Hugging Face's logo

sakalisi
/
KD_test_Babylm

Text Generation
Transformers
Safetensors
llama
text-generation-inference
Inference Endpoints
Model card Files Community
sakalisi commited on
Commit
1ec6395
•
1 Parent(s): 545423f

Upload folder using huggingface_hub

Browse files
Files changed (18) hide show
  1. added_tokens.json +3 -0
  2. checkpoint-10656/config.json +28 -0
  3. checkpoint-10656/generation_config.json +7 -0
  4. checkpoint-10656/model.safetensors +3 -0
  5. checkpoint-10656/optimizer.pt +3 -0
  6. checkpoint-10656/rng_state.pth +3 -0
  7. checkpoint-10656/scheduler.pt +3 -0
  8. checkpoint-10656/trainer_state.json +3793 -0
  9. checkpoint-10656/training_args.bin +3 -0
  10. config.json +28 -0
  11. generation_config.json +7 -0
  12. merges.txt +0 -0
  13. model.safetensors +3 -0
  14. special_tokens_map.json +6 -0
  15. tokenizer.json +0 -0
  16. tokenizer_config.json +44 -0
  17. training_args.bin +3 -0
  18. vocab.json +0 -0
added_tokens.json ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ {
2
+ "<|endoftext|>": 16000
3
+ }
checkpoint-10656/config.json ADDED
@@ -0,0 +1,28 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "architectures": [
3
+ "LlamaForCausalLM"
4
+ ],
5
+ "attention_bias": false,
6
+ "attention_dropout": 0.0,
7
+ "bos_token_id": 1,
8
+ "eos_token_id": 2,
9
+ "hidden_act": "silu",
10
+ "hidden_size": 512,
11
+ "initializer_range": 0.02,
12
+ "intermediate_size": 1024,
13
+ "max_position_embeddings": 256,
14
+ "model_type": "llama",
15
+ "num_attention_heads": 8,
16
+ "num_hidden_layers": 16,
17
+ "num_key_value_heads": 8,
18
+ "pad_token_id": 0,
19
+ "pretraining_tp": 1,
20
+ "rms_norm_eps": 1e-06,
21
+ "rope_scaling": null,
22
+ "rope_theta": 10000.0,
23
+ "tie_word_embeddings": false,
24
+ "torch_dtype": "float32",
25
+ "transformers_version": "4.40.0",
26
+ "use_cache": true,
27
+ "vocab_size": 16000
28
+ }
checkpoint-10656/generation_config.json ADDED
@@ -0,0 +1,7 @@
 
 
 
 
 
 
 
 
1
+ {
2
+ "_from_model_config": true,
3
+ "bos_token_id": 1,
4
+ "eos_token_id": 2,
5
+ "pad_token_id": 0,
6
+ "transformers_version": "4.40.0"
7
+ }
checkpoint-10656/model.safetensors ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:466f10e3a8cb52f000f8c00350a8c6cd3b33199c74ee996676395ea8d940e2e8
3
+ size 233392032
checkpoint-10656/optimizer.pt ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:5ce7edfdf9270445de4ef2fc49a0f4e2d27dfd27fdb6737522bbbc3c0c859730
3
+ size 466875514
checkpoint-10656/rng_state.pth ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:a83b2296c01ff59b01a91dcca81f8f5808e35d9710aa393f6be21cb85b7282f9
3
+ size 14244
checkpoint-10656/scheduler.pt ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:2ce515755abaae233c0fb44ae0343ebd5435a3729c7694ac5580f797adeec224
3
+ size 1064
checkpoint-10656/trainer_state.json ADDED
@@ -0,0 +1,3793 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "best_metric": 5.124037742614746,
3
+ "best_model_checkpoint": "/home/ubuntu/amazon_capstone/code/SJK/BabyLlama/models/Baby-Llama-58M_Orig/checkpoint-10656",
4
+ "epoch": 6.0,
5
+ "eval_steps": 500,
6
+ "global_step": 10656,
7
+ "is_hyper_param_search": false,
8
+ "is_local_process_zero": true,
9
+ "is_world_process_zero": true,
10
+ "log_history": [
11
+ {
12
+ "epoch": 0.01126126126126126,
13
+ "grad_norm": 103.2569351196289,
14
+ "learning_rate": 2.2499999999999998e-05,
15
+ "loss": 267.2774,
16
+ "step": 20
17
+ },
18
+ {
19
+ "epoch": 0.02252252252252252,
20
+ "grad_norm": 56.244712829589844,
21
+ "learning_rate": 4.625e-05,
22
+ "loss": 250.6269,
23
+ "step": 40
24
+ },
25
+ {
26
+ "epoch": 0.033783783783783786,
27
+ "grad_norm": 60.72817611694336,
28
+ "learning_rate": 7.125e-05,
29
+ "loss": 223.0035,
30
+ "step": 60
31
+ },
32
+ {
33
+ "epoch": 0.04504504504504504,
34
+ "grad_norm": 57.53702163696289,
35
+ "learning_rate": 9.625000000000001e-05,
36
+ "loss": 187.8246,
37
+ "step": 80
38
+ },
39
+ {
40
+ "epoch": 0.05630630630630631,
41
+ "grad_norm": 52.90182113647461,
42
+ "learning_rate": 0.00012124999999999999,
43
+ "loss": 164.3489,
44
+ "step": 100
45
+ },
46
+ {
47
+ "epoch": 0.06756756756756757,
48
+ "grad_norm": 41.146644592285156,
49
+ "learning_rate": 0.00014625,
50
+ "loss": 140.3743,
51
+ "step": 120
52
+ },
53
+ {
54
+ "epoch": 0.07882882882882883,
55
+ "grad_norm": 51.88545608520508,
56
+ "learning_rate": 0.00017125000000000002,
57
+ "loss": 127.1389,
58
+ "step": 140
59
+ },
60
+ {
61
+ "epoch": 0.09009009009009009,
62
+ "grad_norm": 46.53668975830078,
63
+ "learning_rate": 0.00019625,
64
+ "loss": 112.8051,
65
+ "step": 160
66
+ },
67
+ {
68
+ "epoch": 0.10135135135135136,
69
+ "grad_norm": 39.3553352355957,
70
+ "learning_rate": 0.00022125,
71
+ "loss": 104.9926,
72
+ "step": 180
73
+ },
74
+ {
75
+ "epoch": 0.11261261261261261,
76
+ "grad_norm": 58.92243194580078,
77
+ "learning_rate": 0.00024625,
78
+ "loss": 93.4464,
79
+ "step": 200
80
+ },
81
+ {
82
+ "epoch": 0.12387387387387387,
83
+ "grad_norm": 55.10353088378906,
84
+ "learning_rate": 0.0002499983694072308,
85
+ "loss": 86.6169,
86
+ "step": 220
87
+ },
88
+ {
89
+ "epoch": 0.13513513513513514,
90
+ "grad_norm": 35.936737060546875,
91
+ "learning_rate": 0.0002499922759053138,
92
+ "loss": 77.5335,
93
+ "step": 240
94
+ },
95
+ {
96
+ "epoch": 0.1463963963963964,
97
+ "grad_norm": 36.4266357421875,
98
+ "learning_rate": 0.0002499816689344726,
99
+ "loss": 71.1157,
100
+ "step": 260
101
+ },
102
+ {
103
+ "epoch": 0.15765765765765766,
104
+ "grad_norm": 53.89732360839844,
105
+ "learning_rate": 0.00024996654887772486,
106
+ "loss": 64.3968,
107
+ "step": 280
108
+ },
109
+ {
110
+ "epoch": 0.16891891891891891,
111
+ "grad_norm": 34.17560958862305,
112
+ "learning_rate": 0.0002499469162810555,
113
+ "loss": 63.59,
114
+ "step": 300
115
+ },
116
+ {
117
+ "epoch": 0.18018018018018017,
118
+ "grad_norm": 36.95146179199219,
119
+ "learning_rate": 0.0002499227718533972,
120
+ "loss": 57.8954,
121
+ "step": 320
122
+ },
123
+ {
124
+ "epoch": 0.19144144144144143,
125
+ "grad_norm": 27.419086456298828,
126
+ "learning_rate": 0.0002498941164666049,
127
+ "loss": 55.4757,
128
+ "step": 340
129
+ },
130
+ {
131
+ "epoch": 0.20270270270270271,
132
+ "grad_norm": 44.045127868652344,
133
+ "learning_rate": 0.0002498609511554241,
134
+ "loss": 52.6704,
135
+ "step": 360
136
+ },
137
+ {
138
+ "epoch": 0.21396396396396397,
139
+ "grad_norm": 42.809051513671875,
140
+ "learning_rate": 0.00024982327711745364,
141
+ "loss": 51.5728,
142
+ "step": 380
143
+ },
144
+ {
145
+ "epoch": 0.22522522522522523,
146
+ "grad_norm": 37.47595977783203,
147
+ "learning_rate": 0.00024978109571310224,
148
+ "loss": 48.3088,
149
+ "step": 400
150
+ },
151
+ {
152
+ "epoch": 0.23648648648648649,
153
+ "grad_norm": 32.29904556274414,
154
+ "learning_rate": 0.0002497344084655399,
155
+ "loss": 46.0072,
156
+ "step": 420
157
+ },
158
+ {
159
+ "epoch": 0.24774774774774774,
160
+ "grad_norm": 33.23353576660156,
161
+ "learning_rate": 0.0002496832170606422,
162
+ "loss": 44.5736,
163
+ "step": 440
164
+ },
165
+ {
166
+ "epoch": 0.25900900900900903,
167
+ "grad_norm": 27.061250686645508,
168
+ "learning_rate": 0.00024962752334692985,
169
+ "loss": 40.7675,
170
+ "step": 460
171
+ },
172
+ {
173
+ "epoch": 0.2702702702702703,
174
+ "grad_norm": 38.74943161010742,
175
+ "learning_rate": 0.000249567329335502,
176
+ "loss": 41.9667,
177
+ "step": 480
178
+ },
179
+ {
180
+ "epoch": 0.28153153153153154,
181
+ "grad_norm": 25.483449935913086,
182
+ "learning_rate": 0.0002495026371999633,
183
+ "loss": 39.6405,
184
+ "step": 500
185
+ },
186
+ {
187
+ "epoch": 0.2927927927927928,
188
+ "grad_norm": 31.223539352416992,
189
+ "learning_rate": 0.0002494334492763456,
190
+ "loss": 37.7263,
191
+ "step": 520
192
+ },
193
+ {
194
+ "epoch": 0.30405405405405406,
195
+ "grad_norm": 28.23072624206543,
196
+ "learning_rate": 0.0002493597680630237,
197
+ "loss": 35.0503,
198
+ "step": 540
199
+ },
200
+ {
201
+ "epoch": 0.3153153153153153,
202
+ "grad_norm": 26.49002456665039,
203
+ "learning_rate": 0.00024928159622062497,
204
+ "loss": 35.0304,
205
+ "step": 560
206
+ },
207
+ {
208
+ "epoch": 0.32657657657657657,
209
+ "grad_norm": 33.025638580322266,
210
+ "learning_rate": 0.0002491989365719332,
211
+ "loss": 33.0983,
212
+ "step": 580
213
+ },
214
+ {
215
+ "epoch": 0.33783783783783783,
216
+ "grad_norm": 22.15628433227539,
217
+ "learning_rate": 0.00024911179210178693,
218
+ "loss": 31.852,
219
+ "step": 600
220
+ },
221
+ {
222
+ "epoch": 0.3490990990990991,
223
+ "grad_norm": 24.4526424407959,
224
+ "learning_rate": 0.0002490201659569714,
225
+ "loss": 30.807,
226
+ "step": 620
227
+ },
228
+ {
229
+ "epoch": 0.36036036036036034,
230
+ "grad_norm": 29.9416561126709,
231
+ "learning_rate": 0.00024892406144610523,
232
+ "loss": 30.2397,
233
+ "step": 640
234
+ },
235
+ {
236
+ "epoch": 0.3716216216216216,
237
+ "grad_norm": 23.99987030029297,
238
+ "learning_rate": 0.0002488234820395206,
239
+ "loss": 29.0914,
240
+ "step": 660
241
+ },
242
+ {
243
+ "epoch": 0.38288288288288286,
244
+ "grad_norm": 26.059839248657227,
245
+ "learning_rate": 0.0002487184313691381,
246
+ "loss": 28.032,
247
+ "step": 680
248
+ },
249
+ {
250
+ "epoch": 0.39414414414414417,
251
+ "grad_norm": 21.169851303100586,
252
+ "learning_rate": 0.00024860891322833566,
253
+ "loss": 26.5924,
254
+ "step": 700
255
+ },
256
+ {
257
+ "epoch": 0.40540540540540543,
258
+ "grad_norm": 24.150981903076172,
259
+ "learning_rate": 0.0002484949315718115,
260
+ "loss": 26.607,
261
+ "step": 720
262
+ },
263
+ {
264
+ "epoch": 0.4166666666666667,
265
+ "grad_norm": 23.67961883544922,
266
+ "learning_rate": 0.00024837649051544117,
267
+ "loss": 26.0378,
268
+ "step": 740
269
+ },
270
+ {
271
+ "epoch": 0.42792792792792794,
272
+ "grad_norm": 22.1843204498291,
273
+ "learning_rate": 0.00024825359433612923,
274
+ "loss": 24.8562,
275
+ "step": 760
276
+ },
277
+ {
278
+ "epoch": 0.4391891891891892,
279
+ "grad_norm": 24.654254913330078,
280
+ "learning_rate": 0.0002481262474716546,
281
+ "loss": 24.8206,
282
+ "step": 780
283
+ },
284
+ {
285
+ "epoch": 0.45045045045045046,
286
+ "grad_norm": 22.423748016357422,
287
+ "learning_rate": 0.00024799445452051034,
288
+ "loss": 23.547,
289
+ "step": 800
290
+ },
291
+ {
292
+ "epoch": 0.4617117117117117,
293
+ "grad_norm": 21.533939361572266,
294
+ "learning_rate": 0.0002478582202417376,
295
+ "loss": 22.8409,
296
+ "step": 820
297
+ },
298
+ {
299
+ "epoch": 0.47297297297297297,
300
+ "grad_norm": 22.048704147338867,
301
+ "learning_rate": 0.0002477175495547539,
302
+ "loss": 22.1961,
303
+ "step": 840
304
+ },
305
+ {
306
+ "epoch": 0.48423423423423423,
307
+ "grad_norm": 30.49504852294922,
308
+ "learning_rate": 0.0002475724475391753,
309
+ "loss": 21.7862,
310
+ "step": 860
311
+ },
312
+ {
313
+ "epoch": 0.4954954954954955,
314
+ "grad_norm": 21.017244338989258,
315
+ "learning_rate": 0.0002474229194346331,
316
+ "loss": 20.896,
317
+ "step": 880
318
+ },
319
+ {
320
+ "epoch": 0.5067567567567568,
321
+ "grad_norm": 18.561767578125,
322
+ "learning_rate": 0.00024726897064058443,
323
+ "loss": 20.7818,
324
+ "step": 900
325
+ },
326
+ {
327
+ "epoch": 0.5180180180180181,
328
+ "grad_norm": 21.154193878173828,
329
+ "learning_rate": 0.0002471106067161178,
330
+ "loss": 20.2752,
331
+ "step": 920
332
+ },
333
+ {
334
+ "epoch": 0.5292792792792793,
335
+ "grad_norm": 17.5256290435791,
336
+ "learning_rate": 0.0002469478333797516,
337
+ "loss": 19.5015,
338
+ "step": 940
339
+ },
340
+ {
341
+ "epoch": 0.5405405405405406,
342
+ "grad_norm": 21.720947265625,
343
+ "learning_rate": 0.0002467806565092284,
344
+ "loss": 19.4266,
345
+ "step": 960
346
+ },
347
+ {
348
+ "epoch": 0.5518018018018018,
349
+ "grad_norm": 23.965906143188477,
350
+ "learning_rate": 0.00024660908214130185,
351
+ "loss": 18.5526,
352
+ "step": 980
353
+ },
354
+ {
355
+ "epoch": 0.5630630630630631,
356
+ "grad_norm": 18.93579864501953,
357
+ "learning_rate": 0.0002464331164715196,
358
+ "loss": 17.9695,
359
+ "step": 1000
360
+ },
361
+ {
362
+ "epoch": 0.5743243243243243,
363
+ "grad_norm": 15.295672416687012,
364
+ "learning_rate": 0.00024625276585399884,
365
+ "loss": 17.5248,
366
+ "step": 1020
367
+ },
368
+ {
369
+ "epoch": 0.5855855855855856,
370
+ "grad_norm": 15.176102638244629,
371
+ "learning_rate": 0.0002460680368011974,
372
+ "loss": 17.407,
373
+ "step": 1040
374
+ },
375
+ {
376
+ "epoch": 0.5968468468468469,
377
+ "grad_norm": 16.598886489868164,
378
+ "learning_rate": 0.00024587893598367803,
379
+ "loss": 17.3692,
380
+ "step": 1060
381
+ },
382
+ {
383
+ "epoch": 0.6081081081081081,
384
+ "grad_norm": 17.836767196655273,
385
+ "learning_rate": 0.00024568547022986805,
386
+ "loss": 16.7794,
387
+ "step": 1080
388
+ },
389
+ {
390
+ "epoch": 0.6193693693693694,
391
+ "grad_norm": 17.016878128051758,
392
+ "learning_rate": 0.0002454876465258125,
393
+ "loss": 16.0592,
394
+ "step": 1100
395
+ },
396
+ {
397
+ "epoch": 0.6306306306306306,
398
+ "grad_norm": 18.94131088256836,
399
+ "learning_rate": 0.0002452854720149219,
400
+ "loss": 15.9458,
401
+ "step": 1120
402
+ },
403
+ {
404
+ "epoch": 0.6418918918918919,
405
+ "grad_norm": 20.51512908935547,
406
+ "learning_rate": 0.00024507895399771435,
407
+ "loss": 15.7893,
408
+ "step": 1140
409
+ },
410
+ {
411
+ "epoch": 0.6531531531531531,
412
+ "grad_norm": 18.29818344116211,
413
+ "learning_rate": 0.00024486809993155183,
414
+ "loss": 15.68,
415
+ "step": 1160
416
+ },
417
+ {
418
+ "epoch": 0.6644144144144144,
419
+ "grad_norm": 16.939292907714844,
420
+ "learning_rate": 0.00024465291743037114,
421
+ "loss": 15.8475,
422
+ "step": 1180
423
+ },
424
+ {
425
+ "epoch": 0.6756756756756757,
426
+ "grad_norm": 26.32220458984375,
427
+ "learning_rate": 0.00024443341426440865,
428
+ "loss": 14.9604,
429
+ "step": 1200
430
+ },
431
+ {
432
+ "epoch": 0.6869369369369369,
433
+ "grad_norm": 16.843460083007812,
434
+ "learning_rate": 0.0002442095983599198,
435
+ "loss": 15.0428,
436
+ "step": 1220
437
+ },
438
+ {
439
+ "epoch": 0.6981981981981982,
440
+ "grad_norm": 17.47309684753418,
441
+ "learning_rate": 0.0002439814777988931,
442
+ "loss": 14.6766,
443
+ "step": 1240
444
+ },
445
+ {
446
+ "epoch": 0.7094594594594594,
447
+ "grad_norm": 14.182714462280273,
448
+ "learning_rate": 0.00024374906081875807,
449
+ "loss": 14.3348,
450
+ "step": 1260
451
+ },
452
+ {
453
+ "epoch": 0.7207207207207207,
454
+ "grad_norm": 14.923556327819824,
455
+ "learning_rate": 0.00024351235581208786,
456
+ "loss": 14.1211,
457
+ "step": 1280
458
+ },
459
+ {
460
+ "epoch": 0.7319819819819819,
461
+ "grad_norm": 16.381290435791016,
462
+ "learning_rate": 0.00024327137132629614,
463
+ "loss": 13.6878,
464
+ "step": 1300
465
+ },
466
+ {
467
+ "epoch": 0.7432432432432432,
468
+ "grad_norm": 12.33255672454834,
469
+ "learning_rate": 0.00024302611606332857,
470
+ "loss": 13.8257,
471
+ "step": 1320
472
+ },
473
+ {
474
+ "epoch": 0.7545045045045045,
475
+ "grad_norm": 12.836396217346191,
476
+ "learning_rate": 0.00024277659887934845,
477
+ "loss": 13.2505,
478
+ "step": 1340
479
+ },
480
+ {
481
+ "epoch": 0.7657657657657657,
482
+ "grad_norm": 13.514806747436523,
483
+ "learning_rate": 0.00024252282878441694,
484
+ "loss": 12.9545,
485
+ "step": 1360
486
+ },
487
+ {
488
+ "epoch": 0.777027027027027,
489
+ "grad_norm": 13.225746154785156,
490
+ "learning_rate": 0.00024226481494216782,
491
+ "loss": 13.11,
492
+ "step": 1380
493
+ },
494
+ {
495
+ "epoch": 0.7882882882882883,
496
+ "grad_norm": 12.615843772888184,
497
+ "learning_rate": 0.00024200256666947648,
498
+ "loss": 12.9861,
499
+ "step": 1400
500
+ },
501
+ {
502
+ "epoch": 0.7995495495495496,
503
+ "grad_norm": 11.677081108093262,
504
+ "learning_rate": 0.00024173609343612352,
505
+ "loss": 13.1024,
506
+ "step": 1420
507
+ },
508
+ {
509
+ "epoch": 0.8108108108108109,
510
+ "grad_norm": 12.57310962677002,
511
+ "learning_rate": 0.0002414654048644528,
512
+ "loss": 12.8446,
513
+ "step": 1440
514
+ },
515
+ {
516
+ "epoch": 0.8220720720720721,
517
+ "grad_norm": 12.706310272216797,
518
+ "learning_rate": 0.0002411905107290239,
519
+ "loss": 12.6714,
520
+ "step": 1460
521
+ },
522
+ {
523
+ "epoch": 0.8333333333333334,
524
+ "grad_norm": 12.55820369720459,
525
+ "learning_rate": 0.0002409114209562594,
526
+ "loss": 12.2702,
527
+ "step": 1480
528
+ },
529
+ {
530
+ "epoch": 0.8445945945945946,
531
+ "grad_norm": 10.394694328308105,
532
+ "learning_rate": 0.0002406281456240861,
533
+ "loss": 11.8798,
534
+ "step": 1500
535
+ },
536
+ {
537
+ "epoch": 0.8558558558558559,
538
+ "grad_norm": 13.945009231567383,
539
+ "learning_rate": 0.0002403406949615714,
540
+ "loss": 11.9807,
541
+ "step": 1520
542
+ },
543
+ {
544
+ "epoch": 0.8671171171171171,
545
+ "grad_norm": 10.771109580993652,
546
+ "learning_rate": 0.00024004907934855373,
547
+ "loss": 11.7541,
548
+ "step": 1540
549
+ },
550
+ {
551
+ "epoch": 0.8783783783783784,
552
+ "grad_norm": 13.699746131896973,
553
+ "learning_rate": 0.00023975330931526784,
554
+ "loss": 11.8184,
555
+ "step": 1560
556
+ },
557
+ {
558
+ "epoch": 0.8896396396396397,
559
+ "grad_norm": 11.741015434265137,
560
+ "learning_rate": 0.00023945339554196456,
561
+ "loss": 11.583,
562
+ "step": 1580
563
+ },
564
+ {
565
+ "epoch": 0.9009009009009009,
566
+ "grad_norm": 12.183013916015625,
567
+ "learning_rate": 0.00023914934885852505,
568
+ "loss": 11.3534,
569
+ "step": 1600
570
+ },
571
+ {
572
+ "epoch": 0.9121621621621622,
573
+ "grad_norm": 11.609010696411133,
574
+ "learning_rate": 0.00023884118024406975,
575
+ "loss": 11.418,
576
+ "step": 1620
577
+ },
578
+ {
579
+ "epoch": 0.9234234234234234,
580
+ "grad_norm": 11.524951934814453,
581
+ "learning_rate": 0.00023852890082656203,
582
+ "loss": 11.3926,
583
+ "step": 1640
584
+ },
585
+ {
586
+ "epoch": 0.9346846846846847,
587
+ "grad_norm": 11.058307647705078,
588
+ "learning_rate": 0.00023821252188240634,
589
+ "loss": 11.0091,
590
+ "step": 1660
591
+ },
592
+ {
593
+ "epoch": 0.9459459459459459,
594
+ "grad_norm": 8.365026473999023,
595
+ "learning_rate": 0.00023789205483604076,
596
+ "loss": 10.6156,
597
+ "step": 1680
598
+ },
599
+ {
600
+ "epoch": 0.9572072072072072,
601
+ "grad_norm": 9.224916458129883,
602
+ "learning_rate": 0.0002375675112595249,
603
+ "loss": 11.1918,
604
+ "step": 1700
605
+ },
606
+ {
607
+ "epoch": 0.9684684684684685,
608
+ "grad_norm": 12.44520092010498,
609
+ "learning_rate": 0.00023723890287212162,
610
+ "loss": 10.8307,
611
+ "step": 1720
612
+ },
613
+ {
614
+ "epoch": 0.9797297297297297,
615
+ "grad_norm": 12.0541410446167,
616
+ "learning_rate": 0.00023690624153987423,
617
+ "loss": 10.7466,
618
+ "step": 1740
619
+ },
620
+ {
621
+ "epoch": 0.990990990990991,
622
+ "grad_norm": 11.42975902557373,
623
+ "learning_rate": 0.00023656953927517755,
624
+ "loss": 10.3984,
625
+ "step": 1760
626
+ },
627
+ {
628
+ "epoch": 1.0,
629
+ "eval_loss": 10.209589004516602,
630
+ "eval_runtime": 192.8583,
631
+ "eval_samples_per_second": 42.477,
632
+ "eval_steps_per_second": 5.31,
633
+ "step": 1776
634
+ },
635
+ {
636
+ "epoch": 1.0022522522522523,
637
+ "grad_norm": 10.396323204040527,
638
+ "learning_rate": 0.00023622880823634463,
639
+ "loss": 10.6677,
640
+ "step": 1780
641
+ },
642
+ {
643
+ "epoch": 1.0135135135135136,
644
+ "grad_norm": 9.66658878326416,
645
+ "learning_rate": 0.0002358840607271674,
646
+ "loss": 10.3207,
647
+ "step": 1800
648
+ },
649
+ {
650
+ "epoch": 1.0247747747747749,
651
+ "grad_norm": 9.684843063354492,
652
+ "learning_rate": 0.00023553530919647242,
653
+ "loss": 10.2381,
654
+ "step": 1820
655
+ },
656
+ {
657
+ "epoch": 1.0360360360360361,
658
+ "grad_norm": 8.732488632202148,
659
+ "learning_rate": 0.00023518256623767148,
660
+ "loss": 10.1474,
661
+ "step": 1840
662
+ },
663
+ {
664
+ "epoch": 1.0472972972972974,
665
+ "grad_norm": 9.16722297668457,
666
+ "learning_rate": 0.00023482584458830668,
667
+ "loss": 10.004,
668
+ "step": 1860
669
+ },
670
+ {
671
+ "epoch": 1.0585585585585586,
672
+ "grad_norm": 9.978281021118164,
673
+ "learning_rate": 0.00023446515712959072,
674
+ "loss": 9.9609,
675
+ "step": 1880
676
+ },
677
+ {
678
+ "epoch": 1.0698198198198199,
679
+ "grad_norm": 8.478277206420898,
680
+ "learning_rate": 0.00023410051688594135,
681
+ "loss": 10.1065,
682
+ "step": 1900
683
+ },
684
+ {
685
+ "epoch": 1.0810810810810811,
686
+ "grad_norm": 9.539369583129883,
687
+ "learning_rate": 0.00023373193702451163,
688
+ "loss": 9.8355,
689
+ "step": 1920
690
+ },
691
+ {
692
+ "epoch": 1.0923423423423424,
693
+ "grad_norm": 9.152040481567383,
694
+ "learning_rate": 0.00023335943085471387,
695
+ "loss": 9.6821,
696
+ "step": 1940
697
+ },
698
+ {
699
+ "epoch": 1.1036036036036037,
700
+ "grad_norm": 10.809807777404785,
701
+ "learning_rate": 0.00023298301182773947,
702
+ "loss": 9.8334,
703
+ "step": 1960
704
+ },
705
+ {
706
+ "epoch": 1.114864864864865,
707
+ "grad_norm": 8.823080062866211,
708
+ "learning_rate": 0.00023260269353607302,
709
+ "loss": 9.5618,
710
+ "step": 1980
711
+ },
712
+ {
713
+ "epoch": 1.1261261261261262,
714
+ "grad_norm": 7.613968849182129,
715
+ "learning_rate": 0.00023221848971300142,
716
+ "loss": 9.5994,
717
+ "step": 2000
718
+ },
719
+ {
720
+ "epoch": 1.1373873873873874,
721
+ "grad_norm": 8.049659729003906,
722
+ "learning_rate": 0.00023183041423211812,
723
+ "loss": 9.5675,
724
+ "step": 2020
725
+ },
726
+ {
727
+ "epoch": 1.1486486486486487,
728
+ "grad_norm": 8.708986282348633,
729
+ "learning_rate": 0.000231438481106822,
730
+ "loss": 9.2731,
731
+ "step": 2040
732
+ },
733
+ {
734
+ "epoch": 1.15990990990991,
735
+ "grad_norm": 8.820184707641602,
736
+ "learning_rate": 0.00023104270448981147,
737
+ "loss": 9.2091,
738
+ "step": 2060
739
+ },
740
+ {
741
+ "epoch": 1.1711711711711712,
742
+ "grad_norm": 8.059011459350586,
743
+ "learning_rate": 0.00023064309867257333,
744
+ "loss": 9.2435,
745
+ "step": 2080
746
+ },
747
+ {
748
+ "epoch": 1.1824324324324325,
749
+ "grad_norm": 8.836409568786621,
750
+ "learning_rate": 0.00023023967808486674,
751
+ "loss": 9.4296,
752
+ "step": 2100
753
+ },
754
+ {
755
+ "epoch": 1.1936936936936937,
756
+ "grad_norm": 7.625323295593262,
757
+ "learning_rate": 0.00022983245729420212,
758
+ "loss": 9.3096,
759
+ "step": 2120
760
+ },
761
+ {
762
+ "epoch": 1.204954954954955,
763
+ "grad_norm": 7.627326965332031,
764
+ "learning_rate": 0.00022942145100531526,
765
+ "loss": 9.1006,
766
+ "step": 2140
767
+ },
768
+ {
769
+ "epoch": 1.2162162162162162,
770
+ "grad_norm": 7.3621039390563965,
771
+ "learning_rate": 0.00022900667405963607,
772
+ "loss": 9.0271,
773
+ "step": 2160
774
+ },
775
+ {
776
+ "epoch": 1.2274774774774775,
777
+ "grad_norm": 10.079599380493164,
778
+ "learning_rate": 0.00022858814143475293,
779
+ "loss": 8.9905,
780
+ "step": 2180
781
+ },
782
+ {
783
+ "epoch": 1.2387387387387387,
784
+ "grad_norm": 7.299936771392822,
785
+ "learning_rate": 0.00022816586824387175,
786
+ "loss": 8.8307,
787
+ "step": 2200
788
+ },
789
+ {
790
+ "epoch": 1.25,
791
+ "grad_norm": 10.733438491821289,
792
+ "learning_rate": 0.00022773986973527005,
793
+ "loss": 8.7716,
794
+ "step": 2220
795
+ },
796
+ {
797
+ "epoch": 1.2612612612612613,
798
+ "grad_norm": 7.568991661071777,
799
+ "learning_rate": 0.0002273101612917467,
800
+ "loss": 8.9258,
801
+ "step": 2240
802
+ },
803
+ {
804
+ "epoch": 1.2725225225225225,
805
+ "grad_norm": 8.105926513671875,
806
+ "learning_rate": 0.00022687675843006616,
807
+ "loss": 8.5795,
808
+ "step": 2260
809
+ },
810
+ {
811
+ "epoch": 1.2837837837837838,
812
+ "grad_norm": 6.941417217254639,
813
+ "learning_rate": 0.0002264396768003983,
814
+ "loss": 8.7082,
815
+ "step": 2280
816
+ },
817
+ {
818
+ "epoch": 1.295045045045045,
819
+ "grad_norm": 7.045870780944824,
820
+ "learning_rate": 0.00022599893218575316,
821
+ "loss": 8.7914,
822
+ "step": 2300
823
+ },
824
+ {
825
+ "epoch": 1.3063063063063063,
826
+ "grad_norm": 8.087312698364258,
827
+ "learning_rate": 0.0002255545405014112,
828
+ "loss": 8.7433,
829
+ "step": 2320
830
+ },
831
+ {
832
+ "epoch": 1.3175675675675675,
833
+ "grad_norm": 8.753263473510742,
834
+ "learning_rate": 0.00022510651779434842,
835
+ "loss": 8.6449,
836
+ "step": 2340
837
+ },
838
+ {
839
+ "epoch": 1.3288288288288288,
840
+ "grad_norm": 8.395846366882324,
841
+ "learning_rate": 0.00022465488024265713,
842
+ "loss": 8.634,
843
+ "step": 2360
844
+ },
845
+ {
846
+ "epoch": 1.34009009009009,
847
+ "grad_norm": 7.994043350219727,
848
+ "learning_rate": 0.00022419964415496143,
849
+ "loss": 8.5735,
850
+ "step": 2380
851
+ },
852
+ {
853
+ "epoch": 1.3513513513513513,
854
+ "grad_norm": 8.119012832641602,
855
+ "learning_rate": 0.0002237408259698286,
856
+ "loss": 8.8715,
857
+ "step": 2400
858
+ },
859
+ {
860
+ "epoch": 1.3626126126126126,
861
+ "grad_norm": 7.6216583251953125,
862
+ "learning_rate": 0.00022327844225517547,
863
+ "loss": 8.3434,
864
+ "step": 2420
865
+ },
866
+ {
867
+ "epoch": 1.3738738738738738,
868
+ "grad_norm": 5.617091178894043,
869
+ "learning_rate": 0.00022281250970766984,
870
+ "loss": 8.5544,
871
+ "step": 2440
872
+ },
873
+ {
874
+ "epoch": 1.385135135135135,
875
+ "grad_norm": 7.126073360443115,
876
+ "learning_rate": 0.00022234304515212806,
877
+ "loss": 8.3322,
878
+ "step": 2460
879
+ },
880
+ {
881
+ "epoch": 1.3963963963963963,
882
+ "grad_norm": 7.028109073638916,
883
+ "learning_rate": 0.0002218700655409071,
884
+ "loss": 8.3188,
885
+ "step": 2480
886
+ },
887
+ {
888
+ "epoch": 1.4076576576576576,
889
+ "grad_norm": 7.848935127258301,
890
+ "learning_rate": 0.00022139358795329254,
891
+ "loss": 8.4047,
892
+ "step": 2500
893
+ },
894
+ {
895
+ "epoch": 1.4189189189189189,
896
+ "grad_norm": 7.840925693511963,
897
+ "learning_rate": 0.00022091362959488186,
898
+ "loss": 8.3978,
899
+ "step": 2520
900
+ },
901
+ {
902
+ "epoch": 1.4301801801801801,
903
+ "grad_norm": 7.0585198402404785,
904
+ "learning_rate": 0.00022043020779696304,
905
+ "loss": 8.2189,
906
+ "step": 2540
907
+ },
908
+ {
909
+ "epoch": 1.4414414414414414,
910
+ "grad_norm": 6.7776594161987305,
911
+ "learning_rate": 0.00021994334001588896,
912
+ "loss": 8.2129,
913
+ "step": 2560
914
+ },
915
+ {
916
+ "epoch": 1.4527027027027026,
917
+ "grad_norm": 6.949775218963623,
918
+ "learning_rate": 0.00021945304383244664,
919
+ "loss": 8.1717,
920
+ "step": 2580
921
+ },
922
+ {
923
+ "epoch": 1.4639639639639639,
924
+ "grad_norm": 6.041919708251953,
925
+ "learning_rate": 0.0002189593369512229,
926
+ "loss": 8.0273,
927
+ "step": 2600
928
+ },
929
+ {
930
+ "epoch": 1.4752252252252251,
931
+ "grad_norm": 7.787086486816406,
932
+ "learning_rate": 0.0002184622371999647,
933
+ "loss": 8.0657,
934
+ "step": 2620
935
+ },
936
+ {
937
+ "epoch": 1.4864864864864864,
938
+ "grad_norm": 6.464184761047363,
939
+ "learning_rate": 0.00021796176252893542,
940
+ "loss": 8.2728,
941
+ "step": 2640
942
+ },
943
+ {
944
+ "epoch": 1.4977477477477477,
945
+ "grad_norm": 6.4095354080200195,
946
+ "learning_rate": 0.0002174579310102668,
947
+ "loss": 7.9257,
948
+ "step": 2660
949
+ },
950
+ {
951
+ "epoch": 1.509009009009009,
952
+ "grad_norm": 7.329013824462891,
953
+ "learning_rate": 0.00021695076083730626,
954
+ "loss": 7.824,
955
+ "step": 2680
956
+ },
957
+ {
958
+ "epoch": 1.5202702702702702,
959
+ "grad_norm": 7.08155632019043,
960
+ "learning_rate": 0.00021644027032396003,
961
+ "loss": 7.9795,
962
+ "step": 2700
963
+ },
964
+ {
965
+ "epoch": 1.5315315315315314,
966
+ "grad_norm": 6.633808612823486,
967
+ "learning_rate": 0.00021592647790403172,
968
+ "loss": 7.9484,
969
+ "step": 2720
970
+ },
971
+ {
972
+ "epoch": 1.5427927927927927,
973
+ "grad_norm": 7.326924800872803,
974
+ "learning_rate": 0.0002154094021305567,
975
+ "loss": 8.0193,
976
+ "step": 2740
977
+ },
978
+ {
979
+ "epoch": 1.554054054054054,
980
+ "grad_norm": 6.548000812530518,
981
+ "learning_rate": 0.00021488906167513227,
982
+ "loss": 7.9684,
983
+ "step": 2760
984
+ },
985
+ {
986
+ "epoch": 1.5653153153153152,
987
+ "grad_norm": 6.106738090515137,
988
+ "learning_rate": 0.0002143654753272433,
989
+ "loss": 7.8051,
990
+ "step": 2780
991
+ },
992
+ {
993
+ "epoch": 1.5765765765765765,
994
+ "grad_norm": 6.181701183319092,
995
+ "learning_rate": 0.0002138386619935837,
996
+ "loss": 7.8747,
997
+ "step": 2800
998
+ },
999
+ {
1000
+ "epoch": 1.5878378378378377,
1001
+ "grad_norm": 6.695054054260254,
1002
+ "learning_rate": 0.00021330864069737387,
1003
+ "loss": 7.7717,
1004
+ "step": 2820
1005
+ },
1006
+ {
1007
+ "epoch": 1.599099099099099,
1008
+ "grad_norm": 7.034865379333496,
1009
+ "learning_rate": 0.0002127754305776737,
1010
+ "loss": 7.7304,
1011
+ "step": 2840
1012
+ },
1013
+ {
1014
+ "epoch": 1.6103603603603602,
1015
+ "grad_norm": 8.05134391784668,
1016
+ "learning_rate": 0.0002122390508886914,
1017
+ "loss": 7.8695,
1018
+ "step": 2860
1019
+ },
1020
+ {
1021
+ "epoch": 1.6216216216216215,
1022
+ "grad_norm": 6.66589879989624,
1023
+ "learning_rate": 0.0002116995209990882,
1024
+ "loss": 7.7153,
1025
+ "step": 2880
1026
+ },
1027
+ {
1028
+ "epoch": 1.6328828828828827,
1029
+ "grad_norm": 7.550106048583984,
1030
+ "learning_rate": 0.0002111568603912792,
1031
+ "loss": 7.6789,
1032
+ "step": 2900
1033
+ },
1034
+ {
1035
+ "epoch": 1.644144144144144,
1036
+ "grad_norm": 7.903695106506348,
1037
+ "learning_rate": 0.0002106110886607295,
1038
+ "loss": 7.6998,
1039
+ "step": 2920
1040
+ },
1041
+ {
1042
+ "epoch": 1.6554054054054053,
1043
+ "grad_norm": 7.171148300170898,
1044
+ "learning_rate": 0.0002100622255152469,
1045
+ "loss": 7.4489,
1046
+ "step": 2940
1047
+ },
1048
+ {
1049
+ "epoch": 1.6666666666666665,
1050
+ "grad_norm": 7.298549175262451,
1051
+ "learning_rate": 0.00020951029077427008,
1052
+ "loss": 7.558,
1053
+ "step": 2960
1054
+ },
1055
+ {
1056
+ "epoch": 1.6779279279279278,
1057
+ "grad_norm": 6.596391201019287,
1058
+ "learning_rate": 0.00020895530436815306,
1059
+ "loss": 7.6431,
1060
+ "step": 2980
1061
+ },
1062
+ {
1063
+ "epoch": 1.689189189189189,
1064
+ "grad_norm": 6.277204513549805,
1065
+ "learning_rate": 0.00020839728633744532,
1066
+ "loss": 7.6637,
1067
+ "step": 3000
1068
+ },
1069
+ {
1070
+ "epoch": 1.7004504504504503,
1071
+ "grad_norm": 5.395816802978516,
1072
+ "learning_rate": 0.00020783625683216828,
1073
+ "loss": 7.3164,
1074
+ "step": 3020
1075
+ },
1076
+ {
1077
+ "epoch": 1.7117117117117115,
1078
+ "grad_norm": 7.0829877853393555,
1079
+ "learning_rate": 0.00020727223611108778,
1080
+ "loss": 7.5608,
1081
+ "step": 3040
1082
+ },
1083
+ {
1084
+ "epoch": 1.722972972972973,
1085
+ "grad_norm": 6.532320976257324,
1086
+ "learning_rate": 0.00020670524454098228,
1087
+ "loss": 7.5514,
1088
+ "step": 3060
1089
+ },
1090
+ {
1091
+ "epoch": 1.7342342342342343,
1092
+ "grad_norm": 6.441926956176758,
1093
+ "learning_rate": 0.00020613530259590754,
1094
+ "loss": 7.4745,
1095
+ "step": 3080
1096
+ },
1097
+ {
1098
+ "epoch": 1.7454954954954955,
1099
+ "grad_norm": 6.796619415283203,
1100
+ "learning_rate": 0.00020556243085645743,
1101
+ "loss": 7.3947,
1102
+ "step": 3100
1103
+ },
1104
+ {
1105
+ "epoch": 1.7567567567567568,
1106
+ "grad_norm": 5.6059250831604,
1107
+ "learning_rate": 0.00020498665000902045,
1108
+ "loss": 7.3462,
1109
+ "step": 3120
1110
+ },
1111
+ {
1112
+ "epoch": 1.768018018018018,
1113
+ "grad_norm": 5.7582573890686035,
1114
+ "learning_rate": 0.00020440798084503321,
1115
+ "loss": 7.479,
1116
+ "step": 3140
1117
+ },
1118
+ {
1119
+ "epoch": 1.7792792792792793,
1120
+ "grad_norm": 6.546544551849365,
1121
+ "learning_rate": 0.0002038264442602291,
1122
+ "loss": 7.2541,
1123
+ "step": 3160
1124
+ },
1125
+ {
1126
+ "epoch": 1.7905405405405406,
1127
+ "grad_norm": 6.203800678253174,
1128
+ "learning_rate": 0.00020324206125388422,
1129
+ "loss": 7.313,
1130
+ "step": 3180
1131
+ },
1132
+ {
1133
+ "epoch": 1.8018018018018018,
1134
+ "grad_norm": 5.325755596160889,
1135
+ "learning_rate": 0.00020265485292805886,
1136
+ "loss": 7.2748,
1137
+ "step": 3200
1138
+ },
1139
+ {
1140
+ "epoch": 1.813063063063063,
1141
+ "grad_norm": 5.543078899383545,
1142
+ "learning_rate": 0.0002020648404868354,
1143
+ "loss": 7.3658,
1144
+ "step": 3220
1145
+ },
1146
+ {
1147
+ "epoch": 1.8243243243243243,
1148
+ "grad_norm": 6.311000347137451,
1149
+ "learning_rate": 0.00020147204523555303,
1150
+ "loss": 7.4673,
1151
+ "step": 3240
1152
+ },
1153
+ {
1154
+ "epoch": 1.8355855855855856,
1155
+ "grad_norm": 5.803033351898193,
1156
+ "learning_rate": 0.00020087648858003798,
1157
+ "loss": 7.3336,
1158
+ "step": 3260
1159
+ },
1160
+ {
1161
+ "epoch": 1.8468468468468469,
1162
+ "grad_norm": 5.618661403656006,
1163
+ "learning_rate": 0.0002002781920258308,
1164
+ "loss": 7.101,
1165
+ "step": 3280
1166
+ },
1167
+ {
1168
+ "epoch": 1.8581081081081081,
1169
+ "grad_norm": 5.574961185455322,
1170
+ "learning_rate": 0.00019967717717740975,
1171
+ "loss": 7.1956,
1172
+ "step": 3300
1173
+ },
1174
+ {
1175
+ "epoch": 1.8693693693693694,
1176
+ "grad_norm": 5.912872791290283,
1177
+ "learning_rate": 0.00019907346573741058,
1178
+ "loss": 7.0916,
1179
+ "step": 3320
1180
+ },
1181
+ {
1182
+ "epoch": 1.8806306306306306,
1183
+ "grad_norm": 9.942081451416016,
1184
+ "learning_rate": 0.00019846707950584299,
1185
+ "loss": 6.9485,
1186
+ "step": 3340
1187
+ },
1188
+ {
1189
+ "epoch": 1.8918918918918919,
1190
+ "grad_norm": 5.383841037750244,
1191
+ "learning_rate": 0.00019785804037930336,
1192
+ "loss": 7.1286,
1193
+ "step": 3360
1194
+ },
1195
+ {
1196
+ "epoch": 1.9031531531531531,
1197
+ "grad_norm": 6.271128177642822,
1198
+ "learning_rate": 0.00019724637035018394,
1199
+ "loss": 7.2622,
1200
+ "step": 3380
1201
+ },
1202
+ {
1203
+ "epoch": 1.9144144144144144,
1204
+ "grad_norm": 6.275426864624023,
1205
+ "learning_rate": 0.00019663209150587904,
1206
+ "loss": 7.179,
1207
+ "step": 3400
1208
+ },
1209
+ {
1210
+ "epoch": 1.9256756756756757,
1211
+ "grad_norm": 5.681616306304932,
1212
+ "learning_rate": 0.00019601522602798706,
1213
+ "loss": 6.9379,
1214
+ "step": 3420
1215
+ },
1216
+ {
1217
+ "epoch": 1.936936936936937,
1218
+ "grad_norm": 5.55466365814209,
1219
+ "learning_rate": 0.00019539579619150968,
1220
+ "loss": 6.9714,
1221
+ "step": 3440
1222
+ },
1223
+ {
1224
+ "epoch": 1.9481981981981982,
1225
+ "grad_norm": 5.896274566650391,
1226
+ "learning_rate": 0.0001947738243640477,
1227
+ "loss": 7.185,
1228
+ "step": 3460
1229
+ },
1230
+ {
1231
+ "epoch": 1.9594594594594594,
1232
+ "grad_norm": 6.699384689331055,
1233
+ "learning_rate": 0.00019414933300499303,
1234
+ "loss": 7.0395,
1235
+ "step": 3480
1236
+ },
1237
+ {
1238
+ "epoch": 1.9707207207207207,
1239
+ "grad_norm": 5.705533027648926,
1240
+ "learning_rate": 0.00019352234466471786,
1241
+ "loss": 7.0843,
1242
+ "step": 3500
1243
+ },
1244
+ {
1245
+ "epoch": 1.981981981981982,
1246
+ "grad_norm": 5.171501636505127,
1247
+ "learning_rate": 0.0001928928819837603,
1248
+ "loss": 7.3453,
1249
+ "step": 3520
1250
+ },
1251
+ {
1252
+ "epoch": 1.9932432432432432,
1253
+ "grad_norm": 5.449100971221924,
1254
+ "learning_rate": 0.00019226096769200696,
1255
+ "loss": 6.9518,
1256
+ "step": 3540
1257
+ },
1258
+ {
1259
+ "epoch": 2.0,
1260
+ "eval_loss": 6.912898063659668,
1261
+ "eval_runtime": 193.5223,
1262
+ "eval_samples_per_second": 42.331,
1263
+ "eval_steps_per_second": 5.291,
1264
+ "step": 3552
1265
+ },
1266
+ {
1267
+ "epoch": 2.0045045045045047,
1268
+ "grad_norm": 5.502616882324219,
1269
+ "learning_rate": 0.000191626624607872,
1270
+ "loss": 6.9544,
1271
+ "step": 3560
1272
+ },
1273
+ {
1274
+ "epoch": 2.015765765765766,
1275
+ "grad_norm": 7.196225166320801,
1276
+ "learning_rate": 0.0001909898756374731,
1277
+ "loss": 6.8782,
1278
+ "step": 3580
1279
+ },
1280
+ {
1281
+ "epoch": 2.027027027027027,
1282
+ "grad_norm": 5.475032806396484,
1283
+ "learning_rate": 0.0001903507437738047,
1284
+ "loss": 6.7123,
1285
+ "step": 3600
1286
+ },
1287
+ {
1288
+ "epoch": 2.0382882882882885,
1289
+ "grad_norm": 5.074850559234619,
1290
+ "learning_rate": 0.00018970925209590734,
1291
+ "loss": 6.7443,
1292
+ "step": 3620
1293
+ },
1294
+ {
1295
+ "epoch": 2.0495495495495497,
1296
+ "grad_norm": 5.7531328201293945,
1297
+ "learning_rate": 0.0001890654237680344,
1298
+ "loss": 6.7843,
1299
+ "step": 3640
1300
+ },
1301
+ {
1302
+ "epoch": 2.060810810810811,
1303
+ "grad_norm": 5.586028575897217,
1304
+ "learning_rate": 0.00018841928203881572,
1305
+ "loss": 6.6872,
1306
+ "step": 3660
1307
+ },
1308
+ {
1309
+ "epoch": 2.0720720720720722,
1310
+ "grad_norm": 5.3263936042785645,
1311
+ "learning_rate": 0.00018777085024041795,
1312
+ "loss": 6.7043,
1313
+ "step": 3680
1314
+ },
1315
+ {
1316
+ "epoch": 2.0833333333333335,
1317
+ "grad_norm": 6.154730319976807,
1318
+ "learning_rate": 0.00018712015178770218,
1319
+ "loss": 6.7238,
1320
+ "step": 3700
1321
+ },
1322
+ {
1323
+ "epoch": 2.0945945945945947,
1324
+ "grad_norm": 4.89910888671875,
1325
+ "learning_rate": 0.0001864672101773782,
1326
+ "loss": 6.6498,
1327
+ "step": 3720
1328
+ },
1329
+ {
1330
+ "epoch": 2.105855855855856,
1331
+ "grad_norm": 4.568950176239014,
1332
+ "learning_rate": 0.00018581204898715636,
1333
+ "loss": 6.689,
1334
+ "step": 3740
1335
+ },
1336
+ {
1337
+ "epoch": 2.1171171171171173,
1338
+ "grad_norm": 5.0181756019592285,
1339
+ "learning_rate": 0.00018515469187489595,
1340
+ "loss": 6.5897,
1341
+ "step": 3760
1342
+ },
1343
+ {
1344
+ "epoch": 2.1283783783783785,
1345
+ "grad_norm": 5.144893169403076,
1346
+ "learning_rate": 0.00018449516257775086,
1347
+ "loss": 6.6991,
1348
+ "step": 3780
1349
+ },
1350
+ {
1351
+ "epoch": 2.1396396396396398,
1352
+ "grad_norm": 6.296558856964111,
1353
+ "learning_rate": 0.00018383348491131268,
1354
+ "loss": 6.6091,
1355
+ "step": 3800
1356
+ },
1357
+ {
1358
+ "epoch": 2.150900900900901,
1359
+ "grad_norm": 5.029831886291504,
1360
+ "learning_rate": 0.00018316968276875048,
1361
+ "loss": 6.6498,
1362
+ "step": 3820
1363
+ },
1364
+ {
1365
+ "epoch": 2.1621621621621623,
1366
+ "grad_norm": 4.9656476974487305,
1367
+ "learning_rate": 0.00018250378011994817,
1368
+ "loss": 6.6533,
1369
+ "step": 3840
1370
+ },
1371
+ {
1372
+ "epoch": 2.1734234234234235,
1373
+ "grad_norm": 6.552328109741211,
1374
+ "learning_rate": 0.00018183580101063893,
1375
+ "loss": 6.6923,
1376
+ "step": 3860
1377
+ },
1378
+ {
1379
+ "epoch": 2.184684684684685,
1380
+ "grad_norm": 5.193049430847168,
1381
+ "learning_rate": 0.0001811657695615368,
1382
+ "loss": 6.5664,
1383
+ "step": 3880
1384
+ },
1385
+ {
1386
+ "epoch": 2.195945945945946,
1387
+ "grad_norm": 5.650617599487305,
1388
+ "learning_rate": 0.00018049370996746586,
1389
+ "loss": 6.7638,
1390
+ "step": 3900
1391
+ },
1392
+ {
1393
+ "epoch": 2.2072072072072073,
1394
+ "grad_norm": 4.744507789611816,
1395
+ "learning_rate": 0.0001798196464964865,
1396
+ "loss": 6.569,
1397
+ "step": 3920
1398
+ },
1399
+ {
1400
+ "epoch": 2.2184684684684686,
1401
+ "grad_norm": 4.649717330932617,
1402
+ "learning_rate": 0.00017914360348901892,
1403
+ "loss": 6.5865,
1404
+ "step": 3940
1405
+ },
1406
+ {
1407
+ "epoch": 2.22972972972973,
1408
+ "grad_norm": 5.418842315673828,
1409
+ "learning_rate": 0.00017846560535696455,
1410
+ "loss": 6.5317,
1411
+ "step": 3960
1412
+ },
1413
+ {
1414
+ "epoch": 2.240990990990991,
1415
+ "grad_norm": 5.146485805511475,
1416
+ "learning_rate": 0.00017778567658282407,
1417
+ "loss": 6.4661,
1418
+ "step": 3980
1419
+ },
1420
+ {
1421
+ "epoch": 2.2522522522522523,
1422
+ "grad_norm": 4.321829795837402,
1423
+ "learning_rate": 0.000177103841718814,
1424
+ "loss": 6.5814,
1425
+ "step": 4000
1426
+ },
1427
+ {
1428
+ "epoch": 2.2635135135135136,
1429
+ "grad_norm": 4.635056495666504,
1430
+ "learning_rate": 0.00017642012538597926,
1431
+ "loss": 6.5478,
1432
+ "step": 4020
1433
+ },
1434
+ {
1435
+ "epoch": 2.274774774774775,
1436
+ "grad_norm": 4.846772193908691,
1437
+ "learning_rate": 0.000175734552273305,
1438
+ "loss": 6.6611,
1439
+ "step": 4040
1440
+ },
1441
+ {
1442
+ "epoch": 2.286036036036036,
1443
+ "grad_norm": 4.857787609100342,
1444
+ "learning_rate": 0.00017504714713682438,
1445
+ "loss": 6.4596,
1446
+ "step": 4060
1447
+ },
1448
+ {
1449
+ "epoch": 2.2972972972972974,
1450
+ "grad_norm": 4.768703460693359,
1451
+ "learning_rate": 0.00017435793479872507,
1452
+ "loss": 6.508,
1453
+ "step": 4080
1454
+ },
1455
+ {
1456
+ "epoch": 2.3085585585585586,
1457
+ "grad_norm": 4.605207920074463,
1458
+ "learning_rate": 0.00017366694014645263,
1459
+ "loss": 6.3648,
1460
+ "step": 4100
1461
+ },
1462
+ {
1463
+ "epoch": 2.31981981981982,
1464
+ "grad_norm": 5.522574424743652,
1465
+ "learning_rate": 0.00017297418813181208,
1466
+ "loss": 6.5138,
1467
+ "step": 4120
1468
+ },
1469
+ {
1470
+ "epoch": 2.331081081081081,
1471
+ "grad_norm": 4.438038349151611,
1472
+ "learning_rate": 0.00017227970377006662,
1473
+ "loss": 6.4698,
1474
+ "step": 4140
1475
+ },
1476
+ {
1477
+ "epoch": 2.3423423423423424,
1478
+ "grad_norm": 5.221787929534912,
1479
+ "learning_rate": 0.00017158351213903466,
1480
+ "loss": 6.4,
1481
+ "step": 4160
1482
+ },
1483
+ {
1484
+ "epoch": 2.3536036036036037,
1485
+ "grad_norm": 5.3727498054504395,
1486
+ "learning_rate": 0.00017088563837818388,
1487
+ "loss": 6.472,
1488
+ "step": 4180
1489
+ },
1490
+ {
1491
+ "epoch": 2.364864864864865,
1492
+ "grad_norm": 4.393843650817871,
1493
+ "learning_rate": 0.00017018610768772385,
1494
+ "loss": 6.3323,
1495
+ "step": 4200
1496
+ },
1497
+ {
1498
+ "epoch": 2.376126126126126,
1499
+ "grad_norm": 4.410269260406494,
1500
+ "learning_rate": 0.0001694849453276956,
1501
+ "loss": 6.3458,
1502
+ "step": 4220
1503
+ },
1504
+ {
1505
+ "epoch": 2.3873873873873874,
1506
+ "grad_norm": 4.90555477142334,
1507
+ "learning_rate": 0.0001687821766170599,
1508
+ "loss": 6.3438,
1509
+ "step": 4240
1510
+ },
1511
+ {
1512
+ "epoch": 2.3986486486486487,
1513
+ "grad_norm": 4.615562915802002,
1514
+ "learning_rate": 0.00016807782693278273,
1515
+ "loss": 6.3853,
1516
+ "step": 4260
1517
+ },
1518
+ {
1519
+ "epoch": 2.40990990990991,
1520
+ "grad_norm": 4.589493274688721,
1521
+ "learning_rate": 0.00016737192170891902,
1522
+ "loss": 6.4002,
1523
+ "step": 4280
1524
+ },
1525
+ {
1526
+ "epoch": 2.421171171171171,
1527
+ "grad_norm": 4.222832679748535,
1528
+ "learning_rate": 0.00016666448643569426,
1529
+ "loss": 6.361,
1530
+ "step": 4300
1531
+ },
1532
+ {
1533
+ "epoch": 2.4324324324324325,
1534
+ "grad_norm": 5.57008171081543,
1535
+ "learning_rate": 0.00016595554665858387,
1536
+ "loss": 6.4508,
1537
+ "step": 4320
1538
+ },
1539
+ {
1540
+ "epoch": 2.4436936936936937,
1541
+ "grad_norm": 4.810327529907227,
1542
+ "learning_rate": 0.00016524512797739106,
1543
+ "loss": 6.3453,
1544
+ "step": 4340
1545
+ },
1546
+ {
1547
+ "epoch": 2.454954954954955,
1548
+ "grad_norm": 3.823190689086914,
1549
+ "learning_rate": 0.000164533256045322,
1550
+ "loss": 6.2972,
1551
+ "step": 4360
1552
+ },
1553
+ {
1554
+ "epoch": 2.4662162162162162,
1555
+ "grad_norm": 5.525811672210693,
1556
+ "learning_rate": 0.00016381995656806,
1557
+ "loss": 6.27,
1558
+ "step": 4380
1559
+ },
1560
+ {
1561
+ "epoch": 2.4774774774774775,
1562
+ "grad_norm": 4.199039459228516,
1563
+ "learning_rate": 0.00016310525530283682,
1564
+ "loss": 6.3205,
1565
+ "step": 4400
1566
+ },
1567
+ {
1568
+ "epoch": 2.4887387387387387,
1569
+ "grad_norm": 5.0115580558776855,
1570
+ "learning_rate": 0.00016238917805750275,
1571
+ "loss": 6.308,
1572
+ "step": 4420
1573
+ },
1574
+ {
1575
+ "epoch": 2.5,
1576
+ "grad_norm": 4.357995986938477,
1577
+ "learning_rate": 0.0001616717506895948,
1578
+ "loss": 6.2335,
1579
+ "step": 4440
1580
+ },
1581
+ {
1582
+ "epoch": 2.5112612612612613,
1583
+ "grad_norm": 5.8039374351501465,
1584
+ "learning_rate": 0.00016095299910540283,
1585
+ "loss": 6.1737,
1586
+ "step": 4460
1587
+ },
1588
+ {
1589
+ "epoch": 2.5225225225225225,
1590
+ "grad_norm": 4.064445972442627,
1591
+ "learning_rate": 0.00016023294925903412,
1592
+ "loss": 6.1518,
1593
+ "step": 4480
1594
+ },
1595
+ {
1596
+ "epoch": 2.5337837837837838,
1597
+ "grad_norm": 4.711318016052246,
1598
+ "learning_rate": 0.00015951162715147622,
1599
+ "loss": 6.2826,
1600
+ "step": 4500
1601
+ },
1602
+ {
1603
+ "epoch": 2.545045045045045,
1604
+ "grad_norm": 4.572793006896973,
1605
+ "learning_rate": 0.0001587890588296579,
1606
+ "loss": 6.1276,
1607
+ "step": 4520
1608
+ },
1609
+ {
1610
+ "epoch": 2.5563063063063063,
1611
+ "grad_norm": 5.005951881408691,
1612
+ "learning_rate": 0.00015806527038550884,
1613
+ "loss": 6.0659,
1614
+ "step": 4540
1615
+ },
1616
+ {
1617
+ "epoch": 2.5675675675675675,
1618
+ "grad_norm": 4.566344261169434,
1619
+ "learning_rate": 0.00015734028795501726,
1620
+ "loss": 6.2373,
1621
+ "step": 4560
1622
+ },
1623
+ {
1624
+ "epoch": 2.578828828828829,
1625
+ "grad_norm": 4.408982753753662,
1626
+ "learning_rate": 0.00015661413771728616,
1627
+ "loss": 6.1782,
1628
+ "step": 4580
1629
+ },
1630
+ {
1631
+ "epoch": 2.59009009009009,
1632
+ "grad_norm": 4.745791435241699,
1633
+ "learning_rate": 0.00015588684589358816,
1634
+ "loss": 6.1186,
1635
+ "step": 4600
1636
+ },
1637
+ {
1638
+ "epoch": 2.6013513513513513,
1639
+ "grad_norm": 4.748014450073242,
1640
+ "learning_rate": 0.00015515843874641834,
1641
+ "loss": 6.0719,
1642
+ "step": 4620
1643
+ },
1644
+ {
1645
+ "epoch": 2.6126126126126126,
1646
+ "grad_norm": 4.1786274909973145,
1647
+ "learning_rate": 0.00015442894257854632,
1648
+ "loss": 6.2196,
1649
+ "step": 4640
1650
+ },
1651
+ {
1652
+ "epoch": 2.623873873873874,
1653
+ "grad_norm": 5.255302906036377,
1654
+ "learning_rate": 0.00015369838373206602,
1655
+ "loss": 6.0788,
1656
+ "step": 4660
1657
+ },
1658
+ {
1659
+ "epoch": 2.635135135135135,
1660
+ "grad_norm": 5.268272399902344,
1661
+ "learning_rate": 0.00015296678858744487,
1662
+ "loss": 6.3061,
1663
+ "step": 4680
1664
+ },
1665
+ {
1666
+ "epoch": 2.6463963963963963,
1667
+ "grad_norm": 4.134327411651611,
1668
+ "learning_rate": 0.00015223418356257083,
1669
+ "loss": 6.1097,
1670
+ "step": 4700
1671
+ },
1672
+ {
1673
+ "epoch": 2.6576576576576576,
1674
+ "grad_norm": 5.097325325012207,
1675
+ "learning_rate": 0.00015150059511179873,
1676
+ "loss": 6.1005,
1677
+ "step": 4720
1678
+ },
1679
+ {
1680
+ "epoch": 2.668918918918919,
1681
+ "grad_norm": 5.016456604003906,
1682
+ "learning_rate": 0.00015076604972499483,
1683
+ "loss": 6.125,
1684
+ "step": 4740
1685
+ },
1686
+ {
1687
+ "epoch": 2.68018018018018,
1688
+ "grad_norm": 4.422632694244385,
1689
+ "learning_rate": 0.0001500305739265804,
1690
+ "loss": 6.0653,
1691
+ "step": 4760
1692
+ },
1693
+ {
1694
+ "epoch": 2.6914414414414414,
1695
+ "grad_norm": 4.201798915863037,
1696
+ "learning_rate": 0.00014929419427457373,
1697
+ "loss": 5.9961,
1698
+ "step": 4780
1699
+ },
1700
+ {
1701
+ "epoch": 2.7027027027027026,
1702
+ "grad_norm": 4.326559543609619,
1703
+ "learning_rate": 0.00014855693735963153,
1704
+ "loss": 6.104,
1705
+ "step": 4800
1706
+ },
1707
+ {
1708
+ "epoch": 2.713963963963964,
1709
+ "grad_norm": 8.840851783752441,
1710
+ "learning_rate": 0.00014781882980408805,
1711
+ "loss": 6.0508,
1712
+ "step": 4820
1713
+ },
1714
+ {
1715
+ "epoch": 2.725225225225225,
1716
+ "grad_norm": 4.185756683349609,
1717
+ "learning_rate": 0.0001470798982609945,
1718
+ "loss": 6.0414,
1719
+ "step": 4840
1720
+ },
1721
+ {
1722
+ "epoch": 2.7364864864864864,
1723
+ "grad_norm": 4.216666221618652,
1724
+ "learning_rate": 0.00014634016941315604,
1725
+ "loss": 5.8918,
1726
+ "step": 4860
1727
+ },
1728
+ {
1729
+ "epoch": 2.7477477477477477,
1730
+ "grad_norm": 4.4904608726501465,
1731
+ "learning_rate": 0.00014559966997216867,
1732
+ "loss": 6.0668,
1733
+ "step": 4880
1734
+ },
1735
+ {
1736
+ "epoch": 2.759009009009009,
1737
+ "grad_norm": 4.338995933532715,
1738
+ "learning_rate": 0.0001448584266774544,
1739
+ "loss": 5.9947,
1740
+ "step": 4900
1741
+ },
1742
+ {
1743
+ "epoch": 2.77027027027027,
1744
+ "grad_norm": 6.664434432983398,
1745
+ "learning_rate": 0.0001441164662952958,
1746
+ "loss": 5.9901,
1747
+ "step": 4920
1748
+ },
1749
+ {
1750
+ "epoch": 2.7815315315315314,
1751
+ "grad_norm": 3.878373622894287,
1752
+ "learning_rate": 0.00014337381561786944,
1753
+ "loss": 6.0326,
1754
+ "step": 4940
1755
+ },
1756
+ {
1757
+ "epoch": 2.7927927927927927,
1758
+ "grad_norm": 4.18255615234375,
1759
+ "learning_rate": 0.0001426305014622784,
1760
+ "loss": 6.0268,
1761
+ "step": 4960
1762
+ },
1763
+ {
1764
+ "epoch": 2.804054054054054,
1765
+ "grad_norm": 4.199193000793457,
1766
+ "learning_rate": 0.00014188655066958415,
1767
+ "loss": 5.9767,
1768
+ "step": 4980
1769
+ },
1770
+ {
1771
+ "epoch": 2.815315315315315,
1772
+ "grad_norm": 4.787850379943848,
1773
+ "learning_rate": 0.00014114199010383682,
1774
+ "loss": 6.0231,
1775
+ "step": 5000
1776
+ },
1777
+ {
1778
+ "epoch": 2.8265765765765765,
1779
+ "grad_norm": 5.528329849243164,
1780
+ "learning_rate": 0.00014039684665110568,
1781
+ "loss": 5.9916,
1782
+ "step": 5020
1783
+ },
1784
+ {
1785
+ "epoch": 2.8378378378378377,
1786
+ "grad_norm": 4.42682409286499,
1787
+ "learning_rate": 0.0001396511472185079,
1788
+ "loss": 5.9346,
1789
+ "step": 5040
1790
+ },
1791
+ {
1792
+ "epoch": 2.849099099099099,
1793
+ "grad_norm": 4.8591628074646,
1794
+ "learning_rate": 0.00013890491873323708,
1795
+ "loss": 6.0186,
1796
+ "step": 5060
1797
+ },
1798
+ {
1799
+ "epoch": 2.8603603603603602,
1800
+ "grad_norm": 4.678809642791748,
1801
+ "learning_rate": 0.00013815818814159092,
1802
+ "loss": 5.9332,
1803
+ "step": 5080
1804
+ },
1805
+ {
1806
+ "epoch": 2.8716216216216215,
1807
+ "grad_norm": 4.1150336265563965,
1808
+ "learning_rate": 0.00013741098240799832,
1809
+ "loss": 6.1274,
1810
+ "step": 5100
1811
+ },
1812
+ {
1813
+ "epoch": 2.8828828828828827,
1814
+ "grad_norm": 4.497319221496582,
1815
+ "learning_rate": 0.00013666332851404526,
1816
+ "loss": 5.9654,
1817
+ "step": 5120
1818
+ },
1819
+ {
1820
+ "epoch": 2.894144144144144,
1821
+ "grad_norm": 4.345571041107178,
1822
+ "learning_rate": 0.00013591525345750102,
1823
+ "loss": 5.9232,
1824
+ "step": 5140
1825
+ },
1826
+ {
1827
+ "epoch": 2.9054054054054053,
1828
+ "grad_norm": 4.747057914733887,
1829
+ "learning_rate": 0.00013516678425134294,
1830
+ "loss": 6.0654,
1831
+ "step": 5160
1832
+ },
1833
+ {
1834
+ "epoch": 2.9166666666666665,
1835
+ "grad_norm": 4.389774322509766,
1836
+ "learning_rate": 0.00013441794792278113,
1837
+ "loss": 5.879,
1838
+ "step": 5180
1839
+ },
1840
+ {
1841
+ "epoch": 2.9279279279279278,
1842
+ "grad_norm": 3.92946195602417,
1843
+ "learning_rate": 0.00013366877151228254,
1844
+ "loss": 5.9097,
1845
+ "step": 5200
1846
+ },
1847
+ {
1848
+ "epoch": 2.939189189189189,
1849
+ "grad_norm": 4.358794689178467,
1850
+ "learning_rate": 0.00013291928207259432,
1851
+ "loss": 5.9055,
1852
+ "step": 5220
1853
+ },
1854
+ {
1855
+ "epoch": 2.9504504504504503,
1856
+ "grad_norm": 4.1789984703063965,
1857
+ "learning_rate": 0.00013216950666776725,
1858
+ "loss": 5.7307,
1859
+ "step": 5240
1860
+ },
1861
+ {
1862
+ "epoch": 2.9617117117117115,
1863
+ "grad_norm": 4.347870826721191,
1864
+ "learning_rate": 0.0001314194723721782,
1865
+ "loss": 5.8359,
1866
+ "step": 5260
1867
+ },
1868
+ {
1869
+ "epoch": 2.972972972972973,
1870
+ "grad_norm": 4.1626362800598145,
1871
+ "learning_rate": 0.00013066920626955277,
1872
+ "loss": 5.7717,
1873
+ "step": 5280
1874
+ },
1875
+ {
1876
+ "epoch": 2.9842342342342345,
1877
+ "grad_norm": 4.5532145500183105,
1878
+ "learning_rate": 0.00012991873545198674,
1879
+ "loss": 5.8688,
1880
+ "step": 5300
1881
+ },
1882
+ {
1883
+ "epoch": 2.9954954954954953,
1884
+ "grad_norm": 4.3807525634765625,
1885
+ "learning_rate": 0.00012916808701896854,
1886
+ "loss": 5.7895,
1887
+ "step": 5320
1888
+ },
1889
+ {
1890
+ "epoch": 3.0,
1891
+ "eval_loss": 5.978276252746582,
1892
+ "eval_runtime": 193.4861,
1893
+ "eval_samples_per_second": 42.339,
1894
+ "eval_steps_per_second": 5.292,
1895
+ "step": 5328
1896
+ },
1897
+ {
1898
+ "epoch": 3.0067567567567566,
1899
+ "grad_norm": 4.323426723480225,
1900
+ "learning_rate": 0.00012841728807640008,
1901
+ "loss": 5.7336,
1902
+ "step": 5340
1903
+ },
1904
+ {
1905
+ "epoch": 3.018018018018018,
1906
+ "grad_norm": 4.7407660484313965,
1907
+ "learning_rate": 0.00012766636573561822,
1908
+ "loss": 5.6844,
1909
+ "step": 5360
1910
+ },
1911
+ {
1912
+ "epoch": 3.029279279279279,
1913
+ "grad_norm": 4.333187103271484,
1914
+ "learning_rate": 0.00012691534711241567,
1915
+ "loss": 5.8184,
1916
+ "step": 5380
1917
+ },
1918
+ {
1919
+ "epoch": 3.0405405405405403,
1920
+ "grad_norm": 3.732142925262451,
1921
+ "learning_rate": 0.000126164259326062,
1922
+ "loss": 5.7597,
1923
+ "step": 5400
1924
+ },
1925
+ {
1926
+ "epoch": 3.0518018018018016,
1927
+ "grad_norm": 3.862643241882324,
1928
+ "learning_rate": 0.00012541312949832412,
1929
+ "loss": 5.659,
1930
+ "step": 5420
1931
+ },
1932
+ {
1933
+ "epoch": 3.063063063063063,
1934
+ "grad_norm": 4.887398719787598,
1935
+ "learning_rate": 0.00012466198475248721,
1936
+ "loss": 5.8555,
1937
+ "step": 5440
1938
+ },
1939
+ {
1940
+ "epoch": 3.074324324324324,
1941
+ "grad_norm": 3.9390506744384766,
1942
+ "learning_rate": 0.00012391085221237508,
1943
+ "loss": 5.736,
1944
+ "step": 5460
1945
+ },
1946
+ {
1947
+ "epoch": 3.0855855855855854,
1948
+ "grad_norm": 4.177529335021973,
1949
+ "learning_rate": 0.00012315975900137072,
1950
+ "loss": 5.7396,
1951
+ "step": 5480
1952
+ },
1953
+ {
1954
+ "epoch": 3.0968468468468466,
1955
+ "grad_norm": 4.195279121398926,
1956
+ "learning_rate": 0.00012240873224143704,
1957
+ "loss": 5.6204,
1958
+ "step": 5500
1959
+ },
1960
+ {
1961
+ "epoch": 3.108108108108108,
1962
+ "grad_norm": 4.1104631423950195,
1963
+ "learning_rate": 0.00012165779905213741,
1964
+ "loss": 5.7094,
1965
+ "step": 5520
1966
+ },
1967
+ {
1968
+ "epoch": 3.1193693693693696,
1969
+ "grad_norm": 3.631848096847534,
1970
+ "learning_rate": 0.00012090698654965624,
1971
+ "loss": 5.6496,
1972
+ "step": 5540
1973
+ },
1974
+ {
1975
+ "epoch": 3.1306306306306304,
1976
+ "grad_norm": 3.695162057876587,
1977
+ "learning_rate": 0.00012015632184582009,
1978
+ "loss": 5.6944,
1979
+ "step": 5560
1980
+ },
1981
+ {
1982
+ "epoch": 3.141891891891892,
1983
+ "grad_norm": 3.7635786533355713,
1984
+ "learning_rate": 0.00011940583204711839,
1985
+ "loss": 5.6392,
1986
+ "step": 5580
1987
+ },
1988
+ {
1989
+ "epoch": 3.153153153153153,
1990
+ "grad_norm": 3.6323797702789307,
1991
+ "learning_rate": 0.00011865554425372489,
1992
+ "loss": 5.6936,
1993
+ "step": 5600
1994
+ },
1995
+ {
1996
+ "epoch": 3.1644144144144146,
1997
+ "grad_norm": 4.534457206726074,
1998
+ "learning_rate": 0.00011790548555851882,
1999
+ "loss": 5.5895,
2000
+ "step": 5620
2001
+ },
2002
+ {
2003
+ "epoch": 3.175675675675676,
2004
+ "grad_norm": 3.876401662826538,
2005
+ "learning_rate": 0.00011715568304610665,
2006
+ "loss": 5.5675,
2007
+ "step": 5640
2008
+ },
2009
+ {
2010
+ "epoch": 3.186936936936937,
2011
+ "grad_norm": 4.627795696258545,
2012
+ "learning_rate": 0.00011640616379184423,
2013
+ "loss": 5.7316,
2014
+ "step": 5660
2015
+ },
2016
+ {
2017
+ "epoch": 3.1981981981981984,
2018
+ "grad_norm": 4.265388011932373,
2019
+ "learning_rate": 0.00011565695486085888,
2020
+ "loss": 5.6629,
2021
+ "step": 5680
2022
+ },
2023
+ {
2024
+ "epoch": 3.2094594594594597,
2025
+ "grad_norm": 4.490591049194336,
2026
+ "learning_rate": 0.00011490808330707209,
2027
+ "loss": 5.5652,
2028
+ "step": 5700
2029
+ },
2030
+ {
2031
+ "epoch": 3.220720720720721,
2032
+ "grad_norm": 4.579701900482178,
2033
+ "learning_rate": 0.00011415957617222281,
2034
+ "loss": 5.4817,
2035
+ "step": 5720
2036
+ },
2037
+ {
2038
+ "epoch": 3.231981981981982,
2039
+ "grad_norm": 4.159543991088867,
2040
+ "learning_rate": 0.00011341146048489073,
2041
+ "loss": 5.613,
2042
+ "step": 5740
2043
+ },
2044
+ {
2045
+ "epoch": 3.2432432432432434,
2046
+ "grad_norm": 3.850271701812744,
2047
+ "learning_rate": 0.00011266376325952038,
2048
+ "loss": 5.6695,
2049
+ "step": 5760
2050
+ },
2051
+ {
2052
+ "epoch": 3.2545045045045047,
2053
+ "grad_norm": 3.8045921325683594,
2054
+ "learning_rate": 0.00011191651149544564,
2055
+ "loss": 5.6224,
2056
+ "step": 5780
2057
+ },
2058
+ {
2059
+ "epoch": 3.265765765765766,
2060
+ "grad_norm": 3.819220781326294,
2061
+ "learning_rate": 0.00011116973217591485,
2062
+ "loss": 5.6162,
2063
+ "step": 5800
2064
+ },
2065
+ {
2066
+ "epoch": 3.277027027027027,
2067
+ "grad_norm": 3.965785503387451,
2068
+ "learning_rate": 0.00011042345226711632,
2069
+ "loss": 5.6112,
2070
+ "step": 5820
2071
+ },
2072
+ {
2073
+ "epoch": 3.2882882882882885,
2074
+ "grad_norm": 4.823921203613281,
2075
+ "learning_rate": 0.00010967769871720463,
2076
+ "loss": 5.5894,
2077
+ "step": 5840
2078
+ },
2079
+ {
2080
+ "epoch": 3.2995495495495497,
2081
+ "grad_norm": 3.6114063262939453,
2082
+ "learning_rate": 0.00010893249845532768,
2083
+ "loss": 5.578,
2084
+ "step": 5860
2085
+ },
2086
+ {
2087
+ "epoch": 3.310810810810811,
2088
+ "grad_norm": 3.837531089782715,
2089
+ "learning_rate": 0.00010818787839065398,
2090
+ "loss": 5.5494,
2091
+ "step": 5880
2092
+ },
2093
+ {
2094
+ "epoch": 3.3220720720720722,
2095
+ "grad_norm": 4.008458137512207,
2096
+ "learning_rate": 0.00010744386541140123,
2097
+ "loss": 5.544,
2098
+ "step": 5900
2099
+ },
2100
+ {
2101
+ "epoch": 3.3333333333333335,
2102
+ "grad_norm": 3.6150972843170166,
2103
+ "learning_rate": 0.00010670048638386522,
2104
+ "loss": 5.641,
2105
+ "step": 5920
2106
+ },
2107
+ {
2108
+ "epoch": 3.3445945945945947,
2109
+ "grad_norm": 3.761298418045044,
2110
+ "learning_rate": 0.00010595776815144985,
2111
+ "loss": 5.5959,
2112
+ "step": 5940
2113
+ },
2114
+ {
2115
+ "epoch": 3.355855855855856,
2116
+ "grad_norm": 3.985516309738159,
2117
+ "learning_rate": 0.00010521573753369768,
2118
+ "loss": 5.5627,
2119
+ "step": 5960
2120
+ },
2121
+ {
2122
+ "epoch": 3.3671171171171173,
2123
+ "grad_norm": 3.49960994720459,
2124
+ "learning_rate": 0.00010447442132532137,
2125
+ "loss": 5.5396,
2126
+ "step": 5980
2127
+ },
2128
+ {
2129
+ "epoch": 3.3783783783783785,
2130
+ "grad_norm": 4.1534104347229,
2131
+ "learning_rate": 0.00010373384629523657,
2132
+ "loss": 5.3613,
2133
+ "step": 6000
2134
+ },
2135
+ {
2136
+ "epoch": 3.3896396396396398,
2137
+ "grad_norm": 3.6914377212524414,
2138
+ "learning_rate": 0.00010299403918559476,
2139
+ "loss": 5.4549,
2140
+ "step": 6020
2141
+ },
2142
+ {
2143
+ "epoch": 3.400900900900901,
2144
+ "grad_norm": 3.396759510040283,
2145
+ "learning_rate": 0.00010225502671081782,
2146
+ "loss": 5.4082,
2147
+ "step": 6040
2148
+ },
2149
+ {
2150
+ "epoch": 3.4121621621621623,
2151
+ "grad_norm": 3.7566490173339844,
2152
+ "learning_rate": 0.00010151683555663356,
2153
+ "loss": 5.5457,
2154
+ "step": 6060
2155
+ },
2156
+ {
2157
+ "epoch": 3.4234234234234235,
2158
+ "grad_norm": 4.450892448425293,
2159
+ "learning_rate": 0.0001007794923791118,
2160
+ "loss": 5.5,
2161
+ "step": 6080
2162
+ },
2163
+ {
2164
+ "epoch": 3.434684684684685,
2165
+ "grad_norm": 3.8145172595977783,
2166
+ "learning_rate": 0.00010004302380370185,
2167
+ "loss": 5.4815,
2168
+ "step": 6100
2169
+ },
2170
+ {
2171
+ "epoch": 3.445945945945946,
2172
+ "grad_norm": 3.273996114730835,
2173
+ "learning_rate": 9.930745642427129e-05,
2174
+ "loss": 5.5172,
2175
+ "step": 6120
2176
+ },
2177
+ {
2178
+ "epoch": 3.4572072072072073,
2179
+ "grad_norm": 4.224421977996826,
2180
+ "learning_rate": 9.857281680214552e-05,
2181
+ "loss": 5.4802,
2182
+ "step": 6140
2183
+ },
2184
+ {
2185
+ "epoch": 3.4684684684684686,
2186
+ "grad_norm": 3.935595989227295,
2187
+ "learning_rate": 9.783913146514862e-05,
2188
+ "loss": 5.4382,
2189
+ "step": 6160
2190
+ },
2191
+ {
2192
+ "epoch": 3.47972972972973,
2193
+ "grad_norm": 3.488819122314453,
2194
+ "learning_rate": 9.710642690664534e-05,
2195
+ "loss": 5.4057,
2196
+ "step": 6180
2197
+ },
2198
+ {
2199
+ "epoch": 3.490990990990991,
2200
+ "grad_norm": 3.711963176727295,
2201
+ "learning_rate": 9.637472958458475e-05,
2202
+ "loss": 5.3696,
2203
+ "step": 6200
2204
+ },
2205
+ {
2206
+ "epoch": 3.5022522522522523,
2207
+ "grad_norm": 4.166729927062988,
2208
+ "learning_rate": 9.564406592054448e-05,
2209
+ "loss": 5.4406,
2210
+ "step": 6220
2211
+ },
2212
+ {
2213
+ "epoch": 3.5135135135135136,
2214
+ "grad_norm": 3.605489492416382,
2215
+ "learning_rate": 9.491446229877674e-05,
2216
+ "loss": 5.4604,
2217
+ "step": 6240
2218
+ },
2219
+ {
2220
+ "epoch": 3.524774774774775,
2221
+ "grad_norm": 3.7834997177124023,
2222
+ "learning_rate": 9.41859450652558e-05,
2223
+ "loss": 5.4426,
2224
+ "step": 6260
2225
+ },
2226
+ {
2227
+ "epoch": 3.536036036036036,
2228
+ "grad_norm": 3.863955020904541,
2229
+ "learning_rate": 9.345854052672635e-05,
2230
+ "loss": 5.3948,
2231
+ "step": 6280
2232
+ },
2233
+ {
2234
+ "epoch": 3.5472972972972974,
2235
+ "grad_norm": 3.517244577407837,
2236
+ "learning_rate": 9.273227494975375e-05,
2237
+ "loss": 5.3699,
2238
+ "step": 6300
2239
+ },
2240
+ {
2241
+ "epoch": 3.5585585585585586,
2242
+ "grad_norm": 3.529064416885376,
2243
+ "learning_rate": 9.200717455977531e-05,
2244
+ "loss": 5.2605,
2245
+ "step": 6320
2246
+ },
2247
+ {
2248
+ "epoch": 3.56981981981982,
2249
+ "grad_norm": 3.515017509460449,
2250
+ "learning_rate": 9.128326554015376e-05,
2251
+ "loss": 5.4202,
2252
+ "step": 6340
2253
+ },
2254
+ {
2255
+ "epoch": 3.581081081081081,
2256
+ "grad_norm": 3.1703290939331055,
2257
+ "learning_rate": 9.056057403123119e-05,
2258
+ "loss": 5.2899,
2259
+ "step": 6360
2260
+ },
2261
+ {
2262
+ "epoch": 3.5923423423423424,
2263
+ "grad_norm": 3.3577380180358887,
2264
+ "learning_rate": 8.983912612938552e-05,
2265
+ "loss": 5.3383,
2266
+ "step": 6380
2267
+ },
2268
+ {
2269
+ "epoch": 3.6036036036036037,
2270
+ "grad_norm": 3.441986560821533,
2271
+ "learning_rate": 8.911894788608806e-05,
2272
+ "loss": 5.3425,
2273
+ "step": 6400
2274
+ },
2275
+ {
2276
+ "epoch": 3.614864864864865,
2277
+ "grad_norm": 3.591794967651367,
2278
+ "learning_rate": 8.840006530696274e-05,
2279
+ "loss": 5.4011,
2280
+ "step": 6420
2281
+ },
2282
+ {
2283
+ "epoch": 3.626126126126126,
2284
+ "grad_norm": 3.424859046936035,
2285
+ "learning_rate": 8.768250435084695e-05,
2286
+ "loss": 5.2703,
2287
+ "step": 6440
2288
+ },
2289
+ {
2290
+ "epoch": 3.6373873873873874,
2291
+ "grad_norm": 3.5369760990142822,
2292
+ "learning_rate": 8.696629092885464e-05,
2293
+ "loss": 5.2353,
2294
+ "step": 6460
2295
+ },
2296
+ {
2297
+ "epoch": 3.6486486486486487,
2298
+ "grad_norm": 3.3173818588256836,
2299
+ "learning_rate": 8.625145090343994e-05,
2300
+ "loss": 5.3336,
2301
+ "step": 6480
2302
+ },
2303
+ {
2304
+ "epoch": 3.65990990990991,
2305
+ "grad_norm": 3.555009126663208,
2306
+ "learning_rate": 8.553801008746388e-05,
2307
+ "loss": 5.3216,
2308
+ "step": 6500
2309
+ },
2310
+ {
2311
+ "epoch": 3.671171171171171,
2312
+ "grad_norm": 3.4357593059539795,
2313
+ "learning_rate": 8.482599424326197e-05,
2314
+ "loss": 5.2752,
2315
+ "step": 6520
2316
+ },
2317
+ {
2318
+ "epoch": 3.6824324324324325,
2319
+ "grad_norm": 3.4631993770599365,
2320
+ "learning_rate": 8.41154290817141e-05,
2321
+ "loss": 5.3395,
2322
+ "step": 6540
2323
+ },
2324
+ {
2325
+ "epoch": 3.6936936936936937,
2326
+ "grad_norm": 3.5585803985595703,
2327
+ "learning_rate": 8.340634026131597e-05,
2328
+ "loss": 5.3614,
2329
+ "step": 6560
2330
+ },
2331
+ {
2332
+ "epoch": 3.704954954954955,
2333
+ "grad_norm": 3.820502996444702,
2334
+ "learning_rate": 8.269875338725258e-05,
2335
+ "loss": 5.4271,
2336
+ "step": 6580
2337
+ },
2338
+ {
2339
+ "epoch": 3.7162162162162162,
2340
+ "grad_norm": 2.987173080444336,
2341
+ "learning_rate": 8.19926940104738e-05,
2342
+ "loss": 5.2998,
2343
+ "step": 6600
2344
+ },
2345
+ {
2346
+ "epoch": 3.7274774774774775,
2347
+ "grad_norm": 3.4731571674346924,
2348
+ "learning_rate": 8.128818762677149e-05,
2349
+ "loss": 5.2387,
2350
+ "step": 6620
2351
+ },
2352
+ {
2353
+ "epoch": 3.7387387387387387,
2354
+ "grad_norm": 4.059556007385254,
2355
+ "learning_rate": 8.058525967585897e-05,
2356
+ "loss": 5.306,
2357
+ "step": 6640
2358
+ },
2359
+ {
2360
+ "epoch": 3.75,
2361
+ "grad_norm": 3.9798636436462402,
2362
+ "learning_rate": 7.98839355404525e-05,
2363
+ "loss": 5.3417,
2364
+ "step": 6660
2365
+ },
2366
+ {
2367
+ "epoch": 3.7612612612612613,
2368
+ "grad_norm": 3.7810635566711426,
2369
+ "learning_rate": 7.918424054535446e-05,
2370
+ "loss": 5.2146,
2371
+ "step": 6680
2372
+ },
2373
+ {
2374
+ "epoch": 3.7725225225225225,
2375
+ "grad_norm": 3.5230772495269775,
2376
+ "learning_rate": 7.848619995653899e-05,
2377
+ "loss": 5.2648,
2378
+ "step": 6700
2379
+ },
2380
+ {
2381
+ "epoch": 3.7837837837837838,
2382
+ "grad_norm": 3.5359883308410645,
2383
+ "learning_rate": 7.778983898023973e-05,
2384
+ "loss": 5.2462,
2385
+ "step": 6720
2386
+ },
2387
+ {
2388
+ "epoch": 3.795045045045045,
2389
+ "grad_norm": 3.708984613418579,
2390
+ "learning_rate": 7.70951827620395e-05,
2391
+ "loss": 5.3829,
2392
+ "step": 6740
2393
+ },
2394
+ {
2395
+ "epoch": 3.8063063063063063,
2396
+ "grad_norm": 2.8333418369293213,
2397
+ "learning_rate": 7.640225638596235e-05,
2398
+ "loss": 5.1237,
2399
+ "step": 6760
2400
+ },
2401
+ {
2402
+ "epoch": 3.8175675675675675,
2403
+ "grad_norm": 3.36205792427063,
2404
+ "learning_rate": 7.571108487356774e-05,
2405
+ "loss": 5.2412,
2406
+ "step": 6780
2407
+ },
2408
+ {
2409
+ "epoch": 3.828828828828829,
2410
+ "grad_norm": 3.378696918487549,
2411
+ "learning_rate": 7.502169318304708e-05,
2412
+ "loss": 5.2637,
2413
+ "step": 6800
2414
+ },
2415
+ {
2416
+ "epoch": 3.84009009009009,
2417
+ "grad_norm": 3.482865571975708,
2418
+ "learning_rate": 7.433410620832237e-05,
2419
+ "loss": 5.3444,
2420
+ "step": 6820
2421
+ },
2422
+ {
2423
+ "epoch": 3.8513513513513513,
2424
+ "grad_norm": 3.399855852127075,
2425
+ "learning_rate": 7.364834877814738e-05,
2426
+ "loss": 5.2039,
2427
+ "step": 6840
2428
+ },
2429
+ {
2430
+ "epoch": 3.8626126126126126,
2431
+ "grad_norm": 3.70489764213562,
2432
+ "learning_rate": 7.296444565521113e-05,
2433
+ "loss": 5.268,
2434
+ "step": 6860
2435
+ },
2436
+ {
2437
+ "epoch": 3.873873873873874,
2438
+ "grad_norm": 2.9924323558807373,
2439
+ "learning_rate": 7.22824215352435e-05,
2440
+ "loss": 5.3238,
2441
+ "step": 6880
2442
+ },
2443
+ {
2444
+ "epoch": 3.885135135135135,
2445
+ "grad_norm": 3.4204506874084473,
2446
+ "learning_rate": 7.160230104612378e-05,
2447
+ "loss": 5.2653,
2448
+ "step": 6900
2449
+ },
2450
+ {
2451
+ "epoch": 3.8963963963963963,
2452
+ "grad_norm": 3.2533698081970215,
2453
+ "learning_rate": 7.092410874699097e-05,
2454
+ "loss": 5.1308,
2455
+ "step": 6920
2456
+ },
2457
+ {
2458
+ "epoch": 3.9076576576576576,
2459
+ "grad_norm": 3.4002726078033447,
2460
+ "learning_rate": 7.024786912735734e-05,
2461
+ "loss": 5.2096,
2462
+ "step": 6940
2463
+ },
2464
+ {
2465
+ "epoch": 3.918918918918919,
2466
+ "grad_norm": 3.259296417236328,
2467
+ "learning_rate": 6.957360660622392e-05,
2468
+ "loss": 5.2489,
2469
+ "step": 6960
2470
+ },
2471
+ {
2472
+ "epoch": 3.93018018018018,
2473
+ "grad_norm": 3.254307508468628,
2474
+ "learning_rate": 6.89013455311986e-05,
2475
+ "loss": 5.2024,
2476
+ "step": 6980
2477
+ },
2478
+ {
2479
+ "epoch": 3.9414414414414414,
2480
+ "grad_norm": 3.590085983276367,
2481
+ "learning_rate": 6.823111017761729e-05,
2482
+ "loss": 5.2317,
2483
+ "step": 7000
2484
+ },
2485
+ {
2486
+ "epoch": 3.9527027027027026,
2487
+ "grad_norm": 3.4750142097473145,
2488
+ "learning_rate": 6.756292474766692e-05,
2489
+ "loss": 5.1671,
2490
+ "step": 7020
2491
+ },
2492
+ {
2493
+ "epoch": 3.963963963963964,
2494
+ "grad_norm": 3.022782802581787,
2495
+ "learning_rate": 6.689681336951192e-05,
2496
+ "loss": 5.2441,
2497
+ "step": 7040
2498
+ },
2499
+ {
2500
+ "epoch": 3.975225225225225,
2501
+ "grad_norm": 3.6114349365234375,
2502
+ "learning_rate": 6.623280009642265e-05,
2503
+ "loss": 5.1392,
2504
+ "step": 7060
2505
+ },
2506
+ {
2507
+ "epoch": 3.9864864864864864,
2508
+ "grad_norm": 3.157512664794922,
2509
+ "learning_rate": 6.557090890590692e-05,
2510
+ "loss": 5.1179,
2511
+ "step": 7080
2512
+ },
2513
+ {
2514
+ "epoch": 3.9977477477477477,
2515
+ "grad_norm": 3.257357358932495,
2516
+ "learning_rate": 6.491116369884411e-05,
2517
+ "loss": 5.2692,
2518
+ "step": 7100
2519
+ },
2520
+ {
2521
+ "epoch": 4.0,
2522
+ "eval_loss": 5.425986289978027,
2523
+ "eval_runtime": 193.0246,
2524
+ "eval_samples_per_second": 42.44,
2525
+ "eval_steps_per_second": 5.305,
2526
+ "step": 7104
2527
+ },
2528
+ {
2529
+ "epoch": 4.009009009009009,
2530
+ "grad_norm": 3.169818639755249,
2531
+ "learning_rate": 6.425358829862231e-05,
2532
+ "loss": 4.9599,
2533
+ "step": 7120
2534
+ },
2535
+ {
2536
+ "epoch": 4.02027027027027,
2537
+ "grad_norm": 3.052263021469116,
2538
+ "learning_rate": 6.359820645027792e-05,
2539
+ "loss": 5.0446,
2540
+ "step": 7140
2541
+ },
2542
+ {
2543
+ "epoch": 4.031531531531532,
2544
+ "grad_norm": 3.136934518814087,
2545
+ "learning_rate": 6.294504181963806e-05,
2546
+ "loss": 5.0363,
2547
+ "step": 7160
2548
+ },
2549
+ {
2550
+ "epoch": 4.042792792792793,
2551
+ "grad_norm": 3.1823930740356445,
2552
+ "learning_rate": 6.229411799246631e-05,
2553
+ "loss": 5.0857,
2554
+ "step": 7180
2555
+ },
2556
+ {
2557
+ "epoch": 4.054054054054054,
2558
+ "grad_norm": 3.10451078414917,
2559
+ "learning_rate": 6.164545847361089e-05,
2560
+ "loss": 5.0356,
2561
+ "step": 7200
2562
+ },
2563
+ {
2564
+ "epoch": 4.065315315315315,
2565
+ "grad_norm": 3.185702085494995,
2566
+ "learning_rate": 6.0999086686155754e-05,
2567
+ "loss": 5.1337,
2568
+ "step": 7220
2569
+ },
2570
+ {
2571
+ "epoch": 4.076576576576577,
2572
+ "grad_norm": 3.0306313037872314,
2573
+ "learning_rate": 6.0355025970574934e-05,
2574
+ "loss": 5.1255,
2575
+ "step": 7240
2576
+ },
2577
+ {
2578
+ "epoch": 4.087837837837838,
2579
+ "grad_norm": 3.073803424835205,
2580
+ "learning_rate": 5.971329958388981e-05,
2581
+ "loss": 5.0784,
2582
+ "step": 7260
2583
+ },
2584
+ {
2585
+ "epoch": 4.099099099099099,
2586
+ "grad_norm": 3.5534238815307617,
2587
+ "learning_rate": 5.907393069882917e-05,
2588
+ "loss": 5.1128,
2589
+ "step": 7280
2590
+ },
2591
+ {
2592
+ "epoch": 4.11036036036036,
2593
+ "grad_norm": 3.408353567123413,
2594
+ "learning_rate": 5.8436942402992355e-05,
2595
+ "loss": 5.0974,
2596
+ "step": 7300
2597
+ },
2598
+ {
2599
+ "epoch": 4.121621621621622,
2600
+ "grad_norm": 3.29302716255188,
2601
+ "learning_rate": 5.7802357698015616e-05,
2602
+ "loss": 5.0923,
2603
+ "step": 7320
2604
+ },
2605
+ {
2606
+ "epoch": 4.132882882882883,
2607
+ "grad_norm": 3.7732467651367188,
2608
+ "learning_rate": 5.717019949874192e-05,
2609
+ "loss": 5.0306,
2610
+ "step": 7340
2611
+ },
2612
+ {
2613
+ "epoch": 4.1441441441441444,
2614
+ "grad_norm": 3.2979230880737305,
2615
+ "learning_rate": 5.654049063239278e-05,
2616
+ "loss": 5.0678,
2617
+ "step": 7360
2618
+ },
2619
+ {
2620
+ "epoch": 4.155405405405405,
2621
+ "grad_norm": 3.5266690254211426,
2622
+ "learning_rate": 5.591325383774447e-05,
2623
+ "loss": 4.978,
2624
+ "step": 7380
2625
+ },
2626
+ {
2627
+ "epoch": 4.166666666666667,
2628
+ "grad_norm": 3.229464530944824,
2629
+ "learning_rate": 5.528851176430685e-05,
2630
+ "loss": 5.1394,
2631
+ "step": 7400
2632
+ },
2633
+ {
2634
+ "epoch": 4.177927927927928,
2635
+ "grad_norm": 3.034528970718384,
2636
+ "learning_rate": 5.466628697150544e-05,
2637
+ "loss": 5.1061,
2638
+ "step": 7420
2639
+ },
2640
+ {
2641
+ "epoch": 4.1891891891891895,
2642
+ "grad_norm": 3.310661554336548,
2643
+ "learning_rate": 5.4046601927866726e-05,
2644
+ "loss": 5.0375,
2645
+ "step": 7440
2646
+ },
2647
+ {
2648
+ "epoch": 4.20045045045045,
2649
+ "grad_norm": 3.658907890319824,
2650
+ "learning_rate": 5.342947901020689e-05,
2651
+ "loss": 5.102,
2652
+ "step": 7460
2653
+ },
2654
+ {
2655
+ "epoch": 4.211711711711712,
2656
+ "grad_norm": 3.3838043212890625,
2657
+ "learning_rate": 5.2814940502823875e-05,
2658
+ "loss": 5.0779,
2659
+ "step": 7480
2660
+ },
2661
+ {
2662
+ "epoch": 4.222972972972973,
2663
+ "grad_norm": 3.4222939014434814,
2664
+ "learning_rate": 5.220300859669258e-05,
2665
+ "loss": 5.0779,
2666
+ "step": 7500
2667
+ },
2668
+ {
2669
+ "epoch": 4.2342342342342345,
2670
+ "grad_norm": 2.880415678024292,
2671
+ "learning_rate": 5.159370538866352e-05,
2672
+ "loss": 5.0391,
2673
+ "step": 7520
2674
+ },
2675
+ {
2676
+ "epoch": 4.245495495495495,
2677
+ "grad_norm": 3.055744171142578,
2678
+ "learning_rate": 5.0987052880665035e-05,
2679
+ "loss": 5.0656,
2680
+ "step": 7540
2681
+ },
2682
+ {
2683
+ "epoch": 4.256756756756757,
2684
+ "grad_norm": 2.940917491912842,
2685
+ "learning_rate": 5.038307297890876e-05,
2686
+ "loss": 5.0418,
2687
+ "step": 7560
2688
+ },
2689
+ {
2690
+ "epoch": 4.268018018018018,
2691
+ "grad_norm": 2.9827332496643066,
2692
+ "learning_rate": 4.9781787493098444e-05,
2693
+ "loss": 5.0616,
2694
+ "step": 7580
2695
+ },
2696
+ {
2697
+ "epoch": 4.2792792792792795,
2698
+ "grad_norm": 2.910877227783203,
2699
+ "learning_rate": 4.918321813564265e-05,
2700
+ "loss": 5.0072,
2701
+ "step": 7600
2702
+ },
2703
+ {
2704
+ "epoch": 4.29054054054054,
2705
+ "grad_norm": 3.2261264324188232,
2706
+ "learning_rate": 4.858738652087048e-05,
2707
+ "loss": 5.0949,
2708
+ "step": 7620
2709
+ },
2710
+ {
2711
+ "epoch": 4.301801801801802,
2712
+ "grad_norm": 3.5489084720611572,
2713
+ "learning_rate": 4.799431416425132e-05,
2714
+ "loss": 5.0692,
2715
+ "step": 7640
2716
+ },
2717
+ {
2718
+ "epoch": 4.313063063063063,
2719
+ "grad_norm": 3.0110628604888916,
2720
+ "learning_rate": 4.740402248161764e-05,
2721
+ "loss": 5.0054,
2722
+ "step": 7660
2723
+ },
2724
+ {
2725
+ "epoch": 4.324324324324325,
2726
+ "grad_norm": 3.045715808868408,
2727
+ "learning_rate": 4.6816532788392e-05,
2728
+ "loss": 5.1093,
2729
+ "step": 7680
2730
+ },
2731
+ {
2732
+ "epoch": 4.335585585585585,
2733
+ "grad_norm": 3.3725993633270264,
2734
+ "learning_rate": 4.623186629881698e-05,
2735
+ "loss": 5.0225,
2736
+ "step": 7700
2737
+ },
2738
+ {
2739
+ "epoch": 4.346846846846847,
2740
+ "grad_norm": 3.2622389793395996,
2741
+ "learning_rate": 4.565004412518948e-05,
2742
+ "loss": 4.9614,
2743
+ "step": 7720
2744
+ },
2745
+ {
2746
+ "epoch": 4.358108108108108,
2747
+ "grad_norm": 2.9401776790618896,
2748
+ "learning_rate": 4.507108727709816e-05,
2749
+ "loss": 5.1341,
2750
+ "step": 7740
2751
+ },
2752
+ {
2753
+ "epoch": 4.36936936936937,
2754
+ "grad_norm": 2.9128148555755615,
2755
+ "learning_rate": 4.4495016660664744e-05,
2756
+ "loss": 5.0439,
2757
+ "step": 7760
2758
+ },
2759
+ {
2760
+ "epoch": 4.38063063063063,
2761
+ "grad_norm": 3.063502550125122,
2762
+ "learning_rate": 4.392185307778926e-05,
2763
+ "loss": 4.9652,
2764
+ "step": 7780
2765
+ },
2766
+ {
2767
+ "epoch": 4.391891891891892,
2768
+ "grad_norm": 3.1251800060272217,
2769
+ "learning_rate": 4.335161722539885e-05,
2770
+ "loss": 4.8652,
2771
+ "step": 7800
2772
+ },
2773
+ {
2774
+ "epoch": 4.403153153153153,
2775
+ "grad_norm": 3.3288652896881104,
2776
+ "learning_rate": 4.278432969470024e-05,
2777
+ "loss": 5.0418,
2778
+ "step": 7820
2779
+ },
2780
+ {
2781
+ "epoch": 4.414414414414415,
2782
+ "grad_norm": 3.1995842456817627,
2783
+ "learning_rate": 4.222001097043633e-05,
2784
+ "loss": 5.0126,
2785
+ "step": 7840
2786
+ },
2787
+ {
2788
+ "epoch": 4.425675675675675,
2789
+ "grad_norm": 3.1318423748016357,
2790
+ "learning_rate": 4.1658681430146535e-05,
2791
+ "loss": 5.0385,
2792
+ "step": 7860
2793
+ },
2794
+ {
2795
+ "epoch": 4.436936936936937,
2796
+ "grad_norm": 2.9400112628936768,
2797
+ "learning_rate": 4.110036134343093e-05,
2798
+ "loss": 5.086,
2799
+ "step": 7880
2800
+ },
2801
+ {
2802
+ "epoch": 4.448198198198198,
2803
+ "grad_norm": 3.165642738342285,
2804
+ "learning_rate": 4.054507087121813e-05,
2805
+ "loss": 4.964,
2806
+ "step": 7900
2807
+ },
2808
+ {
2809
+ "epoch": 4.45945945945946,
2810
+ "grad_norm": 3.3058130741119385,
2811
+ "learning_rate": 3.999283006503743e-05,
2812
+ "loss": 5.0159,
2813
+ "step": 7920
2814
+ },
2815
+ {
2816
+ "epoch": 4.4707207207207205,
2817
+ "grad_norm": 3.0725340843200684,
2818
+ "learning_rate": 3.944365886629496e-05,
2819
+ "loss": 4.9717,
2820
+ "step": 7940
2821
+ },
2822
+ {
2823
+ "epoch": 4.481981981981982,
2824
+ "grad_norm": 3.178988218307495,
2825
+ "learning_rate": 3.8897577105553155e-05,
2826
+ "loss": 4.9235,
2827
+ "step": 7960
2828
+ },
2829
+ {
2830
+ "epoch": 4.493243243243243,
2831
+ "grad_norm": 2.975165367126465,
2832
+ "learning_rate": 3.835460450181491e-05,
2833
+ "loss": 5.0452,
2834
+ "step": 7980
2835
+ },
2836
+ {
2837
+ "epoch": 4.504504504504505,
2838
+ "grad_norm": 3.2761380672454834,
2839
+ "learning_rate": 3.781476066181161e-05,
2840
+ "loss": 4.9962,
2841
+ "step": 8000
2842
+ },
2843
+ {
2844
+ "epoch": 4.5157657657657655,
2845
+ "grad_norm": 2.9763007164001465,
2846
+ "learning_rate": 3.7278065079295026e-05,
2847
+ "loss": 4.9988,
2848
+ "step": 8020
2849
+ },
2850
+ {
2851
+ "epoch": 4.527027027027027,
2852
+ "grad_norm": 3.1083908081054688,
2853
+ "learning_rate": 3.6744537134333355e-05,
2854
+ "loss": 4.9549,
2855
+ "step": 8040
2856
+ },
2857
+ {
2858
+ "epoch": 4.538288288288288,
2859
+ "grad_norm": 2.920250654220581,
2860
+ "learning_rate": 3.6214196092611423e-05,
2861
+ "loss": 4.9694,
2862
+ "step": 8060
2863
+ },
2864
+ {
2865
+ "epoch": 4.54954954954955,
2866
+ "grad_norm": 3.211604595184326,
2867
+ "learning_rate": 3.5687061104735115e-05,
2868
+ "loss": 4.8697,
2869
+ "step": 8080
2870
+ },
2871
+ {
2872
+ "epoch": 4.5608108108108105,
2873
+ "grad_norm": 2.8755409717559814,
2874
+ "learning_rate": 3.51631512055398e-05,
2875
+ "loss": 4.9518,
2876
+ "step": 8100
2877
+ },
2878
+ {
2879
+ "epoch": 4.572072072072072,
2880
+ "grad_norm": 2.993847370147705,
2881
+ "learning_rate": 3.464248531340279e-05,
2882
+ "loss": 4.9263,
2883
+ "step": 8120
2884
+ },
2885
+ {
2886
+ "epoch": 4.583333333333333,
2887
+ "grad_norm": 3.0822536945343018,
2888
+ "learning_rate": 3.412508222956055e-05,
2889
+ "loss": 4.9402,
2890
+ "step": 8140
2891
+ },
2892
+ {
2893
+ "epoch": 4.594594594594595,
2894
+ "grad_norm": 2.793497085571289,
2895
+ "learning_rate": 3.3610960637429425e-05,
2896
+ "loss": 4.8994,
2897
+ "step": 8160
2898
+ },
2899
+ {
2900
+ "epoch": 4.6058558558558556,
2901
+ "grad_norm": 3.2247605323791504,
2902
+ "learning_rate": 3.3100139101931245e-05,
2903
+ "loss": 4.9844,
2904
+ "step": 8180
2905
+ },
2906
+ {
2907
+ "epoch": 4.617117117117117,
2908
+ "grad_norm": 2.5551505088806152,
2909
+ "learning_rate": 3.25926360688229e-05,
2910
+ "loss": 4.9373,
2911
+ "step": 8200
2912
+ },
2913
+ {
2914
+ "epoch": 4.628378378378378,
2915
+ "grad_norm": 2.971647024154663,
2916
+ "learning_rate": 3.208846986403005e-05,
2917
+ "loss": 4.8755,
2918
+ "step": 8220
2919
+ },
2920
+ {
2921
+ "epoch": 4.63963963963964,
2922
+ "grad_norm": 2.8014793395996094,
2923
+ "learning_rate": 3.158765869298574e-05,
2924
+ "loss": 4.998,
2925
+ "step": 8240
2926
+ },
2927
+ {
2928
+ "epoch": 4.650900900900901,
2929
+ "grad_norm": 2.945608615875244,
2930
+ "learning_rate": 3.109022063997262e-05,
2931
+ "loss": 5.0561,
2932
+ "step": 8260
2933
+ },
2934
+ {
2935
+ "epoch": 4.662162162162162,
2936
+ "grad_norm": 2.8917429447174072,
2937
+ "learning_rate": 3.059617366747025e-05,
2938
+ "loss": 4.9781,
2939
+ "step": 8280
2940
+ },
2941
+ {
2942
+ "epoch": 4.673423423423423,
2943
+ "grad_norm": 2.8064558506011963,
2944
+ "learning_rate": 3.0105535615506246e-05,
2945
+ "loss": 4.9577,
2946
+ "step": 8300
2947
+ },
2948
+ {
2949
+ "epoch": 4.684684684684685,
2950
+ "grad_norm": 2.9006826877593994,
2951
+ "learning_rate": 2.961832420101218e-05,
2952
+ "loss": 4.9261,
2953
+ "step": 8320
2954
+ },
2955
+ {
2956
+ "epoch": 4.695945945945946,
2957
+ "grad_norm": 3.117515802383423,
2958
+ "learning_rate": 2.9134557017183872e-05,
2959
+ "loss": 4.9872,
2960
+ "step": 8340
2961
+ },
2962
+ {
2963
+ "epoch": 4.707207207207207,
2964
+ "grad_norm": 2.933802843093872,
2965
+ "learning_rate": 2.865425153284594e-05,
2966
+ "loss": 4.8803,
2967
+ "step": 8360
2968
+ },
2969
+ {
2970
+ "epoch": 4.718468468468468,
2971
+ "grad_norm": 2.698777914047241,
2972
+ "learning_rate": 2.8177425091821086e-05,
2973
+ "loss": 4.9418,
2974
+ "step": 8380
2975
+ },
2976
+ {
2977
+ "epoch": 4.72972972972973,
2978
+ "grad_norm": 2.855353832244873,
2979
+ "learning_rate": 2.7704094912303912e-05,
2980
+ "loss": 4.8607,
2981
+ "step": 8400
2982
+ },
2983
+ {
2984
+ "epoch": 4.740990990990991,
2985
+ "grad_norm": 2.8770275115966797,
2986
+ "learning_rate": 2.723427808623903e-05,
2987
+ "loss": 4.965,
2988
+ "step": 8420
2989
+ },
2990
+ {
2991
+ "epoch": 4.752252252252252,
2992
+ "grad_norm": 2.9513511657714844,
2993
+ "learning_rate": 2.6767991578703867e-05,
2994
+ "loss": 5.0047,
2995
+ "step": 8440
2996
+ },
2997
+ {
2998
+ "epoch": 4.763513513513513,
2999
+ "grad_norm": 2.800666093826294,
3000
+ "learning_rate": 2.6305252227296185e-05,
3001
+ "loss": 4.936,
3002
+ "step": 8460
3003
+ },
3004
+ {
3005
+ "epoch": 4.774774774774775,
3006
+ "grad_norm": 2.8572280406951904,
3007
+ "learning_rate": 2.5846076741526016e-05,
3008
+ "loss": 4.8764,
3009
+ "step": 8480
3010
+ },
3011
+ {
3012
+ "epoch": 4.786036036036036,
3013
+ "grad_norm": 3.1129138469696045,
3014
+ "learning_rate": 2.5390481702212172e-05,
3015
+ "loss": 4.9409,
3016
+ "step": 8500
3017
+ },
3018
+ {
3019
+ "epoch": 4.797297297297297,
3020
+ "grad_norm": 2.8832197189331055,
3021
+ "learning_rate": 2.4938483560883614e-05,
3022
+ "loss": 4.8804,
3023
+ "step": 8520
3024
+ },
3025
+ {
3026
+ "epoch": 4.808558558558558,
3027
+ "grad_norm": 2.8778629302978516,
3028
+ "learning_rate": 2.449009863918547e-05,
3029
+ "loss": 4.9717,
3030
+ "step": 8540
3031
+ },
3032
+ {
3033
+ "epoch": 4.81981981981982,
3034
+ "grad_norm": 2.717082977294922,
3035
+ "learning_rate": 2.4045343128289556e-05,
3036
+ "loss": 4.9083,
3037
+ "step": 8560
3038
+ },
3039
+ {
3040
+ "epoch": 4.831081081081081,
3041
+ "grad_norm": 3.130682945251465,
3042
+ "learning_rate": 2.3604233088309626e-05,
3043
+ "loss": 4.9114,
3044
+ "step": 8580
3045
+ },
3046
+ {
3047
+ "epoch": 4.842342342342342,
3048
+ "grad_norm": 3.13700532913208,
3049
+ "learning_rate": 2.3166784447721564e-05,
3050
+ "loss": 4.9409,
3051
+ "step": 8600
3052
+ },
3053
+ {
3054
+ "epoch": 4.853603603603604,
3055
+ "grad_norm": 2.929036855697632,
3056
+ "learning_rate": 2.2733013002788364e-05,
3057
+ "loss": 4.9474,
3058
+ "step": 8620
3059
+ },
3060
+ {
3061
+ "epoch": 4.864864864864865,
3062
+ "grad_norm": 3.0918214321136475,
3063
+ "learning_rate": 2.2302934416989315e-05,
3064
+ "loss": 4.8345,
3065
+ "step": 8640
3066
+ },
3067
+ {
3068
+ "epoch": 4.876126126126126,
3069
+ "grad_norm": 2.9362528324127197,
3070
+ "learning_rate": 2.1876564220454712e-05,
3071
+ "loss": 4.9504,
3072
+ "step": 8660
3073
+ },
3074
+ {
3075
+ "epoch": 4.887387387387387,
3076
+ "grad_norm": 3.010586738586426,
3077
+ "learning_rate": 2.1453917809405018e-05,
3078
+ "loss": 4.8896,
3079
+ "step": 8680
3080
+ },
3081
+ {
3082
+ "epoch": 4.898648648648649,
3083
+ "grad_norm": 2.653151512145996,
3084
+ "learning_rate": 2.1035010445594874e-05,
3085
+ "loss": 4.807,
3086
+ "step": 8700
3087
+ },
3088
+ {
3089
+ "epoch": 4.90990990990991,
3090
+ "grad_norm": 2.652198314666748,
3091
+ "learning_rate": 2.061985725576186e-05,
3092
+ "loss": 4.8441,
3093
+ "step": 8720
3094
+ },
3095
+ {
3096
+ "epoch": 4.921171171171171,
3097
+ "grad_norm": 2.7888987064361572,
3098
+ "learning_rate": 2.020847323108059e-05,
3099
+ "loss": 4.9651,
3100
+ "step": 8740
3101
+ },
3102
+ {
3103
+ "epoch": 4.9324324324324325,
3104
+ "grad_norm": 2.857513904571533,
3105
+ "learning_rate": 1.980087322662101e-05,
3106
+ "loss": 4.9974,
3107
+ "step": 8760
3108
+ },
3109
+ {
3110
+ "epoch": 4.943693693693694,
3111
+ "grad_norm": 2.843057632446289,
3112
+ "learning_rate": 1.9397071960812293e-05,
3113
+ "loss": 4.8412,
3114
+ "step": 8780
3115
+ },
3116
+ {
3117
+ "epoch": 4.954954954954955,
3118
+ "grad_norm": 2.9117445945739746,
3119
+ "learning_rate": 1.8997084014911125e-05,
3120
+ "loss": 4.8854,
3121
+ "step": 8800
3122
+ },
3123
+ {
3124
+ "epoch": 4.966216216216216,
3125
+ "grad_norm": 2.8624818325042725,
3126
+ "learning_rate": 1.860092383247537e-05,
3127
+ "loss": 4.9074,
3128
+ "step": 8820
3129
+ },
3130
+ {
3131
+ "epoch": 4.9774774774774775,
3132
+ "grad_norm": 2.889586925506592,
3133
+ "learning_rate": 1.8208605718842365e-05,
3134
+ "loss": 4.813,
3135
+ "step": 8840
3136
+ },
3137
+ {
3138
+ "epoch": 4.988738738738739,
3139
+ "grad_norm": 2.582094669342041,
3140
+ "learning_rate": 1.7820143840612397e-05,
3141
+ "loss": 4.874,
3142
+ "step": 8860
3143
+ },
3144
+ {
3145
+ "epoch": 5.0,
3146
+ "grad_norm": 4.356745719909668,
3147
+ "learning_rate": 1.743555222513721e-05,
3148
+ "loss": 4.924,
3149
+ "step": 8880
3150
+ },
3151
+ {
3152
+ "epoch": 5.0,
3153
+ "eval_loss": 5.185606002807617,
3154
+ "eval_runtime": 192.9629,
3155
+ "eval_samples_per_second": 42.454,
3156
+ "eval_steps_per_second": 5.307,
3157
+ "step": 8880
3158
+ },
3159
+ {
3160
+ "epoch": 5.011261261261262,
3161
+ "grad_norm": 2.8790504932403564,
3162
+ "learning_rate": 1.7054844760013344e-05,
3163
+ "loss": 4.8061,
3164
+ "step": 8900
3165
+ },
3166
+ {
3167
+ "epoch": 5.0225225225225225,
3168
+ "grad_norm": 2.651738405227661,
3169
+ "learning_rate": 1.6678035192580836e-05,
3170
+ "loss": 4.8845,
3171
+ "step": 8920
3172
+ },
3173
+ {
3174
+ "epoch": 5.033783783783784,
3175
+ "grad_norm": 2.6467983722686768,
3176
+ "learning_rate": 1.630513712942666e-05,
3177
+ "loss": 4.8352,
3178
+ "step": 8940
3179
+ },
3180
+ {
3181
+ "epoch": 5.045045045045045,
3182
+ "grad_norm": 2.8239586353302,
3183
+ "learning_rate": 1.593616403589343e-05,
3184
+ "loss": 4.8315,
3185
+ "step": 8960
3186
+ },
3187
+ {
3188
+ "epoch": 5.056306306306307,
3189
+ "grad_norm": 2.7609245777130127,
3190
+ "learning_rate": 1.557112923559313e-05,
3191
+ "loss": 4.7989,
3192
+ "step": 8980
3193
+ },
3194
+ {
3195
+ "epoch": 5.0675675675675675,
3196
+ "grad_norm": 2.8532462120056152,
3197
+ "learning_rate": 1.5210045909926155e-05,
3198
+ "loss": 4.9209,
3199
+ "step": 9000
3200
+ },
3201
+ {
3202
+ "epoch": 5.078828828828829,
3203
+ "grad_norm": 2.6088268756866455,
3204
+ "learning_rate": 1.4852927097605148e-05,
3205
+ "loss": 4.8173,
3206
+ "step": 9020
3207
+ },
3208
+ {
3209
+ "epoch": 5.09009009009009,
3210
+ "grad_norm": 2.9059317111968994,
3211
+ "learning_rate": 1.4499785694184226e-05,
3212
+ "loss": 4.8307,
3213
+ "step": 9040
3214
+ },
3215
+ {
3216
+ "epoch": 5.101351351351352,
3217
+ "grad_norm": 2.494011163711548,
3218
+ "learning_rate": 1.4150634451593398e-05,
3219
+ "loss": 4.7723,
3220
+ "step": 9060
3221
+ },
3222
+ {
3223
+ "epoch": 5.112612612612613,
3224
+ "grad_norm": 2.8410019874572754,
3225
+ "learning_rate": 1.3805485977678e-05,
3226
+ "loss": 4.7663,
3227
+ "step": 9080
3228
+ },
3229
+ {
3230
+ "epoch": 5.123873873873874,
3231
+ "grad_norm": 2.6057417392730713,
3232
+ "learning_rate": 1.3464352735743465e-05,
3233
+ "loss": 4.8229,
3234
+ "step": 9100
3235
+ },
3236
+ {
3237
+ "epoch": 5.135135135135135,
3238
+ "grad_norm": 2.7139365673065186,
3239
+ "learning_rate": 1.3127247044105228e-05,
3240
+ "loss": 4.8017,
3241
+ "step": 9120
3242
+ },
3243
+ {
3244
+ "epoch": 5.146396396396397,
3245
+ "grad_norm": 2.635087013244629,
3246
+ "learning_rate": 1.2794181075644021e-05,
3247
+ "loss": 4.8573,
3248
+ "step": 9140
3249
+ },
3250
+ {
3251
+ "epoch": 5.157657657657658,
3252
+ "grad_norm": 2.7547223567962646,
3253
+ "learning_rate": 1.2465166857366247e-05,
3254
+ "loss": 4.8131,
3255
+ "step": 9160
3256
+ },
3257
+ {
3258
+ "epoch": 5.168918918918919,
3259
+ "grad_norm": 2.743772268295288,
3260
+ "learning_rate": 1.2140216269969598e-05,
3261
+ "loss": 4.7891,
3262
+ "step": 9180
3263
+ },
3264
+ {
3265
+ "epoch": 5.18018018018018,
3266
+ "grad_norm": 2.5214784145355225,
3267
+ "learning_rate": 1.1819341047414153e-05,
3268
+ "loss": 4.823,
3269
+ "step": 9200
3270
+ },
3271
+ {
3272
+ "epoch": 5.191441441441442,
3273
+ "grad_norm": 2.7088265419006348,
3274
+ "learning_rate": 1.1502552776498726e-05,
3275
+ "loss": 4.8935,
3276
+ "step": 9220
3277
+ },
3278
+ {
3279
+ "epoch": 5.202702702702703,
3280
+ "grad_norm": 2.632638931274414,
3281
+ "learning_rate": 1.1189862896442277e-05,
3282
+ "loss": 4.7353,
3283
+ "step": 9240
3284
+ },
3285
+ {
3286
+ "epoch": 5.213963963963964,
3287
+ "grad_norm": 2.305508852005005,
3288
+ "learning_rate": 1.0881282698470954e-05,
3289
+ "loss": 4.827,
3290
+ "step": 9260
3291
+ },
3292
+ {
3293
+ "epoch": 5.225225225225225,
3294
+ "grad_norm": 2.442047119140625,
3295
+ "learning_rate": 1.0576823325410378e-05,
3296
+ "loss": 4.7164,
3297
+ "step": 9280
3298
+ },
3299
+ {
3300
+ "epoch": 5.236486486486487,
3301
+ "grad_norm": 2.4804530143737793,
3302
+ "learning_rate": 1.0276495771283298e-05,
3303
+ "loss": 4.8804,
3304
+ "step": 9300
3305
+ },
3306
+ {
3307
+ "epoch": 5.247747747747748,
3308
+ "grad_norm": 2.687025785446167,
3309
+ "learning_rate": 9.980310880912446e-06,
3310
+ "loss": 4.8512,
3311
+ "step": 9320
3312
+ },
3313
+ {
3314
+ "epoch": 5.259009009009009,
3315
+ "grad_norm": 2.6001646518707275,
3316
+ "learning_rate": 9.688279349529136e-06,
3317
+ "loss": 4.7894,
3318
+ "step": 9340
3319
+ },
3320
+ {
3321
+ "epoch": 5.27027027027027,
3322
+ "grad_norm": 2.661602735519409,
3323
+ "learning_rate": 9.400411722386912e-06,
3324
+ "loss": 4.7727,
3325
+ "step": 9360
3326
+ },
3327
+ {
3328
+ "epoch": 5.281531531531532,
3329
+ "grad_norm": 3.1882259845733643,
3330
+ "learning_rate": 9.11671839438083e-06,
3331
+ "loss": 4.7706,
3332
+ "step": 9380
3333
+ },
3334
+ {
3335
+ "epoch": 5.292792792792793,
3336
+ "grad_norm": 2.6205930709838867,
3337
+ "learning_rate": 8.837209609672034e-06,
3338
+ "loss": 4.796,
3339
+ "step": 9400
3340
+ },
3341
+ {
3342
+ "epoch": 5.304054054054054,
3343
+ "grad_norm": 2.5202319622039795,
3344
+ "learning_rate": 8.56189546131793e-06,
3345
+ "loss": 4.8147,
3346
+ "step": 9420
3347
+ },
3348
+ {
3349
+ "epoch": 5.315315315315315,
3350
+ "grad_norm": 2.323110580444336,
3351
+ "learning_rate": 8.290785890907676e-06,
3352
+ "loss": 4.7721,
3353
+ "step": 9440
3354
+ },
3355
+ {
3356
+ "epoch": 5.326576576576577,
3357
+ "grad_norm": 2.6458232402801514,
3358
+ "learning_rate": 8.023890688203138e-06,
3359
+ "loss": 4.7435,
3360
+ "step": 9460
3361
+ },
3362
+ {
3363
+ "epoch": 5.337837837837838,
3364
+ "grad_norm": 2.767462968826294,
3365
+ "learning_rate": 7.761219490785536e-06,
3366
+ "loss": 4.7834,
3367
+ "step": 9480
3368
+ },
3369
+ {
3370
+ "epoch": 5.349099099099099,
3371
+ "grad_norm": 2.790773630142212,
3372
+ "learning_rate": 7.502781783707196e-06,
3373
+ "loss": 4.7586,
3374
+ "step": 9500
3375
+ },
3376
+ {
3377
+ "epoch": 5.36036036036036,
3378
+ "grad_norm": 2.545133352279663,
3379
+ "learning_rate": 7.248586899149312e-06,
3380
+ "loss": 4.8768,
3381
+ "step": 9520
3382
+ },
3383
+ {
3384
+ "epoch": 5.371621621621622,
3385
+ "grad_norm": 2.8105554580688477,
3386
+ "learning_rate": 6.998644016084784e-06,
3387
+ "loss": 4.7286,
3388
+ "step": 9540
3389
+ },
3390
+ {
3391
+ "epoch": 5.382882882882883,
3392
+ "grad_norm": 2.626328706741333,
3393
+ "learning_rate": 6.752962159946765e-06,
3394
+ "loss": 4.8134,
3395
+ "step": 9560
3396
+ },
3397
+ {
3398
+ "epoch": 5.3941441441441444,
3399
+ "grad_norm": 2.51377010345459,
3400
+ "learning_rate": 6.511550202302832e-06,
3401
+ "loss": 4.7596,
3402
+ "step": 9580
3403
+ },
3404
+ {
3405
+ "epoch": 5.405405405405405,
3406
+ "grad_norm": 2.748156785964966,
3407
+ "learning_rate": 6.274416860534635e-06,
3408
+ "loss": 4.7094,
3409
+ "step": 9600
3410
+ },
3411
+ {
3412
+ "epoch": 5.416666666666667,
3413
+ "grad_norm": 2.787588119506836,
3414
+ "learning_rate": 6.041570697523049e-06,
3415
+ "loss": 4.8234,
3416
+ "step": 9620
3417
+ },
3418
+ {
3419
+ "epoch": 5.427927927927928,
3420
+ "grad_norm": 2.653899908065796,
3421
+ "learning_rate": 5.813020121338997e-06,
3422
+ "loss": 4.9068,
3423
+ "step": 9640
3424
+ },
3425
+ {
3426
+ "epoch": 5.4391891891891895,
3427
+ "grad_norm": 3.0841081142425537,
3428
+ "learning_rate": 5.588773384939794e-06,
3429
+ "loss": 4.7514,
3430
+ "step": 9660
3431
+ },
3432
+ {
3433
+ "epoch": 5.45045045045045,
3434
+ "grad_norm": 2.8316450119018555,
3435
+ "learning_rate": 5.368838585871283e-06,
3436
+ "loss": 4.8007,
3437
+ "step": 9680
3438
+ },
3439
+ {
3440
+ "epoch": 5.461711711711712,
3441
+ "grad_norm": 2.622342109680176,
3442
+ "learning_rate": 5.153223665975218e-06,
3443
+ "loss": 4.8918,
3444
+ "step": 9700
3445
+ },
3446
+ {
3447
+ "epoch": 5.472972972972973,
3448
+ "grad_norm": 2.6291635036468506,
3449
+ "learning_rate": 4.941936411102646e-06,
3450
+ "loss": 4.8169,
3451
+ "step": 9720
3452
+ },
3453
+ {
3454
+ "epoch": 5.4842342342342345,
3455
+ "grad_norm": 2.7928762435913086,
3456
+ "learning_rate": 4.734984450832688e-06,
3457
+ "loss": 4.84,
3458
+ "step": 9740
3459
+ },
3460
+ {
3461
+ "epoch": 5.495495495495495,
3462
+ "grad_norm": 2.4898037910461426,
3463
+ "learning_rate": 4.532375258197066e-06,
3464
+ "loss": 4.7485,
3465
+ "step": 9760
3466
+ },
3467
+ {
3468
+ "epoch": 5.506756756756757,
3469
+ "grad_norm": 2.461247444152832,
3470
+ "learning_rate": 4.3341161494102195e-06,
3471
+ "loss": 4.802,
3472
+ "step": 9780
3473
+ },
3474
+ {
3475
+ "epoch": 5.518018018018018,
3476
+ "grad_norm": 3.408018112182617,
3477
+ "learning_rate": 4.140214283605129e-06,
3478
+ "loss": 4.808,
3479
+ "step": 9800
3480
+ },
3481
+ {
3482
+ "epoch": 5.5292792792792795,
3483
+ "grad_norm": 2.723252773284912,
3484
+ "learning_rate": 3.950676662574843e-06,
3485
+ "loss": 4.8117,
3486
+ "step": 9820
3487
+ },
3488
+ {
3489
+ "epoch": 5.54054054054054,
3490
+ "grad_norm": 2.6631016731262207,
3491
+ "learning_rate": 3.765510130519567e-06,
3492
+ "loss": 4.8206,
3493
+ "step": 9840
3494
+ },
3495
+ {
3496
+ "epoch": 5.551801801801802,
3497
+ "grad_norm": 2.5921578407287598,
3498
+ "learning_rate": 3.5847213737995738e-06,
3499
+ "loss": 4.799,
3500
+ "step": 9860
3501
+ },
3502
+ {
3503
+ "epoch": 5.563063063063063,
3504
+ "grad_norm": 2.583406448364258,
3505
+ "learning_rate": 3.408316920693752e-06,
3506
+ "loss": 4.771,
3507
+ "step": 9880
3508
+ },
3509
+ {
3510
+ "epoch": 5.574324324324325,
3511
+ "grad_norm": 2.4588005542755127,
3512
+ "learning_rate": 3.2363031411638823e-06,
3513
+ "loss": 4.7028,
3514
+ "step": 9900
3515
+ },
3516
+ {
3517
+ "epoch": 5.585585585585585,
3518
+ "grad_norm": 2.5381171703338623,
3519
+ "learning_rate": 3.0686862466245274e-06,
3520
+ "loss": 4.8448,
3521
+ "step": 9920
3522
+ },
3523
+ {
3524
+ "epoch": 5.596846846846847,
3525
+ "grad_norm": 2.744335651397705,
3526
+ "learning_rate": 2.9054722897188664e-06,
3527
+ "loss": 4.7472,
3528
+ "step": 9940
3529
+ },
3530
+ {
3531
+ "epoch": 5.608108108108108,
3532
+ "grad_norm": 2.7201008796691895,
3533
+ "learning_rate": 2.746667164100089e-06,
3534
+ "loss": 4.806,
3535
+ "step": 9960
3536
+ },
3537
+ {
3538
+ "epoch": 5.61936936936937,
3539
+ "grad_norm": 2.60044264793396,
3540
+ "learning_rate": 2.592276604218513e-06,
3541
+ "loss": 4.8105,
3542
+ "step": 9980
3543
+ },
3544
+ {
3545
+ "epoch": 5.63063063063063,
3546
+ "grad_norm": 2.544846534729004,
3547
+ "learning_rate": 2.4423061851145957e-06,
3548
+ "loss": 4.7715,
3549
+ "step": 10000
3550
+ },
3551
+ {
3552
+ "epoch": 5.641891891891892,
3553
+ "grad_norm": 2.5558741092681885,
3554
+ "learning_rate": 2.296761322217594e-06,
3555
+ "loss": 4.7969,
3556
+ "step": 10020
3557
+ },
3558
+ {
3559
+ "epoch": 5.653153153153153,
3560
+ "grad_norm": 2.537177801132202,
3561
+ "learning_rate": 2.155647271149974e-06,
3562
+ "loss": 4.7813,
3563
+ "step": 10040
3564
+ },
3565
+ {
3566
+ "epoch": 5.664414414414415,
3567
+ "grad_norm": 2.7139244079589844,
3568
+ "learning_rate": 2.0189691275376842e-06,
3569
+ "loss": 4.7306,
3570
+ "step": 10060
3571
+ },
3572
+ {
3573
+ "epoch": 5.675675675675675,
3574
+ "grad_norm": 2.5433695316314697,
3575
+ "learning_rate": 1.8867318268261518e-06,
3576
+ "loss": 4.7214,
3577
+ "step": 10080
3578
+ },
3579
+ {
3580
+ "epoch": 5.686936936936937,
3581
+ "grad_norm": 2.4332406520843506,
3582
+ "learning_rate": 1.7589401441019808e-06,
3583
+ "loss": 4.7876,
3584
+ "step": 10100
3585
+ },
3586
+ {
3587
+ "epoch": 5.698198198198198,
3588
+ "grad_norm": 2.643214225769043,
3589
+ "learning_rate": 1.635598693920673e-06,
3590
+ "loss": 4.7352,
3591
+ "step": 10120
3592
+ },
3593
+ {
3594
+ "epoch": 5.70945945945946,
3595
+ "grad_norm": 2.5900988578796387,
3596
+ "learning_rate": 1.5167119301398442e-06,
3597
+ "loss": 4.8162,
3598
+ "step": 10140
3599
+ },
3600
+ {
3601
+ "epoch": 5.7207207207207205,
3602
+ "grad_norm": 2.497743606567383,
3603
+ "learning_rate": 1.4022841457584785e-06,
3604
+ "loss": 4.7861,
3605
+ "step": 10160
3606
+ },
3607
+ {
3608
+ "epoch": 5.731981981981982,
3609
+ "grad_norm": 2.8329920768737793,
3610
+ "learning_rate": 1.2923194727618854e-06,
3611
+ "loss": 4.7491,
3612
+ "step": 10180
3613
+ },
3614
+ {
3615
+ "epoch": 5.743243243243243,
3616
+ "grad_norm": 2.4208552837371826,
3617
+ "learning_rate": 1.1868218819725273e-06,
3618
+ "loss": 4.7684,
3619
+ "step": 10200
3620
+ },
3621
+ {
3622
+ "epoch": 5.754504504504505,
3623
+ "grad_norm": 2.7252206802368164,
3624
+ "learning_rate": 1.0857951829065793e-06,
3625
+ "loss": 4.7904,
3626
+ "step": 10220
3627
+ },
3628
+ {
3629
+ "epoch": 5.7657657657657655,
3630
+ "grad_norm": 2.4612338542938232,
3631
+ "learning_rate": 9.892430236363853e-07,
3632
+ "loss": 4.7682,
3633
+ "step": 10240
3634
+ },
3635
+ {
3636
+ "epoch": 5.777027027027027,
3637
+ "grad_norm": 2.621629476547241,
3638
+ "learning_rate": 8.971688906587589e-07,
3639
+ "loss": 4.7349,
3640
+ "step": 10260
3641
+ },
3642
+ {
3643
+ "epoch": 5.788288288288288,
3644
+ "grad_norm": 2.5959367752075195,
3645
+ "learning_rate": 8.095761087690695e-07,
3646
+ "loss": 4.7374,
3647
+ "step": 10280
3648
+ },
3649
+ {
3650
+ "epoch": 5.79954954954955,
3651
+ "grad_norm": 2.6641790866851807,
3652
+ "learning_rate": 7.264678409411308e-07,
3653
+ "loss": 4.7164,
3654
+ "step": 10300
3655
+ },
3656
+ {
3657
+ "epoch": 5.8108108108108105,
3658
+ "grad_norm": 2.5384955406188965,
3659
+ "learning_rate": 6.478470882130688e-07,
3660
+ "loss": 4.734,
3661
+ "step": 10320
3662
+ },
3663
+ {
3664
+ "epoch": 5.822072072072072,
3665
+ "grad_norm": 2.6770222187042236,
3666
+ "learning_rate": 5.737166895788959e-07,
3667
+ "loss": 4.7008,
3668
+ "step": 10340
3669
+ },
3670
+ {
3671
+ "epoch": 5.833333333333333,
3672
+ "grad_norm": 2.536013603210449,
3673
+ "learning_rate": 5.040793218860639e-07,
3674
+ "loss": 4.7798,
3675
+ "step": 10360
3676
+ },
3677
+ {
3678
+ "epoch": 5.844594594594595,
3679
+ "grad_norm": 2.6112325191497803,
3680
+ "learning_rate": 4.3893749973868136e-07,
3681
+ "loss": 4.7435,
3682
+ "step": 10380
3683
+ },
3684
+ {
3685
+ "epoch": 5.8558558558558556,
3686
+ "grad_norm": 2.3617124557495117,
3687
+ "learning_rate": 3.7829357540682117e-07,
3688
+ "loss": 4.7369,
3689
+ "step": 10400
3690
+ },
3691
+ {
3692
+ "epoch": 5.867117117117117,
3693
+ "grad_norm": 2.560410261154175,
3694
+ "learning_rate": 3.2214973874156174e-07,
3695
+ "loss": 4.7537,
3696
+ "step": 10420
3697
+ },
3698
+ {
3699
+ "epoch": 5.878378378378378,
3700
+ "grad_norm": 2.5535359382629395,
3701
+ "learning_rate": 2.7050801709586905e-07,
3702
+ "loss": 4.8232,
3703
+ "step": 10440
3704
+ },
3705
+ {
3706
+ "epoch": 5.88963963963964,
3707
+ "grad_norm": 2.516218423843384,
3708
+ "learning_rate": 2.2337027525140553e-07,
3709
+ "loss": 4.8043,
3710
+ "step": 10460
3711
+ },
3712
+ {
3713
+ "epoch": 5.900900900900901,
3714
+ "grad_norm": 2.555298089981079,
3715
+ "learning_rate": 1.8073821535123658e-07,
3716
+ "loss": 4.7948,
3717
+ "step": 10480
3718
+ },
3719
+ {
3720
+ "epoch": 5.912162162162162,
3721
+ "grad_norm": 2.767887592315674,
3722
+ "learning_rate": 1.4261337683829646e-07,
3723
+ "loss": 4.7963,
3724
+ "step": 10500
3725
+ },
3726
+ {
3727
+ "epoch": 5.923423423423423,
3728
+ "grad_norm": 2.55415415763855,
3729
+ "learning_rate": 1.0899713639984931e-07,
3730
+ "loss": 4.8295,
3731
+ "step": 10520
3732
+ },
3733
+ {
3734
+ "epoch": 5.934684684684685,
3735
+ "grad_norm": 2.5507781505584717,
3736
+ "learning_rate": 7.989070791776521e-08,
3737
+ "loss": 4.7257,
3738
+ "step": 10540
3739
+ },
3740
+ {
3741
+ "epoch": 5.945945945945946,
3742
+ "grad_norm": 2.439406633377075,
3743
+ "learning_rate": 5.529514242465228e-08,
3744
+ "loss": 4.8315,
3745
+ "step": 10560
3746
+ },
3747
+ {
3748
+ "epoch": 5.957207207207207,
3749
+ "grad_norm": 2.3340978622436523,
3750
+ "learning_rate": 3.5211328065970495e-08,
3751
+ "loss": 4.79,
3752
+ "step": 10580
3753
+ },
3754
+ {
3755
+ "epoch": 5.968468468468468,
3756
+ "grad_norm": 2.731367826461792,
3757
+ "learning_rate": 1.9639990067904513e-08,
3758
+ "loss": 4.7478,
3759
+ "step": 10600
3760
+ },
3761
+ {
3762
+ "epoch": 5.97972972972973,
3763
+ "grad_norm": 2.467635154724121,
3764
+ "learning_rate": 8.581690711204071e-09,
3765
+ "loss": 4.8111,
3766
+ "step": 10620
3767
+ },
3768
+ {
3769
+ "epoch": 5.990990990990991,
3770
+ "grad_norm": 2.5952091217041016,
3771
+ "learning_rate": 2.0368293108807835e-09,
3772
+ "loss": 4.847,
3773
+ "step": 10640
3774
+ },
3775
+ {
3776
+ "epoch": 6.0,
3777
+ "eval_loss": 5.124037742614746,
3778
+ "eval_runtime": 191.7484,
3779
+ "eval_samples_per_second": 42.723,
3780
+ "eval_steps_per_second": 5.34,
3781
+ "step": 10656
3782
+ }
3783
+ ],
3784
+ "logging_steps": 20,
3785
+ "max_steps": 10656,
3786
+ "num_input_tokens_seen": 0,
3787
+ "num_train_epochs": 6,
3788
+ "save_steps": 500,
3789
+ "total_flos": 6565092239867904.0,
3790
+ "train_batch_size": 16,
3791
+ "trial_name": null,
3792
+ "trial_params": null
3793
+ }
checkpoint-10656/training_args.bin ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:0d726ab21919a6e8fcc8d2ea845c922c50281b0863690252ce997010ca77f123
3
+ size 5176
config.json ADDED
@@ -0,0 +1,28 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "architectures": [
3
+ "LlamaForCausalLM"
4
+ ],
5
+ "attention_bias": false,
6
+ "attention_dropout": 0.0,
7
+ "bos_token_id": 1,
8
+ "eos_token_id": 2,
9
+ "hidden_act": "silu",
10
+ "hidden_size": 512,
11
+ "initializer_range": 0.02,
12
+ "intermediate_size": 1024,
13
+ "max_position_embeddings": 256,
14
+ "model_type": "llama",
15
+ "num_attention_heads": 8,
16
+ "num_hidden_layers": 16,
17
+ "num_key_value_heads": 8,
18
+ "pad_token_id": 0,
19
+ "pretraining_tp": 1,
20
+ "rms_norm_eps": 1e-06,
21
+ "rope_scaling": null,
22
+ "rope_theta": 10000.0,
23
+ "tie_word_embeddings": false,
24
+ "torch_dtype": "float32",
25
+ "transformers_version": "4.40.0",
26
+ "use_cache": true,
27
+ "vocab_size": 16000
28
+ }
generation_config.json ADDED
@@ -0,0 +1,7 @@
 
 
 
 
 
 
 
 
1
+ {
2
+ "_from_model_config": true,
3
+ "bos_token_id": 1,
4
+ "eos_token_id": 2,
5
+ "pad_token_id": 0,
6
+ "transformers_version": "4.40.0"
7
+ }
merges.txt ADDED
The diff for this file is too large to render. See raw diff
 
model.safetensors ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:466f10e3a8cb52f000f8c00350a8c6cd3b33199c74ee996676395ea8d940e2e8
3
+ size 233392032
special_tokens_map.json ADDED
@@ -0,0 +1,6 @@
 
 
 
 
 
 
 
1
+ {
2
+ "bos_token": "<s>",
3
+ "eos_token": "</s>",
4
+ "pad_token": "<pad>",
5
+ "unk_token": "<|endoftext|>"
6
+ }
tokenizer.json ADDED
The diff for this file is too large to render. See raw diff
 
tokenizer_config.json ADDED
@@ -0,0 +1,44 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "add_prefix_space": false,
3
+ "added_tokens_decoder": {
4
+ "0": {
5
+ "content": "<pad>",
6
+ "lstrip": false,
7
+ "normalized": false,
8
+ "rstrip": false,
9
+ "single_word": false,
10
+ "special": true
11
+ },
12
+ "1": {
13
+ "content": "<s>",
14
+ "lstrip": false,
15
+ "normalized": false,
16
+ "rstrip": false,
17
+ "single_word": false,
18
+ "special": true
19
+ },
20
+ "2": {
21
+ "content": "</s>",
22
+ "lstrip": false,
23
+ "normalized": false,
24
+ "rstrip": false,
25
+ "single_word": false,
26
+ "special": true
27
+ },
28
+ "16000": {
29
+ "content": "<|endoftext|>",
30
+ "lstrip": false,
31
+ "normalized": false,
32
+ "rstrip": false,
33
+ "single_word": false,
34
+ "special": true
35
+ }
36
+ },
37
+ "bos_token": "<s>",
38
+ "clean_up_tokenization_spaces": true,
39
+ "eos_token": "</s>",
40
+ "model_max_length": 128,
41
+ "pad_token": "<pad>",
42
+ "tokenizer_class": "GPT2Tokenizer",
43
+ "unk_token": "<|endoftext|>"
44
+ }
training_args.bin ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:0d726ab21919a6e8fcc8d2ea845c922c50281b0863690252ce997010ca77f123
3
+ size 5176
vocab.json ADDED
The diff for this file is too large to render. See raw diff