| { | |
| "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": 4.532311916351318, | |
| "learning_rate": 4.9466666666666665e-05, | |
| "loss": 8.374, | |
| "step": 500 | |
| }, | |
| { | |
| "epoch": 0.064, | |
| "grad_norm": 5.539952754974365, | |
| "learning_rate": 4.8933333333333335e-05, | |
| "loss": 6.2029, | |
| "step": 1000 | |
| }, | |
| { | |
| "epoch": 0.096, | |
| "grad_norm": 7.1006927490234375, | |
| "learning_rate": 4.8400000000000004e-05, | |
| "loss": 5.6306, | |
| "step": 1500 | |
| }, | |
| { | |
| "epoch": 0.128, | |
| "grad_norm": 7.942945957183838, | |
| "learning_rate": 4.7866666666666674e-05, | |
| "loss": 5.3219, | |
| "step": 2000 | |
| }, | |
| { | |
| "epoch": 0.16, | |
| "grad_norm": 9.49350643157959, | |
| "learning_rate": 4.7333333333333336e-05, | |
| "loss": 5.0926, | |
| "step": 2500 | |
| }, | |
| { | |
| "epoch": 0.192, | |
| "grad_norm": 8.600608825683594, | |
| "learning_rate": 4.6800000000000006e-05, | |
| "loss": 4.9156, | |
| "step": 3000 | |
| }, | |
| { | |
| "epoch": 0.224, | |
| "grad_norm": 9.552509307861328, | |
| "learning_rate": 4.626666666666667e-05, | |
| "loss": 4.7529, | |
| "step": 3500 | |
| }, | |
| { | |
| "epoch": 0.256, | |
| "grad_norm": 10.159740447998047, | |
| "learning_rate": 4.573333333333333e-05, | |
| "loss": 4.6217, | |
| "step": 4000 | |
| }, | |
| { | |
| "epoch": 0.288, | |
| "grad_norm": 9.778353691101074, | |
| "learning_rate": 4.52e-05, | |
| "loss": 4.5028, | |
| "step": 4500 | |
| }, | |
| { | |
| "epoch": 0.32, | |
| "grad_norm": 11.466822624206543, | |
| "learning_rate": 4.466666666666667e-05, | |
| "loss": 4.3921, | |
| "step": 5000 | |
| }, | |
| { | |
| "epoch": 0.352, | |
| "grad_norm": 9.70102596282959, | |
| "learning_rate": 4.413333333333334e-05, | |
| "loss": 4.3026, | |
| "step": 5500 | |
| }, | |
| { | |
| "epoch": 0.384, | |
| "grad_norm": 9.924347877502441, | |
| "learning_rate": 4.36e-05, | |
| "loss": 4.2222, | |
| "step": 6000 | |
| }, | |
| { | |
| "epoch": 0.416, | |
| "grad_norm": 9.57331371307373, | |
| "learning_rate": 4.3066666666666665e-05, | |
| "loss": 4.1226, | |
| "step": 6500 | |
| }, | |
| { | |
| "epoch": 0.448, | |
| "grad_norm": 10.247310638427734, | |
| "learning_rate": 4.2533333333333335e-05, | |
| "loss": 4.0443, | |
| "step": 7000 | |
| }, | |
| { | |
| "epoch": 0.48, | |
| "grad_norm": 8.813809394836426, | |
| "learning_rate": 4.2e-05, | |
| "loss": 3.9749, | |
| "step": 7500 | |
| }, | |
| { | |
| "epoch": 0.512, | |
| "grad_norm": 8.48243236541748, | |
| "learning_rate": 4.146666666666667e-05, | |
| "loss": 3.9173, | |
| "step": 8000 | |
| }, | |
| { | |
| "epoch": 0.544, | |
| "grad_norm": 9.39013671875, | |
| "learning_rate": 4.093333333333334e-05, | |
| "loss": 3.8608, | |
| "step": 8500 | |
| }, | |
| { | |
| "epoch": 0.576, | |
| "grad_norm": 10.269105911254883, | |
| "learning_rate": 4.0400000000000006e-05, | |
| "loss": 3.8061, | |
| "step": 9000 | |
| }, | |
| { | |
| "epoch": 0.608, | |
| "grad_norm": 9.637127876281738, | |
| "learning_rate": 3.986666666666667e-05, | |
| "loss": 3.7511, | |
| "step": 9500 | |
| }, | |
| { | |
| "epoch": 0.64, | |
| "grad_norm": 8.74539852142334, | |
| "learning_rate": 3.933333333333333e-05, | |
| "loss": 3.7077, | |
| "step": 10000 | |
| }, | |
| { | |
| "epoch": 0.672, | |
| "grad_norm": 8.93080997467041, | |
| "learning_rate": 3.88e-05, | |
| "loss": 3.6501, | |
| "step": 10500 | |
| }, | |
| { | |
| "epoch": 0.704, | |
| "grad_norm": 8.28554916381836, | |
| "learning_rate": 3.8266666666666664e-05, | |
| "loss": 3.6125, | |
| "step": 11000 | |
| }, | |
| { | |
| "epoch": 0.736, | |
| "grad_norm": 8.419025421142578, | |
| "learning_rate": 3.773333333333334e-05, | |
| "loss": 3.5814, | |
| "step": 11500 | |
| }, | |
| { | |
| "epoch": 0.768, | |
| "grad_norm": 8.312236785888672, | |
| "learning_rate": 3.72e-05, | |
| "loss": 3.5464, | |
| "step": 12000 | |
| }, | |
| { | |
| "epoch": 0.8, | |
| "grad_norm": 8.151102066040039, | |
| "learning_rate": 3.6666666666666666e-05, | |
| "loss": 3.5081, | |
| "step": 12500 | |
| }, | |
| { | |
| "epoch": 0.832, | |
| "grad_norm": 9.357521057128906, | |
| "learning_rate": 3.6133333333333335e-05, | |
| "loss": 3.4693, | |
| "step": 13000 | |
| }, | |
| { | |
| "epoch": 0.864, | |
| "grad_norm": 7.729284763336182, | |
| "learning_rate": 3.56e-05, | |
| "loss": 3.4405, | |
| "step": 13500 | |
| }, | |
| { | |
| "epoch": 0.896, | |
| "grad_norm": 7.64942741394043, | |
| "learning_rate": 3.506666666666667e-05, | |
| "loss": 3.4151, | |
| "step": 14000 | |
| }, | |
| { | |
| "epoch": 0.928, | |
| "grad_norm": 8.495372772216797, | |
| "learning_rate": 3.453333333333334e-05, | |
| "loss": 3.3753, | |
| "step": 14500 | |
| }, | |
| { | |
| "epoch": 0.96, | |
| "grad_norm": 7.65497350692749, | |
| "learning_rate": 3.4000000000000007e-05, | |
| "loss": 3.353, | |
| "step": 15000 | |
| }, | |
| { | |
| "epoch": 0.992, | |
| "grad_norm": 7.8971428871154785, | |
| "learning_rate": 3.346666666666667e-05, | |
| "loss": 3.338, | |
| "step": 15500 | |
| }, | |
| { | |
| "epoch": 1.024, | |
| "grad_norm": 7.449124336242676, | |
| "learning_rate": 3.293333333333333e-05, | |
| "loss": 3.3014, | |
| "step": 16000 | |
| }, | |
| { | |
| "epoch": 1.056, | |
| "grad_norm": 7.5090651512146, | |
| "learning_rate": 3.24e-05, | |
| "loss": 3.2747, | |
| "step": 16500 | |
| }, | |
| { | |
| "epoch": 1.088, | |
| "grad_norm": 7.478085994720459, | |
| "learning_rate": 3.1866666666666664e-05, | |
| "loss": 3.2579, | |
| "step": 17000 | |
| }, | |
| { | |
| "epoch": 1.12, | |
| "grad_norm": 7.932021617889404, | |
| "learning_rate": 3.1333333333333334e-05, | |
| "loss": 3.2359, | |
| "step": 17500 | |
| }, | |
| { | |
| "epoch": 1.152, | |
| "grad_norm": 8.18863582611084, | |
| "learning_rate": 3.08e-05, | |
| "loss": 3.2205, | |
| "step": 18000 | |
| }, | |
| { | |
| "epoch": 1.184, | |
| "grad_norm": 7.35761022567749, | |
| "learning_rate": 3.0266666666666666e-05, | |
| "loss": 3.199, | |
| "step": 18500 | |
| }, | |
| { | |
| "epoch": 1.216, | |
| "grad_norm": 7.989797115325928, | |
| "learning_rate": 2.9733333333333336e-05, | |
| "loss": 3.1869, | |
| "step": 19000 | |
| }, | |
| { | |
| "epoch": 1.248, | |
| "grad_norm": 7.642023086547852, | |
| "learning_rate": 2.9199999999999998e-05, | |
| "loss": 3.1599, | |
| "step": 19500 | |
| }, | |
| { | |
| "epoch": 1.28, | |
| "grad_norm": 6.902944087982178, | |
| "learning_rate": 2.8666666666666668e-05, | |
| "loss": 3.1459, | |
| "step": 20000 | |
| }, | |
| { | |
| "epoch": 1.312, | |
| "grad_norm": 7.496644020080566, | |
| "learning_rate": 2.8133333333333334e-05, | |
| "loss": 3.1397, | |
| "step": 20500 | |
| }, | |
| { | |
| "epoch": 1.3439999999999999, | |
| "grad_norm": 7.395977020263672, | |
| "learning_rate": 2.7600000000000003e-05, | |
| "loss": 3.1104, | |
| "step": 21000 | |
| }, | |
| { | |
| "epoch": 1.376, | |
| "grad_norm": 7.133719444274902, | |
| "learning_rate": 2.706666666666667e-05, | |
| "loss": 3.1079, | |
| "step": 21500 | |
| }, | |
| { | |
| "epoch": 1.408, | |
| "grad_norm": 7.099576950073242, | |
| "learning_rate": 2.6533333333333332e-05, | |
| "loss": 3.092, | |
| "step": 22000 | |
| }, | |
| { | |
| "epoch": 1.44, | |
| "grad_norm": 7.78513765335083, | |
| "learning_rate": 2.6000000000000002e-05, | |
| "loss": 3.0753, | |
| "step": 22500 | |
| }, | |
| { | |
| "epoch": 1.472, | |
| "grad_norm": 6.83204460144043, | |
| "learning_rate": 2.5466666666666668e-05, | |
| "loss": 3.0676, | |
| "step": 23000 | |
| }, | |
| { | |
| "epoch": 1.504, | |
| "grad_norm": 6.982757568359375, | |
| "learning_rate": 2.4933333333333334e-05, | |
| "loss": 3.0464, | |
| "step": 23500 | |
| }, | |
| { | |
| "epoch": 1.536, | |
| "grad_norm": 6.814619541168213, | |
| "learning_rate": 2.44e-05, | |
| "loss": 3.0356, | |
| "step": 24000 | |
| }, | |
| { | |
| "epoch": 1.568, | |
| "grad_norm": 7.202338695526123, | |
| "learning_rate": 2.3866666666666666e-05, | |
| "loss": 3.0258, | |
| "step": 24500 | |
| }, | |
| { | |
| "epoch": 1.6, | |
| "grad_norm": 7.039158821105957, | |
| "learning_rate": 2.3333333333333336e-05, | |
| "loss": 3.012, | |
| "step": 25000 | |
| }, | |
| { | |
| "epoch": 1.6320000000000001, | |
| "grad_norm": 7.325659275054932, | |
| "learning_rate": 2.2800000000000002e-05, | |
| "loss": 3.0007, | |
| "step": 25500 | |
| }, | |
| { | |
| "epoch": 1.6640000000000001, | |
| "grad_norm": 8.060090065002441, | |
| "learning_rate": 2.2266666666666668e-05, | |
| "loss": 2.9872, | |
| "step": 26000 | |
| }, | |
| { | |
| "epoch": 1.696, | |
| "grad_norm": 7.202187538146973, | |
| "learning_rate": 2.1733333333333334e-05, | |
| "loss": 2.9845, | |
| "step": 26500 | |
| }, | |
| { | |
| "epoch": 1.728, | |
| "grad_norm": 7.800703525543213, | |
| "learning_rate": 2.12e-05, | |
| "loss": 2.9821, | |
| "step": 27000 | |
| }, | |
| { | |
| "epoch": 1.76, | |
| "grad_norm": 7.207638740539551, | |
| "learning_rate": 2.0666666666666666e-05, | |
| "loss": 2.9652, | |
| "step": 27500 | |
| }, | |
| { | |
| "epoch": 1.792, | |
| "grad_norm": 7.54185676574707, | |
| "learning_rate": 2.0133333333333336e-05, | |
| "loss": 2.9623, | |
| "step": 28000 | |
| }, | |
| { | |
| "epoch": 1.8239999999999998, | |
| "grad_norm": 7.163204193115234, | |
| "learning_rate": 1.9600000000000002e-05, | |
| "loss": 2.9425, | |
| "step": 28500 | |
| }, | |
| { | |
| "epoch": 1.8559999999999999, | |
| "grad_norm": 7.450079917907715, | |
| "learning_rate": 1.9066666666666668e-05, | |
| "loss": 2.9438, | |
| "step": 29000 | |
| }, | |
| { | |
| "epoch": 1.888, | |
| "grad_norm": 7.517152309417725, | |
| "learning_rate": 1.8533333333333334e-05, | |
| "loss": 2.9288, | |
| "step": 29500 | |
| }, | |
| { | |
| "epoch": 1.92, | |
| "grad_norm": 6.886777400970459, | |
| "learning_rate": 1.8e-05, | |
| "loss": 2.9286, | |
| "step": 30000 | |
| }, | |
| { | |
| "epoch": 1.952, | |
| "grad_norm": 7.283176422119141, | |
| "learning_rate": 1.7466666666666667e-05, | |
| "loss": 2.9265, | |
| "step": 30500 | |
| }, | |
| { | |
| "epoch": 1.984, | |
| "grad_norm": 6.9964213371276855, | |
| "learning_rate": 1.6933333333333333e-05, | |
| "loss": 2.9217, | |
| "step": 31000 | |
| }, | |
| { | |
| "epoch": 2.016, | |
| "grad_norm": 6.313802719116211, | |
| "learning_rate": 1.6400000000000002e-05, | |
| "loss": 2.8975, | |
| "step": 31500 | |
| }, | |
| { | |
| "epoch": 2.048, | |
| "grad_norm": 7.251451015472412, | |
| "learning_rate": 1.586666666666667e-05, | |
| "loss": 2.9001, | |
| "step": 32000 | |
| }, | |
| { | |
| "epoch": 2.08, | |
| "grad_norm": 6.860323905944824, | |
| "learning_rate": 1.5333333333333334e-05, | |
| "loss": 2.8917, | |
| "step": 32500 | |
| }, | |
| { | |
| "epoch": 2.112, | |
| "grad_norm": 7.383843421936035, | |
| "learning_rate": 1.48e-05, | |
| "loss": 2.8886, | |
| "step": 33000 | |
| }, | |
| { | |
| "epoch": 2.144, | |
| "grad_norm": 7.962520599365234, | |
| "learning_rate": 1.4266666666666667e-05, | |
| "loss": 2.8834, | |
| "step": 33500 | |
| }, | |
| { | |
| "epoch": 2.176, | |
| "grad_norm": 6.652215480804443, | |
| "learning_rate": 1.3733333333333335e-05, | |
| "loss": 2.8835, | |
| "step": 34000 | |
| }, | |
| { | |
| "epoch": 2.208, | |
| "grad_norm": 6.979165554046631, | |
| "learning_rate": 1.32e-05, | |
| "loss": 2.8878, | |
| "step": 34500 | |
| }, | |
| { | |
| "epoch": 2.24, | |
| "grad_norm": 6.656210422515869, | |
| "learning_rate": 1.2666666666666668e-05, | |
| "loss": 2.8787, | |
| "step": 35000 | |
| }, | |
| { | |
| "epoch": 2.2720000000000002, | |
| "grad_norm": 6.977215766906738, | |
| "learning_rate": 1.2133333333333335e-05, | |
| "loss": 2.8657, | |
| "step": 35500 | |
| }, | |
| { | |
| "epoch": 2.304, | |
| "grad_norm": 6.938176155090332, | |
| "learning_rate": 1.16e-05, | |
| "loss": 2.8677, | |
| "step": 36000 | |
| }, | |
| { | |
| "epoch": 2.336, | |
| "grad_norm": 6.848135471343994, | |
| "learning_rate": 1.1066666666666667e-05, | |
| "loss": 2.8554, | |
| "step": 36500 | |
| }, | |
| { | |
| "epoch": 2.368, | |
| "grad_norm": 7.359588623046875, | |
| "learning_rate": 1.0533333333333335e-05, | |
| "loss": 2.8542, | |
| "step": 37000 | |
| }, | |
| { | |
| "epoch": 2.4, | |
| "grad_norm": 6.862154960632324, | |
| "learning_rate": 1e-05, | |
| "loss": 2.8506, | |
| "step": 37500 | |
| }, | |
| { | |
| "epoch": 2.432, | |
| "grad_norm": 7.112462043762207, | |
| "learning_rate": 9.466666666666667e-06, | |
| "loss": 2.8383, | |
| "step": 38000 | |
| }, | |
| { | |
| "epoch": 2.464, | |
| "grad_norm": 6.976600170135498, | |
| "learning_rate": 8.933333333333333e-06, | |
| "loss": 2.8482, | |
| "step": 38500 | |
| }, | |
| { | |
| "epoch": 2.496, | |
| "grad_norm": 6.676475524902344, | |
| "learning_rate": 8.400000000000001e-06, | |
| "loss": 2.8419, | |
| "step": 39000 | |
| }, | |
| { | |
| "epoch": 2.528, | |
| "grad_norm": 7.691751480102539, | |
| "learning_rate": 7.866666666666667e-06, | |
| "loss": 2.833, | |
| "step": 39500 | |
| }, | |
| { | |
| "epoch": 2.56, | |
| "grad_norm": 6.772462844848633, | |
| "learning_rate": 7.333333333333334e-06, | |
| "loss": 2.833, | |
| "step": 40000 | |
| }, | |
| { | |
| "epoch": 2.592, | |
| "grad_norm": 6.964785099029541, | |
| "learning_rate": 6.800000000000001e-06, | |
| "loss": 2.8197, | |
| "step": 40500 | |
| }, | |
| { | |
| "epoch": 2.624, | |
| "grad_norm": 7.101240158081055, | |
| "learning_rate": 6.266666666666666e-06, | |
| "loss": 2.8218, | |
| "step": 41000 | |
| }, | |
| { | |
| "epoch": 2.656, | |
| "grad_norm": 6.615237712860107, | |
| "learning_rate": 5.733333333333333e-06, | |
| "loss": 2.8257, | |
| "step": 41500 | |
| }, | |
| { | |
| "epoch": 2.6879999999999997, | |
| "grad_norm": 7.214221954345703, | |
| "learning_rate": 5.2e-06, | |
| "loss": 2.825, | |
| "step": 42000 | |
| }, | |
| { | |
| "epoch": 2.7199999999999998, | |
| "grad_norm": 6.964833736419678, | |
| "learning_rate": 4.666666666666667e-06, | |
| "loss": 2.8267, | |
| "step": 42500 | |
| }, | |
| { | |
| "epoch": 2.752, | |
| "grad_norm": 6.813267707824707, | |
| "learning_rate": 4.133333333333333e-06, | |
| "loss": 2.8065, | |
| "step": 43000 | |
| }, | |
| { | |
| "epoch": 2.784, | |
| "grad_norm": 7.196587562561035, | |
| "learning_rate": 3.6e-06, | |
| "loss": 2.815, | |
| "step": 43500 | |
| }, | |
| { | |
| "epoch": 2.816, | |
| "grad_norm": 7.404820919036865, | |
| "learning_rate": 3.066666666666667e-06, | |
| "loss": 2.8261, | |
| "step": 44000 | |
| }, | |
| { | |
| "epoch": 2.848, | |
| "grad_norm": 6.9792327880859375, | |
| "learning_rate": 2.5333333333333334e-06, | |
| "loss": 2.8261, | |
| "step": 44500 | |
| }, | |
| { | |
| "epoch": 2.88, | |
| "grad_norm": 7.13853120803833, | |
| "learning_rate": 2.0000000000000003e-06, | |
| "loss": 2.8103, | |
| "step": 45000 | |
| }, | |
| { | |
| "epoch": 2.912, | |
| "grad_norm": 7.038462162017822, | |
| "learning_rate": 1.4666666666666667e-06, | |
| "loss": 2.8194, | |
| "step": 45500 | |
| }, | |
| { | |
| "epoch": 2.944, | |
| "grad_norm": 7.771182060241699, | |
| "learning_rate": 9.333333333333334e-07, | |
| "loss": 2.8209, | |
| "step": 46000 | |
| }, | |
| { | |
| "epoch": 2.976, | |
| "grad_norm": 7.454243183135986, | |
| "learning_rate": 4.0000000000000003e-07, | |
| "loss": 2.8244, | |
| "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": 3.99952244736e+17, | |
| "train_batch_size": 16, | |
| "trial_name": null, | |
| "trial_params": null | |
| } | |