{
  "best_metric": null,
  "best_model_checkpoint": null,
  "epoch": 20.0,
  "eval_steps": 500,
  "global_step": 120,
  "is_hyper_param_search": false,
  "is_local_process_zero": true,
  "is_world_process_zero": true,
  "log_history": [
    {
      "epoch": 0.16666666666666666,
      "grad_norm": 9.996176719665527,
      "learning_rate": 0.00019833333333333335,
      "loss": 9.3055,
      "step": 1
    },
    {
      "epoch": 0.3333333333333333,
      "grad_norm": NaN,
      "learning_rate": 0.00019833333333333335,
      "loss": 9.113,
      "step": 2
    },
    {
      "epoch": 0.5,
      "grad_norm": 11.601034164428711,
      "learning_rate": 0.00019666666666666666,
      "loss": 9.0898,
      "step": 3
    },
    {
      "epoch": 0.6666666666666666,
      "grad_norm": 20.349306106567383,
      "learning_rate": 0.000195,
      "loss": 8.7993,
      "step": 4
    },
    {
      "epoch": 0.8333333333333334,
      "grad_norm": 25.184730529785156,
      "learning_rate": 0.00019333333333333333,
      "loss": 8.333,
      "step": 5
    },
    {
      "epoch": 1.0,
      "grad_norm": 13.329120635986328,
      "learning_rate": 0.00019166666666666667,
      "loss": 7.9961,
      "step": 6
    },
    {
      "epoch": 1.1666666666666667,
      "grad_norm": 8.383143424987793,
      "learning_rate": 0.00019,
      "loss": 7.8197,
      "step": 7
    },
    {
      "epoch": 1.3333333333333333,
      "grad_norm": 6.8824028968811035,
      "learning_rate": 0.00018833333333333335,
      "loss": 7.6296,
      "step": 8
    },
    {
      "epoch": 1.5,
      "grad_norm": 6.662093162536621,
      "learning_rate": 0.0001866666666666667,
      "loss": 7.5766,
      "step": 9
    },
    {
      "epoch": 1.6666666666666665,
      "grad_norm": 6.5743632316589355,
      "learning_rate": 0.00018500000000000002,
      "loss": 7.5354,
      "step": 10
    },
    {
      "epoch": 1.8333333333333335,
      "grad_norm": 5.239775657653809,
      "learning_rate": 0.00018333333333333334,
      "loss": 7.4454,
      "step": 11
    },
    {
      "epoch": 2.0,
      "grad_norm": 3.852353811264038,
      "learning_rate": 0.00018166666666666667,
      "loss": 7.4435,
      "step": 12
    },
    {
      "epoch": 2.1666666666666665,
      "grad_norm": 4.084356784820557,
      "learning_rate": 0.00018,
      "loss": 7.3747,
      "step": 13
    },
    {
      "epoch": 2.3333333333333335,
      "grad_norm": 4.106002330780029,
      "learning_rate": 0.00017833333333333335,
      "loss": 7.3751,
      "step": 14
    },
    {
      "epoch": 2.5,
      "grad_norm": 4.112590312957764,
      "learning_rate": 0.00017666666666666666,
      "loss": 7.3905,
      "step": 15
    },
    {
      "epoch": 2.6666666666666665,
      "grad_norm": 3.850327968597412,
      "learning_rate": 0.000175,
      "loss": 7.3509,
      "step": 16
    },
    {
      "epoch": 2.8333333333333335,
      "grad_norm": 3.867799758911133,
      "learning_rate": 0.00017333333333333334,
      "loss": 7.3674,
      "step": 17
    },
    {
      "epoch": 3.0,
      "grad_norm": 3.6226632595062256,
      "learning_rate": 0.00017166666666666667,
      "loss": 7.2736,
      "step": 18
    },
    {
      "epoch": 3.1666666666666665,
      "grad_norm": 3.084348440170288,
      "learning_rate": 0.00017,
      "loss": 7.2721,
      "step": 19
    },
    {
      "epoch": 3.3333333333333335,
      "grad_norm": 3.3022353649139404,
      "learning_rate": 0.00016833333333333335,
      "loss": 7.2884,
      "step": 20
    },
    {
      "epoch": 3.5,
      "grad_norm": 2.312713623046875,
      "learning_rate": 0.0001666666666666667,
      "loss": 7.2756,
      "step": 21
    },
    {
      "epoch": 3.6666666666666665,
      "grad_norm": 2.862736701965332,
      "learning_rate": 0.000165,
      "loss": 7.2789,
      "step": 22
    },
    {
      "epoch": 3.8333333333333335,
      "grad_norm": 3.960524082183838,
      "learning_rate": 0.00016333333333333334,
      "loss": 7.2941,
      "step": 23
    },
    {
      "epoch": 4.0,
      "grad_norm": 3.2837612628936768,
      "learning_rate": 0.00016166666666666668,
      "loss": 7.2624,
      "step": 24
    },
    {
      "epoch": 4.166666666666667,
      "grad_norm": 2.9246368408203125,
      "learning_rate": 0.00016,
      "loss": 7.2896,
      "step": 25
    },
    {
      "epoch": 4.333333333333333,
      "grad_norm": 3.159517526626587,
      "learning_rate": 0.00015833333333333332,
      "loss": 7.2348,
      "step": 26
    },
    {
      "epoch": 4.5,
      "grad_norm": 3.172602891921997,
      "learning_rate": 0.00015666666666666666,
      "loss": 7.2534,
      "step": 27
    },
    {
      "epoch": 4.666666666666667,
      "grad_norm": 2.349774122238159,
      "learning_rate": 0.000155,
      "loss": 7.1811,
      "step": 28
    },
    {
      "epoch": 4.833333333333333,
      "grad_norm": 2.613893747329712,
      "learning_rate": 0.00015333333333333334,
      "loss": 7.2341,
      "step": 29
    },
    {
      "epoch": 5.0,
      "grad_norm": 1.907836675643921,
      "learning_rate": 0.00015166666666666668,
      "loss": 7.2261,
      "step": 30
    },
    {
      "epoch": 5.166666666666667,
      "grad_norm": 2.000274658203125,
      "learning_rate": 0.00015000000000000001,
      "loss": 7.2101,
      "step": 31
    },
    {
      "epoch": 5.333333333333333,
      "grad_norm": 1.68790864944458,
      "learning_rate": 0.00014833333333333335,
      "loss": 7.1859,
      "step": 32
    },
    {
      "epoch": 5.5,
      "grad_norm": 2.083620548248291,
      "learning_rate": 0.00014666666666666666,
      "loss": 7.2482,
      "step": 33
    },
    {
      "epoch": 5.666666666666667,
      "grad_norm": 2.451608657836914,
      "learning_rate": 0.000145,
      "loss": 7.2327,
      "step": 34
    },
    {
      "epoch": 5.833333333333333,
      "grad_norm": 2.5982701778411865,
      "learning_rate": 0.00014333333333333334,
      "loss": 7.1789,
      "step": 35
    },
    {
      "epoch": 6.0,
      "grad_norm": 2.0255370140075684,
      "learning_rate": 0.00014166666666666668,
      "loss": 7.2053,
      "step": 36
    },
    {
      "epoch": 6.166666666666667,
      "grad_norm": 2.0500452518463135,
      "learning_rate": 0.00014,
      "loss": 7.163,
      "step": 37
    },
    {
      "epoch": 6.333333333333333,
      "grad_norm": 2.657477855682373,
      "learning_rate": 0.00013833333333333333,
      "loss": 7.1961,
      "step": 38
    },
    {
      "epoch": 6.5,
      "grad_norm": 2.333373785018921,
      "learning_rate": 0.00013666666666666666,
      "loss": 7.1585,
      "step": 39
    },
    {
      "epoch": 6.666666666666667,
      "grad_norm": 2.1554603576660156,
      "learning_rate": 0.00013500000000000003,
      "loss": 7.2375,
      "step": 40
    },
    {
      "epoch": 6.833333333333333,
      "grad_norm": 2.1240673065185547,
      "learning_rate": 0.00013333333333333334,
      "loss": 7.2136,
      "step": 41
    },
    {
      "epoch": 7.0,
      "grad_norm": 2.012666702270508,
      "learning_rate": 0.00013166666666666668,
      "loss": 7.1701,
      "step": 42
    },
    {
      "epoch": 7.166666666666667,
      "grad_norm": 1.942769169807434,
      "learning_rate": 0.00013000000000000002,
      "loss": 7.2061,
      "step": 43
    },
    {
      "epoch": 7.333333333333333,
      "grad_norm": 2.049074649810791,
      "learning_rate": 0.00012833333333333335,
      "loss": 7.1875,
      "step": 44
    },
    {
      "epoch": 7.5,
      "grad_norm": 2.4958574771881104,
      "learning_rate": 0.00012666666666666666,
      "loss": 7.1676,
      "step": 45
    },
    {
      "epoch": 7.666666666666667,
      "grad_norm": 1.97785222530365,
      "learning_rate": 0.000125,
      "loss": 7.1786,
      "step": 46
    },
    {
      "epoch": 7.833333333333333,
      "grad_norm": 2.810258626937866,
      "learning_rate": 0.00012333333333333334,
      "loss": 7.1568,
      "step": 47
    },
    {
      "epoch": 8.0,
      "grad_norm": 1.9358999729156494,
      "learning_rate": 0.00012166666666666667,
      "loss": 7.1832,
      "step": 48
    },
    {
      "epoch": 8.166666666666666,
      "grad_norm": 1.7094190120697021,
      "learning_rate": 0.00012,
      "loss": 7.1493,
      "step": 49
    },
    {
      "epoch": 8.333333333333334,
      "grad_norm": 1.900357961654663,
      "learning_rate": 0.00011833333333333334,
      "loss": 7.1889,
      "step": 50
    },
    {
      "epoch": 8.5,
      "grad_norm": 2.7656311988830566,
      "learning_rate": 0.00011666666666666668,
      "loss": 7.148,
      "step": 51
    },
    {
      "epoch": 8.666666666666666,
      "grad_norm": 1.8277168273925781,
      "learning_rate": 0.00011499999999999999,
      "loss": 7.1962,
      "step": 52
    },
    {
      "epoch": 8.833333333333334,
      "grad_norm": 1.8862431049346924,
      "learning_rate": 0.00011333333333333334,
      "loss": 7.1534,
      "step": 53
    },
    {
      "epoch": 9.0,
      "grad_norm": 2.083066701889038,
      "learning_rate": 0.00011166666666666668,
      "loss": 7.1815,
      "step": 54
    },
    {
      "epoch": 9.166666666666666,
      "grad_norm": 2.243966579437256,
      "learning_rate": 0.00011000000000000002,
      "loss": 7.1854,
      "step": 55
    },
    {
      "epoch": 9.333333333333334,
      "grad_norm": 2.30122709274292,
      "learning_rate": 0.00010833333333333333,
      "loss": 7.1212,
      "step": 56
    },
    {
      "epoch": 9.5,
      "grad_norm": 2.0310866832733154,
      "learning_rate": 0.00010666666666666667,
      "loss": 7.1292,
      "step": 57
    },
    {
      "epoch": 9.666666666666666,
      "grad_norm": 2.3550353050231934,
      "learning_rate": 0.000105,
      "loss": 7.2215,
      "step": 58
    },
    {
      "epoch": 9.833333333333334,
      "grad_norm": 2.20973801612854,
      "learning_rate": 0.00010333333333333334,
      "loss": 7.1883,
      "step": 59
    },
    {
      "epoch": 10.0,
      "grad_norm": 1.7200679779052734,
      "learning_rate": 0.00010166666666666667,
      "loss": 7.1315,
      "step": 60
    },
    {
      "epoch": 10.166666666666666,
      "grad_norm": 1.5856778621673584,
      "learning_rate": 0.0001,
      "loss": 7.1531,
      "step": 61
    },
    {
      "epoch": 10.333333333333334,
      "grad_norm": 2.5991392135620117,
      "learning_rate": 9.833333333333333e-05,
      "loss": 7.1658,
      "step": 62
    },
    {
      "epoch": 10.5,
      "grad_norm": 1.9534707069396973,
      "learning_rate": 9.666666666666667e-05,
      "loss": 7.1404,
      "step": 63
    },
    {
      "epoch": 10.666666666666666,
      "grad_norm": 1.643308401107788,
      "learning_rate": 9.5e-05,
      "loss": 7.1531,
      "step": 64
    },
    {
      "epoch": 10.833333333333334,
      "grad_norm": 1.7626416683197021,
      "learning_rate": 9.333333333333334e-05,
      "loss": 7.1786,
      "step": 65
    },
    {
      "epoch": 11.0,
      "grad_norm": 1.4250434637069702,
      "learning_rate": 9.166666666666667e-05,
      "loss": 7.1496,
      "step": 66
    },
    {
      "epoch": 11.166666666666666,
      "grad_norm": 1.87589693069458,
      "learning_rate": 9e-05,
      "loss": 7.147,
      "step": 67
    },
    {
      "epoch": 11.333333333333334,
      "grad_norm": 1.737741470336914,
      "learning_rate": 8.833333333333333e-05,
      "loss": 7.1678,
      "step": 68
    },
    {
      "epoch": 11.5,
      "grad_norm": 1.3601438999176025,
      "learning_rate": 8.666666666666667e-05,
      "loss": 7.1464,
      "step": 69
    },
    {
      "epoch": 11.666666666666666,
      "grad_norm": 1.7974656820297241,
      "learning_rate": 8.5e-05,
      "loss": 7.2134,
      "step": 70
    },
    {
      "epoch": 11.833333333333334,
      "grad_norm": 2.1084883213043213,
      "learning_rate": 8.333333333333334e-05,
      "loss": 7.1072,
      "step": 71
    },
    {
      "epoch": 12.0,
      "grad_norm": 1.8446587324142456,
      "learning_rate": 8.166666666666667e-05,
      "loss": 7.1346,
      "step": 72
    },
    {
      "epoch": 12.166666666666666,
      "grad_norm": 1.8687093257904053,
      "learning_rate": 8e-05,
      "loss": 7.0995,
      "step": 73
    },
    {
      "epoch": 12.333333333333334,
      "grad_norm": 1.7230603694915771,
      "learning_rate": 7.833333333333333e-05,
      "loss": 7.2023,
      "step": 74
    },
    {
      "epoch": 12.5,
      "grad_norm": 1.7585816383361816,
      "learning_rate": 7.666666666666667e-05,
      "loss": 7.1752,
      "step": 75
    },
    {
      "epoch": 12.666666666666666,
      "grad_norm": 2.682413101196289,
      "learning_rate": 7.500000000000001e-05,
      "loss": 7.1501,
      "step": 76
    },
    {
      "epoch": 12.833333333333334,
      "grad_norm": 2.1813175678253174,
      "learning_rate": 7.333333333333333e-05,
      "loss": 7.1343,
      "step": 77
    },
    {
      "epoch": 13.0,
      "grad_norm": 1.9682540893554688,
      "learning_rate": 7.166666666666667e-05,
      "loss": 7.1303,
      "step": 78
    },
    {
      "epoch": 13.166666666666666,
      "grad_norm": 2.2799887657165527,
      "learning_rate": 7e-05,
      "loss": 7.1243,
      "step": 79
    },
    {
      "epoch": 13.333333333333334,
      "grad_norm": 1.92588472366333,
      "learning_rate": 6.833333333333333e-05,
      "loss": 7.1308,
      "step": 80
    },
    {
      "epoch": 13.5,
      "grad_norm": 1.7221243381500244,
      "learning_rate": 6.666666666666667e-05,
      "loss": 7.1353,
      "step": 81
    },
    {
      "epoch": 13.666666666666666,
      "grad_norm": 2.1498842239379883,
      "learning_rate": 6.500000000000001e-05,
      "loss": 7.105,
      "step": 82
    },
    {
      "epoch": 13.833333333333334,
      "grad_norm": 2.1947121620178223,
      "learning_rate": 6.333333333333333e-05,
      "loss": 7.1263,
      "step": 83
    },
    {
      "epoch": 14.0,
      "grad_norm": 2.6071479320526123,
      "learning_rate": 6.166666666666667e-05,
      "loss": 7.2294,
      "step": 84
    },
    {
      "epoch": 14.166666666666666,
      "grad_norm": 1.9314939975738525,
      "learning_rate": 6e-05,
      "loss": 7.1078,
      "step": 85
    },
    {
      "epoch": 14.333333333333334,
      "grad_norm": 2.081263542175293,
      "learning_rate": 5.833333333333334e-05,
      "loss": 7.142,
      "step": 86
    },
    {
      "epoch": 14.5,
      "grad_norm": 1.365136742591858,
      "learning_rate": 5.666666666666667e-05,
      "loss": 7.1133,
      "step": 87
    },
    {
      "epoch": 14.666666666666666,
      "grad_norm": 3.0725936889648438,
      "learning_rate": 5.500000000000001e-05,
      "loss": 7.0743,
      "step": 88
    },
    {
      "epoch": 14.833333333333334,
      "grad_norm": 2.1740472316741943,
      "learning_rate": 5.333333333333333e-05,
      "loss": 7.155,
      "step": 89
    },
    {
      "epoch": 15.0,
      "grad_norm": 3.8192708492279053,
      "learning_rate": 5.166666666666667e-05,
      "loss": 7.2193,
      "step": 90
    },
    {
      "epoch": 15.166666666666666,
      "grad_norm": 1.4506871700286865,
      "learning_rate": 5e-05,
      "loss": 7.1516,
      "step": 91
    },
    {
      "epoch": 15.333333333333334,
      "grad_norm": 2.3783648014068604,
      "learning_rate": 4.8333333333333334e-05,
      "loss": 7.1323,
      "step": 92
    },
    {
      "epoch": 15.5,
      "grad_norm": 2.0182697772979736,
      "learning_rate": 4.666666666666667e-05,
      "loss": 7.0806,
      "step": 93
    },
    {
      "epoch": 15.666666666666666,
      "grad_norm": 1.972489833831787,
      "learning_rate": 4.5e-05,
      "loss": 7.1348,
      "step": 94
    },
    {
      "epoch": 15.833333333333334,
      "grad_norm": 2.1752395629882812,
      "learning_rate": 4.3333333333333334e-05,
      "loss": 7.1774,
      "step": 95
    },
    {
      "epoch": 16.0,
      "grad_norm": 2.119612455368042,
      "learning_rate": 4.166666666666667e-05,
      "loss": 7.0916,
      "step": 96
    },
    {
      "epoch": 16.166666666666668,
      "grad_norm": 1.9465644359588623,
      "learning_rate": 4e-05,
      "loss": 7.1488,
      "step": 97
    },
    {
      "epoch": 16.333333333333332,
      "grad_norm": 1.7382686138153076,
      "learning_rate": 3.8333333333333334e-05,
      "loss": 7.0954,
      "step": 98
    },
    {
      "epoch": 16.5,
      "grad_norm": 1.5779635906219482,
      "learning_rate": 3.6666666666666666e-05,
      "loss": 7.1016,
      "step": 99
    },
    {
      "epoch": 16.666666666666668,
      "grad_norm": 2.305907726287842,
      "learning_rate": 3.5e-05,
      "loss": 7.1071,
      "step": 100
    },
    {
      "epoch": 16.833333333333332,
      "grad_norm": 2.938469409942627,
      "learning_rate": 3.3333333333333335e-05,
      "loss": 7.1415,
      "step": 101
    },
    {
      "epoch": 17.0,
      "grad_norm": 2.0791733264923096,
      "learning_rate": 3.1666666666666666e-05,
      "loss": 7.142,
      "step": 102
    },
    {
      "epoch": 17.166666666666668,
      "grad_norm": 2.060059070587158,
      "learning_rate": 3e-05,
      "loss": 7.1488,
      "step": 103
    },
    {
      "epoch": 17.333333333333332,
      "grad_norm": 1.9948276281356812,
      "learning_rate": 2.8333333333333335e-05,
      "loss": 7.1139,
      "step": 104
    },
    {
      "epoch": 17.5,
      "grad_norm": 2.2282490730285645,
      "learning_rate": 2.6666666666666667e-05,
      "loss": 7.1126,
      "step": 105
    },
    {
      "epoch": 17.666666666666668,
      "grad_norm": 3.4862804412841797,
      "learning_rate": 2.5e-05,
      "loss": 7.1105,
      "step": 106
    },
    {
      "epoch": 17.833333333333332,
      "grad_norm": 2.5423128604888916,
      "learning_rate": 2.3333333333333336e-05,
      "loss": 7.1192,
      "step": 107
    },
    {
      "epoch": 18.0,
      "grad_norm": 2.4720511436462402,
      "learning_rate": 2.1666666666666667e-05,
      "loss": 7.1078,
      "step": 108
    },
    {
      "epoch": 18.166666666666668,
      "grad_norm": 2.346407651901245,
      "learning_rate": 2e-05,
      "loss": 7.1301,
      "step": 109
    },
    {
      "epoch": 18.333333333333332,
      "grad_norm": 2.01698899269104,
      "learning_rate": 1.8333333333333333e-05,
      "loss": 7.1082,
      "step": 110
    },
    {
      "epoch": 18.5,
      "grad_norm": 1.6917645931243896,
      "learning_rate": 1.6666666666666667e-05,
      "loss": 7.0735,
      "step": 111
    },
    {
      "epoch": 18.666666666666668,
      "grad_norm": 2.2952117919921875,
      "learning_rate": 1.5e-05,
      "loss": 7.0548,
      "step": 112
    },
    {
      "epoch": 18.833333333333332,
      "grad_norm": 2.255409002304077,
      "learning_rate": 1.3333333333333333e-05,
      "loss": 7.1601,
      "step": 113
    },
    {
      "epoch": 19.0,
      "grad_norm": 2.1308393478393555,
      "learning_rate": 1.1666666666666668e-05,
      "loss": 7.1408,
      "step": 114
    },
    {
      "epoch": 19.166666666666668,
      "grad_norm": 2.4893856048583984,
      "learning_rate": 1e-05,
      "loss": 7.1783,
      "step": 115
    },
    {
      "epoch": 19.333333333333332,
      "grad_norm": 2.091352939605713,
      "learning_rate": 8.333333333333334e-06,
      "loss": 7.1003,
      "step": 116
    },
    {
      "epoch": 19.5,
      "grad_norm": 2.4116783142089844,
      "learning_rate": 6.666666666666667e-06,
      "loss": 7.1215,
      "step": 117
    },
    {
      "epoch": 19.666666666666668,
      "grad_norm": 1.5502471923828125,
      "learning_rate": 5e-06,
      "loss": 7.0898,
      "step": 118
    },
    {
      "epoch": 19.833333333333332,
      "grad_norm": 1.9066845178604126,
      "learning_rate": 3.3333333333333333e-06,
      "loss": 7.0796,
      "step": 119
    },
    {
      "epoch": 20.0,
      "grad_norm": 1.8975646495819092,
      "learning_rate": 1.6666666666666667e-06,
      "loss": 7.0866,
      "step": 120
    },
    {
      "epoch": 20.0,
      "step": 120,
      "total_flos": 26107084892160.0,
      "train_loss": 7.272801029682159,
      "train_runtime": 990.0662,
      "train_samples_per_second": 1.939,
      "train_steps_per_second": 0.121
    }
  ],
  "logging_steps": 1.0,
  "max_steps": 120,
  "num_input_tokens_seen": 0,
  "num_train_epochs": 20,
  "save_steps": 500,
  "stateful_callbacks": {
    "TrainerControl": {
      "args": {
        "should_epoch_stop": false,
        "should_evaluate": false,
        "should_log": false,
        "should_save": true,
        "should_training_stop": true
      },
      "attributes": {}
    }
  },
  "total_flos": 26107084892160.0,
  "train_batch_size": 2,
  "trial_name": null,
  "trial_params": null
}