| { | |
| "best_metric": null, | |
| "best_model_checkpoint": null, | |
| "epoch": 3.0, | |
| "eval_steps": 500, | |
| "global_step": 46875, | |
| "is_hyper_param_search": false, | |
| "is_local_process_zero": true, | |
| "is_world_process_zero": true, | |
| "log_history": [ | |
| { | |
| "epoch": 0.032, | |
| "grad_norm": 2.9569661617279053, | |
| "learning_rate": 4.9466666666666665e-05, | |
| "loss": 8.7014, | |
| "step": 500 | |
| }, | |
| { | |
| "epoch": 0.064, | |
| "grad_norm": 2.822920799255371, | |
| "learning_rate": 4.8933333333333335e-05, | |
| "loss": 6.4522, | |
| "step": 1000 | |
| }, | |
| { | |
| "epoch": 0.096, | |
| "grad_norm": 2.747192621231079, | |
| "learning_rate": 4.8400000000000004e-05, | |
| "loss": 5.8675, | |
| "step": 1500 | |
| }, | |
| { | |
| "epoch": 0.128, | |
| "grad_norm": 2.8166677951812744, | |
| "learning_rate": 4.7866666666666674e-05, | |
| "loss": 5.5282, | |
| "step": 2000 | |
| }, | |
| { | |
| "epoch": 0.16, | |
| "grad_norm": 2.880764961242676, | |
| "learning_rate": 4.7333333333333336e-05, | |
| "loss": 5.26, | |
| "step": 2500 | |
| }, | |
| { | |
| "epoch": 0.192, | |
| "grad_norm": 3.1332807540893555, | |
| "learning_rate": 4.6800000000000006e-05, | |
| "loss": 5.059, | |
| "step": 3000 | |
| }, | |
| { | |
| "epoch": 0.224, | |
| "grad_norm": 3.157362222671509, | |
| "learning_rate": 4.626666666666667e-05, | |
| "loss": 4.8875, | |
| "step": 3500 | |
| }, | |
| { | |
| "epoch": 0.256, | |
| "grad_norm": 3.287372350692749, | |
| "learning_rate": 4.573333333333333e-05, | |
| "loss": 4.7491, | |
| "step": 4000 | |
| }, | |
| { | |
| "epoch": 0.288, | |
| "grad_norm": 3.1995673179626465, | |
| "learning_rate": 4.52e-05, | |
| "loss": 4.628, | |
| "step": 4500 | |
| }, | |
| { | |
| "epoch": 0.32, | |
| "grad_norm": 3.351080894470215, | |
| "learning_rate": 4.466666666666667e-05, | |
| "loss": 4.5196, | |
| "step": 5000 | |
| }, | |
| { | |
| "epoch": 0.352, | |
| "grad_norm": 3.38383412361145, | |
| "learning_rate": 4.413333333333334e-05, | |
| "loss": 4.4351, | |
| "step": 5500 | |
| }, | |
| { | |
| "epoch": 0.384, | |
| "grad_norm": 3.387878894805908, | |
| "learning_rate": 4.36e-05, | |
| "loss": 4.3645, | |
| "step": 6000 | |
| }, | |
| { | |
| "epoch": 0.416, | |
| "grad_norm": 3.386368989944458, | |
| "learning_rate": 4.3066666666666665e-05, | |
| "loss": 4.2706, | |
| "step": 6500 | |
| }, | |
| { | |
| "epoch": 0.448, | |
| "grad_norm": 3.540905714035034, | |
| "learning_rate": 4.2533333333333335e-05, | |
| "loss": 4.2067, | |
| "step": 7000 | |
| }, | |
| { | |
| "epoch": 0.48, | |
| "grad_norm": 3.5285682678222656, | |
| "learning_rate": 4.2e-05, | |
| "loss": 4.1446, | |
| "step": 7500 | |
| }, | |
| { | |
| "epoch": 0.512, | |
| "grad_norm": 3.515582799911499, | |
| "learning_rate": 4.146666666666667e-05, | |
| "loss": 4.1001, | |
| "step": 8000 | |
| }, | |
| { | |
| "epoch": 0.544, | |
| "grad_norm": 3.382394790649414, | |
| "learning_rate": 4.093333333333334e-05, | |
| "loss": 4.0504, | |
| "step": 8500 | |
| }, | |
| { | |
| "epoch": 0.576, | |
| "grad_norm": 3.8084897994995117, | |
| "learning_rate": 4.0400000000000006e-05, | |
| "loss": 4.0049, | |
| "step": 9000 | |
| }, | |
| { | |
| "epoch": 0.608, | |
| "grad_norm": 3.8991751670837402, | |
| "learning_rate": 3.986666666666667e-05, | |
| "loss": 3.9604, | |
| "step": 9500 | |
| }, | |
| { | |
| "epoch": 0.64, | |
| "grad_norm": 3.772257089614868, | |
| "learning_rate": 3.933333333333333e-05, | |
| "loss": 3.9241, | |
| "step": 10000 | |
| }, | |
| { | |
| "epoch": 0.672, | |
| "grad_norm": 3.737558126449585, | |
| "learning_rate": 3.88e-05, | |
| "loss": 3.8759, | |
| "step": 10500 | |
| }, | |
| { | |
| "epoch": 0.704, | |
| "grad_norm": 3.6017825603485107, | |
| "learning_rate": 3.8266666666666664e-05, | |
| "loss": 3.8505, | |
| "step": 11000 | |
| }, | |
| { | |
| "epoch": 0.736, | |
| "grad_norm": 3.808885097503662, | |
| "learning_rate": 3.773333333333334e-05, | |
| "loss": 3.8244, | |
| "step": 11500 | |
| }, | |
| { | |
| "epoch": 0.768, | |
| "grad_norm": 3.6906981468200684, | |
| "learning_rate": 3.72e-05, | |
| "loss": 3.8002, | |
| "step": 12000 | |
| }, | |
| { | |
| "epoch": 0.8, | |
| "grad_norm": 3.9535021781921387, | |
| "learning_rate": 3.6666666666666666e-05, | |
| "loss": 3.7668, | |
| "step": 12500 | |
| }, | |
| { | |
| "epoch": 0.832, | |
| "grad_norm": 3.9696996212005615, | |
| "learning_rate": 3.6133333333333335e-05, | |
| "loss": 3.7349, | |
| "step": 13000 | |
| }, | |
| { | |
| "epoch": 0.864, | |
| "grad_norm": 3.95868182182312, | |
| "learning_rate": 3.56e-05, | |
| "loss": 3.7126, | |
| "step": 13500 | |
| }, | |
| { | |
| "epoch": 0.896, | |
| "grad_norm": 3.7807376384735107, | |
| "learning_rate": 3.506666666666667e-05, | |
| "loss": 3.6938, | |
| "step": 14000 | |
| }, | |
| { | |
| "epoch": 0.928, | |
| "grad_norm": 3.8795831203460693, | |
| "learning_rate": 3.453333333333334e-05, | |
| "loss": 3.6575, | |
| "step": 14500 | |
| }, | |
| { | |
| "epoch": 0.96, | |
| "grad_norm": 4.042747974395752, | |
| "learning_rate": 3.4000000000000007e-05, | |
| "loss": 3.6452, | |
| "step": 15000 | |
| }, | |
| { | |
| "epoch": 0.992, | |
| "grad_norm": 4.158185005187988, | |
| "learning_rate": 3.346666666666667e-05, | |
| "loss": 3.6333, | |
| "step": 15500 | |
| }, | |
| { | |
| "epoch": 1.024, | |
| "grad_norm": 3.9581844806671143, | |
| "learning_rate": 3.293333333333333e-05, | |
| "loss": 3.6045, | |
| "step": 16000 | |
| }, | |
| { | |
| "epoch": 1.056, | |
| "grad_norm": 3.930466651916504, | |
| "learning_rate": 3.24e-05, | |
| "loss": 3.5799, | |
| "step": 16500 | |
| }, | |
| { | |
| "epoch": 1.088, | |
| "grad_norm": 4.019719123840332, | |
| "learning_rate": 3.1866666666666664e-05, | |
| "loss": 3.5699, | |
| "step": 17000 | |
| }, | |
| { | |
| "epoch": 1.12, | |
| "grad_norm": 3.9303104877471924, | |
| "learning_rate": 3.1333333333333334e-05, | |
| "loss": 3.5509, | |
| "step": 17500 | |
| }, | |
| { | |
| "epoch": 1.152, | |
| "grad_norm": 4.159476280212402, | |
| "learning_rate": 3.08e-05, | |
| "loss": 3.5397, | |
| "step": 18000 | |
| }, | |
| { | |
| "epoch": 1.184, | |
| "grad_norm": 3.8772120475769043, | |
| "learning_rate": 3.0266666666666666e-05, | |
| "loss": 3.522, | |
| "step": 18500 | |
| }, | |
| { | |
| "epoch": 1.216, | |
| "grad_norm": 4.351678371429443, | |
| "learning_rate": 2.9733333333333336e-05, | |
| "loss": 3.5119, | |
| "step": 19000 | |
| }, | |
| { | |
| "epoch": 1.248, | |
| "grad_norm": 4.2748541831970215, | |
| "learning_rate": 2.9199999999999998e-05, | |
| "loss": 3.4896, | |
| "step": 19500 | |
| }, | |
| { | |
| "epoch": 1.28, | |
| "grad_norm": 4.250527381896973, | |
| "learning_rate": 2.8666666666666668e-05, | |
| "loss": 3.4782, | |
| "step": 20000 | |
| }, | |
| { | |
| "epoch": 1.312, | |
| "grad_norm": 4.305374622344971, | |
| "learning_rate": 2.8133333333333334e-05, | |
| "loss": 3.4782, | |
| "step": 20500 | |
| }, | |
| { | |
| "epoch": 1.3439999999999999, | |
| "grad_norm": 4.257715702056885, | |
| "learning_rate": 2.7600000000000003e-05, | |
| "loss": 3.4511, | |
| "step": 21000 | |
| }, | |
| { | |
| "epoch": 1.376, | |
| "grad_norm": 4.085139751434326, | |
| "learning_rate": 2.706666666666667e-05, | |
| "loss": 3.4501, | |
| "step": 21500 | |
| }, | |
| { | |
| "epoch": 1.408, | |
| "grad_norm": 4.325361251831055, | |
| "learning_rate": 2.6533333333333332e-05, | |
| "loss": 3.4379, | |
| "step": 22000 | |
| }, | |
| { | |
| "epoch": 1.44, | |
| "grad_norm": 4.4493913650512695, | |
| "learning_rate": 2.6000000000000002e-05, | |
| "loss": 3.4232, | |
| "step": 22500 | |
| }, | |
| { | |
| "epoch": 1.472, | |
| "grad_norm": 4.0350871086120605, | |
| "learning_rate": 2.5466666666666668e-05, | |
| "loss": 3.4222, | |
| "step": 23000 | |
| }, | |
| { | |
| "epoch": 1.504, | |
| "grad_norm": 4.175812721252441, | |
| "learning_rate": 2.4933333333333334e-05, | |
| "loss": 3.4022, | |
| "step": 23500 | |
| }, | |
| { | |
| "epoch": 1.536, | |
| "grad_norm": 4.516785621643066, | |
| "learning_rate": 2.44e-05, | |
| "loss": 3.3962, | |
| "step": 24000 | |
| }, | |
| { | |
| "epoch": 1.568, | |
| "grad_norm": 4.481914520263672, | |
| "learning_rate": 2.3866666666666666e-05, | |
| "loss": 3.3894, | |
| "step": 24500 | |
| }, | |
| { | |
| "epoch": 1.6, | |
| "grad_norm": 4.242756366729736, | |
| "learning_rate": 2.3333333333333336e-05, | |
| "loss": 3.3757, | |
| "step": 25000 | |
| }, | |
| { | |
| "epoch": 1.6320000000000001, | |
| "grad_norm": 4.440269470214844, | |
| "learning_rate": 2.2800000000000002e-05, | |
| "loss": 3.3678, | |
| "step": 25500 | |
| }, | |
| { | |
| "epoch": 1.6640000000000001, | |
| "grad_norm": 4.3999152183532715, | |
| "learning_rate": 2.2266666666666668e-05, | |
| "loss": 3.3565, | |
| "step": 26000 | |
| }, | |
| { | |
| "epoch": 1.696, | |
| "grad_norm": 4.339915752410889, | |
| "learning_rate": 2.1733333333333334e-05, | |
| "loss": 3.3557, | |
| "step": 26500 | |
| }, | |
| { | |
| "epoch": 1.728, | |
| "grad_norm": 4.5959625244140625, | |
| "learning_rate": 2.12e-05, | |
| "loss": 3.3556, | |
| "step": 27000 | |
| }, | |
| { | |
| "epoch": 1.76, | |
| "grad_norm": 4.463385105133057, | |
| "learning_rate": 2.0666666666666666e-05, | |
| "loss": 3.3432, | |
| "step": 27500 | |
| }, | |
| { | |
| "epoch": 1.792, | |
| "grad_norm": 4.859776020050049, | |
| "learning_rate": 2.0133333333333336e-05, | |
| "loss": 3.3413, | |
| "step": 28000 | |
| }, | |
| { | |
| "epoch": 1.8239999999999998, | |
| "grad_norm": 4.643787384033203, | |
| "learning_rate": 1.9600000000000002e-05, | |
| "loss": 3.3249, | |
| "step": 28500 | |
| }, | |
| { | |
| "epoch": 1.8559999999999999, | |
| "grad_norm": 4.585232257843018, | |
| "learning_rate": 1.9066666666666668e-05, | |
| "loss": 3.3242, | |
| "step": 29000 | |
| }, | |
| { | |
| "epoch": 1.888, | |
| "grad_norm": 4.6707563400268555, | |
| "learning_rate": 1.8533333333333334e-05, | |
| "loss": 3.3135, | |
| "step": 29500 | |
| }, | |
| { | |
| "epoch": 1.92, | |
| "grad_norm": 4.501559734344482, | |
| "learning_rate": 1.8e-05, | |
| "loss": 3.315, | |
| "step": 30000 | |
| }, | |
| { | |
| "epoch": 1.952, | |
| "grad_norm": 4.715555667877197, | |
| "learning_rate": 1.7466666666666667e-05, | |
| "loss": 3.3151, | |
| "step": 30500 | |
| }, | |
| { | |
| "epoch": 1.984, | |
| "grad_norm": 4.661777496337891, | |
| "learning_rate": 1.6933333333333333e-05, | |
| "loss": 3.3087, | |
| "step": 31000 | |
| }, | |
| { | |
| "epoch": 2.016, | |
| "grad_norm": 4.5024027824401855, | |
| "learning_rate": 1.6400000000000002e-05, | |
| "loss": 3.2875, | |
| "step": 31500 | |
| }, | |
| { | |
| "epoch": 2.048, | |
| "grad_norm": 4.788130283355713, | |
| "learning_rate": 1.586666666666667e-05, | |
| "loss": 3.2926, | |
| "step": 32000 | |
| }, | |
| { | |
| "epoch": 2.08, | |
| "grad_norm": 4.57729434967041, | |
| "learning_rate": 1.5333333333333334e-05, | |
| "loss": 3.2858, | |
| "step": 32500 | |
| }, | |
| { | |
| "epoch": 2.112, | |
| "grad_norm": 4.824256896972656, | |
| "learning_rate": 1.48e-05, | |
| "loss": 3.2845, | |
| "step": 33000 | |
| }, | |
| { | |
| "epoch": 2.144, | |
| "grad_norm": 5.179717540740967, | |
| "learning_rate": 1.4266666666666667e-05, | |
| "loss": 3.2788, | |
| "step": 33500 | |
| }, | |
| { | |
| "epoch": 2.176, | |
| "grad_norm": 4.701488494873047, | |
| "learning_rate": 1.3733333333333335e-05, | |
| "loss": 3.2794, | |
| "step": 34000 | |
| }, | |
| { | |
| "epoch": 2.208, | |
| "grad_norm": 4.734540939331055, | |
| "learning_rate": 1.32e-05, | |
| "loss": 3.2882, | |
| "step": 34500 | |
| }, | |
| { | |
| "epoch": 2.24, | |
| "grad_norm": 4.886785984039307, | |
| "learning_rate": 1.2666666666666668e-05, | |
| "loss": 3.2716, | |
| "step": 35000 | |
| }, | |
| { | |
| "epoch": 2.2720000000000002, | |
| "grad_norm": 4.812310218811035, | |
| "learning_rate": 1.2133333333333335e-05, | |
| "loss": 3.2632, | |
| "step": 35500 | |
| }, | |
| { | |
| "epoch": 2.304, | |
| "grad_norm": 4.733267784118652, | |
| "learning_rate": 1.16e-05, | |
| "loss": 3.2667, | |
| "step": 36000 | |
| }, | |
| { | |
| "epoch": 2.336, | |
| "grad_norm": 4.642938613891602, | |
| "learning_rate": 1.1066666666666667e-05, | |
| "loss": 3.2534, | |
| "step": 36500 | |
| }, | |
| { | |
| "epoch": 2.368, | |
| "grad_norm": 4.576411724090576, | |
| "learning_rate": 1.0533333333333335e-05, | |
| "loss": 3.2547, | |
| "step": 37000 | |
| }, | |
| { | |
| "epoch": 2.4, | |
| "grad_norm": 4.903866767883301, | |
| "learning_rate": 1e-05, | |
| "loss": 3.2542, | |
| "step": 37500 | |
| }, | |
| { | |
| "epoch": 2.432, | |
| "grad_norm": 4.908432960510254, | |
| "learning_rate": 9.466666666666667e-06, | |
| "loss": 3.2431, | |
| "step": 38000 | |
| }, | |
| { | |
| "epoch": 2.464, | |
| "grad_norm": 5.0655364990234375, | |
| "learning_rate": 8.933333333333333e-06, | |
| "loss": 3.2509, | |
| "step": 38500 | |
| }, | |
| { | |
| "epoch": 2.496, | |
| "grad_norm": 4.810054302215576, | |
| "learning_rate": 8.400000000000001e-06, | |
| "loss": 3.2499, | |
| "step": 39000 | |
| }, | |
| { | |
| "epoch": 2.528, | |
| "grad_norm": 4.952749729156494, | |
| "learning_rate": 7.866666666666667e-06, | |
| "loss": 3.2413, | |
| "step": 39500 | |
| }, | |
| { | |
| "epoch": 2.56, | |
| "grad_norm": 4.862243175506592, | |
| "learning_rate": 7.333333333333334e-06, | |
| "loss": 3.2395, | |
| "step": 40000 | |
| }, | |
| { | |
| "epoch": 2.592, | |
| "grad_norm": 5.045057773590088, | |
| "learning_rate": 6.800000000000001e-06, | |
| "loss": 3.2272, | |
| "step": 40500 | |
| }, | |
| { | |
| "epoch": 2.624, | |
| "grad_norm": 4.81024169921875, | |
| "learning_rate": 6.266666666666666e-06, | |
| "loss": 3.2315, | |
| "step": 41000 | |
| }, | |
| { | |
| "epoch": 2.656, | |
| "grad_norm": 4.652002334594727, | |
| "learning_rate": 5.733333333333333e-06, | |
| "loss": 3.2331, | |
| "step": 41500 | |
| }, | |
| { | |
| "epoch": 2.6879999999999997, | |
| "grad_norm": 4.979446887969971, | |
| "learning_rate": 5.2e-06, | |
| "loss": 3.2326, | |
| "step": 42000 | |
| }, | |
| { | |
| "epoch": 2.7199999999999998, | |
| "grad_norm": 4.838864803314209, | |
| "learning_rate": 4.666666666666667e-06, | |
| "loss": 3.233, | |
| "step": 42500 | |
| }, | |
| { | |
| "epoch": 2.752, | |
| "grad_norm": 4.996217727661133, | |
| "learning_rate": 4.133333333333333e-06, | |
| "loss": 3.2172, | |
| "step": 43000 | |
| }, | |
| { | |
| "epoch": 2.784, | |
| "grad_norm": 4.89617919921875, | |
| "learning_rate": 3.6e-06, | |
| "loss": 3.2263, | |
| "step": 43500 | |
| }, | |
| { | |
| "epoch": 2.816, | |
| "grad_norm": 4.889566898345947, | |
| "learning_rate": 3.066666666666667e-06, | |
| "loss": 3.2374, | |
| "step": 44000 | |
| }, | |
| { | |
| "epoch": 2.848, | |
| "grad_norm": 4.909117698669434, | |
| "learning_rate": 2.5333333333333334e-06, | |
| "loss": 3.2364, | |
| "step": 44500 | |
| }, | |
| { | |
| "epoch": 2.88, | |
| "grad_norm": 4.819942951202393, | |
| "learning_rate": 2.0000000000000003e-06, | |
| "loss": 3.2243, | |
| "step": 45000 | |
| }, | |
| { | |
| "epoch": 2.912, | |
| "grad_norm": 4.989527702331543, | |
| "learning_rate": 1.4666666666666667e-06, | |
| "loss": 3.2303, | |
| "step": 45500 | |
| }, | |
| { | |
| "epoch": 2.944, | |
| "grad_norm": 5.0459980964660645, | |
| "learning_rate": 9.333333333333334e-07, | |
| "loss": 3.2318, | |
| "step": 46000 | |
| }, | |
| { | |
| "epoch": 2.976, | |
| "grad_norm": 4.944396495819092, | |
| "learning_rate": 4.0000000000000003e-07, | |
| "loss": 3.2394, | |
| "step": 46500 | |
| } | |
| ], | |
| "logging_steps": 500, | |
| "max_steps": 46875, | |
| "num_input_tokens_seen": 0, | |
| "num_train_epochs": 3, | |
| "save_steps": 500, | |
| "stateful_callbacks": { | |
| "TrainerControl": { | |
| "args": { | |
| "should_epoch_stop": false, | |
| "should_evaluate": false, | |
| "should_log": false, | |
| "should_save": true, | |
| "should_training_stop": true | |
| }, | |
| "attributes": {} | |
| } | |
| }, | |
| "total_flos": 3.97189214208e+17, | |
| "train_batch_size": 16, | |
| "trial_name": null, | |
| "trial_params": null | |
| } | |