{
  "best_metric": 0.4059373736381531,
  "best_model_checkpoint": "mikhail-panzo/fil_b32_le5_s8000/checkpoint-4500",
  "epoch": 100.0,
  "eval_steps": 500,
  "global_step": 4500,
  "is_hyper_param_search": false,
  "is_local_process_zero": true,
  "is_world_process_zero": true,
  "log_history": [
    {
      "epoch": 1.1111111111111112,
      "grad_norm": 3.579704523086548,
      "learning_rate": 2.4500000000000004e-07,
      "loss": 0.8282,
      "step": 50
    },
    {
      "epoch": 2.2222222222222223,
      "grad_norm": 2.0918073654174805,
      "learning_rate": 4.95e-07,
      "loss": 0.7857,
      "step": 100
    },
    {
      "epoch": 3.3333333333333335,
      "grad_norm": 1.283610224723816,
      "learning_rate": 7.450000000000001e-07,
      "loss": 0.7356,
      "step": 150
    },
    {
      "epoch": 4.444444444444445,
      "grad_norm": 1.5381903648376465,
      "learning_rate": 9.950000000000002e-07,
      "loss": 0.7606,
      "step": 200
    },
    {
      "epoch": 5.555555555555555,
      "grad_norm": 1.613647222518921,
      "learning_rate": 1.2450000000000002e-06,
      "loss": 0.7314,
      "step": 250
    },
    {
      "epoch": 6.666666666666667,
      "grad_norm": 2.6762027740478516,
      "learning_rate": 1.495e-06,
      "loss": 0.6933,
      "step": 300
    },
    {
      "epoch": 7.777777777777778,
      "grad_norm": 2.667527675628662,
      "learning_rate": 1.745e-06,
      "loss": 0.6863,
      "step": 350
    },
    {
      "epoch": 8.88888888888889,
      "grad_norm": 1.9682470560073853,
      "learning_rate": 1.9950000000000004e-06,
      "loss": 0.6649,
      "step": 400
    },
    {
      "epoch": 10.0,
      "grad_norm": 2.0042927265167236,
      "learning_rate": 2.245e-06,
      "loss": 0.6507,
      "step": 450
    },
    {
      "epoch": 11.11111111111111,
      "grad_norm": 2.6399147510528564,
      "learning_rate": 2.4950000000000003e-06,
      "loss": 0.632,
      "step": 500
    },
    {
      "epoch": 11.11111111111111,
      "eval_loss": 0.5323343276977539,
      "eval_runtime": 7.6175,
      "eval_samples_per_second": 20.873,
      "eval_steps_per_second": 2.626,
      "step": 500
    },
    {
      "epoch": 12.222222222222221,
      "grad_norm": 2.593517780303955,
      "learning_rate": 2.7450000000000004e-06,
      "loss": 0.5956,
      "step": 550
    },
    {
      "epoch": 13.333333333333334,
      "grad_norm": 5.524081707000732,
      "learning_rate": 2.99e-06,
      "loss": 0.577,
      "step": 600
    },
    {
      "epoch": 14.444444444444445,
      "grad_norm": 2.2165024280548096,
      "learning_rate": 3.2400000000000003e-06,
      "loss": 0.5614,
      "step": 650
    },
    {
      "epoch": 15.555555555555555,
      "grad_norm": 2.4440901279449463,
      "learning_rate": 3.49e-06,
      "loss": 0.5654,
      "step": 700
    },
    {
      "epoch": 16.666666666666668,
      "grad_norm": 1.8401445150375366,
      "learning_rate": 3.74e-06,
      "loss": 0.5329,
      "step": 750
    },
    {
      "epoch": 17.77777777777778,
      "grad_norm": 2.101787567138672,
      "learning_rate": 3.990000000000001e-06,
      "loss": 0.5293,
      "step": 800
    },
    {
      "epoch": 18.88888888888889,
      "grad_norm": 2.1338887214660645,
      "learning_rate": 4.24e-06,
      "loss": 0.5345,
      "step": 850
    },
    {
      "epoch": 20.0,
      "grad_norm": 1.8499983549118042,
      "learning_rate": 4.49e-06,
      "loss": 0.5148,
      "step": 900
    },
    {
      "epoch": 21.11111111111111,
      "grad_norm": 1.3982588052749634,
      "learning_rate": 4.74e-06,
      "loss": 0.5085,
      "step": 950
    },
    {
      "epoch": 22.22222222222222,
      "grad_norm": 1.7611488103866577,
      "learning_rate": 4.9900000000000005e-06,
      "loss": 0.519,
      "step": 1000
    },
    {
      "epoch": 22.22222222222222,
      "eval_loss": 0.4493897557258606,
      "eval_runtime": 7.4167,
      "eval_samples_per_second": 21.438,
      "eval_steps_per_second": 2.697,
      "step": 1000
    },
    {
      "epoch": 23.333333333333332,
      "grad_norm": 2.625955581665039,
      "learning_rate": 5.240000000000001e-06,
      "loss": 0.5194,
      "step": 1050
    },
    {
      "epoch": 24.444444444444443,
      "grad_norm": 1.75005304813385,
      "learning_rate": 5.490000000000001e-06,
      "loss": 0.5152,
      "step": 1100
    },
    {
      "epoch": 25.555555555555557,
      "grad_norm": 2.279965877532959,
      "learning_rate": 5.74e-06,
      "loss": 0.5129,
      "step": 1150
    },
    {
      "epoch": 26.666666666666668,
      "grad_norm": 1.5506455898284912,
      "learning_rate": 5.99e-06,
      "loss": 0.4941,
      "step": 1200
    },
    {
      "epoch": 27.77777777777778,
      "grad_norm": 1.830841064453125,
      "learning_rate": 6.24e-06,
      "loss": 0.4899,
      "step": 1250
    },
    {
      "epoch": 28.88888888888889,
      "grad_norm": 2.0044639110565186,
      "learning_rate": 6.4900000000000005e-06,
      "loss": 0.496,
      "step": 1300
    },
    {
      "epoch": 30.0,
      "grad_norm": 2.272815465927124,
      "learning_rate": 6.740000000000001e-06,
      "loss": 0.4906,
      "step": 1350
    },
    {
      "epoch": 31.11111111111111,
      "grad_norm": 1.460723638534546,
      "learning_rate": 6.99e-06,
      "loss": 0.4741,
      "step": 1400
    },
    {
      "epoch": 32.22222222222222,
      "grad_norm": 1.7440383434295654,
      "learning_rate": 7.24e-06,
      "loss": 0.4821,
      "step": 1450
    },
    {
      "epoch": 33.333333333333336,
      "grad_norm": 1.4221312999725342,
      "learning_rate": 7.49e-06,
      "loss": 0.4816,
      "step": 1500
    },
    {
      "epoch": 33.333333333333336,
      "eval_loss": 0.42913728952407837,
      "eval_runtime": 7.4808,
      "eval_samples_per_second": 21.254,
      "eval_steps_per_second": 2.674,
      "step": 1500
    },
    {
      "epoch": 34.44444444444444,
      "grad_norm": 1.8739147186279297,
      "learning_rate": 7.74e-06,
      "loss": 0.4794,
      "step": 1550
    },
    {
      "epoch": 35.55555555555556,
      "grad_norm": 1.1802700757980347,
      "learning_rate": 7.990000000000001e-06,
      "loss": 0.4824,
      "step": 1600
    },
    {
      "epoch": 36.666666666666664,
      "grad_norm": 1.364354133605957,
      "learning_rate": 8.24e-06,
      "loss": 0.4739,
      "step": 1650
    },
    {
      "epoch": 37.77777777777778,
      "grad_norm": 1.5628408193588257,
      "learning_rate": 8.49e-06,
      "loss": 0.4697,
      "step": 1700
    },
    {
      "epoch": 38.888888888888886,
      "grad_norm": 4.399195671081543,
      "learning_rate": 8.740000000000001e-06,
      "loss": 0.4685,
      "step": 1750
    },
    {
      "epoch": 40.0,
      "grad_norm": 2.055992841720581,
      "learning_rate": 8.99e-06,
      "loss": 0.4681,
      "step": 1800
    },
    {
      "epoch": 41.111111111111114,
      "grad_norm": 4.06639289855957,
      "learning_rate": 9.240000000000001e-06,
      "loss": 0.4708,
      "step": 1850
    },
    {
      "epoch": 42.22222222222222,
      "grad_norm": 1.4587314128875732,
      "learning_rate": 9.49e-06,
      "loss": 0.4665,
      "step": 1900
    },
    {
      "epoch": 43.333333333333336,
      "grad_norm": 1.4163354635238647,
      "learning_rate": 9.74e-06,
      "loss": 0.4648,
      "step": 1950
    },
    {
      "epoch": 44.44444444444444,
      "grad_norm": 2.2223002910614014,
      "learning_rate": 9.990000000000001e-06,
      "loss": 0.481,
      "step": 2000
    },
    {
      "epoch": 44.44444444444444,
      "eval_loss": 0.42109793424606323,
      "eval_runtime": 7.5115,
      "eval_samples_per_second": 21.168,
      "eval_steps_per_second": 2.663,
      "step": 2000
    },
    {
      "epoch": 45.55555555555556,
      "grad_norm": 1.7627613544464111,
      "learning_rate": 9.920000000000002e-06,
      "loss": 0.4598,
      "step": 2050
    },
    {
      "epoch": 46.666666666666664,
      "grad_norm": 1.7885198593139648,
      "learning_rate": 9.836666666666668e-06,
      "loss": 0.4697,
      "step": 2100
    },
    {
      "epoch": 47.77777777777778,
      "grad_norm": 1.8856687545776367,
      "learning_rate": 9.753333333333335e-06,
      "loss": 0.4503,
      "step": 2150
    },
    {
      "epoch": 48.888888888888886,
      "grad_norm": 2.0350635051727295,
      "learning_rate": 9.67e-06,
      "loss": 0.4573,
      "step": 2200
    },
    {
      "epoch": 50.0,
      "grad_norm": 1.7863447666168213,
      "learning_rate": 9.586666666666667e-06,
      "loss": 0.454,
      "step": 2250
    },
    {
      "epoch": 51.111111111111114,
      "grad_norm": 1.5656064748764038,
      "learning_rate": 9.503333333333334e-06,
      "loss": 0.4488,
      "step": 2300
    },
    {
      "epoch": 52.22222222222222,
      "grad_norm": 2.449720859527588,
      "learning_rate": 9.42e-06,
      "loss": 0.4552,
      "step": 2350
    },
    {
      "epoch": 53.333333333333336,
      "grad_norm": 1.5119515657424927,
      "learning_rate": 9.336666666666666e-06,
      "loss": 0.4472,
      "step": 2400
    },
    {
      "epoch": 54.44444444444444,
      "grad_norm": 1.2574548721313477,
      "learning_rate": 9.253333333333333e-06,
      "loss": 0.4623,
      "step": 2450
    },
    {
      "epoch": 55.55555555555556,
      "grad_norm": 1.1045562028884888,
      "learning_rate": 9.17e-06,
      "loss": 0.4459,
      "step": 2500
    },
    {
      "epoch": 55.55555555555556,
      "eval_loss": 0.4139043688774109,
      "eval_runtime": 7.7673,
      "eval_samples_per_second": 20.471,
      "eval_steps_per_second": 2.575,
      "step": 2500
    },
    {
      "epoch": 56.666666666666664,
      "grad_norm": 2.62166428565979,
      "learning_rate": 9.086666666666667e-06,
      "loss": 0.4548,
      "step": 2550
    },
    {
      "epoch": 57.77777777777778,
      "grad_norm": 1.6748510599136353,
      "learning_rate": 9.003333333333334e-06,
      "loss": 0.4505,
      "step": 2600
    },
    {
      "epoch": 58.888888888888886,
      "grad_norm": 1.5706872940063477,
      "learning_rate": 8.920000000000001e-06,
      "loss": 0.4512,
      "step": 2650
    },
    {
      "epoch": 60.0,
      "grad_norm": 1.9278029203414917,
      "learning_rate": 8.836666666666668e-06,
      "loss": 0.4546,
      "step": 2700
    },
    {
      "epoch": 61.111111111111114,
      "grad_norm": 1.5691492557525635,
      "learning_rate": 8.753333333333333e-06,
      "loss": 0.4407,
      "step": 2750
    },
    {
      "epoch": 62.22222222222222,
      "grad_norm": 1.2561596632003784,
      "learning_rate": 8.67e-06,
      "loss": 0.4407,
      "step": 2800
    },
    {
      "epoch": 63.333333333333336,
      "grad_norm": 1.7894113063812256,
      "learning_rate": 8.586666666666667e-06,
      "loss": 0.4407,
      "step": 2850
    },
    {
      "epoch": 64.44444444444444,
      "grad_norm": 1.5325671434402466,
      "learning_rate": 8.503333333333334e-06,
      "loss": 0.4409,
      "step": 2900
    },
    {
      "epoch": 65.55555555555556,
      "grad_norm": 2.345316171646118,
      "learning_rate": 8.42e-06,
      "loss": 0.4502,
      "step": 2950
    },
    {
      "epoch": 66.66666666666667,
      "grad_norm": 1.5134572982788086,
      "learning_rate": 8.336666666666668e-06,
      "loss": 0.4484,
      "step": 3000
    },
    {
      "epoch": 66.66666666666667,
      "eval_loss": 0.41138172149658203,
      "eval_runtime": 7.5275,
      "eval_samples_per_second": 21.122,
      "eval_steps_per_second": 2.657,
      "step": 3000
    },
    {
      "epoch": 67.77777777777777,
      "grad_norm": 2.0079166889190674,
      "learning_rate": 8.253333333333334e-06,
      "loss": 0.4391,
      "step": 3050
    },
    {
      "epoch": 68.88888888888889,
      "grad_norm": 1.5494792461395264,
      "learning_rate": 8.17e-06,
      "loss": 0.4426,
      "step": 3100
    },
    {
      "epoch": 70.0,
      "grad_norm": 2.7749524116516113,
      "learning_rate": 8.086666666666667e-06,
      "loss": 0.4489,
      "step": 3150
    },
    {
      "epoch": 71.11111111111111,
      "grad_norm": 3.4985108375549316,
      "learning_rate": 8.003333333333334e-06,
      "loss": 0.4382,
      "step": 3200
    },
    {
      "epoch": 72.22222222222223,
      "grad_norm": 2.1767873764038086,
      "learning_rate": 7.92e-06,
      "loss": 0.456,
      "step": 3250
    },
    {
      "epoch": 73.33333333333333,
      "grad_norm": 1.7623385190963745,
      "learning_rate": 7.836666666666667e-06,
      "loss": 0.4312,
      "step": 3300
    },
    {
      "epoch": 74.44444444444444,
      "grad_norm": 6.053190231323242,
      "learning_rate": 7.753333333333334e-06,
      "loss": 0.441,
      "step": 3350
    },
    {
      "epoch": 75.55555555555556,
      "grad_norm": 1.4667917490005493,
      "learning_rate": 7.670000000000001e-06,
      "loss": 0.4407,
      "step": 3400
    },
    {
      "epoch": 76.66666666666667,
      "grad_norm": 1.4021631479263306,
      "learning_rate": 7.586666666666668e-06,
      "loss": 0.4332,
      "step": 3450
    },
    {
      "epoch": 77.77777777777777,
      "grad_norm": 2.186607599258423,
      "learning_rate": 7.503333333333333e-06,
      "loss": 0.4317,
      "step": 3500
    },
    {
      "epoch": 77.77777777777777,
      "eval_loss": 0.4080665707588196,
      "eval_runtime": 7.5364,
      "eval_samples_per_second": 21.098,
      "eval_steps_per_second": 2.654,
      "step": 3500
    },
    {
      "epoch": 78.88888888888889,
      "grad_norm": 2.0717358589172363,
      "learning_rate": 7.420000000000001e-06,
      "loss": 0.429,
      "step": 3550
    },
    {
      "epoch": 80.0,
      "grad_norm": 1.5765066146850586,
      "learning_rate": 7.336666666666668e-06,
      "loss": 0.4382,
      "step": 3600
    },
    {
      "epoch": 81.11111111111111,
      "grad_norm": 1.5274180173873901,
      "learning_rate": 7.253333333333335e-06,
      "loss": 0.4365,
      "step": 3650
    },
    {
      "epoch": 82.22222222222223,
      "grad_norm": 1.8260159492492676,
      "learning_rate": 7.17e-06,
      "loss": 0.4331,
      "step": 3700
    },
    {
      "epoch": 83.33333333333333,
      "grad_norm": 1.5595194101333618,
      "learning_rate": 7.086666666666667e-06,
      "loss": 0.4314,
      "step": 3750
    },
    {
      "epoch": 84.44444444444444,
      "grad_norm": 1.8033090829849243,
      "learning_rate": 7.003333333333335e-06,
      "loss": 0.4339,
      "step": 3800
    },
    {
      "epoch": 85.55555555555556,
      "grad_norm": 1.943740725517273,
      "learning_rate": 6.92e-06,
      "loss": 0.4356,
      "step": 3850
    },
    {
      "epoch": 86.66666666666667,
      "grad_norm": 1.802024006843567,
      "learning_rate": 6.836666666666667e-06,
      "loss": 0.4307,
      "step": 3900
    },
    {
      "epoch": 87.77777777777777,
      "grad_norm": 1.2584848403930664,
      "learning_rate": 6.753333333333334e-06,
      "loss": 0.4228,
      "step": 3950
    },
    {
      "epoch": 88.88888888888889,
      "grad_norm": 1.6099965572357178,
      "learning_rate": 6.6700000000000005e-06,
      "loss": 0.4301,
      "step": 4000
    },
    {
      "epoch": 88.88888888888889,
      "eval_loss": 0.4075862765312195,
      "eval_runtime": 7.5332,
      "eval_samples_per_second": 21.107,
      "eval_steps_per_second": 2.655,
      "step": 4000
    },
    {
      "epoch": 90.0,
      "grad_norm": 5.097967624664307,
      "learning_rate": 6.5866666666666666e-06,
      "loss": 0.4315,
      "step": 4050
    },
    {
      "epoch": 91.11111111111111,
      "grad_norm": 2.317317485809326,
      "learning_rate": 6.5033333333333335e-06,
      "loss": 0.4444,
      "step": 4100
    },
    {
      "epoch": 92.22222222222223,
      "grad_norm": 2.2908613681793213,
      "learning_rate": 6.42e-06,
      "loss": 0.4333,
      "step": 4150
    },
    {
      "epoch": 93.33333333333333,
      "grad_norm": 2.007622718811035,
      "learning_rate": 6.336666666666667e-06,
      "loss": 0.428,
      "step": 4200
    },
    {
      "epoch": 94.44444444444444,
      "grad_norm": 1.5761587619781494,
      "learning_rate": 6.253333333333333e-06,
      "loss": 0.4324,
      "step": 4250
    },
    {
      "epoch": 95.55555555555556,
      "grad_norm": 1.1445631980895996,
      "learning_rate": 6.17e-06,
      "loss": 0.4247,
      "step": 4300
    },
    {
      "epoch": 96.66666666666667,
      "grad_norm": 1.1607263088226318,
      "learning_rate": 6.086666666666667e-06,
      "loss": 0.4298,
      "step": 4350
    },
    {
      "epoch": 97.77777777777777,
      "grad_norm": 2.6366734504699707,
      "learning_rate": 6.003333333333334e-06,
      "loss": 0.4298,
      "step": 4400
    },
    {
      "epoch": 98.88888888888889,
      "grad_norm": 1.6418962478637695,
      "learning_rate": 5.92e-06,
      "loss": 0.4282,
      "step": 4450
    },
    {
      "epoch": 100.0,
      "grad_norm": 1.8300925493240356,
      "learning_rate": 5.836666666666667e-06,
      "loss": 0.4274,
      "step": 4500
    },
    {
      "epoch": 100.0,
      "eval_loss": 0.4059373736381531,
      "eval_runtime": 7.8235,
      "eval_samples_per_second": 20.323,
      "eval_steps_per_second": 2.556,
      "step": 4500
    }
  ],
  "logging_steps": 50,
  "max_steps": 8000,
  "num_input_tokens_seen": 0,
  "num_train_epochs": 178,
  "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": 3.284135511717773e+16,
  "train_batch_size": 32,
  "trial_name": null,
  "trial_params": null
}