Upload 10 files
Browse files- all_results.json +17 -0
- config.json +36 -0
- eval_results.json +10 -0
- model.safetensors +3 -0
- tokenizer.json +0 -0
- tokenizer_config.json +64 -0
- train_results.json +11 -0
- trainer_state.json +744 -0
- training_args.bin +3 -0
- vocab.txt +0 -0
all_results.json
ADDED
|
@@ -0,0 +1,17 @@
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 1 |
+
{
|
| 2 |
+
"epoch": 10.0,
|
| 3 |
+
"eval_accuracy": 0.8723666666666666,
|
| 4 |
+
"eval_loss": 0.297105997800827,
|
| 5 |
+
"eval_runtime": 27.8139,
|
| 6 |
+
"eval_samples": 120000,
|
| 7 |
+
"eval_samples_per_second": 4314.397,
|
| 8 |
+
"eval_steps_per_second": 33.724,
|
| 9 |
+
"num_input_tokens_seen": 614400000,
|
| 10 |
+
"total_flos": 3.97989715968e+16,
|
| 11 |
+
"train_loss": 0.4128596073404948,
|
| 12 |
+
"train_runtime": 3094.7189,
|
| 13 |
+
"train_samples": 480000,
|
| 14 |
+
"train_samples_per_second": 1551.029,
|
| 15 |
+
"train_steps_per_second": 12.117,
|
| 16 |
+
"train_tokens_per_second": 198531.765
|
| 17 |
+
}
|
config.json
ADDED
|
@@ -0,0 +1,36 @@
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 1 |
+
{
|
| 2 |
+
"_name_or_path": "agentlans/snowflake-arctic-embed-xs-zyda-2",
|
| 3 |
+
"architectures": [
|
| 4 |
+
"BertForSequenceClassification"
|
| 5 |
+
],
|
| 6 |
+
"attention_probs_dropout_prob": 0.1,
|
| 7 |
+
"classifier_dropout": null,
|
| 8 |
+
"finetuning_task": "text-classification",
|
| 9 |
+
"gradient_checkpointing": false,
|
| 10 |
+
"hidden_act": "gelu",
|
| 11 |
+
"hidden_dropout_prob": 0.1,
|
| 12 |
+
"hidden_size": 384,
|
| 13 |
+
"id2label": {
|
| 14 |
+
"0": "ungrammatical",
|
| 15 |
+
"1": "grammatical"
|
| 16 |
+
},
|
| 17 |
+
"initializer_range": 0.02,
|
| 18 |
+
"intermediate_size": 1536,
|
| 19 |
+
"label2id": {
|
| 20 |
+
"ungrammatical": 0,
|
| 21 |
+
"grammatical": 1
|
| 22 |
+
},
|
| 23 |
+
"layer_norm_eps": 1e-12,
|
| 24 |
+
"max_position_embeddings": 512,
|
| 25 |
+
"model_type": "bert",
|
| 26 |
+
"num_attention_heads": 12,
|
| 27 |
+
"num_hidden_layers": 6,
|
| 28 |
+
"pad_token_id": 0,
|
| 29 |
+
"position_embedding_type": "absolute",
|
| 30 |
+
"problem_type": "single_label_classification",
|
| 31 |
+
"torch_dtype": "float32",
|
| 32 |
+
"transformers_version": "4.46.3",
|
| 33 |
+
"type_vocab_size": 2,
|
| 34 |
+
"use_cache": true,
|
| 35 |
+
"vocab_size": 30522
|
| 36 |
+
}
|
eval_results.json
ADDED
|
@@ -0,0 +1,10 @@
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 1 |
+
{
|
| 2 |
+
"epoch": 10.0,
|
| 3 |
+
"eval_accuracy": 0.8723666666666666,
|
| 4 |
+
"eval_loss": 0.297105997800827,
|
| 5 |
+
"eval_runtime": 27.8139,
|
| 6 |
+
"eval_samples": 120000,
|
| 7 |
+
"eval_samples_per_second": 4314.397,
|
| 8 |
+
"eval_steps_per_second": 33.724,
|
| 9 |
+
"num_input_tokens_seen": 614400000
|
| 10 |
+
}
|
model.safetensors
ADDED
|
@@ -0,0 +1,3 @@
|
|
|
|
|
|
|
|
|
|
|
|
|
| 1 |
+
version https://git-lfs.github.com/spec/v1
|
| 2 |
+
oid sha256:0d973dd4a893d2604329a9e1558567829c2b8fd57ceb1e3339fb0500eea1f03d
|
| 3 |
+
size 90867952
|
tokenizer.json
ADDED
|
The diff for this file is too large to render.
See raw diff
|
|
|
tokenizer_config.json
ADDED
|
@@ -0,0 +1,64 @@
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 1 |
+
{
|
| 2 |
+
"added_tokens_decoder": {
|
| 3 |
+
"0": {
|
| 4 |
+
"content": "[PAD]",
|
| 5 |
+
"lstrip": false,
|
| 6 |
+
"normalized": false,
|
| 7 |
+
"rstrip": false,
|
| 8 |
+
"single_word": false,
|
| 9 |
+
"special": true
|
| 10 |
+
},
|
| 11 |
+
"100": {
|
| 12 |
+
"content": "[UNK]",
|
| 13 |
+
"lstrip": false,
|
| 14 |
+
"normalized": false,
|
| 15 |
+
"rstrip": false,
|
| 16 |
+
"single_word": false,
|
| 17 |
+
"special": true
|
| 18 |
+
},
|
| 19 |
+
"101": {
|
| 20 |
+
"content": "[CLS]",
|
| 21 |
+
"lstrip": false,
|
| 22 |
+
"normalized": false,
|
| 23 |
+
"rstrip": false,
|
| 24 |
+
"single_word": false,
|
| 25 |
+
"special": true
|
| 26 |
+
},
|
| 27 |
+
"102": {
|
| 28 |
+
"content": "[SEP]",
|
| 29 |
+
"lstrip": false,
|
| 30 |
+
"normalized": false,
|
| 31 |
+
"rstrip": false,
|
| 32 |
+
"single_word": false,
|
| 33 |
+
"special": true
|
| 34 |
+
},
|
| 35 |
+
"103": {
|
| 36 |
+
"content": "[MASK]",
|
| 37 |
+
"lstrip": false,
|
| 38 |
+
"normalized": false,
|
| 39 |
+
"rstrip": false,
|
| 40 |
+
"single_word": false,
|
| 41 |
+
"special": true
|
| 42 |
+
}
|
| 43 |
+
},
|
| 44 |
+
"clean_up_tokenization_spaces": true,
|
| 45 |
+
"cls_token": "[CLS]",
|
| 46 |
+
"do_basic_tokenize": true,
|
| 47 |
+
"do_lower_case": true,
|
| 48 |
+
"mask_token": "[MASK]",
|
| 49 |
+
"max_length": 512,
|
| 50 |
+
"model_max_length": 512,
|
| 51 |
+
"never_split": null,
|
| 52 |
+
"pad_to_multiple_of": null,
|
| 53 |
+
"pad_token": "[PAD]",
|
| 54 |
+
"pad_token_type_id": 0,
|
| 55 |
+
"padding_side": "right",
|
| 56 |
+
"sep_token": "[SEP]",
|
| 57 |
+
"stride": 0,
|
| 58 |
+
"strip_accents": null,
|
| 59 |
+
"tokenize_chinese_chars": true,
|
| 60 |
+
"tokenizer_class": "BertTokenizer",
|
| 61 |
+
"truncation_side": "right",
|
| 62 |
+
"truncation_strategy": "longest_first",
|
| 63 |
+
"unk_token": "[UNK]"
|
| 64 |
+
}
|
train_results.json
ADDED
|
@@ -0,0 +1,11 @@
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 1 |
+
{
|
| 2 |
+
"epoch": 10.0,
|
| 3 |
+
"num_input_tokens_seen": 614400000,
|
| 4 |
+
"total_flos": 3.97989715968e+16,
|
| 5 |
+
"train_loss": 0.4128596073404948,
|
| 6 |
+
"train_runtime": 3094.7189,
|
| 7 |
+
"train_samples": 480000,
|
| 8 |
+
"train_samples_per_second": 1551.029,
|
| 9 |
+
"train_steps_per_second": 12.117,
|
| 10 |
+
"train_tokens_per_second": 198531.765
|
| 11 |
+
}
|
trainer_state.json
ADDED
|
@@ -0,0 +1,744 @@
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 1 |
+
{
|
| 2 |
+
"best_metric": 0.297105997800827,
|
| 3 |
+
"best_model_checkpoint": "snowflake-arctic-xs-grammar-classifier/checkpoint-37500",
|
| 4 |
+
"epoch": 10.0,
|
| 5 |
+
"eval_steps": 500,
|
| 6 |
+
"global_step": 37500,
|
| 7 |
+
"is_hyper_param_search": false,
|
| 8 |
+
"is_local_process_zero": true,
|
| 9 |
+
"is_world_process_zero": true,
|
| 10 |
+
"log_history": [
|
| 11 |
+
{
|
| 12 |
+
"epoch": 0.13333333333333333,
|
| 13 |
+
"grad_norm": 1.5045716762542725,
|
| 14 |
+
"learning_rate": 4.933333333333334e-05,
|
| 15 |
+
"loss": 0.5858,
|
| 16 |
+
"num_input_tokens_seen": 8192000,
|
| 17 |
+
"step": 500
|
| 18 |
+
},
|
| 19 |
+
{
|
| 20 |
+
"epoch": 0.26666666666666666,
|
| 21 |
+
"grad_norm": 1.7554640769958496,
|
| 22 |
+
"learning_rate": 4.866666666666667e-05,
|
| 23 |
+
"loss": 0.5463,
|
| 24 |
+
"num_input_tokens_seen": 16384000,
|
| 25 |
+
"step": 1000
|
| 26 |
+
},
|
| 27 |
+
{
|
| 28 |
+
"epoch": 0.4,
|
| 29 |
+
"grad_norm": 1.640052080154419,
|
| 30 |
+
"learning_rate": 4.8e-05,
|
| 31 |
+
"loss": 0.5376,
|
| 32 |
+
"num_input_tokens_seen": 24576000,
|
| 33 |
+
"step": 1500
|
| 34 |
+
},
|
| 35 |
+
{
|
| 36 |
+
"epoch": 0.5333333333333333,
|
| 37 |
+
"grad_norm": 1.9901877641677856,
|
| 38 |
+
"learning_rate": 4.7333333333333336e-05,
|
| 39 |
+
"loss": 0.5268,
|
| 40 |
+
"num_input_tokens_seen": 32768000,
|
| 41 |
+
"step": 2000
|
| 42 |
+
},
|
| 43 |
+
{
|
| 44 |
+
"epoch": 0.6666666666666666,
|
| 45 |
+
"grad_norm": 2.5309431552886963,
|
| 46 |
+
"learning_rate": 4.666666666666667e-05,
|
| 47 |
+
"loss": 0.5251,
|
| 48 |
+
"num_input_tokens_seen": 40960000,
|
| 49 |
+
"step": 2500
|
| 50 |
+
},
|
| 51 |
+
{
|
| 52 |
+
"epoch": 0.8,
|
| 53 |
+
"grad_norm": 1.460696816444397,
|
| 54 |
+
"learning_rate": 4.600000000000001e-05,
|
| 55 |
+
"loss": 0.5236,
|
| 56 |
+
"num_input_tokens_seen": 49152000,
|
| 57 |
+
"step": 3000
|
| 58 |
+
},
|
| 59 |
+
{
|
| 60 |
+
"epoch": 0.9333333333333333,
|
| 61 |
+
"grad_norm": 1.6280235052108765,
|
| 62 |
+
"learning_rate": 4.5333333333333335e-05,
|
| 63 |
+
"loss": 0.5192,
|
| 64 |
+
"num_input_tokens_seen": 57344000,
|
| 65 |
+
"step": 3500
|
| 66 |
+
},
|
| 67 |
+
{
|
| 68 |
+
"epoch": 1.0,
|
| 69 |
+
"eval_accuracy": 0.773825,
|
| 70 |
+
"eval_loss": 0.4721794128417969,
|
| 71 |
+
"eval_runtime": 27.0455,
|
| 72 |
+
"eval_samples_per_second": 4436.97,
|
| 73 |
+
"eval_steps_per_second": 34.682,
|
| 74 |
+
"num_input_tokens_seen": 61440000,
|
| 75 |
+
"step": 3750
|
| 76 |
+
},
|
| 77 |
+
{
|
| 78 |
+
"epoch": 1.0666666666666667,
|
| 79 |
+
"grad_norm": 1.978297233581543,
|
| 80 |
+
"learning_rate": 4.466666666666667e-05,
|
| 81 |
+
"loss": 0.5007,
|
| 82 |
+
"num_input_tokens_seen": 65536000,
|
| 83 |
+
"step": 4000
|
| 84 |
+
},
|
| 85 |
+
{
|
| 86 |
+
"epoch": 1.2,
|
| 87 |
+
"grad_norm": 1.6531486511230469,
|
| 88 |
+
"learning_rate": 4.4000000000000006e-05,
|
| 89 |
+
"loss": 0.4834,
|
| 90 |
+
"num_input_tokens_seen": 73728000,
|
| 91 |
+
"step": 4500
|
| 92 |
+
},
|
| 93 |
+
{
|
| 94 |
+
"epoch": 1.3333333333333333,
|
| 95 |
+
"grad_norm": 1.8116512298583984,
|
| 96 |
+
"learning_rate": 4.3333333333333334e-05,
|
| 97 |
+
"loss": 0.4862,
|
| 98 |
+
"num_input_tokens_seen": 81920000,
|
| 99 |
+
"step": 5000
|
| 100 |
+
},
|
| 101 |
+
{
|
| 102 |
+
"epoch": 1.4666666666666668,
|
| 103 |
+
"grad_norm": 1.8606685400009155,
|
| 104 |
+
"learning_rate": 4.266666666666667e-05,
|
| 105 |
+
"loss": 0.4845,
|
| 106 |
+
"num_input_tokens_seen": 90112000,
|
| 107 |
+
"step": 5500
|
| 108 |
+
},
|
| 109 |
+
{
|
| 110 |
+
"epoch": 1.6,
|
| 111 |
+
"grad_norm": 1.6184378862380981,
|
| 112 |
+
"learning_rate": 4.2e-05,
|
| 113 |
+
"loss": 0.4858,
|
| 114 |
+
"num_input_tokens_seen": 98304000,
|
| 115 |
+
"step": 6000
|
| 116 |
+
},
|
| 117 |
+
{
|
| 118 |
+
"epoch": 1.7333333333333334,
|
| 119 |
+
"grad_norm": 1.5692903995513916,
|
| 120 |
+
"learning_rate": 4.133333333333333e-05,
|
| 121 |
+
"loss": 0.4873,
|
| 122 |
+
"num_input_tokens_seen": 106496000,
|
| 123 |
+
"step": 6500
|
| 124 |
+
},
|
| 125 |
+
{
|
| 126 |
+
"epoch": 1.8666666666666667,
|
| 127 |
+
"grad_norm": 1.7296677827835083,
|
| 128 |
+
"learning_rate": 4.066666666666667e-05,
|
| 129 |
+
"loss": 0.4845,
|
| 130 |
+
"num_input_tokens_seen": 114688000,
|
| 131 |
+
"step": 7000
|
| 132 |
+
},
|
| 133 |
+
{
|
| 134 |
+
"epoch": 2.0,
|
| 135 |
+
"grad_norm": 1.7600680589675903,
|
| 136 |
+
"learning_rate": 4e-05,
|
| 137 |
+
"loss": 0.4875,
|
| 138 |
+
"num_input_tokens_seen": 122880000,
|
| 139 |
+
"step": 7500
|
| 140 |
+
},
|
| 141 |
+
{
|
| 142 |
+
"epoch": 2.0,
|
| 143 |
+
"eval_accuracy": 0.7881,
|
| 144 |
+
"eval_loss": 0.4521035850048065,
|
| 145 |
+
"eval_runtime": 28.0644,
|
| 146 |
+
"eval_samples_per_second": 4275.881,
|
| 147 |
+
"eval_steps_per_second": 33.423,
|
| 148 |
+
"num_input_tokens_seen": 122880000,
|
| 149 |
+
"step": 7500
|
| 150 |
+
},
|
| 151 |
+
{
|
| 152 |
+
"epoch": 2.1333333333333333,
|
| 153 |
+
"grad_norm": 2.024643898010254,
|
| 154 |
+
"learning_rate": 3.933333333333333e-05,
|
| 155 |
+
"loss": 0.4533,
|
| 156 |
+
"num_input_tokens_seen": 131072000,
|
| 157 |
+
"step": 8000
|
| 158 |
+
},
|
| 159 |
+
{
|
| 160 |
+
"epoch": 2.2666666666666666,
|
| 161 |
+
"grad_norm": 1.7930974960327148,
|
| 162 |
+
"learning_rate": 3.866666666666667e-05,
|
| 163 |
+
"loss": 0.4534,
|
| 164 |
+
"num_input_tokens_seen": 139264000,
|
| 165 |
+
"step": 8500
|
| 166 |
+
},
|
| 167 |
+
{
|
| 168 |
+
"epoch": 2.4,
|
| 169 |
+
"grad_norm": 1.975646734237671,
|
| 170 |
+
"learning_rate": 3.8e-05,
|
| 171 |
+
"loss": 0.4561,
|
| 172 |
+
"num_input_tokens_seen": 147456000,
|
| 173 |
+
"step": 9000
|
| 174 |
+
},
|
| 175 |
+
{
|
| 176 |
+
"epoch": 2.533333333333333,
|
| 177 |
+
"grad_norm": 1.9401493072509766,
|
| 178 |
+
"learning_rate": 3.733333333333334e-05,
|
| 179 |
+
"loss": 0.4556,
|
| 180 |
+
"num_input_tokens_seen": 155648000,
|
| 181 |
+
"step": 9500
|
| 182 |
+
},
|
| 183 |
+
{
|
| 184 |
+
"epoch": 2.6666666666666665,
|
| 185 |
+
"grad_norm": 1.6677656173706055,
|
| 186 |
+
"learning_rate": 3.6666666666666666e-05,
|
| 187 |
+
"loss": 0.4578,
|
| 188 |
+
"num_input_tokens_seen": 163840000,
|
| 189 |
+
"step": 10000
|
| 190 |
+
},
|
| 191 |
+
{
|
| 192 |
+
"epoch": 2.8,
|
| 193 |
+
"grad_norm": 2.6936464309692383,
|
| 194 |
+
"learning_rate": 3.6e-05,
|
| 195 |
+
"loss": 0.4549,
|
| 196 |
+
"num_input_tokens_seen": 172032000,
|
| 197 |
+
"step": 10500
|
| 198 |
+
},
|
| 199 |
+
{
|
| 200 |
+
"epoch": 2.9333333333333336,
|
| 201 |
+
"grad_norm": 1.581692099571228,
|
| 202 |
+
"learning_rate": 3.5333333333333336e-05,
|
| 203 |
+
"loss": 0.459,
|
| 204 |
+
"num_input_tokens_seen": 180224000,
|
| 205 |
+
"step": 11000
|
| 206 |
+
},
|
| 207 |
+
{
|
| 208 |
+
"epoch": 3.0,
|
| 209 |
+
"eval_accuracy": 0.822725,
|
| 210 |
+
"eval_loss": 0.3895083963871002,
|
| 211 |
+
"eval_runtime": 28.0488,
|
| 212 |
+
"eval_samples_per_second": 4278.25,
|
| 213 |
+
"eval_steps_per_second": 33.442,
|
| 214 |
+
"num_input_tokens_seen": 184320000,
|
| 215 |
+
"step": 11250
|
| 216 |
+
},
|
| 217 |
+
{
|
| 218 |
+
"epoch": 3.066666666666667,
|
| 219 |
+
"grad_norm": 2.0593159198760986,
|
| 220 |
+
"learning_rate": 3.466666666666667e-05,
|
| 221 |
+
"loss": 0.4426,
|
| 222 |
+
"num_input_tokens_seen": 188416000,
|
| 223 |
+
"step": 11500
|
| 224 |
+
},
|
| 225 |
+
{
|
| 226 |
+
"epoch": 3.2,
|
| 227 |
+
"grad_norm": 2.6850345134735107,
|
| 228 |
+
"learning_rate": 3.4000000000000007e-05,
|
| 229 |
+
"loss": 0.4235,
|
| 230 |
+
"num_input_tokens_seen": 196608000,
|
| 231 |
+
"step": 12000
|
| 232 |
+
},
|
| 233 |
+
{
|
| 234 |
+
"epoch": 3.3333333333333335,
|
| 235 |
+
"grad_norm": 2.2773895263671875,
|
| 236 |
+
"learning_rate": 3.3333333333333335e-05,
|
| 237 |
+
"loss": 0.4308,
|
| 238 |
+
"num_input_tokens_seen": 204800000,
|
| 239 |
+
"step": 12500
|
| 240 |
+
},
|
| 241 |
+
{
|
| 242 |
+
"epoch": 3.466666666666667,
|
| 243 |
+
"grad_norm": 2.625030755996704,
|
| 244 |
+
"learning_rate": 3.266666666666667e-05,
|
| 245 |
+
"loss": 0.4347,
|
| 246 |
+
"num_input_tokens_seen": 212992000,
|
| 247 |
+
"step": 13000
|
| 248 |
+
},
|
| 249 |
+
{
|
| 250 |
+
"epoch": 3.6,
|
| 251 |
+
"grad_norm": 2.0799620151519775,
|
| 252 |
+
"learning_rate": 3.2000000000000005e-05,
|
| 253 |
+
"loss": 0.4303,
|
| 254 |
+
"num_input_tokens_seen": 221184000,
|
| 255 |
+
"step": 13500
|
| 256 |
+
},
|
| 257 |
+
{
|
| 258 |
+
"epoch": 3.7333333333333334,
|
| 259 |
+
"grad_norm": 2.666182518005371,
|
| 260 |
+
"learning_rate": 3.1333333333333334e-05,
|
| 261 |
+
"loss": 0.436,
|
| 262 |
+
"num_input_tokens_seen": 229376000,
|
| 263 |
+
"step": 14000
|
| 264 |
+
},
|
| 265 |
+
{
|
| 266 |
+
"epoch": 3.8666666666666667,
|
| 267 |
+
"grad_norm": 2.1593098640441895,
|
| 268 |
+
"learning_rate": 3.066666666666667e-05,
|
| 269 |
+
"loss": 0.4349,
|
| 270 |
+
"num_input_tokens_seen": 237568000,
|
| 271 |
+
"step": 14500
|
| 272 |
+
},
|
| 273 |
+
{
|
| 274 |
+
"epoch": 4.0,
|
| 275 |
+
"grad_norm": 2.7516207695007324,
|
| 276 |
+
"learning_rate": 3e-05,
|
| 277 |
+
"loss": 0.4351,
|
| 278 |
+
"num_input_tokens_seen": 245760000,
|
| 279 |
+
"step": 15000
|
| 280 |
+
},
|
| 281 |
+
{
|
| 282 |
+
"epoch": 4.0,
|
| 283 |
+
"eval_accuracy": 0.81975,
|
| 284 |
+
"eval_loss": 0.39812853932380676,
|
| 285 |
+
"eval_runtime": 27.6493,
|
| 286 |
+
"eval_samples_per_second": 4340.069,
|
| 287 |
+
"eval_steps_per_second": 33.925,
|
| 288 |
+
"num_input_tokens_seen": 245760000,
|
| 289 |
+
"step": 15000
|
| 290 |
+
},
|
| 291 |
+
{
|
| 292 |
+
"epoch": 4.133333333333334,
|
| 293 |
+
"grad_norm": 2.7369744777679443,
|
| 294 |
+
"learning_rate": 2.9333333333333336e-05,
|
| 295 |
+
"loss": 0.4006,
|
| 296 |
+
"num_input_tokens_seen": 253952000,
|
| 297 |
+
"step": 15500
|
| 298 |
+
},
|
| 299 |
+
{
|
| 300 |
+
"epoch": 4.266666666666667,
|
| 301 |
+
"grad_norm": 2.408130168914795,
|
| 302 |
+
"learning_rate": 2.8666666666666668e-05,
|
| 303 |
+
"loss": 0.4072,
|
| 304 |
+
"num_input_tokens_seen": 262144000,
|
| 305 |
+
"step": 16000
|
| 306 |
+
},
|
| 307 |
+
{
|
| 308 |
+
"epoch": 4.4,
|
| 309 |
+
"grad_norm": 2.4573802947998047,
|
| 310 |
+
"learning_rate": 2.8000000000000003e-05,
|
| 311 |
+
"loss": 0.4097,
|
| 312 |
+
"num_input_tokens_seen": 270336000,
|
| 313 |
+
"step": 16500
|
| 314 |
+
},
|
| 315 |
+
{
|
| 316 |
+
"epoch": 4.533333333333333,
|
| 317 |
+
"grad_norm": 2.4049203395843506,
|
| 318 |
+
"learning_rate": 2.733333333333333e-05,
|
| 319 |
+
"loss": 0.4102,
|
| 320 |
+
"num_input_tokens_seen": 278528000,
|
| 321 |
+
"step": 17000
|
| 322 |
+
},
|
| 323 |
+
{
|
| 324 |
+
"epoch": 4.666666666666667,
|
| 325 |
+
"grad_norm": 2.6198604106903076,
|
| 326 |
+
"learning_rate": 2.6666666666666667e-05,
|
| 327 |
+
"loss": 0.4091,
|
| 328 |
+
"num_input_tokens_seen": 286720000,
|
| 329 |
+
"step": 17500
|
| 330 |
+
},
|
| 331 |
+
{
|
| 332 |
+
"epoch": 4.8,
|
| 333 |
+
"grad_norm": 2.9522268772125244,
|
| 334 |
+
"learning_rate": 2.6000000000000002e-05,
|
| 335 |
+
"loss": 0.4134,
|
| 336 |
+
"num_input_tokens_seen": 294912000,
|
| 337 |
+
"step": 18000
|
| 338 |
+
},
|
| 339 |
+
{
|
| 340 |
+
"epoch": 4.933333333333334,
|
| 341 |
+
"grad_norm": 2.653822660446167,
|
| 342 |
+
"learning_rate": 2.5333333333333337e-05,
|
| 343 |
+
"loss": 0.4157,
|
| 344 |
+
"num_input_tokens_seen": 303104000,
|
| 345 |
+
"step": 18500
|
| 346 |
+
},
|
| 347 |
+
{
|
| 348 |
+
"epoch": 5.0,
|
| 349 |
+
"eval_accuracy": 0.8337416666666667,
|
| 350 |
+
"eval_loss": 0.3689940571784973,
|
| 351 |
+
"eval_runtime": 27.6019,
|
| 352 |
+
"eval_samples_per_second": 4347.53,
|
| 353 |
+
"eval_steps_per_second": 33.983,
|
| 354 |
+
"num_input_tokens_seen": 307200000,
|
| 355 |
+
"step": 18750
|
| 356 |
+
},
|
| 357 |
+
{
|
| 358 |
+
"epoch": 5.066666666666666,
|
| 359 |
+
"grad_norm": 2.4163355827331543,
|
| 360 |
+
"learning_rate": 2.466666666666667e-05,
|
| 361 |
+
"loss": 0.3985,
|
| 362 |
+
"num_input_tokens_seen": 311296000,
|
| 363 |
+
"step": 19000
|
| 364 |
+
},
|
| 365 |
+
{
|
| 366 |
+
"epoch": 5.2,
|
| 367 |
+
"grad_norm": 2.7729780673980713,
|
| 368 |
+
"learning_rate": 2.4e-05,
|
| 369 |
+
"loss": 0.3884,
|
| 370 |
+
"num_input_tokens_seen": 319488000,
|
| 371 |
+
"step": 19500
|
| 372 |
+
},
|
| 373 |
+
{
|
| 374 |
+
"epoch": 5.333333333333333,
|
| 375 |
+
"grad_norm": 1.9611395597457886,
|
| 376 |
+
"learning_rate": 2.3333333333333336e-05,
|
| 377 |
+
"loss": 0.3869,
|
| 378 |
+
"num_input_tokens_seen": 327680000,
|
| 379 |
+
"step": 20000
|
| 380 |
+
},
|
| 381 |
+
{
|
| 382 |
+
"epoch": 5.466666666666667,
|
| 383 |
+
"grad_norm": 2.737003803253174,
|
| 384 |
+
"learning_rate": 2.2666666666666668e-05,
|
| 385 |
+
"loss": 0.3869,
|
| 386 |
+
"num_input_tokens_seen": 335872000,
|
| 387 |
+
"step": 20500
|
| 388 |
+
},
|
| 389 |
+
{
|
| 390 |
+
"epoch": 5.6,
|
| 391 |
+
"grad_norm": 2.3950681686401367,
|
| 392 |
+
"learning_rate": 2.2000000000000003e-05,
|
| 393 |
+
"loss": 0.3923,
|
| 394 |
+
"num_input_tokens_seen": 344064000,
|
| 395 |
+
"step": 21000
|
| 396 |
+
},
|
| 397 |
+
{
|
| 398 |
+
"epoch": 5.733333333333333,
|
| 399 |
+
"grad_norm": 2.6194348335266113,
|
| 400 |
+
"learning_rate": 2.1333333333333335e-05,
|
| 401 |
+
"loss": 0.391,
|
| 402 |
+
"num_input_tokens_seen": 352256000,
|
| 403 |
+
"step": 21500
|
| 404 |
+
},
|
| 405 |
+
{
|
| 406 |
+
"epoch": 5.866666666666667,
|
| 407 |
+
"grad_norm": 2.414700984954834,
|
| 408 |
+
"learning_rate": 2.0666666666666666e-05,
|
| 409 |
+
"loss": 0.3929,
|
| 410 |
+
"num_input_tokens_seen": 360448000,
|
| 411 |
+
"step": 22000
|
| 412 |
+
},
|
| 413 |
+
{
|
| 414 |
+
"epoch": 6.0,
|
| 415 |
+
"grad_norm": 2.8838109970092773,
|
| 416 |
+
"learning_rate": 2e-05,
|
| 417 |
+
"loss": 0.3955,
|
| 418 |
+
"num_input_tokens_seen": 368640000,
|
| 419 |
+
"step": 22500
|
| 420 |
+
},
|
| 421 |
+
{
|
| 422 |
+
"epoch": 6.0,
|
| 423 |
+
"eval_accuracy": 0.8584666666666667,
|
| 424 |
+
"eval_loss": 0.3260098993778229,
|
| 425 |
+
"eval_runtime": 27.6684,
|
| 426 |
+
"eval_samples_per_second": 4337.074,
|
| 427 |
+
"eval_steps_per_second": 33.901,
|
| 428 |
+
"num_input_tokens_seen": 368640000,
|
| 429 |
+
"step": 22500
|
| 430 |
+
},
|
| 431 |
+
{
|
| 432 |
+
"epoch": 6.133333333333334,
|
| 433 |
+
"grad_norm": 2.748154878616333,
|
| 434 |
+
"learning_rate": 1.9333333333333333e-05,
|
| 435 |
+
"loss": 0.3693,
|
| 436 |
+
"num_input_tokens_seen": 376832000,
|
| 437 |
+
"step": 23000
|
| 438 |
+
},
|
| 439 |
+
{
|
| 440 |
+
"epoch": 6.266666666666667,
|
| 441 |
+
"grad_norm": 2.3991076946258545,
|
| 442 |
+
"learning_rate": 1.866666666666667e-05,
|
| 443 |
+
"loss": 0.3678,
|
| 444 |
+
"num_input_tokens_seen": 385024000,
|
| 445 |
+
"step": 23500
|
| 446 |
+
},
|
| 447 |
+
{
|
| 448 |
+
"epoch": 6.4,
|
| 449 |
+
"grad_norm": 2.2785775661468506,
|
| 450 |
+
"learning_rate": 1.8e-05,
|
| 451 |
+
"loss": 0.3699,
|
| 452 |
+
"num_input_tokens_seen": 393216000,
|
| 453 |
+
"step": 24000
|
| 454 |
+
},
|
| 455 |
+
{
|
| 456 |
+
"epoch": 6.533333333333333,
|
| 457 |
+
"grad_norm": 2.8767619132995605,
|
| 458 |
+
"learning_rate": 1.7333333333333336e-05,
|
| 459 |
+
"loss": 0.3758,
|
| 460 |
+
"num_input_tokens_seen": 401408000,
|
| 461 |
+
"step": 24500
|
| 462 |
+
},
|
| 463 |
+
{
|
| 464 |
+
"epoch": 6.666666666666667,
|
| 465 |
+
"grad_norm": 2.706383228302002,
|
| 466 |
+
"learning_rate": 1.6666666666666667e-05,
|
| 467 |
+
"loss": 0.3735,
|
| 468 |
+
"num_input_tokens_seen": 409600000,
|
| 469 |
+
"step": 25000
|
| 470 |
+
},
|
| 471 |
+
{
|
| 472 |
+
"epoch": 6.8,
|
| 473 |
+
"grad_norm": 2.9211957454681396,
|
| 474 |
+
"learning_rate": 1.6000000000000003e-05,
|
| 475 |
+
"loss": 0.3746,
|
| 476 |
+
"num_input_tokens_seen": 417792000,
|
| 477 |
+
"step": 25500
|
| 478 |
+
},
|
| 479 |
+
{
|
| 480 |
+
"epoch": 6.933333333333334,
|
| 481 |
+
"grad_norm": 3.114459276199341,
|
| 482 |
+
"learning_rate": 1.5333333333333334e-05,
|
| 483 |
+
"loss": 0.3788,
|
| 484 |
+
"num_input_tokens_seen": 425984000,
|
| 485 |
+
"step": 26000
|
| 486 |
+
},
|
| 487 |
+
{
|
| 488 |
+
"epoch": 7.0,
|
| 489 |
+
"eval_accuracy": 0.8565583333333333,
|
| 490 |
+
"eval_loss": 0.3266533315181732,
|
| 491 |
+
"eval_runtime": 27.725,
|
| 492 |
+
"eval_samples_per_second": 4328.221,
|
| 493 |
+
"eval_steps_per_second": 33.832,
|
| 494 |
+
"num_input_tokens_seen": 430080000,
|
| 495 |
+
"step": 26250
|
| 496 |
+
},
|
| 497 |
+
{
|
| 498 |
+
"epoch": 7.066666666666666,
|
| 499 |
+
"grad_norm": 2.6135785579681396,
|
| 500 |
+
"learning_rate": 1.4666666666666668e-05,
|
| 501 |
+
"loss": 0.3681,
|
| 502 |
+
"num_input_tokens_seen": 434176000,
|
| 503 |
+
"step": 26500
|
| 504 |
+
},
|
| 505 |
+
{
|
| 506 |
+
"epoch": 7.2,
|
| 507 |
+
"grad_norm": 2.914867877960205,
|
| 508 |
+
"learning_rate": 1.4000000000000001e-05,
|
| 509 |
+
"loss": 0.3569,
|
| 510 |
+
"num_input_tokens_seen": 442368000,
|
| 511 |
+
"step": 27000
|
| 512 |
+
},
|
| 513 |
+
{
|
| 514 |
+
"epoch": 7.333333333333333,
|
| 515 |
+
"grad_norm": 2.9901046752929688,
|
| 516 |
+
"learning_rate": 1.3333333333333333e-05,
|
| 517 |
+
"loss": 0.3562,
|
| 518 |
+
"num_input_tokens_seen": 450560000,
|
| 519 |
+
"step": 27500
|
| 520 |
+
},
|
| 521 |
+
{
|
| 522 |
+
"epoch": 7.466666666666667,
|
| 523 |
+
"grad_norm": 2.5703506469726562,
|
| 524 |
+
"learning_rate": 1.2666666666666668e-05,
|
| 525 |
+
"loss": 0.3593,
|
| 526 |
+
"num_input_tokens_seen": 458752000,
|
| 527 |
+
"step": 28000
|
| 528 |
+
},
|
| 529 |
+
{
|
| 530 |
+
"epoch": 7.6,
|
| 531 |
+
"grad_norm": 2.760713577270508,
|
| 532 |
+
"learning_rate": 1.2e-05,
|
| 533 |
+
"loss": 0.3592,
|
| 534 |
+
"num_input_tokens_seen": 466944000,
|
| 535 |
+
"step": 28500
|
| 536 |
+
},
|
| 537 |
+
{
|
| 538 |
+
"epoch": 7.733333333333333,
|
| 539 |
+
"grad_norm": 2.76792311668396,
|
| 540 |
+
"learning_rate": 1.1333333333333334e-05,
|
| 541 |
+
"loss": 0.3608,
|
| 542 |
+
"num_input_tokens_seen": 475136000,
|
| 543 |
+
"step": 29000
|
| 544 |
+
},
|
| 545 |
+
{
|
| 546 |
+
"epoch": 7.866666666666667,
|
| 547 |
+
"grad_norm": 3.0294759273529053,
|
| 548 |
+
"learning_rate": 1.0666666666666667e-05,
|
| 549 |
+
"loss": 0.3641,
|
| 550 |
+
"num_input_tokens_seen": 483328000,
|
| 551 |
+
"step": 29500
|
| 552 |
+
},
|
| 553 |
+
{
|
| 554 |
+
"epoch": 8.0,
|
| 555 |
+
"grad_norm": 2.9588348865509033,
|
| 556 |
+
"learning_rate": 1e-05,
|
| 557 |
+
"loss": 0.3616,
|
| 558 |
+
"num_input_tokens_seen": 491520000,
|
| 559 |
+
"step": 30000
|
| 560 |
+
},
|
| 561 |
+
{
|
| 562 |
+
"epoch": 8.0,
|
| 563 |
+
"eval_accuracy": 0.8620916666666667,
|
| 564 |
+
"eval_loss": 0.3191862404346466,
|
| 565 |
+
"eval_runtime": 27.6673,
|
| 566 |
+
"eval_samples_per_second": 4337.255,
|
| 567 |
+
"eval_steps_per_second": 33.903,
|
| 568 |
+
"num_input_tokens_seen": 491520000,
|
| 569 |
+
"step": 30000
|
| 570 |
+
},
|
| 571 |
+
{
|
| 572 |
+
"epoch": 8.133333333333333,
|
| 573 |
+
"grad_norm": 3.4707741737365723,
|
| 574 |
+
"learning_rate": 9.333333333333334e-06,
|
| 575 |
+
"loss": 0.3441,
|
| 576 |
+
"num_input_tokens_seen": 499712000,
|
| 577 |
+
"step": 30500
|
| 578 |
+
},
|
| 579 |
+
{
|
| 580 |
+
"epoch": 8.266666666666667,
|
| 581 |
+
"grad_norm": 2.2097768783569336,
|
| 582 |
+
"learning_rate": 8.666666666666668e-06,
|
| 583 |
+
"loss": 0.3475,
|
| 584 |
+
"num_input_tokens_seen": 507904000,
|
| 585 |
+
"step": 31000
|
| 586 |
+
},
|
| 587 |
+
{
|
| 588 |
+
"epoch": 8.4,
|
| 589 |
+
"grad_norm": 3.0237128734588623,
|
| 590 |
+
"learning_rate": 8.000000000000001e-06,
|
| 591 |
+
"loss": 0.3493,
|
| 592 |
+
"num_input_tokens_seen": 516096000,
|
| 593 |
+
"step": 31500
|
| 594 |
+
},
|
| 595 |
+
{
|
| 596 |
+
"epoch": 8.533333333333333,
|
| 597 |
+
"grad_norm": 2.644113063812256,
|
| 598 |
+
"learning_rate": 7.333333333333334e-06,
|
| 599 |
+
"loss": 0.3484,
|
| 600 |
+
"num_input_tokens_seen": 524288000,
|
| 601 |
+
"step": 32000
|
| 602 |
+
},
|
| 603 |
+
{
|
| 604 |
+
"epoch": 8.666666666666666,
|
| 605 |
+
"grad_norm": 3.0785672664642334,
|
| 606 |
+
"learning_rate": 6.666666666666667e-06,
|
| 607 |
+
"loss": 0.347,
|
| 608 |
+
"num_input_tokens_seen": 532480000,
|
| 609 |
+
"step": 32500
|
| 610 |
+
},
|
| 611 |
+
{
|
| 612 |
+
"epoch": 8.8,
|
| 613 |
+
"grad_norm": 3.4324257373809814,
|
| 614 |
+
"learning_rate": 6e-06,
|
| 615 |
+
"loss": 0.3508,
|
| 616 |
+
"num_input_tokens_seen": 540672000,
|
| 617 |
+
"step": 33000
|
| 618 |
+
},
|
| 619 |
+
{
|
| 620 |
+
"epoch": 8.933333333333334,
|
| 621 |
+
"grad_norm": 4.357520580291748,
|
| 622 |
+
"learning_rate": 5.333333333333334e-06,
|
| 623 |
+
"loss": 0.3459,
|
| 624 |
+
"num_input_tokens_seen": 548864000,
|
| 625 |
+
"step": 33500
|
| 626 |
+
},
|
| 627 |
+
{
|
| 628 |
+
"epoch": 9.0,
|
| 629 |
+
"eval_accuracy": 0.870725,
|
| 630 |
+
"eval_loss": 0.30166763067245483,
|
| 631 |
+
"eval_runtime": 27.737,
|
| 632 |
+
"eval_samples_per_second": 4326.344,
|
| 633 |
+
"eval_steps_per_second": 33.818,
|
| 634 |
+
"num_input_tokens_seen": 552960000,
|
| 635 |
+
"step": 33750
|
| 636 |
+
},
|
| 637 |
+
{
|
| 638 |
+
"epoch": 9.066666666666666,
|
| 639 |
+
"grad_norm": 2.85298490524292,
|
| 640 |
+
"learning_rate": 4.666666666666667e-06,
|
| 641 |
+
"loss": 0.344,
|
| 642 |
+
"num_input_tokens_seen": 557056000,
|
| 643 |
+
"step": 34000
|
| 644 |
+
},
|
| 645 |
+
{
|
| 646 |
+
"epoch": 9.2,
|
| 647 |
+
"grad_norm": 3.3768234252929688,
|
| 648 |
+
"learning_rate": 4.000000000000001e-06,
|
| 649 |
+
"loss": 0.3387,
|
| 650 |
+
"num_input_tokens_seen": 565248000,
|
| 651 |
+
"step": 34500
|
| 652 |
+
},
|
| 653 |
+
{
|
| 654 |
+
"epoch": 9.333333333333334,
|
| 655 |
+
"grad_norm": 2.875610113143921,
|
| 656 |
+
"learning_rate": 3.3333333333333333e-06,
|
| 657 |
+
"loss": 0.3404,
|
| 658 |
+
"num_input_tokens_seen": 573440000,
|
| 659 |
+
"step": 35000
|
| 660 |
+
},
|
| 661 |
+
{
|
| 662 |
+
"epoch": 9.466666666666667,
|
| 663 |
+
"grad_norm": 3.179046154022217,
|
| 664 |
+
"learning_rate": 2.666666666666667e-06,
|
| 665 |
+
"loss": 0.3366,
|
| 666 |
+
"num_input_tokens_seen": 581632000,
|
| 667 |
+
"step": 35500
|
| 668 |
+
},
|
| 669 |
+
{
|
| 670 |
+
"epoch": 9.6,
|
| 671 |
+
"grad_norm": 2.9764773845672607,
|
| 672 |
+
"learning_rate": 2.0000000000000003e-06,
|
| 673 |
+
"loss": 0.3415,
|
| 674 |
+
"num_input_tokens_seen": 589824000,
|
| 675 |
+
"step": 36000
|
| 676 |
+
},
|
| 677 |
+
{
|
| 678 |
+
"epoch": 9.733333333333333,
|
| 679 |
+
"grad_norm": 2.807232141494751,
|
| 680 |
+
"learning_rate": 1.3333333333333334e-06,
|
| 681 |
+
"loss": 0.339,
|
| 682 |
+
"num_input_tokens_seen": 598016000,
|
| 683 |
+
"step": 36500
|
| 684 |
+
},
|
| 685 |
+
{
|
| 686 |
+
"epoch": 9.866666666666667,
|
| 687 |
+
"grad_norm": 2.9385030269622803,
|
| 688 |
+
"learning_rate": 6.666666666666667e-07,
|
| 689 |
+
"loss": 0.337,
|
| 690 |
+
"num_input_tokens_seen": 606208000,
|
| 691 |
+
"step": 37000
|
| 692 |
+
},
|
| 693 |
+
{
|
| 694 |
+
"epoch": 10.0,
|
| 695 |
+
"grad_norm": 2.7753288745880127,
|
| 696 |
+
"learning_rate": 0.0,
|
| 697 |
+
"loss": 0.3382,
|
| 698 |
+
"num_input_tokens_seen": 614400000,
|
| 699 |
+
"step": 37500
|
| 700 |
+
},
|
| 701 |
+
{
|
| 702 |
+
"epoch": 10.0,
|
| 703 |
+
"eval_accuracy": 0.8723666666666666,
|
| 704 |
+
"eval_loss": 0.297105997800827,
|
| 705 |
+
"eval_runtime": 27.7546,
|
| 706 |
+
"eval_samples_per_second": 4323.601,
|
| 707 |
+
"eval_steps_per_second": 33.796,
|
| 708 |
+
"num_input_tokens_seen": 614400000,
|
| 709 |
+
"step": 37500
|
| 710 |
+
},
|
| 711 |
+
{
|
| 712 |
+
"epoch": 10.0,
|
| 713 |
+
"num_input_tokens_seen": 614400000,
|
| 714 |
+
"step": 37500,
|
| 715 |
+
"total_flos": 3.97989715968e+16,
|
| 716 |
+
"train_loss": 0.4128596073404948,
|
| 717 |
+
"train_runtime": 3094.7189,
|
| 718 |
+
"train_samples_per_second": 1551.029,
|
| 719 |
+
"train_steps_per_second": 12.117,
|
| 720 |
+
"train_tokens_per_second": 198531.765
|
| 721 |
+
}
|
| 722 |
+
],
|
| 723 |
+
"logging_steps": 500,
|
| 724 |
+
"max_steps": 37500,
|
| 725 |
+
"num_input_tokens_seen": 614400000,
|
| 726 |
+
"num_train_epochs": 10,
|
| 727 |
+
"save_steps": 500,
|
| 728 |
+
"stateful_callbacks": {
|
| 729 |
+
"TrainerControl": {
|
| 730 |
+
"args": {
|
| 731 |
+
"should_epoch_stop": false,
|
| 732 |
+
"should_evaluate": false,
|
| 733 |
+
"should_log": false,
|
| 734 |
+
"should_save": true,
|
| 735 |
+
"should_training_stop": true
|
| 736 |
+
},
|
| 737 |
+
"attributes": {}
|
| 738 |
+
}
|
| 739 |
+
},
|
| 740 |
+
"total_flos": 3.97989715968e+16,
|
| 741 |
+
"train_batch_size": 128,
|
| 742 |
+
"trial_name": null,
|
| 743 |
+
"trial_params": null
|
| 744 |
+
}
|
training_args.bin
ADDED
|
@@ -0,0 +1,3 @@
|
|
|
|
|
|
|
|
|
|
|
|
|
| 1 |
+
version https://git-lfs.github.com/spec/v1
|
| 2 |
+
oid sha256:2c4c10e5ef0e8ffd49b348d0b7c32c6c22d7ff58100f0ba1428a230db146a7bc
|
| 3 |
+
size 5368
|
vocab.txt
ADDED
|
The diff for this file is too large to render.
See raw diff
|
|
|