch": 0.06386666666666667,
+      "grad_norm": 0.25014373660087585,
+      "learning_rate": 3e-06,
+      "loss": 0.1075,
+      "step": 1916
+    },
+    {
+      "epoch": 0.0639,
+      "grad_norm": 0.25003162026405334,
+      "learning_rate": 3e-06,
+      "loss": 0.1062,
+      "step": 1917
+    },
+    {
+      "epoch": 0.06393333333333333,
+      "grad_norm": 0.21600143611431122,
+      "learning_rate": 3e-06,
+      "loss": 0.1038,
+      "step": 1918
+    },
+    {
+      "epoch": 0.06396666666666667,
+      "grad_norm": 0.22769373655319214,
+      "learning_rate": 3e-06,
+      "loss": 0.1032,
+      "step": 1919
+    },
+    {
+      "epoch": 0.064,
+      "grad_norm": 0.1980726569890976,
+      "learning_rate": 3e-06,
+      "loss": 0.0998,
+      "step": 1920
+    },
+    {
+      "completion_length": 246.46875,
+      "epoch": 0.06403333333333333,
+      "grad_norm": 0.055729616433382034,
+      "learning_rate": 3e-06,
+      "loss": 0.0078,
+      "reward": 0.5,
+      "reward_std": 0.0,
+      "rewards/correctness_reward_func_math": 0.5,
+      "step": 1921,
+      "zero_std_ratio": 1.0
+    },
+    {
+      "epoch": 0.06406666666666666,
+      "grad_norm": 0.05523541569709778,
+      "learning_rate": 3e-06,
+      "loss": 0.0078,
+      "step": 1922
+    },
+    {
+      "epoch": 0.0641,
+      "grad_norm": 0.05385873094201088,
+      "learning_rate": 3e-06,
+      "loss": 0.0077,
+      "step": 1923
+    },
+    {
+      "epoch": 0.06413333333333333,
+      "grad_norm": 0.051388829946517944,
+      "learning_rate": 3e-06,
+      "loss": 0.0077,
+      "step": 1924
+    },
+    {
+      "epoch": 0.06416666666666666,
+      "grad_norm": 0.04686552286148071,
+      "learning_rate": 3e-06,
+      "loss": 0.0076,
+      "step": 1925
+    },
+    {
+      "epoch": 0.0642,
+      "grad_norm": 0.03716890141367912,
+      "learning_rate": 3e-06,
+      "loss": 0.0074,
+      "step": 1926
+    },
+    {
+      "epoch": 0.06423333333333334,
+      "grad_norm": 0.028713032603263855,
+      "learning_rate": 3e-06,
+      "loss": 0.0073,
+      "step": 1927
+    },
+    {
+      "epoch": 0.06426666666666667,
+      "grad_norm": 0.02393457107245922,
+      "learning_rate": 3e-06,
+      "loss": 0.0073,
+      "step": 1928
+    },
+    {
+      "completion_length": 186.46875,
+      "epoch": 0.0643,
+      "grad_norm": 2.6800127029418945,
+      "learning_rate": 3e-06,
+      "loss": 0.5951,
+      "reward": 0.15625,
+      "reward_std": 0.23935678601264954,
+      "rewards/correctness_reward_func_math": 0.15625,
+      "step": 1929,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.06433333333333334,
+      "grad_norm": 2.6262388229370117,
+      "learning_rate": 3e-06,
+      "loss": 0.5861,
+      "step": 1930
+    },
+    {
+      "epoch": 0.06436666666666667,
+      "grad_norm": 2.602653980255127,
+      "learning_rate": 3e-06,
+      "loss": 0.5865,
+      "step": 1931
+    },
+    {
+      "epoch": 0.0644,
+      "grad_norm": 2.580411434173584,
+      "learning_rate": 3e-06,
+      "loss": 0.5727,
+      "step": 1932
+    },
+    {
+      "epoch": 0.06443333333333333,
+      "grad_norm": 2.5464372634887695,
+      "learning_rate": 3e-06,
+      "loss": 0.556,
+      "step": 1933
+    },
+    {
+      "epoch": 0.06446666666666667,
+      "grad_norm": 2.426823616027832,
+      "learning_rate": 3e-06,
+      "loss": 0.5395,
+      "step": 1934
+    },
+    {
+      "epoch": 0.0645,
+      "grad_norm": 2.411064624786377,
+      "learning_rate": 3e-06,
+      "loss": 0.5273,
+      "step": 1935
+    },
+    {
+      "epoch": 0.06453333333333333,
+      "grad_norm": 2.4469687938690186,
+      "learning_rate": 3e-06,
+      "loss": 0.506,
+      "step": 1936
+    },
+    {
+      "completion_length": 250.71875,
+      "epoch": 0.06456666666666666,
+      "grad_norm": 0.3321230113506317,
+      "learning_rate": 3e-06,
+      "loss": 0.1286,
+      "reward": 0.8125,
+      "reward_std": 0.25,
+      "rewards/correctness_reward_func_math": 0.8125,
+      "step": 1937,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.0646,
+      "grad_norm": 0.34432652592658997,
+      "learning_rate": 3e-06,
+      "loss": 0.1285,
+      "step": 1938
+    },
+    {
+      "epoch": 0.06463333333333333,
+      "grad_norm": 0.32460397481918335,
+      "learning_rate": 3e-06,
+      "loss": 0.1291,
+      "step": 1939
+    },
+    {
+      "epoch": 0.06466666666666666,
+      "grad_norm": 0.3067503869533539,
+      "learning_rate": 3e-06,
+      "loss": 0.1282,
+      "step": 1940
+    },
+    {
+      "epoch": 0.0647,
+      "grad_norm": 0.2963985502719879,
+      "learning_rate": 3e-06,
+      "loss": 0.1265,
+      "step": 1941
+    },
+    {
+      "epoch": 0.06473333333333334,
+      "grad_norm": 0.2829592227935791,
+      "learning_rate": 3e-06,
+      "loss": 0.125,
+      "step": 1942
+    },
+    {
+      "epoch": 0.06476666666666667,
+      "grad_norm": 0.2661295533180237,
+      "learning_rate": 3e-06,
+      "loss": 0.1218,
+      "step": 1943
+    },
+    {
+      "epoch": 0.0648,
+      "grad_norm": 0.253111869096756,
+      "learning_rate": 3e-06,
+      "loss": 0.1207,
+      "step": 1944
+    },
+    {
+      "completion_length": 250.03125,
+      "epoch": 0.06483333333333334,
+      "grad_norm": 0.13963644206523895,
+      "learning_rate": 3e-06,
+      "loss": 0.0906,
+      "reward": 0.90625,
+      "reward_std": 0.29578250646591187,
+      "rewards/correctness_reward_func_math": 0.90625,
+      "step": 1945,
+      "zero_std_ratio": 0.0
+    },
+    {
+      "epoch": 0.06486666666666667,
+      "grad_norm": 0.14928492903709412,
+      "learning_rate": 3e-06,
+      "loss": 0.0898,
+      "step": 1946
+    },
+    {
+      "epoch": 0.0649,
+      "grad_norm": 0.12648016214370728,
+      "learning_rate": 3e-06,
+      "loss": 0.0899,
+      "step": 1947
+    },
+    {
+      "epoch": 0.06493333333333333,
+      "grad_norm": 0.13013547658920288,
+      "learning_rate": 3e-06,
+      "loss": 0.0888,
+      "step": 1948
+    },
+    {
+      "epoch": 0.06496666666666667,
+      "grad_norm": 0.12350853532552719,
+      "learning_rate": 3e-06,
+      "loss": 0.0877,
+      "step": 1949
+    },
+    {
+      "epoch": 0.065,
+      "grad_norm": 0.11718573421239853,
+      "learning_rate": 3e-06,
+      "loss": 0.0874,
+      "step": 1950
+    },
+    {
+      "epoch": 0.06503333333333333,
+      "grad_norm": 0.11346545070409775,
+      "learning_rate": 3e-06,
+      "loss": 0.0862,
+      "step": 1951
+    },
+    {
+      "epoch": 0.06506666666666666,
+      "grad_norm": 0.1122124120593071,
+      "learning_rate": 3e-06,
+      "loss": 0.086,
+      "step": 1952
+    },
+    {
+      "completion_length": 220.71875,
+      "epoch": 0.0651,
+      "grad_norm": 3.8339500427246094,
+      "learning_rate": 3e-06,
+      "loss": 0.8747,
+      "reward": 0.28125,
+      "reward_std": 0.2561737596988678,
+      "rewards/correctness_reward_func_math": 0.28125,
+      "step": 1953,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.06513333333333333,
+      "grad_norm": 3.781766891479492,
+      "learning_rate": 3e-06,
+      "loss": 0.8699,
+      "step": 1954
+    },
+    {
+      "epoch": 0.06516666666666666,
+      "grad_norm": 3.8422961235046387,
+      "learning_rate": 3e-06,
+      "loss": 0.8724,
+      "step": 1955
+    },
+    {
+      "epoch": 0.0652,
+      "grad_norm": 3.5620906352996826,
+      "learning_rate": 3e-06,
+      "loss": 0.8523,
+      "step": 1956
+    },
+    {
+      "epoch": 0.06523333333333334,
+      "grad_norm": 3.4850757122039795,
+      "learning_rate": 3e-06,
+      "loss": 0.8419,
+      "step": 1957
+    },
+    {
+      "epoch": 0.06526666666666667,
+      "grad_norm": 3.3043105602264404,
+      "learning_rate": 3e-06,
+      "loss": 0.8246,
+      "step": 1958
+    },
+    {
+      "epoch": 0.0653,
+      "grad_norm": 3.129692554473877,
+      "learning_rate": 3e-06,
+      "loss": 0.8078,
+      "step": 1959
+    },
+    {
+      "epoch": 0.06533333333333333,
+      "grad_norm": 2.98408579826355,
+      "learning_rate": 3e-06,
+      "loss": 0.7929,
+      "step": 1960
+    },
+    {
+      "completion_length": 240.0,
+      "epoch": 0.06536666666666667,
+      "grad_norm": 0.05143769457936287,
+      "learning_rate": 3e-06,
+      "loss": 0.0074,
+      "reward": 0.0,
+      "reward_std": 0.0,
+      "rewards/correctness_reward_func_math": 0.0,
+      "step": 1961,
+      "zero_std_ratio": 1.0
+    },
+    {
+      "epoch": 0.0654,
+      "grad_norm": 0.04680619388818741,
+      "learning_rate": 3e-06,
+      "loss": 0.0073,
+      "step": 1962
+    },
+    {
+      "epoch": 0.06543333333333333,
+      "grad_norm": 0.04359707981348038,
+      "learning_rate": 3e-06,
+      "loss": 0.0072,
+      "step": 1963
+    },
+    {
+      "epoch": 0.06546666666666667,
+      "grad_norm": 0.03940826281905174,
+      "learning_rate": 3e-06,
+      "loss": 0.0072,
+      "step": 1964
+    },
+    {
+      "epoch": 0.0655,
+      "grad_norm": 0.03607490286231041,
+      "learning_rate": 3e-06,
+      "loss": 0.0071,
+      "step": 1965
+    },
+    {
+      "epoch": 0.06553333333333333,
+      "grad_norm": 0.02895331010222435,
+      "learning_rate": 3e-06,
+      "loss": 0.007,
+      "step": 1966
+    },
+    {
+      "epoch": 0.06556666666666666,
+      "grad_norm": 0.02348491922020912,
+      "learning_rate": 3e-06,
+      "loss": 0.0069,
+      "step": 1967
+    },
+    {
+      "epoch": 0.0656,
+      "grad_norm": 0.01740790344774723,
+      "learning_rate": 3e-06,
+      "loss": 0.0069,
+      "step": 1968
+    },
+    {
+      "completion_length": 243.21875,
+      "epoch": 0.06563333333333334,
+      "grad_norm": 0.32464173436164856,
+      "learning_rate": 3e-06,
+      "loss": 0.1521,
+      "reward": 0.25,
+      "reward_std": 0.25819888710975647,
+      "rewards/correctness_reward_func_math": 0.25,
+      "step": 1969,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.06566666666666666,
+      "grad_norm": 0.3248634934425354,
+      "learning_rate": 3e-06,
+      "loss": 0.1534,
+      "step": 1970
+    },
+    {
+      "epoch": 0.0657,
+      "grad_norm": 0.32473650574684143,
+      "learning_rate": 3e-06,
+      "loss": 0.1508,
+      "step": 1971
+    },
+    {
+      "epoch": 0.06573333333333334,
+      "grad_norm": 0.3106275200843811,
+      "learning_rate": 3e-06,
+      "loss": 0.1498,
+      "step": 1972
+    },
+    {
+      "epoch": 0.06576666666666667,
+      "grad_norm": 0.291562020778656,
+      "learning_rate": 3e-06,
+      "loss": 0.1451,
+      "step": 1973
+    },
+    {
+      "epoch": 0.0658,
+      "grad_norm": 0.28417447209358215,
+      "learning_rate": 3e-06,
+      "loss": 0.143,
+      "step": 1974
+    },
+    {
+      "epoch": 0.06583333333333333,
+      "grad_norm": 0.2575417459011078,
+      "learning_rate": 3e-06,
+      "loss": 0.1408,
+      "step": 1975
+    },
+    {
+      "epoch": 0.06586666666666667,
+      "grad_norm": 0.2664029002189636,
+      "learning_rate": 3e-06,
+      "loss": 0.1407,
+      "step": 1976
+    },
+    {
+      "completion_length": 239.125,
+      "epoch": 0.0659,
+      "grad_norm": 0.12476836889982224,
+      "learning_rate": 3e-06,
+      "loss": 0.0888,
+      "reward": 0.90625,
+      "reward_std": 0.20155644416809082,
+      "rewards/correctness_reward_func_math": 0.90625,
+      "step": 1977,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.06593333333333333,
+      "grad_norm": 0.13822680711746216,
+      "learning_rate": 3e-06,
+      "loss": 0.088,
+      "step": 1978
+    },
+    {
+      "epoch": 0.06596666666666667,
+      "grad_norm": 0.13141250610351562,
+      "learning_rate": 3e-06,
+      "loss": 0.0885,
+      "step": 1979
+    },
+    {
+      "epoch": 0.066,
+      "grad_norm": 0.13097648322582245,
+      "learning_rate": 3e-06,
+      "loss": 0.0875,
+      "step": 1980
+    },
+    {
+      "epoch": 0.06603333333333333,
+      "grad_norm": 0.1123272255063057,
+      "learning_rate": 3e-06,
+      "loss": 0.0867,
+      "step": 1981
+    },
+    {
+      "epoch": 0.06606666666666666,
+      "grad_norm": 0.13040874898433685,
+      "learning_rate": 3e-06,
+      "loss": 0.0848,
+      "step": 1982
+    },
+    {
+      "epoch": 0.0661,
+      "grad_norm": 0.11424583196640015,
+      "learning_rate": 3e-06,
+      "loss": 0.0857,
+      "step": 1983
+    },
+    {
+      "epoch": 0.06613333333333334,
+      "grad_norm": 0.1027456670999527,
+      "learning_rate": 3e-06,
+      "loss": 0.0832,
+      "step": 1984
+    },
+    {
+      "completion_length": 254.46875,
+      "epoch": 0.06616666666666667,
+      "grad_norm": 0.12706981599330902,
+      "learning_rate": 3e-06,
+      "loss": 0.0075,
+      "reward": 0.0,
+      "reward_std": 0.0,
+      "rewards/correctness_reward_func_math": 0.0,
+      "step": 1985,
+      "zero_std_ratio": 1.0
+    },
+    {
+      "epoch": 0.0662,
+      "grad_norm": 0.07281482964754105,
+      "learning_rate": 3e-06,
+      "loss": 0.0071,
+      "step": 1986
+    },
+    {
+      "epoch": 0.06623333333333334,
+      "grad_norm": 0.06916627287864685,
+      "learning_rate": 3e-06,
+      "loss": 0.007,
+      "step": 1987
+    },
+    {
+      "epoch": 0.06626666666666667,
+      "grad_norm": 0.03620218113064766,
+      "learning_rate": 3e-06,
+      "loss": 0.0069,
+      "step": 1988
+    },
+    {
+      "epoch": 0.0663,
+      "grad_norm": 0.030469687655568123,
+      "learning_rate": 3e-06,
+      "loss": 0.0068,
+      "step": 1989
+    },
+    {
+      "epoch": 0.06633333333333333,
+      "grad_norm": 0.052723467350006104,
+      "learning_rate": 3e-06,
+      "loss": 0.0069,
+      "step": 1990
+    },
+    {
+      "epoch": 0.06636666666666667,
+      "grad_norm": 0.047346942126750946,
+      "learning_rate": 3e-06,
+      "loss": 0.0068,
+      "step": 1991
+    },
+    {
+      "epoch": 0.0664,
+      "grad_norm": 0.054221708327531815,
+      "learning_rate": 3e-06,
+      "loss": 0.0069,
+      "step": 1992
+    },
+    {
+      "completion_length": 248.9375,
+      "epoch": 0.06643333333333333,
+      "grad_norm": 0.2771340012550354,
+      "learning_rate": 3e-06,
+      "loss": 0.1062,
+      "reward": 0.875,
+      "reward_std": 0.22360679507255554,
+      "rewards/correctness_reward_func_math": 0.875,
+      "step": 1993,
+      "zero_std_ratio": 0.5
+    },
+    {
+      "epoch": 0.06646666666666666,
+      "grad_norm": 0.27088719606399536,
+      "learning_rate": 3e-06,
+      "loss": 0.1049,
+      "step": 1994
+    },
+    {
+      "epoch": 0.0665,
+      "grad_norm": 0.2465420663356781,
+      "learning_rate": 3e-06,
+      "loss": 0.1048,
+      "step": 1995
+    },
+    {
+      "epoch": 0.06653333333333333,
+      "grad_norm": 0.23436610400676727,
+      "learning_rate": 3e-06,
+      "loss": 0.1038,
+      "step": 1996
+    },
+    {
+      "epoch": 0.06656666666666666,
+      "grad_norm": 0.22392910718917847,
+      "learning_rate": 3e-06,
+      "loss": 0.1017,
+      "step": 1997
+    },
+    {
+      "epoch": 0.0666,
+      "grad_norm": 0.2210848331451416,
+      "learning_rate": 3e-06,
+      "loss": 0.1004,
+      "step": 1998
+    },
+    {
+      "epoch": 0.06663333333333334,
+      "grad_norm": 0.2006128430366516,
+      "learning_rate": 3e-06,
+      "loss": 0.0978,
+      "step": 1999
+    },
+    {
+      "epoch": 0.06666666666666667,
+      "grad_norm": 0.20427468419075012,
+      "learning_rate": 3e-06,
+      "loss": 0.0962,
+      "step": 2000
+    }
+  ],
+  "logging_steps": 1.0,
+  "max_steps": 2500,
+  "num_input_tokens_seen": 0,
+  "num_train_epochs": 1,
+  "save_steps": 500,
+  "stateful_callbacks": {
+    "TrainerControl": {
+      "args": {
+        "should_epoch_stop": false,
+        "should_evaluate": false,
+        "should_log": false,
+        "should_save": true,
+        "should_training_stop": false
+      },
+      "attributes": {}
+    }
+  },
+  "total_flos": 0.0,
+  "train_batch_size": 2,
+  "trial_name": null,
+  "trial_params": null
+}