Alignment-Lab-AI commited on
Commit
fef6e93
·
verified ·
1 Parent(s): 89f03f6

Upload folder using huggingface_hub

Browse files
.gitattributes CHANGED
@@ -33,3 +33,4 @@ saved_model/**/* filter=lfs diff=lfs merge=lfs -text
33
  *.zip filter=lfs diff=lfs merge=lfs -text
34
  *.zst filter=lfs diff=lfs merge=lfs -text
35
  *tfevents* filter=lfs diff=lfs merge=lfs -text
 
 
33
  *.zip filter=lfs diff=lfs merge=lfs -text
34
  *.zst filter=lfs diff=lfs merge=lfs -text
35
  *tfevents* filter=lfs diff=lfs merge=lfs -text
36
+ tokenizer.json filter=lfs diff=lfs merge=lfs -text
config.json ADDED
@@ -0,0 +1,26 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "architectures": [
3
+ "MistralForCausalLM"
4
+ ],
5
+ "attention_dropout": 0.0,
6
+ "bos_token_id": 1,
7
+ "eos_token_id": 2,
8
+ "head_dim": 128,
9
+ "hidden_act": "silu",
10
+ "hidden_size": 5120,
11
+ "initializer_range": 0.02,
12
+ "intermediate_size": 14336,
13
+ "max_position_embeddings": 131072,
14
+ "model_type": "mistral",
15
+ "num_attention_heads": 32,
16
+ "num_hidden_layers": 40,
17
+ "num_key_value_heads": 8,
18
+ "rms_norm_eps": 1e-05,
19
+ "rope_theta": 1000000.0,
20
+ "sliding_window": null,
21
+ "tie_word_embeddings": false,
22
+ "torch_dtype": "bfloat16",
23
+ "transformers_version": "4.51.1",
24
+ "use_cache": false,
25
+ "vocab_size": 131072
26
+ }
generation_config.json ADDED
@@ -0,0 +1,7 @@
 
 
 
 
 
 
 
 
1
+ {
2
+ "_from_model_config": true,
3
+ "bos_token_id": 1,
4
+ "do_sample": true,
5
+ "eos_token_id": 2,
6
+ "transformers_version": "4.51.1"
7
+ }
model-00001-of-00005.safetensors ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:0770b0313042b531d0813412100df7f3f57113404714aa4e85c8eaede169594b
3
+ size 4865522496
model-00002-of-00005.safetensors ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:3642b9d543ac7574bf3525c54f90f215bd0a19e32424fcdf24c88a0787403703
3
+ size 4907529424
model-00003-of-00005.safetensors ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:a576e0437175f57765cd1faa8f7f38f9a06e788327562d279aa2093755bef551
3
+ size 4907529456
model-00004-of-00005.safetensors ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:6b46aff62c718beb23106e060a46509e371c6e784bfa9f931e84915cb6057305
3
+ size 4907529456
model-00005-of-00005.safetensors ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:5363fa699cfbe19c21b8a8a775ae32034abbd68a7fa72473e1c2569e9382ca25
3
+ size 4907496272
model.safetensors.index.json ADDED
@@ -0,0 +1,370 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "metadata": {
3
+ "total_size": 24495564800
4
+ },
5
+ "weight_map": {
6
+ "lm_head.weight": "model-00005-of-00005.safetensors",
7
+ "model.embed_tokens.weight": "model-00001-of-00005.safetensors",
8
+ "model.layers.0.input_layernorm.weight": "model-00001-of-00005.safetensors",
9
+ "model.layers.0.mlp.down_proj.weight": "model-00001-of-00005.safetensors",
10
+ "model.layers.0.mlp.gate_proj.weight": "model-00001-of-00005.safetensors",
11
+ "model.layers.0.mlp.up_proj.weight": "model-00001-of-00005.safetensors",
12
+ "model.layers.0.post_attention_layernorm.weight": "model-00001-of-00005.safetensors",
13
+ "model.layers.0.self_attn.k_proj.weight": "model-00001-of-00005.safetensors",
14
+ "model.layers.0.self_attn.o_proj.weight": "model-00001-of-00005.safetensors",
15
+ "model.layers.0.self_attn.q_proj.weight": "model-00001-of-00005.safetensors",
16
+ "model.layers.0.self_attn.v_proj.weight": "model-00001-of-00005.safetensors",
17
+ "model.layers.1.input_layernorm.weight": "model-00001-of-00005.safetensors",
18
+ "model.layers.1.mlp.down_proj.weight": "model-00001-of-00005.safetensors",
19
+ "model.layers.1.mlp.gate_proj.weight": "model-00001-of-00005.safetensors",
20
+ "model.layers.1.mlp.up_proj.weight": "model-00001-of-00005.safetensors",
21
+ "model.layers.1.post_attention_layernorm.weight": "model-00001-of-00005.safetensors",
22
+ "model.layers.1.self_attn.k_proj.weight": "model-00001-of-00005.safetensors",
23
+ "model.layers.1.self_attn.o_proj.weight": "model-00001-of-00005.safetensors",
24
+ "model.layers.1.self_attn.q_proj.weight": "model-00001-of-00005.safetensors",
25
+ "model.layers.1.self_attn.v_proj.weight": "model-00001-of-00005.safetensors",
26
+ "model.layers.10.input_layernorm.weight": "model-00002-of-00005.safetensors",
27
+ "model.layers.10.mlp.down_proj.weight": "model-00002-of-00005.safetensors",
28
+ "model.layers.10.mlp.gate_proj.weight": "model-00002-of-00005.safetensors",
29
+ "model.layers.10.mlp.up_proj.weight": "model-00002-of-00005.safetensors",
30
+ "model.layers.10.post_attention_layernorm.weight": "model-00002-of-00005.safetensors",
31
+ "model.layers.10.self_attn.k_proj.weight": "model-00002-of-00005.safetensors",
32
+ "model.layers.10.self_attn.o_proj.weight": "model-00002-of-00005.safetensors",
33
+ "model.layers.10.self_attn.q_proj.weight": "model-00002-of-00005.safetensors",
34
+ "model.layers.10.self_attn.v_proj.weight": "model-00002-of-00005.safetensors",
35
+ "model.layers.11.input_layernorm.weight": "model-00002-of-00005.safetensors",
36
+ "model.layers.11.mlp.down_proj.weight": "model-00002-of-00005.safetensors",
37
+ "model.layers.11.mlp.gate_proj.weight": "model-00002-of-00005.safetensors",
38
+ "model.layers.11.mlp.up_proj.weight": "model-00002-of-00005.safetensors",
39
+ "model.layers.11.post_attention_layernorm.weight": "model-00002-of-00005.safetensors",
40
+ "model.layers.11.self_attn.k_proj.weight": "model-00002-of-00005.safetensors",
41
+ "model.layers.11.self_attn.o_proj.weight": "model-00002-of-00005.safetensors",
42
+ "model.layers.11.self_attn.q_proj.weight": "model-00002-of-00005.safetensors",
43
+ "model.layers.11.self_attn.v_proj.weight": "model-00002-of-00005.safetensors",
44
+ "model.layers.12.input_layernorm.weight": "model-00002-of-00005.safetensors",
45
+ "model.layers.12.mlp.down_proj.weight": "model-00002-of-00005.safetensors",
46
+ "model.layers.12.mlp.gate_proj.weight": "model-00002-of-00005.safetensors",
47
+ "model.layers.12.mlp.up_proj.weight": "model-00002-of-00005.safetensors",
48
+ "model.layers.12.post_attention_layernorm.weight": "model-00002-of-00005.safetensors",
49
+ "model.layers.12.self_attn.k_proj.weight": "model-00002-of-00005.safetensors",
50
+ "model.layers.12.self_attn.o_proj.weight": "model-00002-of-00005.safetensors",
51
+ "model.layers.12.self_attn.q_proj.weight": "model-00002-of-00005.safetensors",
52
+ "model.layers.12.self_attn.v_proj.weight": "model-00002-of-00005.safetensors",
53
+ "model.layers.13.input_layernorm.weight": "model-00002-of-00005.safetensors",
54
+ "model.layers.13.mlp.down_proj.weight": "model-00002-of-00005.safetensors",
55
+ "model.layers.13.mlp.gate_proj.weight": "model-00002-of-00005.safetensors",
56
+ "model.layers.13.mlp.up_proj.weight": "model-00002-of-00005.safetensors",
57
+ "model.layers.13.post_attention_layernorm.weight": "model-00002-of-00005.safetensors",
58
+ "model.layers.13.self_attn.k_proj.weight": "model-00002-of-00005.safetensors",
59
+ "model.layers.13.self_attn.o_proj.weight": "model-00002-of-00005.safetensors",
60
+ "model.layers.13.self_attn.q_proj.weight": "model-00002-of-00005.safetensors",
61
+ "model.layers.13.self_attn.v_proj.weight": "model-00002-of-00005.safetensors",
62
+ "model.layers.14.input_layernorm.weight": "model-00002-of-00005.safetensors",
63
+ "model.layers.14.mlp.down_proj.weight": "model-00002-of-00005.safetensors",
64
+ "model.layers.14.mlp.gate_proj.weight": "model-00002-of-00005.safetensors",
65
+ "model.layers.14.mlp.up_proj.weight": "model-00002-of-00005.safetensors",
66
+ "model.layers.14.post_attention_layernorm.weight": "model-00002-of-00005.safetensors",
67
+ "model.layers.14.self_attn.k_proj.weight": "model-00002-of-00005.safetensors",
68
+ "model.layers.14.self_attn.o_proj.weight": "model-00002-of-00005.safetensors",
69
+ "model.layers.14.self_attn.q_proj.weight": "model-00002-of-00005.safetensors",
70
+ "model.layers.14.self_attn.v_proj.weight": "model-00002-of-00005.safetensors",
71
+ "model.layers.15.input_layernorm.weight": "model-00003-of-00005.safetensors",
72
+ "model.layers.15.mlp.down_proj.weight": "model-00003-of-00005.safetensors",
73
+ "model.layers.15.mlp.gate_proj.weight": "model-00002-of-00005.safetensors",
74
+ "model.layers.15.mlp.up_proj.weight": "model-00003-of-00005.safetensors",
75
+ "model.layers.15.post_attention_layernorm.weight": "model-00003-of-00005.safetensors",
76
+ "model.layers.15.self_attn.k_proj.weight": "model-00002-of-00005.safetensors",
77
+ "model.layers.15.self_attn.o_proj.weight": "model-00002-of-00005.safetensors",
78
+ "model.layers.15.self_attn.q_proj.weight": "model-00002-of-00005.safetensors",
79
+ "model.layers.15.self_attn.v_proj.weight": "model-00002-of-00005.safetensors",
80
+ "model.layers.16.input_layernorm.weight": "model-00003-of-00005.safetensors",
81
+ "model.layers.16.mlp.down_proj.weight": "model-00003-of-00005.safetensors",
82
+ "model.layers.16.mlp.gate_proj.weight": "model-00003-of-00005.safetensors",
83
+ "model.layers.16.mlp.up_proj.weight": "model-00003-of-00005.safetensors",
84
+ "model.layers.16.post_attention_layernorm.weight": "model-00003-of-00005.safetensors",
85
+ "model.layers.16.self_attn.k_proj.weight": "model-00003-of-00005.safetensors",
86
+ "model.layers.16.self_attn.o_proj.weight": "model-00003-of-00005.safetensors",
87
+ "model.layers.16.self_attn.q_proj.weight": "model-00003-of-00005.safetensors",
88
+ "model.layers.16.self_attn.v_proj.weight": "model-00003-of-00005.safetensors",
89
+ "model.layers.17.input_layernorm.weight": "model-00003-of-00005.safetensors",
90
+ "model.layers.17.mlp.down_proj.weight": "model-00003-of-00005.safetensors",
91
+ "model.layers.17.mlp.gate_proj.weight": "model-00003-of-00005.safetensors",
92
+ "model.layers.17.mlp.up_proj.weight": "model-00003-of-00005.safetensors",
93
+ "model.layers.17.post_attention_layernorm.weight": "model-00003-of-00005.safetensors",
94
+ "model.layers.17.self_attn.k_proj.weight": "model-00003-of-00005.safetensors",
95
+ "model.layers.17.self_attn.o_proj.weight": "model-00003-of-00005.safetensors",
96
+ "model.layers.17.self_attn.q_proj.weight": "model-00003-of-00005.safetensors",
97
+ "model.layers.17.self_attn.v_proj.weight": "model-00003-of-00005.safetensors",
98
+ "model.layers.18.input_layernorm.weight": "model-00003-of-00005.safetensors",
99
+ "model.layers.18.mlp.down_proj.weight": "model-00003-of-00005.safetensors",
100
+ "model.layers.18.mlp.gate_proj.weight": "model-00003-of-00005.safetensors",
101
+ "model.layers.18.mlp.up_proj.weight": "model-00003-of-00005.safetensors",
102
+ "model.layers.18.post_attention_layernorm.weight": "model-00003-of-00005.safetensors",
103
+ "model.layers.18.self_attn.k_proj.weight": "model-00003-of-00005.safetensors",
104
+ "model.layers.18.self_attn.o_proj.weight": "model-00003-of-00005.safetensors",
105
+ "model.layers.18.self_attn.q_proj.weight": "model-00003-of-00005.safetensors",
106
+ "model.layers.18.self_attn.v_proj.weight": "model-00003-of-00005.safetensors",
107
+ "model.layers.19.input_layernorm.weight": "model-00003-of-00005.safetensors",
108
+ "model.layers.19.mlp.down_proj.weight": "model-00003-of-00005.safetensors",
109
+ "model.layers.19.mlp.gate_proj.weight": "model-00003-of-00005.safetensors",
110
+ "model.layers.19.mlp.up_proj.weight": "model-00003-of-00005.safetensors",
111
+ "model.layers.19.post_attention_layernorm.weight": "model-00003-of-00005.safetensors",
112
+ "model.layers.19.self_attn.k_proj.weight": "model-00003-of-00005.safetensors",
113
+ "model.layers.19.self_attn.o_proj.weight": "model-00003-of-00005.safetensors",
114
+ "model.layers.19.self_attn.q_proj.weight": "model-00003-of-00005.safetensors",
115
+ "model.layers.19.self_attn.v_proj.weight": "model-00003-of-00005.safetensors",
116
+ "model.layers.2.input_layernorm.weight": "model-00001-of-00005.safetensors",
117
+ "model.layers.2.mlp.down_proj.weight": "model-00001-of-00005.safetensors",
118
+ "model.layers.2.mlp.gate_proj.weight": "model-00001-of-00005.safetensors",
119
+ "model.layers.2.mlp.up_proj.weight": "model-00001-of-00005.safetensors",
120
+ "model.layers.2.post_attention_layernorm.weight": "model-00001-of-00005.safetensors",
121
+ "model.layers.2.self_attn.k_proj.weight": "model-00001-of-00005.safetensors",
122
+ "model.layers.2.self_attn.o_proj.weight": "model-00001-of-00005.safetensors",
123
+ "model.layers.2.self_attn.q_proj.weight": "model-00001-of-00005.safetensors",
124
+ "model.layers.2.self_attn.v_proj.weight": "model-00001-of-00005.safetensors",
125
+ "model.layers.20.input_layernorm.weight": "model-00003-of-00005.safetensors",
126
+ "model.layers.20.mlp.down_proj.weight": "model-00003-of-00005.safetensors",
127
+ "model.layers.20.mlp.gate_proj.weight": "model-00003-of-00005.safetensors",
128
+ "model.layers.20.mlp.up_proj.weight": "model-00003-of-00005.safetensors",
129
+ "model.layers.20.post_attention_layernorm.weight": "model-00003-of-00005.safetensors",
130
+ "model.layers.20.self_attn.k_proj.weight": "model-00003-of-00005.safetensors",
131
+ "model.layers.20.self_attn.o_proj.weight": "model-00003-of-00005.safetensors",
132
+ "model.layers.20.self_attn.q_proj.weight": "model-00003-of-00005.safetensors",
133
+ "model.layers.20.self_attn.v_proj.weight": "model-00003-of-00005.safetensors",
134
+ "model.layers.21.input_layernorm.weight": "model-00003-of-00005.safetensors",
135
+ "model.layers.21.mlp.down_proj.weight": "model-00003-of-00005.safetensors",
136
+ "model.layers.21.mlp.gate_proj.weight": "model-00003-of-00005.safetensors",
137
+ "model.layers.21.mlp.up_proj.weight": "model-00003-of-00005.safetensors",
138
+ "model.layers.21.post_attention_layernorm.weight": "model-00003-of-00005.safetensors",
139
+ "model.layers.21.self_attn.k_proj.weight": "model-00003-of-00005.safetensors",
140
+ "model.layers.21.self_attn.o_proj.weight": "model-00003-of-00005.safetensors",
141
+ "model.layers.21.self_attn.q_proj.weight": "model-00003-of-00005.safetensors",
142
+ "model.layers.21.self_attn.v_proj.weight": "model-00003-of-00005.safetensors",
143
+ "model.layers.22.input_layernorm.weight": "model-00003-of-00005.safetensors",
144
+ "model.layers.22.mlp.down_proj.weight": "model-00003-of-00005.safetensors",
145
+ "model.layers.22.mlp.gate_proj.weight": "model-00003-of-00005.safetensors",
146
+ "model.layers.22.mlp.up_proj.weight": "model-00003-of-00005.safetensors",
147
+ "model.layers.22.post_attention_layernorm.weight": "model-00003-of-00005.safetensors",
148
+ "model.layers.22.self_attn.k_proj.weight": "model-00003-of-00005.safetensors",
149
+ "model.layers.22.self_attn.o_proj.weight": "model-00003-of-00005.safetensors",
150
+ "model.layers.22.self_attn.q_proj.weight": "model-00003-of-00005.safetensors",
151
+ "model.layers.22.self_attn.v_proj.weight": "model-00003-of-00005.safetensors",
152
+ "model.layers.23.input_layernorm.weight": "model-00003-of-00005.safetensors",
153
+ "model.layers.23.mlp.down_proj.weight": "model-00003-of-00005.safetensors",
154
+ "model.layers.23.mlp.gate_proj.weight": "model-00003-of-00005.safetensors",
155
+ "model.layers.23.mlp.up_proj.weight": "model-00003-of-00005.safetensors",
156
+ "model.layers.23.post_attention_layernorm.weight": "model-00003-of-00005.safetensors",
157
+ "model.layers.23.self_attn.k_proj.weight": "model-00003-of-00005.safetensors",
158
+ "model.layers.23.self_attn.o_proj.weight": "model-00003-of-00005.safetensors",
159
+ "model.layers.23.self_attn.q_proj.weight": "model-00003-of-00005.safetensors",
160
+ "model.layers.23.self_attn.v_proj.weight": "model-00003-of-00005.safetensors",
161
+ "model.layers.24.input_layernorm.weight": "model-00004-of-00005.safetensors",
162
+ "model.layers.24.mlp.down_proj.weight": "model-00004-of-00005.safetensors",
163
+ "model.layers.24.mlp.gate_proj.weight": "model-00003-of-00005.safetensors",
164
+ "model.layers.24.mlp.up_proj.weight": "model-00004-of-00005.safetensors",
165
+ "model.layers.24.post_attention_layernorm.weight": "model-00004-of-00005.safetensors",
166
+ "model.layers.24.self_attn.k_proj.weight": "model-00003-of-00005.safetensors",
167
+ "model.layers.24.self_attn.o_proj.weight": "model-00003-of-00005.safetensors",
168
+ "model.layers.24.self_attn.q_proj.weight": "model-00003-of-00005.safetensors",
169
+ "model.layers.24.self_attn.v_proj.weight": "model-00003-of-00005.safetensors",
170
+ "model.layers.25.input_layernorm.weight": "model-00004-of-00005.safetensors",
171
+ "model.layers.25.mlp.down_proj.weight": "model-00004-of-00005.safetensors",
172
+ "model.layers.25.mlp.gate_proj.weight": "model-00004-of-00005.safetensors",
173
+ "model.layers.25.mlp.up_proj.weight": "model-00004-of-00005.safetensors",
174
+ "model.layers.25.post_attention_layernorm.weight": "model-00004-of-00005.safetensors",
175
+ "model.layers.25.self_attn.k_proj.weight": "model-00004-of-00005.safetensors",
176
+ "model.layers.25.self_attn.o_proj.weight": "model-00004-of-00005.safetensors",
177
+ "model.layers.25.self_attn.q_proj.weight": "model-00004-of-00005.safetensors",
178
+ "model.layers.25.self_attn.v_proj.weight": "model-00004-of-00005.safetensors",
179
+ "model.layers.26.input_layernorm.weight": "model-00004-of-00005.safetensors",
180
+ "model.layers.26.mlp.down_proj.weight": "model-00004-of-00005.safetensors",
181
+ "model.layers.26.mlp.gate_proj.weight": "model-00004-of-00005.safetensors",
182
+ "model.layers.26.mlp.up_proj.weight": "model-00004-of-00005.safetensors",
183
+ "model.layers.26.post_attention_layernorm.weight": "model-00004-of-00005.safetensors",
184
+ "model.layers.26.self_attn.k_proj.weight": "model-00004-of-00005.safetensors",
185
+ "model.layers.26.self_attn.o_proj.weight": "model-00004-of-00005.safetensors",
186
+ "model.layers.26.self_attn.q_proj.weight": "model-00004-of-00005.safetensors",
187
+ "model.layers.26.self_attn.v_proj.weight": "model-00004-of-00005.safetensors",
188
+ "model.layers.27.input_layernorm.weight": "model-00004-of-00005.safetensors",
189
+ "model.layers.27.mlp.down_proj.weight": "model-00004-of-00005.safetensors",
190
+ "model.layers.27.mlp.gate_proj.weight": "model-00004-of-00005.safetensors",
191
+ "model.layers.27.mlp.up_proj.weight": "model-00004-of-00005.safetensors",
192
+ "model.layers.27.post_attention_layernorm.weight": "model-00004-of-00005.safetensors",
193
+ "model.layers.27.self_attn.k_proj.weight": "model-00004-of-00005.safetensors",
194
+ "model.layers.27.self_attn.o_proj.weight": "model-00004-of-00005.safetensors",
195
+ "model.layers.27.self_attn.q_proj.weight": "model-00004-of-00005.safetensors",
196
+ "model.layers.27.self_attn.v_proj.weight": "model-00004-of-00005.safetensors",
197
+ "model.layers.28.input_layernorm.weight": "model-00004-of-00005.safetensors",
198
+ "model.layers.28.mlp.down_proj.weight": "model-00004-of-00005.safetensors",
199
+ "model.layers.28.mlp.gate_proj.weight": "model-00004-of-00005.safetensors",
200
+ "model.layers.28.mlp.up_proj.weight": "model-00004-of-00005.safetensors",
201
+ "model.layers.28.post_attention_layernorm.weight": "model-00004-of-00005.safetensors",
202
+ "model.layers.28.self_attn.k_proj.weight": "model-00004-of-00005.safetensors",
203
+ "model.layers.28.self_attn.o_proj.weight": "model-00004-of-00005.safetensors",
204
+ "model.layers.28.self_attn.q_proj.weight": "model-00004-of-00005.safetensors",
205
+ "model.layers.28.self_attn.v_proj.weight": "model-00004-of-00005.safetensors",
206
+ "model.layers.29.input_layernorm.weight": "model-00004-of-00005.safetensors",
207
+ "model.layers.29.mlp.down_proj.weight": "model-00004-of-00005.safetensors",
208
+ "model.layers.29.mlp.gate_proj.weight": "model-00004-of-00005.safetensors",
209
+ "model.layers.29.mlp.up_proj.weight": "model-00004-of-00005.safetensors",
210
+ "model.layers.29.post_attention_layernorm.weight": "model-00004-of-00005.safetensors",
211
+ "model.layers.29.self_attn.k_proj.weight": "model-00004-of-00005.safetensors",
212
+ "model.layers.29.self_attn.o_proj.weight": "model-00004-of-00005.safetensors",
213
+ "model.layers.29.self_attn.q_proj.weight": "model-00004-of-00005.safetensors",
214
+ "model.layers.29.self_attn.v_proj.weight": "model-00004-of-00005.safetensors",
215
+ "model.layers.3.input_layernorm.weight": "model-00001-of-00005.safetensors",
216
+ "model.layers.3.mlp.down_proj.weight": "model-00001-of-00005.safetensors",
217
+ "model.layers.3.mlp.gate_proj.weight": "model-00001-of-00005.safetensors",
218
+ "model.layers.3.mlp.up_proj.weight": "model-00001-of-00005.safetensors",
219
+ "model.layers.3.post_attention_layernorm.weight": "model-00001-of-00005.safetensors",
220
+ "model.layers.3.self_attn.k_proj.weight": "model-00001-of-00005.safetensors",
221
+ "model.layers.3.self_attn.o_proj.weight": "model-00001-of-00005.safetensors",
222
+ "model.layers.3.self_attn.q_proj.weight": "model-00001-of-00005.safetensors",
223
+ "model.layers.3.self_attn.v_proj.weight": "model-00001-of-00005.safetensors",
224
+ "model.layers.30.input_layernorm.weight": "model-00004-of-00005.safetensors",
225
+ "model.layers.30.mlp.down_proj.weight": "model-00004-of-00005.safetensors",
226
+ "model.layers.30.mlp.gate_proj.weight": "model-00004-of-00005.safetensors",
227
+ "model.layers.30.mlp.up_proj.weight": "model-00004-of-00005.safetensors",
228
+ "model.layers.30.post_attention_layernorm.weight": "model-00004-of-00005.safetensors",
229
+ "model.layers.30.self_attn.k_proj.weight": "model-00004-of-00005.safetensors",
230
+ "model.layers.30.self_attn.o_proj.weight": "model-00004-of-00005.safetensors",
231
+ "model.layers.30.self_attn.q_proj.weight": "model-00004-of-00005.safetensors",
232
+ "model.layers.30.self_attn.v_proj.weight": "model-00004-of-00005.safetensors",
233
+ "model.layers.31.input_layernorm.weight": "model-00004-of-00005.safetensors",
234
+ "model.layers.31.mlp.down_proj.weight": "model-00004-of-00005.safetensors",
235
+ "model.layers.31.mlp.gate_proj.weight": "model-00004-of-00005.safetensors",
236
+ "model.layers.31.mlp.up_proj.weight": "model-00004-of-00005.safetensors",
237
+ "model.layers.31.post_attention_layernorm.weight": "model-00004-of-00005.safetensors",
238
+ "model.layers.31.self_attn.k_proj.weight": "model-00004-of-00005.safetensors",
239
+ "model.layers.31.self_attn.o_proj.weight": "model-00004-of-00005.safetensors",
240
+ "model.layers.31.self_attn.q_proj.weight": "model-00004-of-00005.safetensors",
241
+ "model.layers.31.self_attn.v_proj.weight": "model-00004-of-00005.safetensors",
242
+ "model.layers.32.input_layernorm.weight": "model-00004-of-00005.safetensors",
243
+ "model.layers.32.mlp.down_proj.weight": "model-00004-of-00005.safetensors",
244
+ "model.layers.32.mlp.gate_proj.weight": "model-00004-of-00005.safetensors",
245
+ "model.layers.32.mlp.up_proj.weight": "model-00004-of-00005.safetensors",
246
+ "model.layers.32.post_attention_layernorm.weight": "model-00004-of-00005.safetensors",
247
+ "model.layers.32.self_attn.k_proj.weight": "model-00004-of-00005.safetensors",
248
+ "model.layers.32.self_attn.o_proj.weight": "model-00004-of-00005.safetensors",
249
+ "model.layers.32.self_attn.q_proj.weight": "model-00004-of-00005.safetensors",
250
+ "model.layers.32.self_attn.v_proj.weight": "model-00004-of-00005.safetensors",
251
+ "model.layers.33.input_layernorm.weight": "model-00005-of-00005.safetensors",
252
+ "model.layers.33.mlp.down_proj.weight": "model-00005-of-00005.safetensors",
253
+ "model.layers.33.mlp.gate_proj.weight": "model-00004-of-00005.safetensors",
254
+ "model.layers.33.mlp.up_proj.weight": "model-00005-of-00005.safetensors",
255
+ "model.layers.33.post_attention_layernorm.weight": "model-00005-of-00005.safetensors",
256
+ "model.layers.33.self_attn.k_proj.weight": "model-00004-of-00005.safetensors",
257
+ "model.layers.33.self_attn.o_proj.weight": "model-00004-of-00005.safetensors",
258
+ "model.layers.33.self_attn.q_proj.weight": "model-00004-of-00005.safetensors",
259
+ "model.layers.33.self_attn.v_proj.weight": "model-00004-of-00005.safetensors",
260
+ "model.layers.34.input_layernorm.weight": "model-00005-of-00005.safetensors",
261
+ "model.layers.34.mlp.down_proj.weight": "model-00005-of-00005.safetensors",
262
+ "model.layers.34.mlp.gate_proj.weight": "model-00005-of-00005.safetensors",
263
+ "model.layers.34.mlp.up_proj.weight": "model-00005-of-00005.safetensors",
264
+ "model.layers.34.post_attention_layernorm.weight": "model-00005-of-00005.safetensors",
265
+ "model.layers.34.self_attn.k_proj.weight": "model-00005-of-00005.safetensors",
266
+ "model.layers.34.self_attn.o_proj.weight": "model-00005-of-00005.safetensors",
267
+ "model.layers.34.self_attn.q_proj.weight": "model-00005-of-00005.safetensors",
268
+ "model.layers.34.self_attn.v_proj.weight": "model-00005-of-00005.safetensors",
269
+ "model.layers.35.input_layernorm.weight": "model-00005-of-00005.safetensors",
270
+ "model.layers.35.mlp.down_proj.weight": "model-00005-of-00005.safetensors",
271
+ "model.layers.35.mlp.gate_proj.weight": "model-00005-of-00005.safetensors",
272
+ "model.layers.35.mlp.up_proj.weight": "model-00005-of-00005.safetensors",
273
+ "model.layers.35.post_attention_layernorm.weight": "model-00005-of-00005.safetensors",
274
+ "model.layers.35.self_attn.k_proj.weight": "model-00005-of-00005.safetensors",
275
+ "model.layers.35.self_attn.o_proj.weight": "model-00005-of-00005.safetensors",
276
+ "model.layers.35.self_attn.q_proj.weight": "model-00005-of-00005.safetensors",
277
+ "model.layers.35.self_attn.v_proj.weight": "model-00005-of-00005.safetensors",
278
+ "model.layers.36.input_layernorm.weight": "model-00005-of-00005.safetensors",
279
+ "model.layers.36.mlp.down_proj.weight": "model-00005-of-00005.safetensors",
280
+ "model.layers.36.mlp.gate_proj.weight": "model-00005-of-00005.safetensors",
281
+ "model.layers.36.mlp.up_proj.weight": "model-00005-of-00005.safetensors",
282
+ "model.layers.36.post_attention_layernorm.weight": "model-00005-of-00005.safetensors",
283
+ "model.layers.36.self_attn.k_proj.weight": "model-00005-of-00005.safetensors",
284
+ "model.layers.36.self_attn.o_proj.weight": "model-00005-of-00005.safetensors",
285
+ "model.layers.36.self_attn.q_proj.weight": "model-00005-of-00005.safetensors",
286
+ "model.layers.36.self_attn.v_proj.weight": "model-00005-of-00005.safetensors",
287
+ "model.layers.37.input_layernorm.weight": "model-00005-of-00005.safetensors",
288
+ "model.layers.37.mlp.down_proj.weight": "model-00005-of-00005.safetensors",
289
+ "model.layers.37.mlp.gate_proj.weight": "model-00005-of-00005.safetensors",
290
+ "model.layers.37.mlp.up_proj.weight": "model-00005-of-00005.safetensors",
291
+ "model.layers.37.post_attention_layernorm.weight": "model-00005-of-00005.safetensors",
292
+ "model.layers.37.self_attn.k_proj.weight": "model-00005-of-00005.safetensors",
293
+ "model.layers.37.self_attn.o_proj.weight": "model-00005-of-00005.safetensors",
294
+ "model.layers.37.self_attn.q_proj.weight": "model-00005-of-00005.safetensors",
295
+ "model.layers.37.self_attn.v_proj.weight": "model-00005-of-00005.safetensors",
296
+ "model.layers.38.input_layernorm.weight": "model-00005-of-00005.safetensors",
297
+ "model.layers.38.mlp.down_proj.weight": "model-00005-of-00005.safetensors",
298
+ "model.layers.38.mlp.gate_proj.weight": "model-00005-of-00005.safetensors",
299
+ "model.layers.38.mlp.up_proj.weight": "model-00005-of-00005.safetensors",
300
+ "model.layers.38.post_attention_layernorm.weight": "model-00005-of-00005.safetensors",
301
+ "model.layers.38.self_attn.k_proj.weight": "model-00005-of-00005.safetensors",
302
+ "model.layers.38.self_attn.o_proj.weight": "model-00005-of-00005.safetensors",
303
+ "model.layers.38.self_attn.q_proj.weight": "model-00005-of-00005.safetensors",
304
+ "model.layers.38.self_attn.v_proj.weight": "model-00005-of-00005.safetensors",
305
+ "model.layers.39.input_layernorm.weight": "model-00005-of-00005.safetensors",
306
+ "model.layers.39.mlp.down_proj.weight": "model-00005-of-00005.safetensors",
307
+ "model.layers.39.mlp.gate_proj.weight": "model-00005-of-00005.safetensors",
308
+ "model.layers.39.mlp.up_proj.weight": "model-00005-of-00005.safetensors",
309
+ "model.layers.39.post_attention_layernorm.weight": "model-00005-of-00005.safetensors",
310
+ "model.layers.39.self_attn.k_proj.weight": "model-00005-of-00005.safetensors",
311
+ "model.layers.39.self_attn.o_proj.weight": "model-00005-of-00005.safetensors",
312
+ "model.layers.39.self_attn.q_proj.weight": "model-00005-of-00005.safetensors",
313
+ "model.layers.39.self_attn.v_proj.weight": "model-00005-of-00005.safetensors",
314
+ "model.layers.4.input_layernorm.weight": "model-00001-of-00005.safetensors",
315
+ "model.layers.4.mlp.down_proj.weight": "model-00001-of-00005.safetensors",
316
+ "model.layers.4.mlp.gate_proj.weight": "model-00001-of-00005.safetensors",
317
+ "model.layers.4.mlp.up_proj.weight": "model-00001-of-00005.safetensors",
318
+ "model.layers.4.post_attention_layernorm.weight": "model-00001-of-00005.safetensors",
319
+ "model.layers.4.self_attn.k_proj.weight": "model-00001-of-00005.safetensors",
320
+ "model.layers.4.self_attn.o_proj.weight": "model-00001-of-00005.safetensors",
321
+ "model.layers.4.self_attn.q_proj.weight": "model-00001-of-00005.safetensors",
322
+ "model.layers.4.self_attn.v_proj.weight": "model-00001-of-00005.safetensors",
323
+ "model.layers.5.input_layernorm.weight": "model-00001-of-00005.safetensors",
324
+ "model.layers.5.mlp.down_proj.weight": "model-00001-of-00005.safetensors",
325
+ "model.layers.5.mlp.gate_proj.weight": "model-00001-of-00005.safetensors",
326
+ "model.layers.5.mlp.up_proj.weight": "model-00001-of-00005.safetensors",
327
+ "model.layers.5.post_attention_layernorm.weight": "model-00001-of-00005.safetensors",
328
+ "model.layers.5.self_attn.k_proj.weight": "model-00001-of-00005.safetensors",
329
+ "model.layers.5.self_attn.o_proj.weight": "model-00001-of-00005.safetensors",
330
+ "model.layers.5.self_attn.q_proj.weight": "model-00001-of-00005.safetensors",
331
+ "model.layers.5.self_attn.v_proj.weight": "model-00001-of-00005.safetensors",
332
+ "model.layers.6.input_layernorm.weight": "model-00002-of-00005.safetensors",
333
+ "model.layers.6.mlp.down_proj.weight": "model-00002-of-00005.safetensors",
334
+ "model.layers.6.mlp.gate_proj.weight": "model-00001-of-00005.safetensors",
335
+ "model.layers.6.mlp.up_proj.weight": "model-00002-of-00005.safetensors",
336
+ "model.layers.6.post_attention_layernorm.weight": "model-00002-of-00005.safetensors",
337
+ "model.layers.6.self_attn.k_proj.weight": "model-00001-of-00005.safetensors",
338
+ "model.layers.6.self_attn.o_proj.weight": "model-00001-of-00005.safetensors",
339
+ "model.layers.6.self_attn.q_proj.weight": "model-00001-of-00005.safetensors",
340
+ "model.layers.6.self_attn.v_proj.weight": "model-00001-of-00005.safetensors",
341
+ "model.layers.7.input_layernorm.weight": "model-00002-of-00005.safetensors",
342
+ "model.layers.7.mlp.down_proj.weight": "model-00002-of-00005.safetensors",
343
+ "model.layers.7.mlp.gate_proj.weight": "model-00002-of-00005.safetensors",
344
+ "model.layers.7.mlp.up_proj.weight": "model-00002-of-00005.safetensors",
345
+ "model.layers.7.post_attention_layernorm.weight": "model-00002-of-00005.safetensors",
346
+ "model.layers.7.self_attn.k_proj.weight": "model-00002-of-00005.safetensors",
347
+ "model.layers.7.self_attn.o_proj.weight": "model-00002-of-00005.safetensors",
348
+ "model.layers.7.self_attn.q_proj.weight": "model-00002-of-00005.safetensors",
349
+ "model.layers.7.self_attn.v_proj.weight": "model-00002-of-00005.safetensors",
350
+ "model.layers.8.input_layernorm.weight": "model-00002-of-00005.safetensors",
351
+ "model.layers.8.mlp.down_proj.weight": "model-00002-of-00005.safetensors",
352
+ "model.layers.8.mlp.gate_proj.weight": "model-00002-of-00005.safetensors",
353
+ "model.layers.8.mlp.up_proj.weight": "model-00002-of-00005.safetensors",
354
+ "model.layers.8.post_attention_layernorm.weight": "model-00002-of-00005.safetensors",
355
+ "model.layers.8.self_attn.k_proj.weight": "model-00002-of-00005.safetensors",
356
+ "model.layers.8.self_attn.o_proj.weight": "model-00002-of-00005.safetensors",
357
+ "model.layers.8.self_attn.q_proj.weight": "model-00002-of-00005.safetensors",
358
+ "model.layers.8.self_attn.v_proj.weight": "model-00002-of-00005.safetensors",
359
+ "model.layers.9.input_layernorm.weight": "model-00002-of-00005.safetensors",
360
+ "model.layers.9.mlp.down_proj.weight": "model-00002-of-00005.safetensors",
361
+ "model.layers.9.mlp.gate_proj.weight": "model-00002-of-00005.safetensors",
362
+ "model.layers.9.mlp.up_proj.weight": "model-00002-of-00005.safetensors",
363
+ "model.layers.9.post_attention_layernorm.weight": "model-00002-of-00005.safetensors",
364
+ "model.layers.9.self_attn.k_proj.weight": "model-00002-of-00005.safetensors",
365
+ "model.layers.9.self_attn.o_proj.weight": "model-00002-of-00005.safetensors",
366
+ "model.layers.9.self_attn.q_proj.weight": "model-00002-of-00005.safetensors",
367
+ "model.layers.9.self_attn.v_proj.weight": "model-00002-of-00005.safetensors",
368
+ "model.norm.weight": "model-00005-of-00005.safetensors"
369
+ }
370
+ }
optimizer.pt ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:59f73a01e7b8613ae3c7333511b597d22b3d19ffc894d51a5d90de5e1d3f802d
3
+ size 1896
rng_state.pth ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:a22625c60bf14250424f99a809ffcecb5f25c776dd8079c8624dc295555b32c0
3
+ size 14244
scheduler.pt ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:5b340570070f57738b586f55d75aadf6bf3814fccb0b431875b2d337709f21e0
3
+ size 1000
special_tokens_map.json ADDED
@@ -0,0 +1,30 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "bos_token": {
3
+ "content": "<s>",
4
+ "lstrip": false,
5
+ "normalized": false,
6
+ "rstrip": false,
7
+ "single_word": false
8
+ },
9
+ "eos_token": {
10
+ "content": "</s>",
11
+ "lstrip": false,
12
+ "normalized": false,
13
+ "rstrip": false,
14
+ "single_word": false
15
+ },
16
+ "pad_token": {
17
+ "content": "<pad>",
18
+ "lstrip": false,
19
+ "normalized": false,
20
+ "rstrip": false,
21
+ "single_word": false
22
+ },
23
+ "unk_token": {
24
+ "content": "<unk>",
25
+ "lstrip": false,
26
+ "normalized": false,
27
+ "rstrip": false,
28
+ "single_word": false
29
+ }
30
+ }
tokenizer.json ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:b0240ce510f08e6c2041724e9043e33be9d251d1e4a4d94eb68cd47b954b61d2
3
+ size 17078292
tokenizer_config.json ADDED
The diff for this file is too large to render. See raw diff
 
trainer_state.json ADDED
@@ -0,0 +1,3658 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "best_global_step": null,
3
+ "best_metric": null,
4
+ "best_model_checkpoint": null,
5
+ "epoch": 4.0,
6
+ "eval_steps": 15,
7
+ "global_step": 480,
8
+ "is_hyper_param_search": false,
9
+ "is_local_process_zero": true,
10
+ "is_world_process_zero": true,
11
+ "log_history": [
12
+ {
13
+ "epoch": 0.008333333333333333,
14
+ "grad_norm": 0.0,
15
+ "learning_rate": 0.0,
16
+ "loss": 1.526,
17
+ "step": 1
18
+ },
19
+ {
20
+ "epoch": 0.008333333333333333,
21
+ "eval_loss": 1.5474084615707397,
22
+ "eval_runtime": 51.0772,
23
+ "eval_samples_per_second": 6.813,
24
+ "eval_steps_per_second": 1.703,
25
+ "step": 1
26
+ },
27
+ {
28
+ "epoch": 0.016666666666666666,
29
+ "grad_norm": 0.0,
30
+ "learning_rate": 4.4977777777777776e-07,
31
+ "loss": 1.5014,
32
+ "step": 2
33
+ },
34
+ {
35
+ "epoch": 0.025,
36
+ "grad_norm": 0.0,
37
+ "learning_rate": 8.995555555555555e-07,
38
+ "loss": 1.5439,
39
+ "step": 3
40
+ },
41
+ {
42
+ "epoch": 0.03333333333333333,
43
+ "grad_norm": 0.0,
44
+ "learning_rate": 1.3493333333333333e-06,
45
+ "loss": 1.5425,
46
+ "step": 4
47
+ },
48
+ {
49
+ "epoch": 0.041666666666666664,
50
+ "grad_norm": 0.0,
51
+ "learning_rate": 1.799111111111111e-06,
52
+ "loss": 1.4943,
53
+ "step": 5
54
+ },
55
+ {
56
+ "epoch": 0.05,
57
+ "grad_norm": 0.0,
58
+ "learning_rate": 2.2488888888888888e-06,
59
+ "loss": 1.4754,
60
+ "step": 6
61
+ },
62
+ {
63
+ "epoch": 0.058333333333333334,
64
+ "grad_norm": 0.0,
65
+ "learning_rate": 2.6986666666666667e-06,
66
+ "loss": 1.512,
67
+ "step": 7
68
+ },
69
+ {
70
+ "epoch": 0.06666666666666667,
71
+ "grad_norm": 0.0,
72
+ "learning_rate": 3.148444444444444e-06,
73
+ "loss": 1.5201,
74
+ "step": 8
75
+ },
76
+ {
77
+ "epoch": 0.075,
78
+ "grad_norm": 0.0,
79
+ "learning_rate": 3.598222222222222e-06,
80
+ "loss": 1.5314,
81
+ "step": 9
82
+ },
83
+ {
84
+ "epoch": 0.08333333333333333,
85
+ "grad_norm": 0.0,
86
+ "learning_rate": 4.048e-06,
87
+ "loss": 1.5345,
88
+ "step": 10
89
+ },
90
+ {
91
+ "epoch": 0.09166666666666666,
92
+ "grad_norm": 0.0,
93
+ "learning_rate": 4.4977777777777775e-06,
94
+ "loss": 1.5249,
95
+ "step": 11
96
+ },
97
+ {
98
+ "epoch": 0.1,
99
+ "grad_norm": 0.0,
100
+ "learning_rate": 4.947555555555556e-06,
101
+ "loss": 1.5374,
102
+ "step": 12
103
+ },
104
+ {
105
+ "epoch": 0.10833333333333334,
106
+ "grad_norm": 0.0,
107
+ "learning_rate": 5.397333333333333e-06,
108
+ "loss": 1.5302,
109
+ "step": 13
110
+ },
111
+ {
112
+ "epoch": 0.11666666666666667,
113
+ "grad_norm": 0.0,
114
+ "learning_rate": 5.84711111111111e-06,
115
+ "loss": 1.5337,
116
+ "step": 14
117
+ },
118
+ {
119
+ "epoch": 0.125,
120
+ "grad_norm": 0.0,
121
+ "learning_rate": 6.296888888888888e-06,
122
+ "loss": 1.5934,
123
+ "step": 15
124
+ },
125
+ {
126
+ "epoch": 0.125,
127
+ "eval_loss": 1.5472139120101929,
128
+ "eval_runtime": 51.0977,
129
+ "eval_samples_per_second": 6.81,
130
+ "eval_steps_per_second": 1.703,
131
+ "step": 15
132
+ },
133
+ {
134
+ "epoch": 0.13333333333333333,
135
+ "grad_norm": 0.0,
136
+ "learning_rate": 6.746666666666666e-06,
137
+ "loss": 1.5393,
138
+ "step": 16
139
+ },
140
+ {
141
+ "epoch": 0.14166666666666666,
142
+ "grad_norm": 0.0,
143
+ "learning_rate": 7.196444444444444e-06,
144
+ "loss": 1.4817,
145
+ "step": 17
146
+ },
147
+ {
148
+ "epoch": 0.15,
149
+ "grad_norm": 0.0,
150
+ "learning_rate": 7.646222222222223e-06,
151
+ "loss": 1.4649,
152
+ "step": 18
153
+ },
154
+ {
155
+ "epoch": 0.15833333333333333,
156
+ "grad_norm": 0.0,
157
+ "learning_rate": 8.096e-06,
158
+ "loss": 1.5251,
159
+ "step": 19
160
+ },
161
+ {
162
+ "epoch": 0.16666666666666666,
163
+ "grad_norm": 0.0,
164
+ "learning_rate": 8.545777777777778e-06,
165
+ "loss": 1.5871,
166
+ "step": 20
167
+ },
168
+ {
169
+ "epoch": 0.175,
170
+ "grad_norm": 0.0,
171
+ "learning_rate": 8.995555555555555e-06,
172
+ "loss": 1.4913,
173
+ "step": 21
174
+ },
175
+ {
176
+ "epoch": 0.18333333333333332,
177
+ "grad_norm": 0.0,
178
+ "learning_rate": 9.445333333333333e-06,
179
+ "loss": 1.5087,
180
+ "step": 22
181
+ },
182
+ {
183
+ "epoch": 0.19166666666666668,
184
+ "grad_norm": 0.0,
185
+ "learning_rate": 9.895111111111112e-06,
186
+ "loss": 1.5496,
187
+ "step": 23
188
+ },
189
+ {
190
+ "epoch": 0.2,
191
+ "grad_norm": 0.0,
192
+ "learning_rate": 1.034488888888889e-05,
193
+ "loss": 1.5448,
194
+ "step": 24
195
+ },
196
+ {
197
+ "epoch": 0.20833333333333334,
198
+ "grad_norm": 0.0,
199
+ "learning_rate": 1.0794666666666667e-05,
200
+ "loss": 1.5271,
201
+ "step": 25
202
+ },
203
+ {
204
+ "epoch": 0.21666666666666667,
205
+ "grad_norm": 0.0,
206
+ "learning_rate": 1.1244444444444443e-05,
207
+ "loss": 1.4988,
208
+ "step": 26
209
+ },
210
+ {
211
+ "epoch": 0.225,
212
+ "grad_norm": 0.0,
213
+ "learning_rate": 1.169422222222222e-05,
214
+ "loss": 1.5321,
215
+ "step": 27
216
+ },
217
+ {
218
+ "epoch": 0.23333333333333334,
219
+ "grad_norm": 0.0,
220
+ "learning_rate": 1.2144e-05,
221
+ "loss": 1.5705,
222
+ "step": 28
223
+ },
224
+ {
225
+ "epoch": 0.24166666666666667,
226
+ "grad_norm": 0.0,
227
+ "learning_rate": 1.2593777777777777e-05,
228
+ "loss": 1.5627,
229
+ "step": 29
230
+ },
231
+ {
232
+ "epoch": 0.25,
233
+ "grad_norm": 0.0,
234
+ "learning_rate": 1.3043555555555554e-05,
235
+ "loss": 1.5242,
236
+ "step": 30
237
+ },
238
+ {
239
+ "epoch": 0.25,
240
+ "eval_loss": 1.5454295873641968,
241
+ "eval_runtime": 248.2611,
242
+ "eval_samples_per_second": 1.402,
243
+ "eval_steps_per_second": 0.35,
244
+ "step": 30
245
+ },
246
+ {
247
+ "epoch": 0.25833333333333336,
248
+ "grad_norm": 0.0,
249
+ "learning_rate": 1.3493333333333332e-05,
250
+ "loss": 1.518,
251
+ "step": 31
252
+ },
253
+ {
254
+ "epoch": 0.26666666666666666,
255
+ "grad_norm": 0.0,
256
+ "learning_rate": 1.394311111111111e-05,
257
+ "loss": 1.5061,
258
+ "step": 32
259
+ },
260
+ {
261
+ "epoch": 0.275,
262
+ "grad_norm": 0.0,
263
+ "learning_rate": 1.4392888888888888e-05,
264
+ "loss": 1.5745,
265
+ "step": 33
266
+ },
267
+ {
268
+ "epoch": 0.2833333333333333,
269
+ "grad_norm": 0.0,
270
+ "learning_rate": 1.4842666666666666e-05,
271
+ "loss": 1.5419,
272
+ "step": 34
273
+ },
274
+ {
275
+ "epoch": 0.2916666666666667,
276
+ "grad_norm": 0.0,
277
+ "learning_rate": 1.5292444444444445e-05,
278
+ "loss": 1.5144,
279
+ "step": 35
280
+ },
281
+ {
282
+ "epoch": 0.3,
283
+ "grad_norm": 0.0,
284
+ "learning_rate": 1.574222222222222e-05,
285
+ "loss": 1.6139,
286
+ "step": 36
287
+ },
288
+ {
289
+ "epoch": 0.30833333333333335,
290
+ "grad_norm": 0.0,
291
+ "learning_rate": 1.6192e-05,
292
+ "loss": 1.5323,
293
+ "step": 37
294
+ },
295
+ {
296
+ "epoch": 0.31666666666666665,
297
+ "grad_norm": 0.0,
298
+ "learning_rate": 1.6641777777777776e-05,
299
+ "loss": 1.5314,
300
+ "step": 38
301
+ },
302
+ {
303
+ "epoch": 0.325,
304
+ "grad_norm": 0.0,
305
+ "learning_rate": 1.7091555555555555e-05,
306
+ "loss": 1.5425,
307
+ "step": 39
308
+ },
309
+ {
310
+ "epoch": 0.3333333333333333,
311
+ "grad_norm": 0.0,
312
+ "learning_rate": 1.7541333333333334e-05,
313
+ "loss": 1.5434,
314
+ "step": 40
315
+ },
316
+ {
317
+ "epoch": 0.3416666666666667,
318
+ "grad_norm": 0.0,
319
+ "learning_rate": 1.799111111111111e-05,
320
+ "loss": 1.4947,
321
+ "step": 41
322
+ },
323
+ {
324
+ "epoch": 0.35,
325
+ "grad_norm": 0.0,
326
+ "learning_rate": 1.844088888888889e-05,
327
+ "loss": 1.5593,
328
+ "step": 42
329
+ },
330
+ {
331
+ "epoch": 0.35833333333333334,
332
+ "grad_norm": 0.0,
333
+ "learning_rate": 1.8890666666666665e-05,
334
+ "loss": 1.5229,
335
+ "step": 43
336
+ },
337
+ {
338
+ "epoch": 0.36666666666666664,
339
+ "grad_norm": 0.0,
340
+ "learning_rate": 1.9340444444444444e-05,
341
+ "loss": 1.5871,
342
+ "step": 44
343
+ },
344
+ {
345
+ "epoch": 0.375,
346
+ "grad_norm": 0.0,
347
+ "learning_rate": 1.9790222222222224e-05,
348
+ "loss": 1.5296,
349
+ "step": 45
350
+ },
351
+ {
352
+ "epoch": 0.375,
353
+ "eval_loss": 1.5407556295394897,
354
+ "eval_runtime": 52.0428,
355
+ "eval_samples_per_second": 6.687,
356
+ "eval_steps_per_second": 1.672,
357
+ "step": 45
358
+ },
359
+ {
360
+ "epoch": 0.38333333333333336,
361
+ "grad_norm": 0.0,
362
+ "learning_rate": 2.024e-05,
363
+ "loss": 1.4733,
364
+ "step": 46
365
+ },
366
+ {
367
+ "epoch": 0.39166666666666666,
368
+ "grad_norm": 0.0,
369
+ "learning_rate": 2.068977777777778e-05,
370
+ "loss": 1.4505,
371
+ "step": 47
372
+ },
373
+ {
374
+ "epoch": 0.4,
375
+ "grad_norm": 0.0,
376
+ "learning_rate": 2.1139555555555554e-05,
377
+ "loss": 1.5306,
378
+ "step": 48
379
+ },
380
+ {
381
+ "epoch": 0.4083333333333333,
382
+ "grad_norm": 0.0,
383
+ "learning_rate": 2.1589333333333334e-05,
384
+ "loss": 1.5123,
385
+ "step": 49
386
+ },
387
+ {
388
+ "epoch": 0.4166666666666667,
389
+ "grad_norm": 0.0,
390
+ "learning_rate": 2.203911111111111e-05,
391
+ "loss": 1.5279,
392
+ "step": 50
393
+ },
394
+ {
395
+ "epoch": 0.425,
396
+ "grad_norm": 0.0,
397
+ "learning_rate": 2.2488888888888885e-05,
398
+ "loss": 1.5022,
399
+ "step": 51
400
+ },
401
+ {
402
+ "epoch": 0.43333333333333335,
403
+ "grad_norm": 0.0,
404
+ "learning_rate": 2.2938666666666664e-05,
405
+ "loss": 1.4849,
406
+ "step": 52
407
+ },
408
+ {
409
+ "epoch": 0.44166666666666665,
410
+ "grad_norm": 0.0,
411
+ "learning_rate": 2.338844444444444e-05,
412
+ "loss": 1.53,
413
+ "step": 53
414
+ },
415
+ {
416
+ "epoch": 0.45,
417
+ "grad_norm": 0.0,
418
+ "learning_rate": 2.383822222222222e-05,
419
+ "loss": 1.506,
420
+ "step": 54
421
+ },
422
+ {
423
+ "epoch": 0.4583333333333333,
424
+ "grad_norm": 0.0,
425
+ "learning_rate": 2.4288e-05,
426
+ "loss": 1.464,
427
+ "step": 55
428
+ },
429
+ {
430
+ "epoch": 0.4666666666666667,
431
+ "grad_norm": 0.0,
432
+ "learning_rate": 2.4737777777777774e-05,
433
+ "loss": 1.5027,
434
+ "step": 56
435
+ },
436
+ {
437
+ "epoch": 0.475,
438
+ "grad_norm": 0.0,
439
+ "learning_rate": 2.5187555555555554e-05,
440
+ "loss": 1.4537,
441
+ "step": 57
442
+ },
443
+ {
444
+ "epoch": 0.48333333333333334,
445
+ "grad_norm": 0.0,
446
+ "learning_rate": 2.5637333333333333e-05,
447
+ "loss": 1.5195,
448
+ "step": 58
449
+ },
450
+ {
451
+ "epoch": 0.49166666666666664,
452
+ "grad_norm": 0.0,
453
+ "learning_rate": 2.608711111111111e-05,
454
+ "loss": 1.4885,
455
+ "step": 59
456
+ },
457
+ {
458
+ "epoch": 0.5,
459
+ "grad_norm": 0.0,
460
+ "learning_rate": 2.653688888888889e-05,
461
+ "loss": 1.5087,
462
+ "step": 60
463
+ },
464
+ {
465
+ "epoch": 0.5,
466
+ "eval_loss": 1.5322431325912476,
467
+ "eval_runtime": 51.1758,
468
+ "eval_samples_per_second": 6.8,
469
+ "eval_steps_per_second": 1.7,
470
+ "step": 60
471
+ },
472
+ {
473
+ "epoch": 0.5083333333333333,
474
+ "grad_norm": 0.0,
475
+ "learning_rate": 2.6986666666666664e-05,
476
+ "loss": 1.5306,
477
+ "step": 61
478
+ },
479
+ {
480
+ "epoch": 0.5166666666666667,
481
+ "grad_norm": 0.0,
482
+ "learning_rate": 2.7436444444444446e-05,
483
+ "loss": 1.5116,
484
+ "step": 62
485
+ },
486
+ {
487
+ "epoch": 0.525,
488
+ "grad_norm": 0.0,
489
+ "learning_rate": 2.788622222222222e-05,
490
+ "loss": 1.4956,
491
+ "step": 63
492
+ },
493
+ {
494
+ "epoch": 0.5333333333333333,
495
+ "grad_norm": 0.0,
496
+ "learning_rate": 2.8336e-05,
497
+ "loss": 1.534,
498
+ "step": 64
499
+ },
500
+ {
501
+ "epoch": 0.5416666666666666,
502
+ "grad_norm": 0.0,
503
+ "learning_rate": 2.8785777777777777e-05,
504
+ "loss": 1.5333,
505
+ "step": 65
506
+ },
507
+ {
508
+ "epoch": 0.55,
509
+ "grad_norm": 0.0,
510
+ "learning_rate": 2.923555555555555e-05,
511
+ "loss": 1.4466,
512
+ "step": 66
513
+ },
514
+ {
515
+ "epoch": 0.5583333333333333,
516
+ "grad_norm": 0.0,
517
+ "learning_rate": 2.9685333333333332e-05,
518
+ "loss": 1.5071,
519
+ "step": 67
520
+ },
521
+ {
522
+ "epoch": 0.5666666666666667,
523
+ "grad_norm": 0.0,
524
+ "learning_rate": 3.0135111111111108e-05,
525
+ "loss": 1.5856,
526
+ "step": 68
527
+ },
528
+ {
529
+ "epoch": 0.575,
530
+ "grad_norm": 0.0,
531
+ "learning_rate": 3.058488888888889e-05,
532
+ "loss": 1.4685,
533
+ "step": 69
534
+ },
535
+ {
536
+ "epoch": 0.5833333333333334,
537
+ "grad_norm": 0.0,
538
+ "learning_rate": 3.103466666666666e-05,
539
+ "loss": 1.4647,
540
+ "step": 70
541
+ },
542
+ {
543
+ "epoch": 0.5916666666666667,
544
+ "grad_norm": 0.0,
545
+ "learning_rate": 3.148444444444444e-05,
546
+ "loss": 1.5198,
547
+ "step": 71
548
+ },
549
+ {
550
+ "epoch": 0.6,
551
+ "grad_norm": 0.0,
552
+ "learning_rate": 3.193422222222222e-05,
553
+ "loss": 1.529,
554
+ "step": 72
555
+ },
556
+ {
557
+ "epoch": 0.6083333333333333,
558
+ "grad_norm": 0.0,
559
+ "learning_rate": 3.2384e-05,
560
+ "loss": 1.5045,
561
+ "step": 73
562
+ },
563
+ {
564
+ "epoch": 0.6166666666666667,
565
+ "grad_norm": 0.0,
566
+ "learning_rate": 3.283377777777777e-05,
567
+ "loss": 1.5076,
568
+ "step": 74
569
+ },
570
+ {
571
+ "epoch": 0.625,
572
+ "grad_norm": 0.0,
573
+ "learning_rate": 3.328355555555555e-05,
574
+ "loss": 1.486,
575
+ "step": 75
576
+ },
577
+ {
578
+ "epoch": 0.625,
579
+ "eval_loss": 1.518750548362732,
580
+ "eval_runtime": 252.8012,
581
+ "eval_samples_per_second": 1.377,
582
+ "eval_steps_per_second": 0.344,
583
+ "step": 75
584
+ },
585
+ {
586
+ "epoch": 0.6333333333333333,
587
+ "grad_norm": 0.0,
588
+ "learning_rate": 3.373333333333333e-05,
589
+ "loss": 1.4644,
590
+ "step": 76
591
+ },
592
+ {
593
+ "epoch": 0.6416666666666667,
594
+ "grad_norm": 0.0,
595
+ "learning_rate": 3.418311111111111e-05,
596
+ "loss": 1.4745,
597
+ "step": 77
598
+ },
599
+ {
600
+ "epoch": 0.65,
601
+ "grad_norm": 0.0,
602
+ "learning_rate": 3.463288888888888e-05,
603
+ "loss": 1.492,
604
+ "step": 78
605
+ },
606
+ {
607
+ "epoch": 0.6583333333333333,
608
+ "grad_norm": 0.0,
609
+ "learning_rate": 3.508266666666667e-05,
610
+ "loss": 1.4565,
611
+ "step": 79
612
+ },
613
+ {
614
+ "epoch": 0.6666666666666666,
615
+ "grad_norm": 0.0,
616
+ "learning_rate": 3.553244444444444e-05,
617
+ "loss": 1.4523,
618
+ "step": 80
619
+ },
620
+ {
621
+ "epoch": 0.675,
622
+ "grad_norm": 0.0,
623
+ "learning_rate": 3.598222222222222e-05,
624
+ "loss": 1.509,
625
+ "step": 81
626
+ },
627
+ {
628
+ "epoch": 0.6833333333333333,
629
+ "grad_norm": 0.0,
630
+ "learning_rate": 3.6432e-05,
631
+ "loss": 1.4881,
632
+ "step": 82
633
+ },
634
+ {
635
+ "epoch": 0.6916666666666667,
636
+ "grad_norm": 0.0,
637
+ "learning_rate": 3.688177777777778e-05,
638
+ "loss": 1.4497,
639
+ "step": 83
640
+ },
641
+ {
642
+ "epoch": 0.7,
643
+ "grad_norm": 0.0,
644
+ "learning_rate": 3.733155555555555e-05,
645
+ "loss": 1.4833,
646
+ "step": 84
647
+ },
648
+ {
649
+ "epoch": 0.7083333333333334,
650
+ "grad_norm": 0.0,
651
+ "learning_rate": 3.778133333333333e-05,
652
+ "loss": 1.3969,
653
+ "step": 85
654
+ },
655
+ {
656
+ "epoch": 0.7166666666666667,
657
+ "grad_norm": 0.0,
658
+ "learning_rate": 3.823111111111111e-05,
659
+ "loss": 1.5271,
660
+ "step": 86
661
+ },
662
+ {
663
+ "epoch": 0.725,
664
+ "grad_norm": 0.0,
665
+ "learning_rate": 3.868088888888889e-05,
666
+ "loss": 1.5072,
667
+ "step": 87
668
+ },
669
+ {
670
+ "epoch": 0.7333333333333333,
671
+ "grad_norm": 0.0,
672
+ "learning_rate": 3.913066666666666e-05,
673
+ "loss": 1.501,
674
+ "step": 88
675
+ },
676
+ {
677
+ "epoch": 0.7416666666666667,
678
+ "grad_norm": 0.0,
679
+ "learning_rate": 3.958044444444445e-05,
680
+ "loss": 1.5138,
681
+ "step": 89
682
+ },
683
+ {
684
+ "epoch": 0.75,
685
+ "grad_norm": 0.0,
686
+ "learning_rate": 4.003022222222222e-05,
687
+ "loss": 1.4314,
688
+ "step": 90
689
+ },
690
+ {
691
+ "epoch": 0.75,
692
+ "eval_loss": 1.5005146265029907,
693
+ "eval_runtime": 52.2623,
694
+ "eval_samples_per_second": 6.659,
695
+ "eval_steps_per_second": 1.665,
696
+ "step": 90
697
+ },
698
+ {
699
+ "epoch": 0.7583333333333333,
700
+ "grad_norm": 0.0,
701
+ "learning_rate": 4.048e-05,
702
+ "loss": 1.5189,
703
+ "step": 91
704
+ },
705
+ {
706
+ "epoch": 0.7666666666666667,
707
+ "grad_norm": 0.0,
708
+ "learning_rate": 4.092977777777778e-05,
709
+ "loss": 1.4069,
710
+ "step": 92
711
+ },
712
+ {
713
+ "epoch": 0.775,
714
+ "grad_norm": 0.0,
715
+ "learning_rate": 4.137955555555556e-05,
716
+ "loss": 1.4648,
717
+ "step": 93
718
+ },
719
+ {
720
+ "epoch": 0.7833333333333333,
721
+ "grad_norm": 0.0,
722
+ "learning_rate": 4.182933333333333e-05,
723
+ "loss": 1.4731,
724
+ "step": 94
725
+ },
726
+ {
727
+ "epoch": 0.7916666666666666,
728
+ "grad_norm": 0.0,
729
+ "learning_rate": 4.227911111111111e-05,
730
+ "loss": 1.4628,
731
+ "step": 95
732
+ },
733
+ {
734
+ "epoch": 0.8,
735
+ "grad_norm": 0.0,
736
+ "learning_rate": 4.272888888888889e-05,
737
+ "loss": 1.4871,
738
+ "step": 96
739
+ },
740
+ {
741
+ "epoch": 0.8083333333333333,
742
+ "grad_norm": 0.0,
743
+ "learning_rate": 4.317866666666667e-05,
744
+ "loss": 1.4948,
745
+ "step": 97
746
+ },
747
+ {
748
+ "epoch": 0.8166666666666667,
749
+ "grad_norm": 0.0,
750
+ "learning_rate": 4.362844444444444e-05,
751
+ "loss": 1.4728,
752
+ "step": 98
753
+ },
754
+ {
755
+ "epoch": 0.825,
756
+ "grad_norm": 0.0,
757
+ "learning_rate": 4.407822222222222e-05,
758
+ "loss": 1.4434,
759
+ "step": 99
760
+ },
761
+ {
762
+ "epoch": 0.8333333333333334,
763
+ "grad_norm": 0.0,
764
+ "learning_rate": 4.4528e-05,
765
+ "loss": 1.5007,
766
+ "step": 100
767
+ },
768
+ {
769
+ "epoch": 0.8416666666666667,
770
+ "grad_norm": 0.0,
771
+ "learning_rate": 4.497777777777777e-05,
772
+ "loss": 1.5316,
773
+ "step": 101
774
+ },
775
+ {
776
+ "epoch": 0.85,
777
+ "grad_norm": 0.0,
778
+ "learning_rate": 4.5427555555555556e-05,
779
+ "loss": 1.4675,
780
+ "step": 102
781
+ },
782
+ {
783
+ "epoch": 0.8583333333333333,
784
+ "grad_norm": 0.0,
785
+ "learning_rate": 4.587733333333333e-05,
786
+ "loss": 1.5065,
787
+ "step": 103
788
+ },
789
+ {
790
+ "epoch": 0.8666666666666667,
791
+ "grad_norm": 0.0,
792
+ "learning_rate": 4.632711111111111e-05,
793
+ "loss": 1.4746,
794
+ "step": 104
795
+ },
796
+ {
797
+ "epoch": 0.875,
798
+ "grad_norm": 0.0,
799
+ "learning_rate": 4.677688888888888e-05,
800
+ "loss": 1.4311,
801
+ "step": 105
802
+ },
803
+ {
804
+ "epoch": 0.875,
805
+ "eval_loss": 1.4781609773635864,
806
+ "eval_runtime": 51.7297,
807
+ "eval_samples_per_second": 6.727,
808
+ "eval_steps_per_second": 1.682,
809
+ "step": 105
810
+ },
811
+ {
812
+ "epoch": 0.8833333333333333,
813
+ "grad_norm": 0.0,
814
+ "learning_rate": 4.7226666666666666e-05,
815
+ "loss": 1.4664,
816
+ "step": 106
817
+ },
818
+ {
819
+ "epoch": 0.8916666666666667,
820
+ "grad_norm": 0.0,
821
+ "learning_rate": 4.767644444444444e-05,
822
+ "loss": 1.4965,
823
+ "step": 107
824
+ },
825
+ {
826
+ "epoch": 0.9,
827
+ "grad_norm": 0.0,
828
+ "learning_rate": 4.812622222222222e-05,
829
+ "loss": 1.4625,
830
+ "step": 108
831
+ },
832
+ {
833
+ "epoch": 0.9083333333333333,
834
+ "grad_norm": 0.0,
835
+ "learning_rate": 4.8576e-05,
836
+ "loss": 1.4221,
837
+ "step": 109
838
+ },
839
+ {
840
+ "epoch": 0.9166666666666666,
841
+ "grad_norm": 0.0,
842
+ "learning_rate": 4.9025777777777776e-05,
843
+ "loss": 1.4426,
844
+ "step": 110
845
+ },
846
+ {
847
+ "epoch": 0.925,
848
+ "grad_norm": 0.0,
849
+ "learning_rate": 4.947555555555555e-05,
850
+ "loss": 1.4328,
851
+ "step": 111
852
+ },
853
+ {
854
+ "epoch": 0.9333333333333333,
855
+ "grad_norm": 0.0,
856
+ "learning_rate": 4.9925333333333335e-05,
857
+ "loss": 1.4366,
858
+ "step": 112
859
+ },
860
+ {
861
+ "epoch": 0.9416666666666667,
862
+ "grad_norm": 0.0,
863
+ "learning_rate": 5.037511111111111e-05,
864
+ "loss": 1.4369,
865
+ "step": 113
866
+ },
867
+ {
868
+ "epoch": 0.95,
869
+ "grad_norm": 0.0,
870
+ "learning_rate": 5.0824888888888886e-05,
871
+ "loss": 1.4578,
872
+ "step": 114
873
+ },
874
+ {
875
+ "epoch": 0.9583333333333334,
876
+ "grad_norm": 0.0,
877
+ "learning_rate": 5.1274666666666665e-05,
878
+ "loss": 1.4389,
879
+ "step": 115
880
+ },
881
+ {
882
+ "epoch": 0.9666666666666667,
883
+ "grad_norm": 0.0,
884
+ "learning_rate": 5.172444444444444e-05,
885
+ "loss": 1.3922,
886
+ "step": 116
887
+ },
888
+ {
889
+ "epoch": 0.975,
890
+ "grad_norm": 0.0,
891
+ "learning_rate": 5.217422222222222e-05,
892
+ "loss": 1.4112,
893
+ "step": 117
894
+ },
895
+ {
896
+ "epoch": 0.9833333333333333,
897
+ "grad_norm": 0.0,
898
+ "learning_rate": 5.2623999999999996e-05,
899
+ "loss": 1.3631,
900
+ "step": 118
901
+ },
902
+ {
903
+ "epoch": 0.9916666666666667,
904
+ "grad_norm": 0.0,
905
+ "learning_rate": 5.307377777777778e-05,
906
+ "loss": 1.5094,
907
+ "step": 119
908
+ },
909
+ {
910
+ "epoch": 1.0,
911
+ "grad_norm": 0.0,
912
+ "learning_rate": 5.352355555555555e-05,
913
+ "loss": 1.4532,
914
+ "step": 120
915
+ },
916
+ {
917
+ "epoch": 1.0,
918
+ "eval_loss": 1.4513498544692993,
919
+ "eval_runtime": 51.876,
920
+ "eval_samples_per_second": 6.708,
921
+ "eval_steps_per_second": 1.677,
922
+ "step": 120
923
+ },
924
+ {
925
+ "epoch": 1.0083333333333333,
926
+ "grad_norm": 0.0,
927
+ "learning_rate": 5.397333333333333e-05,
928
+ "loss": 1.4404,
929
+ "step": 121
930
+ },
931
+ {
932
+ "epoch": 1.0166666666666666,
933
+ "grad_norm": 0.0,
934
+ "learning_rate": 5.442311111111111e-05,
935
+ "loss": 1.4568,
936
+ "step": 122
937
+ },
938
+ {
939
+ "epoch": 1.025,
940
+ "grad_norm": 0.0,
941
+ "learning_rate": 5.487288888888889e-05,
942
+ "loss": 1.4,
943
+ "step": 123
944
+ },
945
+ {
946
+ "epoch": 1.0333333333333334,
947
+ "grad_norm": 0.0,
948
+ "learning_rate": 5.532266666666666e-05,
949
+ "loss": 1.3975,
950
+ "step": 124
951
+ },
952
+ {
953
+ "epoch": 1.0416666666666667,
954
+ "grad_norm": 0.0,
955
+ "learning_rate": 5.577244444444444e-05,
956
+ "loss": 1.4252,
957
+ "step": 125
958
+ },
959
+ {
960
+ "epoch": 1.05,
961
+ "grad_norm": 0.0,
962
+ "learning_rate": 5.622222222222222e-05,
963
+ "loss": 1.4129,
964
+ "step": 126
965
+ },
966
+ {
967
+ "epoch": 1.0583333333333333,
968
+ "grad_norm": 0.0,
969
+ "learning_rate": 5.6672e-05,
970
+ "loss": 1.3786,
971
+ "step": 127
972
+ },
973
+ {
974
+ "epoch": 1.0666666666666667,
975
+ "grad_norm": 0.0,
976
+ "learning_rate": 5.712177777777777e-05,
977
+ "loss": 1.3885,
978
+ "step": 128
979
+ },
980
+ {
981
+ "epoch": 1.075,
982
+ "grad_norm": 0.0,
983
+ "learning_rate": 5.7571555555555554e-05,
984
+ "loss": 1.4003,
985
+ "step": 129
986
+ },
987
+ {
988
+ "epoch": 1.0833333333333333,
989
+ "grad_norm": 0.0,
990
+ "learning_rate": 5.802133333333333e-05,
991
+ "loss": 1.4326,
992
+ "step": 130
993
+ },
994
+ {
995
+ "epoch": 1.0916666666666666,
996
+ "grad_norm": 0.0,
997
+ "learning_rate": 5.84711111111111e-05,
998
+ "loss": 1.4307,
999
+ "step": 131
1000
+ },
1001
+ {
1002
+ "epoch": 1.1,
1003
+ "grad_norm": 0.0,
1004
+ "learning_rate": 5.8920888888888885e-05,
1005
+ "loss": 1.3825,
1006
+ "step": 132
1007
+ },
1008
+ {
1009
+ "epoch": 1.1083333333333334,
1010
+ "grad_norm": 0.0,
1011
+ "learning_rate": 5.9370666666666664e-05,
1012
+ "loss": 1.386,
1013
+ "step": 133
1014
+ },
1015
+ {
1016
+ "epoch": 1.1166666666666667,
1017
+ "grad_norm": 0.0,
1018
+ "learning_rate": 5.982044444444444e-05,
1019
+ "loss": 1.4151,
1020
+ "step": 134
1021
+ },
1022
+ {
1023
+ "epoch": 1.125,
1024
+ "grad_norm": 0.0,
1025
+ "learning_rate": 6.0270222222222215e-05,
1026
+ "loss": 1.4215,
1027
+ "step": 135
1028
+ },
1029
+ {
1030
+ "epoch": 1.125,
1031
+ "eval_loss": 1.4197664260864258,
1032
+ "eval_runtime": 52.8834,
1033
+ "eval_samples_per_second": 6.581,
1034
+ "eval_steps_per_second": 1.645,
1035
+ "step": 135
1036
+ },
1037
+ {
1038
+ "epoch": 1.1333333333333333,
1039
+ "grad_norm": 0.0,
1040
+ "learning_rate": 6.0719999999999995e-05,
1041
+ "loss": 1.4243,
1042
+ "step": 136
1043
+ },
1044
+ {
1045
+ "epoch": 1.1416666666666666,
1046
+ "grad_norm": 0.0,
1047
+ "learning_rate": 6.116977777777778e-05,
1048
+ "loss": 1.4043,
1049
+ "step": 137
1050
+ },
1051
+ {
1052
+ "epoch": 1.15,
1053
+ "grad_norm": 0.0,
1054
+ "learning_rate": 6.161955555555556e-05,
1055
+ "loss": 1.4151,
1056
+ "step": 138
1057
+ },
1058
+ {
1059
+ "epoch": 1.1583333333333332,
1060
+ "grad_norm": 0.0,
1061
+ "learning_rate": 6.206933333333333e-05,
1062
+ "loss": 1.3896,
1063
+ "step": 139
1064
+ },
1065
+ {
1066
+ "epoch": 1.1666666666666667,
1067
+ "grad_norm": 0.0,
1068
+ "learning_rate": 6.25191111111111e-05,
1069
+ "loss": 1.3517,
1070
+ "step": 140
1071
+ },
1072
+ {
1073
+ "epoch": 1.175,
1074
+ "grad_norm": 0.0,
1075
+ "learning_rate": 6.296888888888888e-05,
1076
+ "loss": 1.3464,
1077
+ "step": 141
1078
+ },
1079
+ {
1080
+ "epoch": 1.1833333333333333,
1081
+ "grad_norm": 0.0,
1082
+ "learning_rate": 6.341866666666666e-05,
1083
+ "loss": 1.3561,
1084
+ "step": 142
1085
+ },
1086
+ {
1087
+ "epoch": 1.1916666666666667,
1088
+ "grad_norm": 0.0,
1089
+ "learning_rate": 6.386844444444444e-05,
1090
+ "loss": 1.3916,
1091
+ "step": 143
1092
+ },
1093
+ {
1094
+ "epoch": 1.2,
1095
+ "grad_norm": 0.0,
1096
+ "learning_rate": 6.431822222222222e-05,
1097
+ "loss": 1.4341,
1098
+ "step": 144
1099
+ },
1100
+ {
1101
+ "epoch": 1.2083333333333333,
1102
+ "grad_norm": 0.0,
1103
+ "learning_rate": 6.4768e-05,
1104
+ "loss": 1.3477,
1105
+ "step": 145
1106
+ },
1107
+ {
1108
+ "epoch": 1.2166666666666668,
1109
+ "grad_norm": 0.0,
1110
+ "learning_rate": 6.521777777777778e-05,
1111
+ "loss": 1.3531,
1112
+ "step": 146
1113
+ },
1114
+ {
1115
+ "epoch": 1.225,
1116
+ "grad_norm": 0.0,
1117
+ "learning_rate": 6.566755555555555e-05,
1118
+ "loss": 1.3493,
1119
+ "step": 147
1120
+ },
1121
+ {
1122
+ "epoch": 1.2333333333333334,
1123
+ "grad_norm": 0.0,
1124
+ "learning_rate": 6.611733333333332e-05,
1125
+ "loss": 1.36,
1126
+ "step": 148
1127
+ },
1128
+ {
1129
+ "epoch": 1.2416666666666667,
1130
+ "grad_norm": 0.0,
1131
+ "learning_rate": 6.65671111111111e-05,
1132
+ "loss": 1.4211,
1133
+ "step": 149
1134
+ },
1135
+ {
1136
+ "epoch": 1.25,
1137
+ "grad_norm": 0.0,
1138
+ "learning_rate": 6.701688888888888e-05,
1139
+ "loss": 1.3248,
1140
+ "step": 150
1141
+ },
1142
+ {
1143
+ "epoch": 1.25,
1144
+ "eval_loss": 1.3825478553771973,
1145
+ "eval_runtime": 251.4211,
1146
+ "eval_samples_per_second": 1.384,
1147
+ "eval_steps_per_second": 0.346,
1148
+ "step": 150
1149
+ },
1150
+ {
1151
+ "epoch": 1.2583333333333333,
1152
+ "grad_norm": 0.0,
1153
+ "learning_rate": 6.746666666666666e-05,
1154
+ "loss": 1.3772,
1155
+ "step": 151
1156
+ },
1157
+ {
1158
+ "epoch": 1.2666666666666666,
1159
+ "grad_norm": 0.0,
1160
+ "learning_rate": 6.791644444444444e-05,
1161
+ "loss": 1.3688,
1162
+ "step": 152
1163
+ },
1164
+ {
1165
+ "epoch": 1.275,
1166
+ "grad_norm": 0.0,
1167
+ "learning_rate": 6.836622222222222e-05,
1168
+ "loss": 1.3748,
1169
+ "step": 153
1170
+ },
1171
+ {
1172
+ "epoch": 1.2833333333333332,
1173
+ "grad_norm": 0.0,
1174
+ "learning_rate": 6.8816e-05,
1175
+ "loss": 1.3449,
1176
+ "step": 154
1177
+ },
1178
+ {
1179
+ "epoch": 1.2916666666666667,
1180
+ "grad_norm": 0.0,
1181
+ "learning_rate": 6.926577777777777e-05,
1182
+ "loss": 1.287,
1183
+ "step": 155
1184
+ },
1185
+ {
1186
+ "epoch": 1.3,
1187
+ "grad_norm": 0.0,
1188
+ "learning_rate": 6.971555555555554e-05,
1189
+ "loss": 1.3463,
1190
+ "step": 156
1191
+ },
1192
+ {
1193
+ "epoch": 1.3083333333333333,
1194
+ "grad_norm": 0.0,
1195
+ "learning_rate": 7.016533333333334e-05,
1196
+ "loss": 1.3471,
1197
+ "step": 157
1198
+ },
1199
+ {
1200
+ "epoch": 1.3166666666666667,
1201
+ "grad_norm": 0.0,
1202
+ "learning_rate": 7.061511111111112e-05,
1203
+ "loss": 1.3299,
1204
+ "step": 158
1205
+ },
1206
+ {
1207
+ "epoch": 1.325,
1208
+ "grad_norm": 0.0,
1209
+ "learning_rate": 7.106488888888888e-05,
1210
+ "loss": 1.2756,
1211
+ "step": 159
1212
+ },
1213
+ {
1214
+ "epoch": 1.3333333333333333,
1215
+ "grad_norm": 0.0,
1216
+ "learning_rate": 7.151466666666666e-05,
1217
+ "loss": 1.3004,
1218
+ "step": 160
1219
+ },
1220
+ {
1221
+ "epoch": 1.3416666666666668,
1222
+ "grad_norm": 0.0,
1223
+ "learning_rate": 7.196444444444444e-05,
1224
+ "loss": 1.3671,
1225
+ "step": 161
1226
+ },
1227
+ {
1228
+ "epoch": 1.35,
1229
+ "grad_norm": 0.0,
1230
+ "learning_rate": 7.24142222222222e-05,
1231
+ "loss": 1.3603,
1232
+ "step": 162
1233
+ },
1234
+ {
1235
+ "epoch": 1.3583333333333334,
1236
+ "grad_norm": 0.0,
1237
+ "learning_rate": 7.2864e-05,
1238
+ "loss": 1.2986,
1239
+ "step": 163
1240
+ },
1241
+ {
1242
+ "epoch": 1.3666666666666667,
1243
+ "grad_norm": 0.0,
1244
+ "learning_rate": 7.331377777777778e-05,
1245
+ "loss": 1.2886,
1246
+ "step": 164
1247
+ },
1248
+ {
1249
+ "epoch": 1.375,
1250
+ "grad_norm": 0.0,
1251
+ "learning_rate": 7.376355555555556e-05,
1252
+ "loss": 1.2697,
1253
+ "step": 165
1254
+ },
1255
+ {
1256
+ "epoch": 1.375,
1257
+ "eval_loss": 1.3386281728744507,
1258
+ "eval_runtime": 51.4045,
1259
+ "eval_samples_per_second": 6.77,
1260
+ "eval_steps_per_second": 1.692,
1261
+ "step": 165
1262
+ },
1263
+ {
1264
+ "epoch": 1.3833333333333333,
1265
+ "grad_norm": 0.0,
1266
+ "learning_rate": 7.421333333333332e-05,
1267
+ "loss": 1.309,
1268
+ "step": 166
1269
+ },
1270
+ {
1271
+ "epoch": 1.3916666666666666,
1272
+ "grad_norm": 0.0,
1273
+ "learning_rate": 7.46631111111111e-05,
1274
+ "loss": 1.3718,
1275
+ "step": 167
1276
+ },
1277
+ {
1278
+ "epoch": 1.4,
1279
+ "grad_norm": 0.0,
1280
+ "learning_rate": 7.511288888888888e-05,
1281
+ "loss": 1.3298,
1282
+ "step": 168
1283
+ },
1284
+ {
1285
+ "epoch": 1.4083333333333332,
1286
+ "grad_norm": 0.0,
1287
+ "learning_rate": 7.556266666666666e-05,
1288
+ "loss": 1.3085,
1289
+ "step": 169
1290
+ },
1291
+ {
1292
+ "epoch": 1.4166666666666667,
1293
+ "grad_norm": 0.0,
1294
+ "learning_rate": 7.601244444444444e-05,
1295
+ "loss": 1.2769,
1296
+ "step": 170
1297
+ },
1298
+ {
1299
+ "epoch": 1.425,
1300
+ "grad_norm": 0.0,
1301
+ "learning_rate": 7.646222222222222e-05,
1302
+ "loss": 1.2899,
1303
+ "step": 171
1304
+ },
1305
+ {
1306
+ "epoch": 1.4333333333333333,
1307
+ "grad_norm": 0.0,
1308
+ "learning_rate": 7.6912e-05,
1309
+ "loss": 1.2973,
1310
+ "step": 172
1311
+ },
1312
+ {
1313
+ "epoch": 1.4416666666666667,
1314
+ "grad_norm": 0.0,
1315
+ "learning_rate": 7.736177777777778e-05,
1316
+ "loss": 1.2527,
1317
+ "step": 173
1318
+ },
1319
+ {
1320
+ "epoch": 1.45,
1321
+ "grad_norm": 0.0,
1322
+ "learning_rate": 7.781155555555554e-05,
1323
+ "loss": 1.2881,
1324
+ "step": 174
1325
+ },
1326
+ {
1327
+ "epoch": 1.4583333333333333,
1328
+ "grad_norm": 0.0,
1329
+ "learning_rate": 7.826133333333332e-05,
1330
+ "loss": 1.295,
1331
+ "step": 175
1332
+ },
1333
+ {
1334
+ "epoch": 1.4666666666666668,
1335
+ "grad_norm": 0.0,
1336
+ "learning_rate": 7.87111111111111e-05,
1337
+ "loss": 1.2682,
1338
+ "step": 176
1339
+ },
1340
+ {
1341
+ "epoch": 1.475,
1342
+ "grad_norm": 0.0,
1343
+ "learning_rate": 7.91608888888889e-05,
1344
+ "loss": 1.252,
1345
+ "step": 177
1346
+ },
1347
+ {
1348
+ "epoch": 1.4833333333333334,
1349
+ "grad_norm": 0.0,
1350
+ "learning_rate": 7.961066666666666e-05,
1351
+ "loss": 1.2956,
1352
+ "step": 178
1353
+ },
1354
+ {
1355
+ "epoch": 1.4916666666666667,
1356
+ "grad_norm": 0.0,
1357
+ "learning_rate": 8.006044444444444e-05,
1358
+ "loss": 1.2992,
1359
+ "step": 179
1360
+ },
1361
+ {
1362
+ "epoch": 1.5,
1363
+ "grad_norm": 0.0,
1364
+ "learning_rate": 8.051022222222222e-05,
1365
+ "loss": 1.3281,
1366
+ "step": 180
1367
+ },
1368
+ {
1369
+ "epoch": 1.5,
1370
+ "eval_loss": 1.2880223989486694,
1371
+ "eval_runtime": 51.0745,
1372
+ "eval_samples_per_second": 6.814,
1373
+ "eval_steps_per_second": 1.703,
1374
+ "step": 180
1375
+ },
1376
+ {
1377
+ "epoch": 1.5083333333333333,
1378
+ "grad_norm": 0.0,
1379
+ "learning_rate": 8.096e-05,
1380
+ "loss": 1.2675,
1381
+ "step": 181
1382
+ },
1383
+ {
1384
+ "epoch": 1.5166666666666666,
1385
+ "grad_norm": 0.0,
1386
+ "learning_rate": 8.140977777777776e-05,
1387
+ "loss": 1.2795,
1388
+ "step": 182
1389
+ },
1390
+ {
1391
+ "epoch": 1.525,
1392
+ "grad_norm": 0.0,
1393
+ "learning_rate": 8.185955555555556e-05,
1394
+ "loss": 1.2808,
1395
+ "step": 183
1396
+ },
1397
+ {
1398
+ "epoch": 1.5333333333333332,
1399
+ "grad_norm": 0.0,
1400
+ "learning_rate": 8.230933333333333e-05,
1401
+ "loss": 1.2468,
1402
+ "step": 184
1403
+ },
1404
+ {
1405
+ "epoch": 1.5416666666666665,
1406
+ "grad_norm": 0.0,
1407
+ "learning_rate": 8.275911111111111e-05,
1408
+ "loss": 1.2866,
1409
+ "step": 185
1410
+ },
1411
+ {
1412
+ "epoch": 1.55,
1413
+ "grad_norm": 0.0,
1414
+ "learning_rate": 8.320888888888888e-05,
1415
+ "loss": 1.2381,
1416
+ "step": 186
1417
+ },
1418
+ {
1419
+ "epoch": 1.5583333333333333,
1420
+ "grad_norm": 0.0,
1421
+ "learning_rate": 8.365866666666666e-05,
1422
+ "loss": 1.2302,
1423
+ "step": 187
1424
+ },
1425
+ {
1426
+ "epoch": 1.5666666666666667,
1427
+ "grad_norm": 0.0,
1428
+ "learning_rate": 8.410844444444444e-05,
1429
+ "loss": 1.2575,
1430
+ "step": 188
1431
+ },
1432
+ {
1433
+ "epoch": 1.575,
1434
+ "grad_norm": 0.0,
1435
+ "learning_rate": 8.455822222222222e-05,
1436
+ "loss": 1.2615,
1437
+ "step": 189
1438
+ },
1439
+ {
1440
+ "epoch": 1.5833333333333335,
1441
+ "grad_norm": 0.0,
1442
+ "learning_rate": 8.5008e-05,
1443
+ "loss": 1.2348,
1444
+ "step": 190
1445
+ },
1446
+ {
1447
+ "epoch": 1.5916666666666668,
1448
+ "grad_norm": 0.0,
1449
+ "learning_rate": 8.545777777777778e-05,
1450
+ "loss": 1.2485,
1451
+ "step": 191
1452
+ },
1453
+ {
1454
+ "epoch": 1.6,
1455
+ "grad_norm": 0.0,
1456
+ "learning_rate": 8.590755555555555e-05,
1457
+ "loss": 1.2423,
1458
+ "step": 192
1459
+ },
1460
+ {
1461
+ "epoch": 1.6083333333333334,
1462
+ "grad_norm": 0.0,
1463
+ "learning_rate": 8.635733333333333e-05,
1464
+ "loss": 1.2538,
1465
+ "step": 193
1466
+ },
1467
+ {
1468
+ "epoch": 1.6166666666666667,
1469
+ "grad_norm": 0.0,
1470
+ "learning_rate": 8.68071111111111e-05,
1471
+ "loss": 1.2584,
1472
+ "step": 194
1473
+ },
1474
+ {
1475
+ "epoch": 1.625,
1476
+ "grad_norm": 0.0,
1477
+ "learning_rate": 8.725688888888888e-05,
1478
+ "loss": 1.2428,
1479
+ "step": 195
1480
+ },
1481
+ {
1482
+ "epoch": 1.625,
1483
+ "eval_loss": 1.2295665740966797,
1484
+ "eval_runtime": 50.7122,
1485
+ "eval_samples_per_second": 6.862,
1486
+ "eval_steps_per_second": 1.716,
1487
+ "step": 195
1488
+ },
1489
+ {
1490
+ "epoch": 1.6333333333333333,
1491
+ "grad_norm": 0.0,
1492
+ "learning_rate": 8.770666666666666e-05,
1493
+ "loss": 1.2075,
1494
+ "step": 196
1495
+ },
1496
+ {
1497
+ "epoch": 1.6416666666666666,
1498
+ "grad_norm": 0.0,
1499
+ "learning_rate": 8.815644444444444e-05,
1500
+ "loss": 1.2134,
1501
+ "step": 197
1502
+ },
1503
+ {
1504
+ "epoch": 1.65,
1505
+ "grad_norm": 0.0,
1506
+ "learning_rate": 8.860622222222222e-05,
1507
+ "loss": 1.2102,
1508
+ "step": 198
1509
+ },
1510
+ {
1511
+ "epoch": 1.6583333333333332,
1512
+ "grad_norm": 0.0,
1513
+ "learning_rate": 8.9056e-05,
1514
+ "loss": 1.2551,
1515
+ "step": 199
1516
+ },
1517
+ {
1518
+ "epoch": 1.6666666666666665,
1519
+ "grad_norm": 0.0,
1520
+ "learning_rate": 8.950577777777777e-05,
1521
+ "loss": 1.1577,
1522
+ "step": 200
1523
+ },
1524
+ {
1525
+ "epoch": 1.675,
1526
+ "grad_norm": 0.0,
1527
+ "learning_rate": 8.995555555555554e-05,
1528
+ "loss": 1.204,
1529
+ "step": 201
1530
+ },
1531
+ {
1532
+ "epoch": 1.6833333333333333,
1533
+ "grad_norm": 0.0,
1534
+ "learning_rate": 9.040533333333332e-05,
1535
+ "loss": 1.2207,
1536
+ "step": 202
1537
+ },
1538
+ {
1539
+ "epoch": 1.6916666666666667,
1540
+ "grad_norm": 0.0,
1541
+ "learning_rate": 9.085511111111111e-05,
1542
+ "loss": 1.2284,
1543
+ "step": 203
1544
+ },
1545
+ {
1546
+ "epoch": 1.7,
1547
+ "grad_norm": 0.0,
1548
+ "learning_rate": 9.130488888888889e-05,
1549
+ "loss": 1.1487,
1550
+ "step": 204
1551
+ },
1552
+ {
1553
+ "epoch": 1.7083333333333335,
1554
+ "grad_norm": 0.0,
1555
+ "learning_rate": 9.175466666666666e-05,
1556
+ "loss": 1.1269,
1557
+ "step": 205
1558
+ },
1559
+ {
1560
+ "epoch": 1.7166666666666668,
1561
+ "grad_norm": 0.0,
1562
+ "learning_rate": 9.220444444444444e-05,
1563
+ "loss": 1.1483,
1564
+ "step": 206
1565
+ },
1566
+ {
1567
+ "epoch": 1.725,
1568
+ "grad_norm": 0.0,
1569
+ "learning_rate": 9.265422222222222e-05,
1570
+ "loss": 1.1776,
1571
+ "step": 207
1572
+ },
1573
+ {
1574
+ "epoch": 1.7333333333333334,
1575
+ "grad_norm": 0.0,
1576
+ "learning_rate": 9.3104e-05,
1577
+ "loss": 1.1678,
1578
+ "step": 208
1579
+ },
1580
+ {
1581
+ "epoch": 1.7416666666666667,
1582
+ "grad_norm": 0.0,
1583
+ "learning_rate": 9.355377777777776e-05,
1584
+ "loss": 1.1634,
1585
+ "step": 209
1586
+ },
1587
+ {
1588
+ "epoch": 1.75,
1589
+ "grad_norm": 0.0,
1590
+ "learning_rate": 9.400355555555555e-05,
1591
+ "loss": 1.1533,
1592
+ "step": 210
1593
+ },
1594
+ {
1595
+ "epoch": 1.75,
1596
+ "eval_loss": 1.1595572233200073,
1597
+ "eval_runtime": 50.6903,
1598
+ "eval_samples_per_second": 6.865,
1599
+ "eval_steps_per_second": 1.716,
1600
+ "step": 210
1601
+ },
1602
+ {
1603
+ "epoch": 1.7583333333333333,
1604
+ "grad_norm": 0.0,
1605
+ "learning_rate": 9.445333333333333e-05,
1606
+ "loss": 1.1765,
1607
+ "step": 211
1608
+ },
1609
+ {
1610
+ "epoch": 1.7666666666666666,
1611
+ "grad_norm": 0.0,
1612
+ "learning_rate": 9.490311111111111e-05,
1613
+ "loss": 1.1806,
1614
+ "step": 212
1615
+ },
1616
+ {
1617
+ "epoch": 1.775,
1618
+ "grad_norm": 0.0,
1619
+ "learning_rate": 9.535288888888888e-05,
1620
+ "loss": 1.0863,
1621
+ "step": 213
1622
+ },
1623
+ {
1624
+ "epoch": 1.7833333333333332,
1625
+ "grad_norm": 0.0,
1626
+ "learning_rate": 9.580266666666666e-05,
1627
+ "loss": 1.0531,
1628
+ "step": 214
1629
+ },
1630
+ {
1631
+ "epoch": 1.7916666666666665,
1632
+ "grad_norm": 0.0,
1633
+ "learning_rate": 9.625244444444444e-05,
1634
+ "loss": 1.1368,
1635
+ "step": 215
1636
+ },
1637
+ {
1638
+ "epoch": 1.8,
1639
+ "grad_norm": 0.0,
1640
+ "learning_rate": 9.670222222222221e-05,
1641
+ "loss": 1.1326,
1642
+ "step": 216
1643
+ },
1644
+ {
1645
+ "epoch": 1.8083333333333333,
1646
+ "grad_norm": 0.0,
1647
+ "learning_rate": 9.7152e-05,
1648
+ "loss": 1.0474,
1649
+ "step": 217
1650
+ },
1651
+ {
1652
+ "epoch": 1.8166666666666667,
1653
+ "grad_norm": 0.0,
1654
+ "learning_rate": 9.760177777777777e-05,
1655
+ "loss": 1.1472,
1656
+ "step": 218
1657
+ },
1658
+ {
1659
+ "epoch": 1.825,
1660
+ "grad_norm": 0.0,
1661
+ "learning_rate": 9.805155555555555e-05,
1662
+ "loss": 1.0939,
1663
+ "step": 219
1664
+ },
1665
+ {
1666
+ "epoch": 1.8333333333333335,
1667
+ "grad_norm": 0.0,
1668
+ "learning_rate": 9.850133333333333e-05,
1669
+ "loss": 1.1182,
1670
+ "step": 220
1671
+ },
1672
+ {
1673
+ "epoch": 1.8416666666666668,
1674
+ "grad_norm": 0.0,
1675
+ "learning_rate": 9.89511111111111e-05,
1676
+ "loss": 1.0607,
1677
+ "step": 221
1678
+ },
1679
+ {
1680
+ "epoch": 1.85,
1681
+ "grad_norm": 0.0,
1682
+ "learning_rate": 9.940088888888888e-05,
1683
+ "loss": 1.0638,
1684
+ "step": 222
1685
+ },
1686
+ {
1687
+ "epoch": 1.8583333333333334,
1688
+ "grad_norm": 0.0,
1689
+ "learning_rate": 9.985066666666667e-05,
1690
+ "loss": 1.1084,
1691
+ "step": 223
1692
+ },
1693
+ {
1694
+ "epoch": 1.8666666666666667,
1695
+ "grad_norm": 0.0,
1696
+ "learning_rate": 0.00010030044444444445,
1697
+ "loss": 1.1307,
1698
+ "step": 224
1699
+ },
1700
+ {
1701
+ "epoch": 1.875,
1702
+ "grad_norm": 0.0,
1703
+ "learning_rate": 0.00010075022222222221,
1704
+ "loss": 1.1038,
1705
+ "step": 225
1706
+ },
1707
+ {
1708
+ "epoch": 1.875,
1709
+ "eval_loss": 1.0747346878051758,
1710
+ "eval_runtime": 255.4172,
1711
+ "eval_samples_per_second": 1.362,
1712
+ "eval_steps_per_second": 0.341,
1713
+ "step": 225
1714
+ },
1715
+ {
1716
+ "epoch": 1.8833333333333333,
1717
+ "grad_norm": 0.0,
1718
+ "learning_rate": 0.0001012,
1719
+ "loss": 1.0009,
1720
+ "step": 226
1721
+ },
1722
+ {
1723
+ "epoch": 1.8916666666666666,
1724
+ "grad_norm": 0.0,
1725
+ "learning_rate": 0.00010164977777777777,
1726
+ "loss": 1.0833,
1727
+ "step": 227
1728
+ },
1729
+ {
1730
+ "epoch": 1.9,
1731
+ "grad_norm": 0.0,
1732
+ "learning_rate": 0.00010209955555555555,
1733
+ "loss": 0.988,
1734
+ "step": 228
1735
+ },
1736
+ {
1737
+ "epoch": 1.9083333333333332,
1738
+ "grad_norm": 0.0,
1739
+ "learning_rate": 0.00010254933333333333,
1740
+ "loss": 1.09,
1741
+ "step": 229
1742
+ },
1743
+ {
1744
+ "epoch": 1.9166666666666665,
1745
+ "grad_norm": 0.0,
1746
+ "learning_rate": 0.0001029991111111111,
1747
+ "loss": 1.0349,
1748
+ "step": 230
1749
+ },
1750
+ {
1751
+ "epoch": 1.925,
1752
+ "grad_norm": 0.0,
1753
+ "learning_rate": 0.00010344888888888888,
1754
+ "loss": 1.0041,
1755
+ "step": 231
1756
+ },
1757
+ {
1758
+ "epoch": 1.9333333333333333,
1759
+ "grad_norm": 0.0,
1760
+ "learning_rate": 0.00010389866666666665,
1761
+ "loss": 0.9742,
1762
+ "step": 232
1763
+ },
1764
+ {
1765
+ "epoch": 1.9416666666666667,
1766
+ "grad_norm": 0.0,
1767
+ "learning_rate": 0.00010434844444444443,
1768
+ "loss": 0.9292,
1769
+ "step": 233
1770
+ },
1771
+ {
1772
+ "epoch": 1.95,
1773
+ "grad_norm": 0.0,
1774
+ "learning_rate": 0.00010479822222222221,
1775
+ "loss": 0.928,
1776
+ "step": 234
1777
+ },
1778
+ {
1779
+ "epoch": 1.9583333333333335,
1780
+ "grad_norm": 0.0,
1781
+ "learning_rate": 0.00010524799999999999,
1782
+ "loss": 1.0144,
1783
+ "step": 235
1784
+ },
1785
+ {
1786
+ "epoch": 1.9666666666666668,
1787
+ "grad_norm": 0.0,
1788
+ "learning_rate": 0.00010569777777777777,
1789
+ "loss": 1.0108,
1790
+ "step": 236
1791
+ },
1792
+ {
1793
+ "epoch": 1.975,
1794
+ "grad_norm": 0.0,
1795
+ "learning_rate": 0.00010614755555555556,
1796
+ "loss": 1.0626,
1797
+ "step": 237
1798
+ },
1799
+ {
1800
+ "epoch": 1.9833333333333334,
1801
+ "grad_norm": 0.0,
1802
+ "learning_rate": 0.00010659733333333332,
1803
+ "loss": 0.9509,
1804
+ "step": 238
1805
+ },
1806
+ {
1807
+ "epoch": 1.9916666666666667,
1808
+ "grad_norm": 0.0,
1809
+ "learning_rate": 0.0001070471111111111,
1810
+ "loss": 0.9915,
1811
+ "step": 239
1812
+ },
1813
+ {
1814
+ "epoch": 2.0,
1815
+ "grad_norm": 0.0,
1816
+ "learning_rate": 0.00010749688888888887,
1817
+ "loss": 1.0226,
1818
+ "step": 240
1819
+ },
1820
+ {
1821
+ "epoch": 2.0,
1822
+ "eval_loss": 0.972268283367157,
1823
+ "eval_runtime": 51.4444,
1824
+ "eval_samples_per_second": 6.765,
1825
+ "eval_steps_per_second": 1.691,
1826
+ "step": 240
1827
+ },
1828
+ {
1829
+ "epoch": 2.0083333333333333,
1830
+ "grad_norm": 0.0,
1831
+ "learning_rate": 0.00010794666666666665,
1832
+ "loss": 0.9277,
1833
+ "step": 241
1834
+ },
1835
+ {
1836
+ "epoch": 2.0166666666666666,
1837
+ "grad_norm": 0.0,
1838
+ "learning_rate": 0.00010839644444444443,
1839
+ "loss": 0.9722,
1840
+ "step": 242
1841
+ },
1842
+ {
1843
+ "epoch": 2.025,
1844
+ "grad_norm": 0.0,
1845
+ "learning_rate": 0.00010884622222222223,
1846
+ "loss": 0.9218,
1847
+ "step": 243
1848
+ },
1849
+ {
1850
+ "epoch": 2.033333333333333,
1851
+ "grad_norm": 0.0,
1852
+ "learning_rate": 0.000109296,
1853
+ "loss": 0.9367,
1854
+ "step": 244
1855
+ },
1856
+ {
1857
+ "epoch": 2.0416666666666665,
1858
+ "grad_norm": 0.0,
1859
+ "learning_rate": 0.00010974577777777778,
1860
+ "loss": 0.8274,
1861
+ "step": 245
1862
+ },
1863
+ {
1864
+ "epoch": 2.05,
1865
+ "grad_norm": 0.0,
1866
+ "learning_rate": 0.00011019555555555554,
1867
+ "loss": 0.8959,
1868
+ "step": 246
1869
+ },
1870
+ {
1871
+ "epoch": 2.058333333333333,
1872
+ "grad_norm": 0.0,
1873
+ "learning_rate": 0.00011064533333333332,
1874
+ "loss": 0.9004,
1875
+ "step": 247
1876
+ },
1877
+ {
1878
+ "epoch": 2.066666666666667,
1879
+ "grad_norm": 0.0,
1880
+ "learning_rate": 0.0001110951111111111,
1881
+ "loss": 0.8918,
1882
+ "step": 248
1883
+ },
1884
+ {
1885
+ "epoch": 2.075,
1886
+ "grad_norm": 0.0,
1887
+ "learning_rate": 0.00011154488888888887,
1888
+ "loss": 0.8621,
1889
+ "step": 249
1890
+ },
1891
+ {
1892
+ "epoch": 2.0833333333333335,
1893
+ "grad_norm": 0.0,
1894
+ "learning_rate": 0.00011199466666666667,
1895
+ "loss": 0.8836,
1896
+ "step": 250
1897
+ },
1898
+ {
1899
+ "epoch": 2.091666666666667,
1900
+ "grad_norm": 0.0,
1901
+ "learning_rate": 0.00011244444444444445,
1902
+ "loss": 0.865,
1903
+ "step": 251
1904
+ },
1905
+ {
1906
+ "epoch": 2.1,
1907
+ "grad_norm": 0.0,
1908
+ "learning_rate": 0.00011289422222222223,
1909
+ "loss": 0.9642,
1910
+ "step": 252
1911
+ },
1912
+ {
1913
+ "epoch": 2.1083333333333334,
1914
+ "grad_norm": 0.0,
1915
+ "learning_rate": 0.000113344,
1916
+ "loss": 0.8609,
1917
+ "step": 253
1918
+ },
1919
+ {
1920
+ "epoch": 2.1166666666666667,
1921
+ "grad_norm": 0.0,
1922
+ "learning_rate": 0.00011379377777777776,
1923
+ "loss": 0.8087,
1924
+ "step": 254
1925
+ },
1926
+ {
1927
+ "epoch": 2.125,
1928
+ "grad_norm": 0.0,
1929
+ "learning_rate": 0.00011424355555555554,
1930
+ "loss": 0.8858,
1931
+ "step": 255
1932
+ },
1933
+ {
1934
+ "epoch": 2.125,
1935
+ "eval_loss": 0.846684455871582,
1936
+ "eval_runtime": 51.0779,
1937
+ "eval_samples_per_second": 6.813,
1938
+ "eval_steps_per_second": 1.703,
1939
+ "step": 255
1940
+ },
1941
+ {
1942
+ "epoch": 2.1333333333333333,
1943
+ "grad_norm": 0.0,
1944
+ "learning_rate": 0.00011469333333333333,
1945
+ "loss": 0.8042,
1946
+ "step": 256
1947
+ },
1948
+ {
1949
+ "epoch": 2.1416666666666666,
1950
+ "grad_norm": 0.0,
1951
+ "learning_rate": 0.00011514311111111111,
1952
+ "loss": 0.8711,
1953
+ "step": 257
1954
+ },
1955
+ {
1956
+ "epoch": 2.15,
1957
+ "grad_norm": 0.0,
1958
+ "learning_rate": 0.00011559288888888889,
1959
+ "loss": 0.7992,
1960
+ "step": 258
1961
+ },
1962
+ {
1963
+ "epoch": 2.158333333333333,
1964
+ "grad_norm": 0.0,
1965
+ "learning_rate": 0.00011604266666666667,
1966
+ "loss": 0.7791,
1967
+ "step": 259
1968
+ },
1969
+ {
1970
+ "epoch": 2.1666666666666665,
1971
+ "grad_norm": 0.0,
1972
+ "learning_rate": 0.00011649244444444445,
1973
+ "loss": 0.8519,
1974
+ "step": 260
1975
+ },
1976
+ {
1977
+ "epoch": 2.175,
1978
+ "grad_norm": 0.0,
1979
+ "learning_rate": 0.0001169422222222222,
1980
+ "loss": 0.8146,
1981
+ "step": 261
1982
+ },
1983
+ {
1984
+ "epoch": 2.183333333333333,
1985
+ "grad_norm": 0.0,
1986
+ "learning_rate": 0.00011739199999999999,
1987
+ "loss": 0.7742,
1988
+ "step": 262
1989
+ },
1990
+ {
1991
+ "epoch": 2.191666666666667,
1992
+ "grad_norm": 0.0,
1993
+ "learning_rate": 0.00011784177777777777,
1994
+ "loss": 0.7654,
1995
+ "step": 263
1996
+ },
1997
+ {
1998
+ "epoch": 2.2,
1999
+ "grad_norm": 0.0,
2000
+ "learning_rate": 0.00011829155555555555,
2001
+ "loss": 0.8774,
2002
+ "step": 264
2003
+ },
2004
+ {
2005
+ "epoch": 2.2083333333333335,
2006
+ "grad_norm": 0.0,
2007
+ "learning_rate": 0.00011874133333333333,
2008
+ "loss": 0.7404,
2009
+ "step": 265
2010
+ },
2011
+ {
2012
+ "epoch": 2.216666666666667,
2013
+ "grad_norm": 0.0,
2014
+ "learning_rate": 0.00011919111111111111,
2015
+ "loss": 0.7323,
2016
+ "step": 266
2017
+ },
2018
+ {
2019
+ "epoch": 2.225,
2020
+ "grad_norm": 0.0,
2021
+ "learning_rate": 0.00011964088888888889,
2022
+ "loss": 0.7127,
2023
+ "step": 267
2024
+ },
2025
+ {
2026
+ "epoch": 2.2333333333333334,
2027
+ "grad_norm": 0.0,
2028
+ "learning_rate": 0.00012009066666666667,
2029
+ "loss": 0.6607,
2030
+ "step": 268
2031
+ },
2032
+ {
2033
+ "epoch": 2.2416666666666667,
2034
+ "grad_norm": 0.0,
2035
+ "learning_rate": 0.00012054044444444443,
2036
+ "loss": 0.646,
2037
+ "step": 269
2038
+ },
2039
+ {
2040
+ "epoch": 2.25,
2041
+ "grad_norm": 0.0,
2042
+ "learning_rate": 0.00012099022222222221,
2043
+ "loss": 0.6762,
2044
+ "step": 270
2045
+ },
2046
+ {
2047
+ "epoch": 2.25,
2048
+ "eval_loss": 0.7046697735786438,
2049
+ "eval_runtime": 50.8887,
2050
+ "eval_samples_per_second": 6.838,
2051
+ "eval_steps_per_second": 1.71,
2052
+ "step": 270
2053
+ },
2054
+ {
2055
+ "epoch": 2.2583333333333333,
2056
+ "grad_norm": 0.0,
2057
+ "learning_rate": 0.00012143999999999999,
2058
+ "loss": 0.6996,
2059
+ "step": 271
2060
+ },
2061
+ {
2062
+ "epoch": 2.2666666666666666,
2063
+ "grad_norm": 0.0,
2064
+ "learning_rate": 0.00012188977777777777,
2065
+ "loss": 0.6455,
2066
+ "step": 272
2067
+ },
2068
+ {
2069
+ "epoch": 2.275,
2070
+ "grad_norm": 0.0,
2071
+ "learning_rate": 0.00012233955555555556,
2072
+ "loss": 0.6921,
2073
+ "step": 273
2074
+ },
2075
+ {
2076
+ "epoch": 2.283333333333333,
2077
+ "grad_norm": 0.0,
2078
+ "learning_rate": 0.00012278933333333334,
2079
+ "loss": 0.6742,
2080
+ "step": 274
2081
+ },
2082
+ {
2083
+ "epoch": 2.2916666666666665,
2084
+ "grad_norm": 0.0,
2085
+ "learning_rate": 0.00012323911111111112,
2086
+ "loss": 0.6279,
2087
+ "step": 275
2088
+ },
2089
+ {
2090
+ "epoch": 2.3,
2091
+ "grad_norm": 0.0,
2092
+ "learning_rate": 0.0001236888888888889,
2093
+ "loss": 0.7929,
2094
+ "step": 276
2095
+ },
2096
+ {
2097
+ "epoch": 2.3083333333333336,
2098
+ "grad_norm": 0.0,
2099
+ "learning_rate": 0.00012413866666666665,
2100
+ "loss": 0.6639,
2101
+ "step": 277
2102
+ },
2103
+ {
2104
+ "epoch": 2.3166666666666664,
2105
+ "grad_norm": 0.0,
2106
+ "learning_rate": 0.00012458844444444443,
2107
+ "loss": 0.6605,
2108
+ "step": 278
2109
+ },
2110
+ {
2111
+ "epoch": 2.325,
2112
+ "grad_norm": 0.0,
2113
+ "learning_rate": 0.0001250382222222222,
2114
+ "loss": 0.5845,
2115
+ "step": 279
2116
+ },
2117
+ {
2118
+ "epoch": 2.3333333333333335,
2119
+ "grad_norm": 0.0,
2120
+ "learning_rate": 0.000125488,
2121
+ "loss": 0.6247,
2122
+ "step": 280
2123
+ },
2124
+ {
2125
+ "epoch": 2.341666666666667,
2126
+ "grad_norm": 0.0,
2127
+ "learning_rate": 0.00012593777777777777,
2128
+ "loss": 0.4523,
2129
+ "step": 281
2130
+ },
2131
+ {
2132
+ "epoch": 2.35,
2133
+ "grad_norm": 0.0,
2134
+ "learning_rate": 0.00012638755555555555,
2135
+ "loss": 0.5853,
2136
+ "step": 282
2137
+ },
2138
+ {
2139
+ "epoch": 2.3583333333333334,
2140
+ "grad_norm": 0.0,
2141
+ "learning_rate": 0.00012683733333333333,
2142
+ "loss": 0.6273,
2143
+ "step": 283
2144
+ },
2145
+ {
2146
+ "epoch": 2.3666666666666667,
2147
+ "grad_norm": 0.0,
2148
+ "learning_rate": 0.0001272871111111111,
2149
+ "loss": 0.5683,
2150
+ "step": 284
2151
+ },
2152
+ {
2153
+ "epoch": 2.375,
2154
+ "grad_norm": 0.0,
2155
+ "learning_rate": 0.00012773688888888888,
2156
+ "loss": 0.6433,
2157
+ "step": 285
2158
+ },
2159
+ {
2160
+ "epoch": 2.375,
2161
+ "eval_loss": 0.5625634789466858,
2162
+ "eval_runtime": 50.9753,
2163
+ "eval_samples_per_second": 6.827,
2164
+ "eval_steps_per_second": 1.707,
2165
+ "step": 285
2166
+ },
2167
+ {
2168
+ "epoch": 2.3833333333333333,
2169
+ "grad_norm": 0.0,
2170
+ "learning_rate": 0.00012818666666666666,
2171
+ "loss": 0.5822,
2172
+ "step": 286
2173
+ },
2174
+ {
2175
+ "epoch": 2.3916666666666666,
2176
+ "grad_norm": 0.0,
2177
+ "learning_rate": 0.00012863644444444444,
2178
+ "loss": 0.4468,
2179
+ "step": 287
2180
+ },
2181
+ {
2182
+ "epoch": 2.4,
2183
+ "grad_norm": 0.0,
2184
+ "learning_rate": 0.00012908622222222222,
2185
+ "loss": 0.5196,
2186
+ "step": 288
2187
+ },
2188
+ {
2189
+ "epoch": 2.408333333333333,
2190
+ "grad_norm": 0.0,
2191
+ "learning_rate": 0.000129536,
2192
+ "loss": 0.4841,
2193
+ "step": 289
2194
+ },
2195
+ {
2196
+ "epoch": 2.4166666666666665,
2197
+ "grad_norm": 0.0,
2198
+ "learning_rate": 0.00012998577777777778,
2199
+ "loss": 0.4961,
2200
+ "step": 290
2201
+ },
2202
+ {
2203
+ "epoch": 2.425,
2204
+ "grad_norm": 0.0,
2205
+ "learning_rate": 0.00013043555555555556,
2206
+ "loss": 0.5136,
2207
+ "step": 291
2208
+ },
2209
+ {
2210
+ "epoch": 2.4333333333333336,
2211
+ "grad_norm": 0.0,
2212
+ "learning_rate": 0.0001308853333333333,
2213
+ "loss": 0.4812,
2214
+ "step": 292
2215
+ },
2216
+ {
2217
+ "epoch": 2.4416666666666664,
2218
+ "grad_norm": 0.0,
2219
+ "learning_rate": 0.0001313351111111111,
2220
+ "loss": 0.4673,
2221
+ "step": 293
2222
+ },
2223
+ {
2224
+ "epoch": 2.45,
2225
+ "grad_norm": 0.0,
2226
+ "learning_rate": 0.00013178488888888887,
2227
+ "loss": 0.5054,
2228
+ "step": 294
2229
+ },
2230
+ {
2231
+ "epoch": 2.4583333333333335,
2232
+ "grad_norm": 0.0,
2233
+ "learning_rate": 0.00013223466666666665,
2234
+ "loss": 0.4696,
2235
+ "step": 295
2236
+ },
2237
+ {
2238
+ "epoch": 2.466666666666667,
2239
+ "grad_norm": 0.0,
2240
+ "learning_rate": 0.00013268444444444443,
2241
+ "loss": 0.4592,
2242
+ "step": 296
2243
+ },
2244
+ {
2245
+ "epoch": 2.475,
2246
+ "grad_norm": 0.0,
2247
+ "learning_rate": 0.0001331342222222222,
2248
+ "loss": 0.3636,
2249
+ "step": 297
2250
+ },
2251
+ {
2252
+ "epoch": 2.4833333333333334,
2253
+ "grad_norm": 0.0,
2254
+ "learning_rate": 0.000133584,
2255
+ "loss": 0.4435,
2256
+ "step": 298
2257
+ },
2258
+ {
2259
+ "epoch": 2.4916666666666667,
2260
+ "grad_norm": 0.0,
2261
+ "learning_rate": 0.00013403377777777777,
2262
+ "loss": 0.3361,
2263
+ "step": 299
2264
+ },
2265
+ {
2266
+ "epoch": 2.5,
2267
+ "grad_norm": 0.0,
2268
+ "learning_rate": 0.00013448355555555555,
2269
+ "loss": 0.4017,
2270
+ "step": 300
2271
+ },
2272
+ {
2273
+ "epoch": 2.5,
2274
+ "eval_loss": 0.4282567501068115,
2275
+ "eval_runtime": 252.3827,
2276
+ "eval_samples_per_second": 1.379,
2277
+ "eval_steps_per_second": 0.345,
2278
+ "step": 300
2279
+ },
2280
+ {
2281
+ "epoch": 2.5083333333333333,
2282
+ "grad_norm": 0.0,
2283
+ "learning_rate": 0.00013493333333333332,
2284
+ "loss": 0.4392,
2285
+ "step": 301
2286
+ },
2287
+ {
2288
+ "epoch": 2.5166666666666666,
2289
+ "grad_norm": 0.0,
2290
+ "learning_rate": 0.0001353831111111111,
2291
+ "loss": 0.3808,
2292
+ "step": 302
2293
+ },
2294
+ {
2295
+ "epoch": 2.525,
2296
+ "grad_norm": 0.0,
2297
+ "learning_rate": 0.00013583288888888888,
2298
+ "loss": 0.3371,
2299
+ "step": 303
2300
+ },
2301
+ {
2302
+ "epoch": 2.533333333333333,
2303
+ "grad_norm": 0.0,
2304
+ "learning_rate": 0.00013628266666666666,
2305
+ "loss": 0.3787,
2306
+ "step": 304
2307
+ },
2308
+ {
2309
+ "epoch": 2.5416666666666665,
2310
+ "grad_norm": 0.0,
2311
+ "learning_rate": 0.00013673244444444444,
2312
+ "loss": 0.4086,
2313
+ "step": 305
2314
+ },
2315
+ {
2316
+ "epoch": 2.55,
2317
+ "grad_norm": 0.0,
2318
+ "learning_rate": 0.00013718222222222222,
2319
+ "loss": 0.3443,
2320
+ "step": 306
2321
+ },
2322
+ {
2323
+ "epoch": 2.5583333333333336,
2324
+ "grad_norm": 0.0,
2325
+ "learning_rate": 0.000137632,
2326
+ "loss": 0.4022,
2327
+ "step": 307
2328
+ },
2329
+ {
2330
+ "epoch": 2.5666666666666664,
2331
+ "grad_norm": 0.0,
2332
+ "learning_rate": 0.00013808177777777775,
2333
+ "loss": 0.3197,
2334
+ "step": 308
2335
+ },
2336
+ {
2337
+ "epoch": 2.575,
2338
+ "grad_norm": 0.0,
2339
+ "learning_rate": 0.00013853155555555553,
2340
+ "loss": 0.3359,
2341
+ "step": 309
2342
+ },
2343
+ {
2344
+ "epoch": 2.5833333333333335,
2345
+ "grad_norm": 0.0,
2346
+ "learning_rate": 0.0001389813333333333,
2347
+ "loss": 0.2779,
2348
+ "step": 310
2349
+ },
2350
+ {
2351
+ "epoch": 2.591666666666667,
2352
+ "grad_norm": 0.0,
2353
+ "learning_rate": 0.0001394311111111111,
2354
+ "loss": 0.429,
2355
+ "step": 311
2356
+ },
2357
+ {
2358
+ "epoch": 2.6,
2359
+ "grad_norm": 0.0,
2360
+ "learning_rate": 0.00013988088888888887,
2361
+ "loss": 0.3277,
2362
+ "step": 312
2363
+ },
2364
+ {
2365
+ "epoch": 2.6083333333333334,
2366
+ "grad_norm": 0.0,
2367
+ "learning_rate": 0.00014033066666666667,
2368
+ "loss": 0.2395,
2369
+ "step": 313
2370
+ },
2371
+ {
2372
+ "epoch": 2.6166666666666667,
2373
+ "grad_norm": 0.0,
2374
+ "learning_rate": 0.00014078044444444445,
2375
+ "loss": 0.3491,
2376
+ "step": 314
2377
+ },
2378
+ {
2379
+ "epoch": 2.625,
2380
+ "grad_norm": 0.0,
2381
+ "learning_rate": 0.00014123022222222223,
2382
+ "loss": 0.2875,
2383
+ "step": 315
2384
+ },
2385
+ {
2386
+ "epoch": 2.625,
2387
+ "eval_loss": 0.3071797490119934,
2388
+ "eval_runtime": 51.0753,
2389
+ "eval_samples_per_second": 6.813,
2390
+ "eval_steps_per_second": 1.703,
2391
+ "step": 315
2392
+ },
2393
+ {
2394
+ "epoch": 2.6333333333333333,
2395
+ "grad_norm": 0.0,
2396
+ "learning_rate": 0.00014167999999999999,
2397
+ "loss": 0.2592,
2398
+ "step": 316
2399
+ },
2400
+ {
2401
+ "epoch": 2.6416666666666666,
2402
+ "grad_norm": 0.0,
2403
+ "learning_rate": 0.00014212977777777776,
2404
+ "loss": 0.2913,
2405
+ "step": 317
2406
+ },
2407
+ {
2408
+ "epoch": 2.65,
2409
+ "grad_norm": 0.0,
2410
+ "learning_rate": 0.00014257955555555554,
2411
+ "loss": 0.2966,
2412
+ "step": 318
2413
+ },
2414
+ {
2415
+ "epoch": 2.658333333333333,
2416
+ "grad_norm": 0.0,
2417
+ "learning_rate": 0.00014302933333333332,
2418
+ "loss": 0.2124,
2419
+ "step": 319
2420
+ },
2421
+ {
2422
+ "epoch": 2.6666666666666665,
2423
+ "grad_norm": 0.0,
2424
+ "learning_rate": 0.0001434791111111111,
2425
+ "loss": 0.2457,
2426
+ "step": 320
2427
+ },
2428
+ {
2429
+ "epoch": 2.675,
2430
+ "grad_norm": 0.0,
2431
+ "learning_rate": 0.00014392888888888888,
2432
+ "loss": 0.2307,
2433
+ "step": 321
2434
+ },
2435
+ {
2436
+ "epoch": 2.6833333333333336,
2437
+ "grad_norm": 0.0,
2438
+ "learning_rate": 0.00014437866666666666,
2439
+ "loss": 0.2576,
2440
+ "step": 322
2441
+ },
2442
+ {
2443
+ "epoch": 2.6916666666666664,
2444
+ "grad_norm": 0.0,
2445
+ "learning_rate": 0.0001448284444444444,
2446
+ "loss": 0.2424,
2447
+ "step": 323
2448
+ },
2449
+ {
2450
+ "epoch": 2.7,
2451
+ "grad_norm": 0.0,
2452
+ "learning_rate": 0.0001452782222222222,
2453
+ "loss": 0.1742,
2454
+ "step": 324
2455
+ },
2456
+ {
2457
+ "epoch": 2.7083333333333335,
2458
+ "grad_norm": 0.0,
2459
+ "learning_rate": 0.000145728,
2460
+ "loss": 0.3034,
2461
+ "step": 325
2462
+ },
2463
+ {
2464
+ "epoch": 2.716666666666667,
2465
+ "grad_norm": 0.0,
2466
+ "learning_rate": 0.00014617777777777778,
2467
+ "loss": 0.2638,
2468
+ "step": 326
2469
+ },
2470
+ {
2471
+ "epoch": 2.725,
2472
+ "grad_norm": 0.0,
2473
+ "learning_rate": 0.00014662755555555556,
2474
+ "loss": 0.1894,
2475
+ "step": 327
2476
+ },
2477
+ {
2478
+ "epoch": 2.7333333333333334,
2479
+ "grad_norm": 0.0,
2480
+ "learning_rate": 0.00014707733333333334,
2481
+ "loss": 0.2501,
2482
+ "step": 328
2483
+ },
2484
+ {
2485
+ "epoch": 2.7416666666666667,
2486
+ "grad_norm": 0.0,
2487
+ "learning_rate": 0.00014752711111111111,
2488
+ "loss": 0.2122,
2489
+ "step": 329
2490
+ },
2491
+ {
2492
+ "epoch": 2.75,
2493
+ "grad_norm": 0.0,
2494
+ "learning_rate": 0.0001479768888888889,
2495
+ "loss": 0.2244,
2496
+ "step": 330
2497
+ },
2498
+ {
2499
+ "epoch": 2.75,
2500
+ "eval_loss": 0.2161068469285965,
2501
+ "eval_runtime": 51.8399,
2502
+ "eval_samples_per_second": 6.713,
2503
+ "eval_steps_per_second": 1.678,
2504
+ "step": 330
2505
+ },
2506
+ {
2507
+ "epoch": 2.7583333333333333,
2508
+ "grad_norm": 0.0,
2509
+ "learning_rate": 0.00014842666666666665,
2510
+ "loss": 0.2604,
2511
+ "step": 331
2512
+ },
2513
+ {
2514
+ "epoch": 2.7666666666666666,
2515
+ "grad_norm": 0.0,
2516
+ "learning_rate": 0.00014887644444444443,
2517
+ "loss": 0.1889,
2518
+ "step": 332
2519
+ },
2520
+ {
2521
+ "epoch": 2.775,
2522
+ "grad_norm": 0.0,
2523
+ "learning_rate": 0.0001493262222222222,
2524
+ "loss": 0.1788,
2525
+ "step": 333
2526
+ },
2527
+ {
2528
+ "epoch": 2.783333333333333,
2529
+ "grad_norm": 0.0,
2530
+ "learning_rate": 0.00014977599999999998,
2531
+ "loss": 0.1456,
2532
+ "step": 334
2533
+ },
2534
+ {
2535
+ "epoch": 2.7916666666666665,
2536
+ "grad_norm": 0.0,
2537
+ "learning_rate": 0.00015022577777777776,
2538
+ "loss": 0.1661,
2539
+ "step": 335
2540
+ },
2541
+ {
2542
+ "epoch": 2.8,
2543
+ "grad_norm": 0.0,
2544
+ "learning_rate": 0.00015067555555555554,
2545
+ "loss": 0.1385,
2546
+ "step": 336
2547
+ },
2548
+ {
2549
+ "epoch": 2.8083333333333336,
2550
+ "grad_norm": 0.0,
2551
+ "learning_rate": 0.00015112533333333332,
2552
+ "loss": 0.1814,
2553
+ "step": 337
2554
+ },
2555
+ {
2556
+ "epoch": 2.8166666666666664,
2557
+ "grad_norm": 0.0,
2558
+ "learning_rate": 0.0001515751111111111,
2559
+ "loss": 0.1759,
2560
+ "step": 338
2561
+ },
2562
+ {
2563
+ "epoch": 2.825,
2564
+ "grad_norm": 0.0,
2565
+ "learning_rate": 0.00015202488888888888,
2566
+ "loss": 0.1617,
2567
+ "step": 339
2568
+ },
2569
+ {
2570
+ "epoch": 2.8333333333333335,
2571
+ "grad_norm": 0.0,
2572
+ "learning_rate": 0.00015247466666666666,
2573
+ "loss": 0.1349,
2574
+ "step": 340
2575
+ },
2576
+ {
2577
+ "epoch": 2.841666666666667,
2578
+ "grad_norm": 0.0,
2579
+ "learning_rate": 0.00015292444444444444,
2580
+ "loss": 0.1328,
2581
+ "step": 341
2582
+ },
2583
+ {
2584
+ "epoch": 2.85,
2585
+ "grad_norm": 0.0,
2586
+ "learning_rate": 0.00015337422222222222,
2587
+ "loss": 0.1514,
2588
+ "step": 342
2589
+ },
2590
+ {
2591
+ "epoch": 2.8583333333333334,
2592
+ "grad_norm": 0.0,
2593
+ "learning_rate": 0.000153824,
2594
+ "loss": 0.1381,
2595
+ "step": 343
2596
+ },
2597
+ {
2598
+ "epoch": 2.8666666666666667,
2599
+ "grad_norm": 0.0,
2600
+ "learning_rate": 0.00015427377777777778,
2601
+ "loss": 0.1481,
2602
+ "step": 344
2603
+ },
2604
+ {
2605
+ "epoch": 2.875,
2606
+ "grad_norm": 0.0,
2607
+ "learning_rate": 0.00015472355555555555,
2608
+ "loss": 0.1445,
2609
+ "step": 345
2610
+ },
2611
+ {
2612
+ "epoch": 2.875,
2613
+ "eval_loss": 0.15719802677631378,
2614
+ "eval_runtime": 256.0801,
2615
+ "eval_samples_per_second": 1.359,
2616
+ "eval_steps_per_second": 0.34,
2617
+ "step": 345
2618
+ },
2619
+ {
2620
+ "epoch": 2.8833333333333333,
2621
+ "grad_norm": 0.0,
2622
+ "learning_rate": 0.00015517333333333333,
2623
+ "loss": 0.1037,
2624
+ "step": 346
2625
+ },
2626
+ {
2627
+ "epoch": 2.8916666666666666,
2628
+ "grad_norm": 0.0,
2629
+ "learning_rate": 0.00015562311111111109,
2630
+ "loss": 0.1447,
2631
+ "step": 347
2632
+ },
2633
+ {
2634
+ "epoch": 2.9,
2635
+ "grad_norm": 0.0,
2636
+ "learning_rate": 0.00015607288888888887,
2637
+ "loss": 0.1325,
2638
+ "step": 348
2639
+ },
2640
+ {
2641
+ "epoch": 2.908333333333333,
2642
+ "grad_norm": 0.0,
2643
+ "learning_rate": 0.00015652266666666664,
2644
+ "loss": 0.1515,
2645
+ "step": 349
2646
+ },
2647
+ {
2648
+ "epoch": 2.9166666666666665,
2649
+ "grad_norm": 0.0,
2650
+ "learning_rate": 0.00015697244444444442,
2651
+ "loss": 0.1425,
2652
+ "step": 350
2653
+ },
2654
+ {
2655
+ "epoch": 2.925,
2656
+ "grad_norm": 0.0,
2657
+ "learning_rate": 0.0001574222222222222,
2658
+ "loss": 0.1371,
2659
+ "step": 351
2660
+ },
2661
+ {
2662
+ "epoch": 2.9333333333333336,
2663
+ "grad_norm": 0.0,
2664
+ "learning_rate": 0.00015787199999999998,
2665
+ "loss": 0.1357,
2666
+ "step": 352
2667
+ },
2668
+ {
2669
+ "epoch": 2.9416666666666664,
2670
+ "grad_norm": 0.0,
2671
+ "learning_rate": 0.0001583217777777778,
2672
+ "loss": 0.1254,
2673
+ "step": 353
2674
+ },
2675
+ {
2676
+ "epoch": 2.95,
2677
+ "grad_norm": 0.0,
2678
+ "learning_rate": 0.00015877155555555557,
2679
+ "loss": 0.097,
2680
+ "step": 354
2681
+ },
2682
+ {
2683
+ "epoch": 2.9583333333333335,
2684
+ "grad_norm": 0.0,
2685
+ "learning_rate": 0.00015922133333333332,
2686
+ "loss": 0.0825,
2687
+ "step": 355
2688
+ },
2689
+ {
2690
+ "epoch": 2.966666666666667,
2691
+ "grad_norm": 0.0,
2692
+ "learning_rate": 0.0001596711111111111,
2693
+ "loss": 0.0993,
2694
+ "step": 356
2695
+ },
2696
+ {
2697
+ "epoch": 2.975,
2698
+ "grad_norm": 0.0,
2699
+ "learning_rate": 0.00016012088888888888,
2700
+ "loss": 0.106,
2701
+ "step": 357
2702
+ },
2703
+ {
2704
+ "epoch": 2.9833333333333334,
2705
+ "grad_norm": 0.0,
2706
+ "learning_rate": 0.00016057066666666666,
2707
+ "loss": 0.1118,
2708
+ "step": 358
2709
+ },
2710
+ {
2711
+ "epoch": 2.9916666666666667,
2712
+ "grad_norm": 0.0,
2713
+ "learning_rate": 0.00016102044444444444,
2714
+ "loss": 0.118,
2715
+ "step": 359
2716
+ },
2717
+ {
2718
+ "epoch": 3.0,
2719
+ "grad_norm": 0.0,
2720
+ "learning_rate": 0.00016147022222222222,
2721
+ "loss": 0.0898,
2722
+ "step": 360
2723
+ },
2724
+ {
2725
+ "epoch": 3.0,
2726
+ "eval_loss": 0.11922378093004227,
2727
+ "eval_runtime": 51.7639,
2728
+ "eval_samples_per_second": 6.723,
2729
+ "eval_steps_per_second": 1.681,
2730
+ "step": 360
2731
+ },
2732
+ {
2733
+ "epoch": 3.0083333333333333,
2734
+ "grad_norm": 0.0,
2735
+ "learning_rate": 0.00016192,
2736
+ "loss": 0.1172,
2737
+ "step": 361
2738
+ },
2739
+ {
2740
+ "epoch": 3.0166666666666666,
2741
+ "grad_norm": 0.0,
2742
+ "learning_rate": 0.00016236977777777775,
2743
+ "loss": 0.1117,
2744
+ "step": 362
2745
+ },
2746
+ {
2747
+ "epoch": 3.025,
2748
+ "grad_norm": 0.0,
2749
+ "learning_rate": 0.00016281955555555553,
2750
+ "loss": 0.0926,
2751
+ "step": 363
2752
+ },
2753
+ {
2754
+ "epoch": 3.033333333333333,
2755
+ "grad_norm": 0.0,
2756
+ "learning_rate": 0.0001632693333333333,
2757
+ "loss": 0.0743,
2758
+ "step": 364
2759
+ },
2760
+ {
2761
+ "epoch": 3.0416666666666665,
2762
+ "grad_norm": 0.0,
2763
+ "learning_rate": 0.0001637191111111111,
2764
+ "loss": 0.0797,
2765
+ "step": 365
2766
+ },
2767
+ {
2768
+ "epoch": 3.05,
2769
+ "grad_norm": 0.0,
2770
+ "learning_rate": 0.0001641688888888889,
2771
+ "loss": 0.0954,
2772
+ "step": 366
2773
+ },
2774
+ {
2775
+ "epoch": 3.058333333333333,
2776
+ "grad_norm": 0.0,
2777
+ "learning_rate": 0.00016461866666666667,
2778
+ "loss": 0.086,
2779
+ "step": 367
2780
+ },
2781
+ {
2782
+ "epoch": 3.066666666666667,
2783
+ "grad_norm": 0.0,
2784
+ "learning_rate": 0.00016506844444444445,
2785
+ "loss": 0.0932,
2786
+ "step": 368
2787
+ },
2788
+ {
2789
+ "epoch": 3.075,
2790
+ "grad_norm": 0.0,
2791
+ "learning_rate": 0.00016551822222222223,
2792
+ "loss": 0.0999,
2793
+ "step": 369
2794
+ },
2795
+ {
2796
+ "epoch": 3.0833333333333335,
2797
+ "grad_norm": 0.0,
2798
+ "learning_rate": 0.00016596799999999998,
2799
+ "loss": 0.096,
2800
+ "step": 370
2801
+ },
2802
+ {
2803
+ "epoch": 3.091666666666667,
2804
+ "grad_norm": 0.0,
2805
+ "learning_rate": 0.00016641777777777776,
2806
+ "loss": 0.0974,
2807
+ "step": 371
2808
+ },
2809
+ {
2810
+ "epoch": 3.1,
2811
+ "grad_norm": 0.0,
2812
+ "learning_rate": 0.00016686755555555554,
2813
+ "loss": 0.0758,
2814
+ "step": 372
2815
+ },
2816
+ {
2817
+ "epoch": 3.1083333333333334,
2818
+ "grad_norm": 0.0,
2819
+ "learning_rate": 0.00016731733333333332,
2820
+ "loss": 0.0613,
2821
+ "step": 373
2822
+ },
2823
+ {
2824
+ "epoch": 3.1166666666666667,
2825
+ "grad_norm": 0.0,
2826
+ "learning_rate": 0.0001677671111111111,
2827
+ "loss": 0.08,
2828
+ "step": 374
2829
+ },
2830
+ {
2831
+ "epoch": 3.125,
2832
+ "grad_norm": 0.0,
2833
+ "learning_rate": 0.00016821688888888888,
2834
+ "loss": 0.0666,
2835
+ "step": 375
2836
+ },
2837
+ {
2838
+ "epoch": 3.125,
2839
+ "eval_loss": 0.09909001737833023,
2840
+ "eval_runtime": 51.5782,
2841
+ "eval_samples_per_second": 6.747,
2842
+ "eval_steps_per_second": 1.687,
2843
+ "step": 375
2844
+ },
2845
+ {
2846
+ "epoch": 3.1333333333333333,
2847
+ "grad_norm": 0.0,
2848
+ "learning_rate": 0.00016866666666666666,
2849
+ "loss": 0.0785,
2850
+ "step": 376
2851
+ },
2852
+ {
2853
+ "epoch": 3.1416666666666666,
2854
+ "grad_norm": 0.0,
2855
+ "learning_rate": 0.00016911644444444443,
2856
+ "loss": 0.0905,
2857
+ "step": 377
2858
+ },
2859
+ {
2860
+ "epoch": 3.15,
2861
+ "grad_norm": 0.0,
2862
+ "learning_rate": 0.00016956622222222221,
2863
+ "loss": 0.0776,
2864
+ "step": 378
2865
+ },
2866
+ {
2867
+ "epoch": 3.158333333333333,
2868
+ "grad_norm": 0.0,
2869
+ "learning_rate": 0.000170016,
2870
+ "loss": 0.062,
2871
+ "step": 379
2872
+ },
2873
+ {
2874
+ "epoch": 3.1666666666666665,
2875
+ "grad_norm": 0.0,
2876
+ "learning_rate": 0.00017046577777777777,
2877
+ "loss": 0.0983,
2878
+ "step": 380
2879
+ },
2880
+ {
2881
+ "epoch": 3.175,
2882
+ "grad_norm": 0.0,
2883
+ "learning_rate": 0.00017091555555555555,
2884
+ "loss": 0.0857,
2885
+ "step": 381
2886
+ },
2887
+ {
2888
+ "epoch": 3.183333333333333,
2889
+ "grad_norm": 0.0,
2890
+ "learning_rate": 0.00017136533333333333,
2891
+ "loss": 0.0659,
2892
+ "step": 382
2893
+ },
2894
+ {
2895
+ "epoch": 3.191666666666667,
2896
+ "grad_norm": 0.0,
2897
+ "learning_rate": 0.0001718151111111111,
2898
+ "loss": 0.0618,
2899
+ "step": 383
2900
+ },
2901
+ {
2902
+ "epoch": 3.2,
2903
+ "grad_norm": 0.0,
2904
+ "learning_rate": 0.0001722648888888889,
2905
+ "loss": 0.0526,
2906
+ "step": 384
2907
+ },
2908
+ {
2909
+ "epoch": 3.2083333333333335,
2910
+ "grad_norm": 0.0,
2911
+ "learning_rate": 0.00017271466666666667,
2912
+ "loss": 0.0763,
2913
+ "step": 385
2914
+ },
2915
+ {
2916
+ "epoch": 3.216666666666667,
2917
+ "grad_norm": 0.0,
2918
+ "learning_rate": 0.00017316444444444442,
2919
+ "loss": 0.0771,
2920
+ "step": 386
2921
+ },
2922
+ {
2923
+ "epoch": 3.225,
2924
+ "grad_norm": 0.0,
2925
+ "learning_rate": 0.0001736142222222222,
2926
+ "loss": 0.066,
2927
+ "step": 387
2928
+ },
2929
+ {
2930
+ "epoch": 3.2333333333333334,
2931
+ "grad_norm": 0.0,
2932
+ "learning_rate": 0.00017406399999999998,
2933
+ "loss": 0.0714,
2934
+ "step": 388
2935
+ },
2936
+ {
2937
+ "epoch": 3.2416666666666667,
2938
+ "grad_norm": 0.0,
2939
+ "learning_rate": 0.00017451377777777776,
2940
+ "loss": 0.0555,
2941
+ "step": 389
2942
+ },
2943
+ {
2944
+ "epoch": 3.25,
2945
+ "grad_norm": 0.0,
2946
+ "learning_rate": 0.00017496355555555554,
2947
+ "loss": 0.0605,
2948
+ "step": 390
2949
+ },
2950
+ {
2951
+ "epoch": 3.25,
2952
+ "eval_loss": 0.08554459363222122,
2953
+ "eval_runtime": 52.4745,
2954
+ "eval_samples_per_second": 6.632,
2955
+ "eval_steps_per_second": 1.658,
2956
+ "step": 390
2957
+ },
2958
+ {
2959
+ "epoch": 3.2583333333333333,
2960
+ "grad_norm": 0.0,
2961
+ "learning_rate": 0.00017541333333333332,
2962
+ "loss": 0.0689,
2963
+ "step": 391
2964
+ },
2965
+ {
2966
+ "epoch": 3.2666666666666666,
2967
+ "grad_norm": 0.0,
2968
+ "learning_rate": 0.0001758631111111111,
2969
+ "loss": 0.0905,
2970
+ "step": 392
2971
+ },
2972
+ {
2973
+ "epoch": 3.275,
2974
+ "grad_norm": 0.0,
2975
+ "learning_rate": 0.00017631288888888887,
2976
+ "loss": 0.0704,
2977
+ "step": 393
2978
+ },
2979
+ {
2980
+ "epoch": 3.283333333333333,
2981
+ "grad_norm": 0.0,
2982
+ "learning_rate": 0.00017676266666666665,
2983
+ "loss": 0.078,
2984
+ "step": 394
2985
+ },
2986
+ {
2987
+ "epoch": 3.2916666666666665,
2988
+ "grad_norm": 0.0,
2989
+ "learning_rate": 0.00017721244444444443,
2990
+ "loss": 0.0452,
2991
+ "step": 395
2992
+ },
2993
+ {
2994
+ "epoch": 3.3,
2995
+ "grad_norm": 0.0,
2996
+ "learning_rate": 0.0001776622222222222,
2997
+ "loss": 0.0723,
2998
+ "step": 396
2999
+ },
3000
+ {
3001
+ "epoch": 3.3083333333333336,
3002
+ "grad_norm": 0.0,
3003
+ "learning_rate": 0.000178112,
3004
+ "loss": 0.0684,
3005
+ "step": 397
3006
+ },
3007
+ {
3008
+ "epoch": 3.3166666666666664,
3009
+ "grad_norm": 0.0,
3010
+ "learning_rate": 0.00017856177777777777,
3011
+ "loss": 0.0607,
3012
+ "step": 398
3013
+ },
3014
+ {
3015
+ "epoch": 3.325,
3016
+ "grad_norm": 0.0,
3017
+ "learning_rate": 0.00017901155555555555,
3018
+ "loss": 0.0749,
3019
+ "step": 399
3020
+ },
3021
+ {
3022
+ "epoch": 3.3333333333333335,
3023
+ "grad_norm": 0.0,
3024
+ "learning_rate": 0.00017946133333333333,
3025
+ "loss": 0.0824,
3026
+ "step": 400
3027
+ },
3028
+ {
3029
+ "epoch": 3.341666666666667,
3030
+ "grad_norm": 0.0,
3031
+ "learning_rate": 0.00017991111111111108,
3032
+ "loss": 0.0887,
3033
+ "step": 401
3034
+ },
3035
+ {
3036
+ "epoch": 3.35,
3037
+ "grad_norm": 0.0,
3038
+ "learning_rate": 0.00018036088888888886,
3039
+ "loss": 0.071,
3040
+ "step": 402
3041
+ },
3042
+ {
3043
+ "epoch": 3.3583333333333334,
3044
+ "grad_norm": 0.0,
3045
+ "learning_rate": 0.00018081066666666664,
3046
+ "loss": 0.0612,
3047
+ "step": 403
3048
+ },
3049
+ {
3050
+ "epoch": 3.3666666666666667,
3051
+ "grad_norm": 0.0,
3052
+ "learning_rate": 0.00018126044444444442,
3053
+ "loss": 0.0549,
3054
+ "step": 404
3055
+ },
3056
+ {
3057
+ "epoch": 3.375,
3058
+ "grad_norm": 0.0,
3059
+ "learning_rate": 0.00018171022222222223,
3060
+ "loss": 0.0457,
3061
+ "step": 405
3062
+ },
3063
+ {
3064
+ "epoch": 3.375,
3065
+ "eval_loss": 0.07573261111974716,
3066
+ "eval_runtime": 52.4896,
3067
+ "eval_samples_per_second": 6.63,
3068
+ "eval_steps_per_second": 1.657,
3069
+ "step": 405
3070
+ },
3071
+ {
3072
+ "epoch": 3.3833333333333333,
3073
+ "grad_norm": 0.0,
3074
+ "learning_rate": 0.00018216,
3075
+ "loss": 0.0722,
3076
+ "step": 406
3077
+ },
3078
+ {
3079
+ "epoch": 3.3916666666666666,
3080
+ "grad_norm": 0.0,
3081
+ "learning_rate": 0.00018260977777777778,
3082
+ "loss": 0.0446,
3083
+ "step": 407
3084
+ },
3085
+ {
3086
+ "epoch": 3.4,
3087
+ "grad_norm": 0.0,
3088
+ "learning_rate": 0.00018305955555555556,
3089
+ "loss": 0.0574,
3090
+ "step": 408
3091
+ },
3092
+ {
3093
+ "epoch": 3.408333333333333,
3094
+ "grad_norm": 0.0,
3095
+ "learning_rate": 0.00018350933333333331,
3096
+ "loss": 0.0426,
3097
+ "step": 409
3098
+ },
3099
+ {
3100
+ "epoch": 3.4166666666666665,
3101
+ "grad_norm": 0.0,
3102
+ "learning_rate": 0.0001839591111111111,
3103
+ "loss": 0.071,
3104
+ "step": 410
3105
+ },
3106
+ {
3107
+ "epoch": 3.425,
3108
+ "grad_norm": 0.0,
3109
+ "learning_rate": 0.00018440888888888887,
3110
+ "loss": 0.0387,
3111
+ "step": 411
3112
+ },
3113
+ {
3114
+ "epoch": 3.4333333333333336,
3115
+ "grad_norm": 0.0,
3116
+ "learning_rate": 0.00018485866666666665,
3117
+ "loss": 0.0563,
3118
+ "step": 412
3119
+ },
3120
+ {
3121
+ "epoch": 3.4416666666666664,
3122
+ "grad_norm": 0.0,
3123
+ "learning_rate": 0.00018530844444444443,
3124
+ "loss": 0.054,
3125
+ "step": 413
3126
+ },
3127
+ {
3128
+ "epoch": 3.45,
3129
+ "grad_norm": 0.0,
3130
+ "learning_rate": 0.0001857582222222222,
3131
+ "loss": 0.056,
3132
+ "step": 414
3133
+ },
3134
+ {
3135
+ "epoch": 3.4583333333333335,
3136
+ "grad_norm": 0.0,
3137
+ "learning_rate": 0.000186208,
3138
+ "loss": 0.0457,
3139
+ "step": 415
3140
+ },
3141
+ {
3142
+ "epoch": 3.466666666666667,
3143
+ "grad_norm": 0.0,
3144
+ "learning_rate": 0.00018665777777777777,
3145
+ "loss": 0.0506,
3146
+ "step": 416
3147
+ },
3148
+ {
3149
+ "epoch": 3.475,
3150
+ "grad_norm": 0.0,
3151
+ "learning_rate": 0.00018710755555555552,
3152
+ "loss": 0.0563,
3153
+ "step": 417
3154
+ },
3155
+ {
3156
+ "epoch": 3.4833333333333334,
3157
+ "grad_norm": 0.0,
3158
+ "learning_rate": 0.00018755733333333333,
3159
+ "loss": 0.0605,
3160
+ "step": 418
3161
+ },
3162
+ {
3163
+ "epoch": 3.4916666666666667,
3164
+ "grad_norm": 0.0,
3165
+ "learning_rate": 0.0001880071111111111,
3166
+ "loss": 0.0414,
3167
+ "step": 419
3168
+ },
3169
+ {
3170
+ "epoch": 3.5,
3171
+ "grad_norm": 0.0,
3172
+ "learning_rate": 0.00018845688888888889,
3173
+ "loss": 0.052,
3174
+ "step": 420
3175
+ },
3176
+ {
3177
+ "epoch": 3.5,
3178
+ "eval_loss": 0.07001237571239471,
3179
+ "eval_runtime": 254.9703,
3180
+ "eval_samples_per_second": 1.365,
3181
+ "eval_steps_per_second": 0.341,
3182
+ "step": 420
3183
+ },
3184
+ {
3185
+ "epoch": 3.5083333333333333,
3186
+ "grad_norm": 0.0,
3187
+ "learning_rate": 0.00018890666666666667,
3188
+ "loss": 0.058,
3189
+ "step": 421
3190
+ },
3191
+ {
3192
+ "epoch": 3.5166666666666666,
3193
+ "grad_norm": 0.0,
3194
+ "learning_rate": 0.00018935644444444444,
3195
+ "loss": 0.0433,
3196
+ "step": 422
3197
+ },
3198
+ {
3199
+ "epoch": 3.525,
3200
+ "grad_norm": 0.0,
3201
+ "learning_rate": 0.00018980622222222222,
3202
+ "loss": 0.0556,
3203
+ "step": 423
3204
+ },
3205
+ {
3206
+ "epoch": 3.533333333333333,
3207
+ "grad_norm": 0.0,
3208
+ "learning_rate": 0.00019025599999999998,
3209
+ "loss": 0.0416,
3210
+ "step": 424
3211
+ },
3212
+ {
3213
+ "epoch": 3.5416666666666665,
3214
+ "grad_norm": 0.0,
3215
+ "learning_rate": 0.00019070577777777775,
3216
+ "loss": 0.043,
3217
+ "step": 425
3218
+ },
3219
+ {
3220
+ "epoch": 3.55,
3221
+ "grad_norm": 0.0,
3222
+ "learning_rate": 0.00019115555555555553,
3223
+ "loss": 0.0524,
3224
+ "step": 426
3225
+ },
3226
+ {
3227
+ "epoch": 3.5583333333333336,
3228
+ "grad_norm": 0.0,
3229
+ "learning_rate": 0.0001916053333333333,
3230
+ "loss": 0.0512,
3231
+ "step": 427
3232
+ },
3233
+ {
3234
+ "epoch": 3.5666666666666664,
3235
+ "grad_norm": 0.0,
3236
+ "learning_rate": 0.0001920551111111111,
3237
+ "loss": 0.0482,
3238
+ "step": 428
3239
+ },
3240
+ {
3241
+ "epoch": 3.575,
3242
+ "grad_norm": 0.0,
3243
+ "learning_rate": 0.00019250488888888887,
3244
+ "loss": 0.0727,
3245
+ "step": 429
3246
+ },
3247
+ {
3248
+ "epoch": 3.5833333333333335,
3249
+ "grad_norm": 0.0,
3250
+ "learning_rate": 0.00019295466666666665,
3251
+ "loss": 0.068,
3252
+ "step": 430
3253
+ },
3254
+ {
3255
+ "epoch": 3.591666666666667,
3256
+ "grad_norm": 0.0,
3257
+ "learning_rate": 0.00019340444444444443,
3258
+ "loss": 0.0536,
3259
+ "step": 431
3260
+ },
3261
+ {
3262
+ "epoch": 3.6,
3263
+ "grad_norm": 0.0,
3264
+ "learning_rate": 0.0001938542222222222,
3265
+ "loss": 0.0508,
3266
+ "step": 432
3267
+ },
3268
+ {
3269
+ "epoch": 3.6083333333333334,
3270
+ "grad_norm": 0.0,
3271
+ "learning_rate": 0.000194304,
3272
+ "loss": 0.0531,
3273
+ "step": 433
3274
+ },
3275
+ {
3276
+ "epoch": 3.6166666666666667,
3277
+ "grad_norm": 0.0,
3278
+ "learning_rate": 0.00019475377777777777,
3279
+ "loss": 0.0569,
3280
+ "step": 434
3281
+ },
3282
+ {
3283
+ "epoch": 3.625,
3284
+ "grad_norm": 0.0,
3285
+ "learning_rate": 0.00019520355555555555,
3286
+ "loss": 0.0634,
3287
+ "step": 435
3288
+ },
3289
+ {
3290
+ "epoch": 3.625,
3291
+ "eval_loss": 0.06579854339361191,
3292
+ "eval_runtime": 52.0968,
3293
+ "eval_samples_per_second": 6.68,
3294
+ "eval_steps_per_second": 1.67,
3295
+ "step": 435
3296
+ },
3297
+ {
3298
+ "epoch": 3.6333333333333333,
3299
+ "grad_norm": 0.0,
3300
+ "learning_rate": 0.00019565333333333333,
3301
+ "loss": 0.0535,
3302
+ "step": 436
3303
+ },
3304
+ {
3305
+ "epoch": 3.6416666666666666,
3306
+ "grad_norm": 0.0,
3307
+ "learning_rate": 0.0001961031111111111,
3308
+ "loss": 0.051,
3309
+ "step": 437
3310
+ },
3311
+ {
3312
+ "epoch": 3.65,
3313
+ "grad_norm": 0.0,
3314
+ "learning_rate": 0.00019655288888888888,
3315
+ "loss": 0.0482,
3316
+ "step": 438
3317
+ },
3318
+ {
3319
+ "epoch": 3.658333333333333,
3320
+ "grad_norm": 0.0,
3321
+ "learning_rate": 0.00019700266666666666,
3322
+ "loss": 0.0589,
3323
+ "step": 439
3324
+ },
3325
+ {
3326
+ "epoch": 3.6666666666666665,
3327
+ "grad_norm": 0.0,
3328
+ "learning_rate": 0.00019745244444444442,
3329
+ "loss": 0.0587,
3330
+ "step": 440
3331
+ },
3332
+ {
3333
+ "epoch": 3.675,
3334
+ "grad_norm": 0.0,
3335
+ "learning_rate": 0.0001979022222222222,
3336
+ "loss": 0.0566,
3337
+ "step": 441
3338
+ },
3339
+ {
3340
+ "epoch": 3.6833333333333336,
3341
+ "grad_norm": 0.0,
3342
+ "learning_rate": 0.00019835199999999997,
3343
+ "loss": 0.054,
3344
+ "step": 442
3345
+ },
3346
+ {
3347
+ "epoch": 3.6916666666666664,
3348
+ "grad_norm": 0.0,
3349
+ "learning_rate": 0.00019880177777777775,
3350
+ "loss": 0.0535,
3351
+ "step": 443
3352
+ },
3353
+ {
3354
+ "epoch": 3.7,
3355
+ "grad_norm": 0.0,
3356
+ "learning_rate": 0.00019925155555555553,
3357
+ "loss": 0.0537,
3358
+ "step": 444
3359
+ },
3360
+ {
3361
+ "epoch": 3.7083333333333335,
3362
+ "grad_norm": 0.0,
3363
+ "learning_rate": 0.00019970133333333334,
3364
+ "loss": 0.0486,
3365
+ "step": 445
3366
+ },
3367
+ {
3368
+ "epoch": 3.716666666666667,
3369
+ "grad_norm": 0.0,
3370
+ "learning_rate": 0.00020015111111111112,
3371
+ "loss": 0.0609,
3372
+ "step": 446
3373
+ },
3374
+ {
3375
+ "epoch": 3.725,
3376
+ "grad_norm": 0.0,
3377
+ "learning_rate": 0.0002006008888888889,
3378
+ "loss": 0.0543,
3379
+ "step": 447
3380
+ },
3381
+ {
3382
+ "epoch": 3.7333333333333334,
3383
+ "grad_norm": 0.0,
3384
+ "learning_rate": 0.00020105066666666665,
3385
+ "loss": 0.0542,
3386
+ "step": 448
3387
+ },
3388
+ {
3389
+ "epoch": 3.7416666666666667,
3390
+ "grad_norm": 0.0,
3391
+ "learning_rate": 0.00020150044444444443,
3392
+ "loss": 0.0371,
3393
+ "step": 449
3394
+ },
3395
+ {
3396
+ "epoch": 3.75,
3397
+ "grad_norm": 0.0,
3398
+ "learning_rate": 0.0002019502222222222,
3399
+ "loss": 0.0364,
3400
+ "step": 450
3401
+ },
3402
+ {
3403
+ "epoch": 3.75,
3404
+ "eval_loss": 0.062348127365112305,
3405
+ "eval_runtime": 52.3744,
3406
+ "eval_samples_per_second": 6.644,
3407
+ "eval_steps_per_second": 1.661,
3408
+ "step": 450
3409
+ },
3410
+ {
3411
+ "epoch": 3.7583333333333333,
3412
+ "grad_norm": 0.0,
3413
+ "learning_rate": 0.0002024,
3414
+ "loss": 0.0509,
3415
+ "step": 451
3416
+ },
3417
+ {
3418
+ "epoch": 3.7666666666666666,
3419
+ "grad_norm": 0.0,
3420
+ "learning_rate": 0.00020237780516765434,
3421
+ "loss": 0.0429,
3422
+ "step": 452
3423
+ },
3424
+ {
3425
+ "epoch": 3.775,
3426
+ "grad_norm": 0.0,
3427
+ "learning_rate": 0.00020231123040600446,
3428
+ "loss": 0.0418,
3429
+ "step": 453
3430
+ },
3431
+ {
3432
+ "epoch": 3.783333333333333,
3433
+ "grad_norm": 0.0,
3434
+ "learning_rate": 0.00020220030491694107,
3435
+ "loss": 0.0622,
3436
+ "step": 454
3437
+ },
3438
+ {
3439
+ "epoch": 3.7916666666666665,
3440
+ "grad_norm": 0.0,
3441
+ "learning_rate": 0.00020204507735604982,
3442
+ "loss": 0.0509,
3443
+ "step": 455
3444
+ },
3445
+ {
3446
+ "epoch": 3.8,
3447
+ "grad_norm": 0.0,
3448
+ "learning_rate": 0.00020184561581126925,
3449
+ "loss": 0.044,
3450
+ "step": 456
3451
+ },
3452
+ {
3453
+ "epoch": 3.8083333333333336,
3454
+ "grad_norm": 0.0,
3455
+ "learning_rate": 0.00020160200777302517,
3456
+ "loss": 0.0497,
3457
+ "step": 457
3458
+ },
3459
+ {
3460
+ "epoch": 3.8166666666666664,
3461
+ "grad_norm": 0.0,
3462
+ "learning_rate": 0.0002013143600958544,
3463
+ "loss": 0.036,
3464
+ "step": 458
3465
+ },
3466
+ {
3467
+ "epoch": 3.825,
3468
+ "grad_norm": 0.0,
3469
+ "learning_rate": 0.00020098279895153508,
3470
+ "loss": 0.0518,
3471
+ "step": 459
3472
+ },
3473
+ {
3474
+ "epoch": 3.8333333333333335,
3475
+ "grad_norm": 0.0,
3476
+ "learning_rate": 0.0002006074697737433,
3477
+ "loss": 0.0458,
3478
+ "step": 460
3479
+ },
3480
+ {
3481
+ "epoch": 3.841666666666667,
3482
+ "grad_norm": 0.0,
3483
+ "learning_rate": 0.00020018853719426112,
3484
+ "loss": 0.0518,
3485
+ "step": 461
3486
+ },
3487
+ {
3488
+ "epoch": 3.85,
3489
+ "grad_norm": 0.0,
3490
+ "learning_rate": 0.0001997261849707638,
3491
+ "loss": 0.0572,
3492
+ "step": 462
3493
+ },
3494
+ {
3495
+ "epoch": 3.8583333333333334,
3496
+ "grad_norm": 0.0,
3497
+ "learning_rate": 0.00019922061590621745,
3498
+ "loss": 0.038,
3499
+ "step": 463
3500
+ },
3501
+ {
3502
+ "epoch": 3.8666666666666667,
3503
+ "grad_norm": 0.0,
3504
+ "learning_rate": 0.000198672051759923,
3505
+ "loss": 0.0456,
3506
+ "step": 464
3507
+ },
3508
+ {
3509
+ "epoch": 3.875,
3510
+ "grad_norm": 0.0,
3511
+ "learning_rate": 0.00019808073315024519,
3512
+ "loss": 0.045,
3513
+ "step": 465
3514
+ },
3515
+ {
3516
+ "epoch": 3.875,
3517
+ "eval_loss": 0.060108914971351624,
3518
+ "eval_runtime": 52.0507,
3519
+ "eval_samples_per_second": 6.686,
3520
+ "eval_steps_per_second": 1.671,
3521
+ "step": 465
3522
+ },
3523
+ {
3524
+ "epoch": 3.8833333333333333,
3525
+ "grad_norm": 0.0,
3526
+ "learning_rate": 0.00019744691944906953,
3527
+ "loss": 0.0451,
3528
+ "step": 466
3529
+ },
3530
+ {
3531
+ "epoch": 3.8916666666666666,
3532
+ "grad_norm": 0.0,
3533
+ "learning_rate": 0.00019677088866803307,
3534
+ "loss": 0.0555,
3535
+ "step": 467
3536
+ },
3537
+ {
3538
+ "epoch": 3.9,
3539
+ "grad_norm": 0.0,
3540
+ "learning_rate": 0.00019605293733657942,
3541
+ "loss": 0.0441,
3542
+ "step": 468
3543
+ },
3544
+ {
3545
+ "epoch": 3.908333333333333,
3546
+ "grad_norm": 0.0,
3547
+ "learning_rate": 0.00019529338037189102,
3548
+ "loss": 0.0437,
3549
+ "step": 469
3550
+ },
3551
+ {
3552
+ "epoch": 3.9166666666666665,
3553
+ "grad_norm": 0.0,
3554
+ "learning_rate": 0.00019449255094075623,
3555
+ "loss": 0.0395,
3556
+ "step": 470
3557
+ },
3558
+ {
3559
+ "epoch": 3.925,
3560
+ "grad_norm": 0.0,
3561
+ "learning_rate": 0.00019365080031343119,
3562
+ "loss": 0.0519,
3563
+ "step": 471
3564
+ },
3565
+ {
3566
+ "epoch": 3.9333333333333336,
3567
+ "grad_norm": 0.0,
3568
+ "learning_rate": 0.00019276849770956118,
3569
+ "loss": 0.0554,
3570
+ "step": 472
3571
+ },
3572
+ {
3573
+ "epoch": 3.9416666666666664,
3574
+ "grad_norm": 0.0,
3575
+ "learning_rate": 0.00019184603013622857,
3576
+ "loss": 0.0543,
3577
+ "step": 473
3578
+ },
3579
+ {
3580
+ "epoch": 3.95,
3581
+ "grad_norm": 0.0,
3582
+ "learning_rate": 0.00019088380221819892,
3583
+ "loss": 0.052,
3584
+ "step": 474
3585
+ },
3586
+ {
3587
+ "epoch": 3.9583333333333335,
3588
+ "grad_norm": 0.0,
3589
+ "learning_rate": 0.00018988223602043897,
3590
+ "loss": 0.0478,
3591
+ "step": 475
3592
+ },
3593
+ {
3594
+ "epoch": 3.966666666666667,
3595
+ "grad_norm": 0.0,
3596
+ "learning_rate": 0.00018884177086298518,
3597
+ "loss": 0.0423,
3598
+ "step": 476
3599
+ },
3600
+ {
3601
+ "epoch": 3.975,
3602
+ "grad_norm": 0.0,
3603
+ "learning_rate": 0.00018776286312824326,
3604
+ "loss": 0.0601,
3605
+ "step": 477
3606
+ },
3607
+ {
3608
+ "epoch": 3.9833333333333334,
3609
+ "grad_norm": 0.0,
3610
+ "learning_rate": 0.0001866459860608039,
3611
+ "loss": 0.0463,
3612
+ "step": 478
3613
+ },
3614
+ {
3615
+ "epoch": 3.9916666666666667,
3616
+ "grad_norm": 0.0,
3617
+ "learning_rate": 0.00018549162955986206,
3618
+ "loss": 0.0335,
3619
+ "step": 479
3620
+ },
3621
+ {
3622
+ "epoch": 4.0,
3623
+ "grad_norm": 0.0,
3624
+ "learning_rate": 0.00018430029996433083,
3625
+ "loss": 0.0395,
3626
+ "step": 480
3627
+ },
3628
+ {
3629
+ "epoch": 4.0,
3630
+ "eval_loss": 0.05822588875889778,
3631
+ "eval_runtime": 52.1323,
3632
+ "eval_samples_per_second": 6.675,
3633
+ "eval_steps_per_second": 1.669,
3634
+ "step": 480
3635
+ }
3636
+ ],
3637
+ "logging_steps": 1,
3638
+ "max_steps": 600,
3639
+ "num_input_tokens_seen": 0,
3640
+ "num_train_epochs": 5,
3641
+ "save_steps": 120,
3642
+ "stateful_callbacks": {
3643
+ "TrainerControl": {
3644
+ "args": {
3645
+ "should_epoch_stop": false,
3646
+ "should_evaluate": false,
3647
+ "should_log": false,
3648
+ "should_save": true,
3649
+ "should_training_stop": false
3650
+ },
3651
+ "attributes": {}
3652
+ }
3653
+ },
3654
+ "total_flos": 1.3912481583857664e+18,
3655
+ "train_batch_size": 4,
3656
+ "trial_name": null,
3657
+ "trial_params": null
3658
+ }
training_args.bin ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:834d9c09dd737d8296bf1d9f8e6dc2d5bbb82993ab8e4483eec68d12fa59aeb9
3
+ size 10552