| { | |
| "best_global_step": 130, | |
| "best_metric": 0.033464256674051285, | |
| "best_model_checkpoint": "outputs_minimal\\run_20251011_083643\\checkpoint-130", | |
| "epoch": 4.333333333333333, | |
| "eval_steps": 5, | |
| "global_step": 130, | |
| "is_hyper_param_search": false, | |
| "is_local_process_zero": true, | |
| "is_world_process_zero": true, | |
| "log_history": [ | |
| { | |
| "epoch": 0.06666666666666667, | |
| "grad_norm": 5.610453128814697, | |
| "learning_rate": 1.1111111111111112e-07, | |
| "loss": 4.2438, | |
| "step": 2 | |
| }, | |
| { | |
| "epoch": 0.13333333333333333, | |
| "grad_norm": 4.907245635986328, | |
| "learning_rate": 3.3333333333333335e-07, | |
| "loss": 4.4083, | |
| "step": 4 | |
| }, | |
| { | |
| "epoch": 0.16666666666666666, | |
| "eval_loss": 4.598848819732666, | |
| "eval_runtime": 1.4052, | |
| "eval_samples_per_second": 17.791, | |
| "eval_steps_per_second": 9.251, | |
| "step": 5 | |
| }, | |
| { | |
| "epoch": 0.2, | |
| "grad_norm": 4.5680413246154785, | |
| "learning_rate": 5.555555555555556e-07, | |
| "loss": 4.3072, | |
| "step": 6 | |
| }, | |
| { | |
| "epoch": 0.26666666666666666, | |
| "grad_norm": 5.425318717956543, | |
| "learning_rate": 7.777777777777778e-07, | |
| "loss": 4.2046, | |
| "step": 8 | |
| }, | |
| { | |
| "epoch": 0.3333333333333333, | |
| "grad_norm": 4.104091644287109, | |
| "learning_rate": 1.0000000000000002e-06, | |
| "loss": 4.0178, | |
| "step": 10 | |
| }, | |
| { | |
| "epoch": 0.3333333333333333, | |
| "eval_loss": 4.594193935394287, | |
| "eval_runtime": 1.3741, | |
| "eval_samples_per_second": 18.194, | |
| "eval_steps_per_second": 9.461, | |
| "step": 10 | |
| }, | |
| { | |
| "epoch": 0.4, | |
| "grad_norm": 4.3809099197387695, | |
| "learning_rate": 1.2222222222222223e-06, | |
| "loss": 4.2491, | |
| "step": 12 | |
| }, | |
| { | |
| "epoch": 0.4666666666666667, | |
| "grad_norm": 4.858911037445068, | |
| "learning_rate": 1.4444444444444445e-06, | |
| "loss": 4.2148, | |
| "step": 14 | |
| }, | |
| { | |
| "epoch": 0.5, | |
| "eval_loss": 4.584128379821777, | |
| "eval_runtime": 1.4307, | |
| "eval_samples_per_second": 17.474, | |
| "eval_steps_per_second": 9.086, | |
| "step": 15 | |
| }, | |
| { | |
| "epoch": 0.5333333333333333, | |
| "grad_norm": 5.299225330352783, | |
| "learning_rate": 1.6666666666666667e-06, | |
| "loss": 4.3613, | |
| "step": 16 | |
| }, | |
| { | |
| "epoch": 0.6, | |
| "grad_norm": 4.970317840576172, | |
| "learning_rate": 1.888888888888889e-06, | |
| "loss": 3.9753, | |
| "step": 18 | |
| }, | |
| { | |
| "epoch": 0.6666666666666666, | |
| "grad_norm": 5.623274803161621, | |
| "learning_rate": 2.1111111111111114e-06, | |
| "loss": 4.1058, | |
| "step": 20 | |
| }, | |
| { | |
| "epoch": 0.6666666666666666, | |
| "eval_loss": 4.559524059295654, | |
| "eval_runtime": 1.5048, | |
| "eval_samples_per_second": 16.613, | |
| "eval_steps_per_second": 8.639, | |
| "step": 20 | |
| }, | |
| { | |
| "epoch": 0.7333333333333333, | |
| "grad_norm": 7.009560585021973, | |
| "learning_rate": 2.3333333333333336e-06, | |
| "loss": 4.153, | |
| "step": 22 | |
| }, | |
| { | |
| "epoch": 0.8, | |
| "grad_norm": 4.913556098937988, | |
| "learning_rate": 2.5555555555555557e-06, | |
| "loss": 4.2912, | |
| "step": 24 | |
| }, | |
| { | |
| "epoch": 0.8333333333333334, | |
| "eval_loss": 4.50551700592041, | |
| "eval_runtime": 1.3899, | |
| "eval_samples_per_second": 17.988, | |
| "eval_steps_per_second": 9.354, | |
| "step": 25 | |
| }, | |
| { | |
| "epoch": 0.8666666666666667, | |
| "grad_norm": 5.953683853149414, | |
| "learning_rate": 2.777777777777778e-06, | |
| "loss": 4.431, | |
| "step": 26 | |
| }, | |
| { | |
| "epoch": 0.9333333333333333, | |
| "grad_norm": 5.861043930053711, | |
| "learning_rate": 3e-06, | |
| "loss": 4.1554, | |
| "step": 28 | |
| }, | |
| { | |
| "epoch": 1.0, | |
| "grad_norm": 4.274231433868408, | |
| "learning_rate": 3.2222222222222222e-06, | |
| "loss": 3.9634, | |
| "step": 30 | |
| }, | |
| { | |
| "epoch": 1.0, | |
| "eval_loss": 4.419820785522461, | |
| "eval_runtime": 1.4018, | |
| "eval_samples_per_second": 17.835, | |
| "eval_steps_per_second": 9.274, | |
| "step": 30 | |
| }, | |
| { | |
| "epoch": 1.0666666666666667, | |
| "grad_norm": 5.993837833404541, | |
| "learning_rate": 3.4444444444444444e-06, | |
| "loss": 4.0863, | |
| "step": 32 | |
| }, | |
| { | |
| "epoch": 1.1333333333333333, | |
| "grad_norm": 4.855156421661377, | |
| "learning_rate": 3.666666666666667e-06, | |
| "loss": 3.8417, | |
| "step": 34 | |
| }, | |
| { | |
| "epoch": 1.1666666666666667, | |
| "eval_loss": 4.280464172363281, | |
| "eval_runtime": 1.4542, | |
| "eval_samples_per_second": 17.192, | |
| "eval_steps_per_second": 8.94, | |
| "step": 35 | |
| }, | |
| { | |
| "epoch": 1.2, | |
| "grad_norm": 6.885803699493408, | |
| "learning_rate": 3.888888888888889e-06, | |
| "loss": 4.0099, | |
| "step": 36 | |
| }, | |
| { | |
| "epoch": 1.2666666666666666, | |
| "grad_norm": 6.0179009437561035, | |
| "learning_rate": 4.111111111111112e-06, | |
| "loss": 4.0033, | |
| "step": 38 | |
| }, | |
| { | |
| "epoch": 1.3333333333333333, | |
| "grad_norm": 3.966296434402466, | |
| "learning_rate": 4.333333333333334e-06, | |
| "loss": 3.7359, | |
| "step": 40 | |
| }, | |
| { | |
| "epoch": 1.3333333333333333, | |
| "eval_loss": 4.097866058349609, | |
| "eval_runtime": 1.4131, | |
| "eval_samples_per_second": 17.692, | |
| "eval_steps_per_second": 9.2, | |
| "step": 40 | |
| }, | |
| { | |
| "epoch": 1.4, | |
| "grad_norm": 5.588074207305908, | |
| "learning_rate": 4.555555555555556e-06, | |
| "loss": 3.7905, | |
| "step": 42 | |
| }, | |
| { | |
| "epoch": 1.4666666666666668, | |
| "grad_norm": 6.8362345695495605, | |
| "learning_rate": 4.777777777777778e-06, | |
| "loss": 4.0714, | |
| "step": 44 | |
| }, | |
| { | |
| "epoch": 1.5, | |
| "eval_loss": 3.8826184272766113, | |
| "eval_runtime": 1.4539, | |
| "eval_samples_per_second": 17.195, | |
| "eval_steps_per_second": 8.941, | |
| "step": 45 | |
| }, | |
| { | |
| "epoch": 1.5333333333333332, | |
| "grad_norm": 6.4441375732421875, | |
| "learning_rate": 5e-06, | |
| "loss": 3.8086, | |
| "step": 46 | |
| }, | |
| { | |
| "epoch": 1.6, | |
| "grad_norm": 5.064472675323486, | |
| "learning_rate": 5.2222222222222226e-06, | |
| "loss": 3.5518, | |
| "step": 48 | |
| }, | |
| { | |
| "epoch": 1.6666666666666665, | |
| "grad_norm": 4.165544509887695, | |
| "learning_rate": 5.444444444444445e-06, | |
| "loss": 3.1811, | |
| "step": 50 | |
| }, | |
| { | |
| "epoch": 1.6666666666666665, | |
| "eval_loss": 3.6180548667907715, | |
| "eval_runtime": 1.4252, | |
| "eval_samples_per_second": 17.542, | |
| "eval_steps_per_second": 9.122, | |
| "step": 50 | |
| }, | |
| { | |
| "epoch": 1.7333333333333334, | |
| "grad_norm": 4.566246509552002, | |
| "learning_rate": 5.666666666666667e-06, | |
| "loss": 3.5986, | |
| "step": 52 | |
| }, | |
| { | |
| "epoch": 1.8, | |
| "grad_norm": 4.567983150482178, | |
| "learning_rate": 5.888888888888889e-06, | |
| "loss": 3.2441, | |
| "step": 54 | |
| }, | |
| { | |
| "epoch": 1.8333333333333335, | |
| "eval_loss": 3.3274636268615723, | |
| "eval_runtime": 1.4607, | |
| "eval_samples_per_second": 17.115, | |
| "eval_steps_per_second": 8.9, | |
| "step": 55 | |
| }, | |
| { | |
| "epoch": 1.8666666666666667, | |
| "grad_norm": 4.660602569580078, | |
| "learning_rate": 6.111111111111111e-06, | |
| "loss": 3.2986, | |
| "step": 56 | |
| }, | |
| { | |
| "epoch": 1.9333333333333333, | |
| "grad_norm": 3.769497871398926, | |
| "learning_rate": 6.333333333333334e-06, | |
| "loss": 3.1064, | |
| "step": 58 | |
| }, | |
| { | |
| "epoch": 2.0, | |
| "grad_norm": 4.268333911895752, | |
| "learning_rate": 6.555555555555556e-06, | |
| "loss": 3.0745, | |
| "step": 60 | |
| }, | |
| { | |
| "epoch": 2.0, | |
| "eval_loss": 3.052821636199951, | |
| "eval_runtime": 1.4694, | |
| "eval_samples_per_second": 17.014, | |
| "eval_steps_per_second": 8.847, | |
| "step": 60 | |
| }, | |
| { | |
| "epoch": 2.066666666666667, | |
| "grad_norm": 7.284271717071533, | |
| "learning_rate": 6.777777777777779e-06, | |
| "loss": 3.1238, | |
| "step": 62 | |
| }, | |
| { | |
| "epoch": 2.1333333333333333, | |
| "grad_norm": 4.11893367767334, | |
| "learning_rate": 7.000000000000001e-06, | |
| "loss": 2.7931, | |
| "step": 64 | |
| }, | |
| { | |
| "epoch": 2.1666666666666665, | |
| "eval_loss": 2.7473340034484863, | |
| "eval_runtime": 1.4098, | |
| "eval_samples_per_second": 17.733, | |
| "eval_steps_per_second": 9.221, | |
| "step": 65 | |
| }, | |
| { | |
| "epoch": 2.2, | |
| "grad_norm": 4.511462211608887, | |
| "learning_rate": 7.222222222222222e-06, | |
| "loss": 2.8424, | |
| "step": 66 | |
| }, | |
| { | |
| "epoch": 2.2666666666666666, | |
| "grad_norm": 3.971402883529663, | |
| "learning_rate": 7.444444444444444e-06, | |
| "loss": 2.6009, | |
| "step": 68 | |
| }, | |
| { | |
| "epoch": 2.3333333333333335, | |
| "grad_norm": 3.3597252368927, | |
| "learning_rate": 7.666666666666667e-06, | |
| "loss": 2.4884, | |
| "step": 70 | |
| }, | |
| { | |
| "epoch": 2.3333333333333335, | |
| "eval_loss": 2.4579455852508545, | |
| "eval_runtime": 1.4259, | |
| "eval_samples_per_second": 17.533, | |
| "eval_steps_per_second": 9.117, | |
| "step": 70 | |
| }, | |
| { | |
| "epoch": 2.4, | |
| "grad_norm": 4.1440253257751465, | |
| "learning_rate": 7.88888888888889e-06, | |
| "loss": 2.4693, | |
| "step": 72 | |
| }, | |
| { | |
| "epoch": 2.466666666666667, | |
| "grad_norm": 3.8057823181152344, | |
| "learning_rate": 8.111111111111112e-06, | |
| "loss": 2.3021, | |
| "step": 74 | |
| }, | |
| { | |
| "epoch": 2.5, | |
| "eval_loss": 2.177736759185791, | |
| "eval_runtime": 1.5274, | |
| "eval_samples_per_second": 16.367, | |
| "eval_steps_per_second": 8.511, | |
| "step": 75 | |
| }, | |
| { | |
| "epoch": 2.533333333333333, | |
| "grad_norm": 2.9720375537872314, | |
| "learning_rate": 8.333333333333334e-06, | |
| "loss": 2.1772, | |
| "step": 76 | |
| }, | |
| { | |
| "epoch": 2.6, | |
| "grad_norm": 3.5414316654205322, | |
| "learning_rate": 8.555555555555556e-06, | |
| "loss": 2.157, | |
| "step": 78 | |
| }, | |
| { | |
| "epoch": 2.6666666666666665, | |
| "grad_norm": 3.396733045578003, | |
| "learning_rate": 8.777777777777778e-06, | |
| "loss": 2.0045, | |
| "step": 80 | |
| }, | |
| { | |
| "epoch": 2.6666666666666665, | |
| "eval_loss": 1.9051285982131958, | |
| "eval_runtime": 1.4057, | |
| "eval_samples_per_second": 17.785, | |
| "eval_steps_per_second": 9.248, | |
| "step": 80 | |
| }, | |
| { | |
| "epoch": 2.7333333333333334, | |
| "grad_norm": 3.4136478900909424, | |
| "learning_rate": 9e-06, | |
| "loss": 1.8646, | |
| "step": 82 | |
| }, | |
| { | |
| "epoch": 2.8, | |
| "grad_norm": 3.6544456481933594, | |
| "learning_rate": 9.222222222222222e-06, | |
| "loss": 1.7191, | |
| "step": 84 | |
| }, | |
| { | |
| "epoch": 2.8333333333333335, | |
| "eval_loss": 1.6363606452941895, | |
| "eval_runtime": 1.4316, | |
| "eval_samples_per_second": 17.463, | |
| "eval_steps_per_second": 9.081, | |
| "step": 85 | |
| }, | |
| { | |
| "epoch": 2.8666666666666667, | |
| "grad_norm": 3.796562433242798, | |
| "learning_rate": 9.444444444444445e-06, | |
| "loss": 1.7735, | |
| "step": 86 | |
| }, | |
| { | |
| "epoch": 2.9333333333333336, | |
| "grad_norm": 5.002358436584473, | |
| "learning_rate": 9.666666666666667e-06, | |
| "loss": 1.6776, | |
| "step": 88 | |
| }, | |
| { | |
| "epoch": 3.0, | |
| "grad_norm": 3.5313045978546143, | |
| "learning_rate": 9.888888888888889e-06, | |
| "loss": 1.5608, | |
| "step": 90 | |
| }, | |
| { | |
| "epoch": 3.0, | |
| "eval_loss": 1.3793411254882812, | |
| "eval_runtime": 1.3982, | |
| "eval_samples_per_second": 17.88, | |
| "eval_steps_per_second": 9.298, | |
| "step": 90 | |
| }, | |
| { | |
| "epoch": 3.066666666666667, | |
| "grad_norm": 3.3272876739501953, | |
| "learning_rate": 1.0111111111111111e-05, | |
| "loss": 1.4043, | |
| "step": 92 | |
| }, | |
| { | |
| "epoch": 3.1333333333333333, | |
| "grad_norm": 2.814345598220825, | |
| "learning_rate": 1.0333333333333333e-05, | |
| "loss": 1.2939, | |
| "step": 94 | |
| }, | |
| { | |
| "epoch": 3.1666666666666665, | |
| "eval_loss": 1.1037827730178833, | |
| "eval_runtime": 1.3838, | |
| "eval_samples_per_second": 18.066, | |
| "eval_steps_per_second": 9.395, | |
| "step": 95 | |
| }, | |
| { | |
| "epoch": 3.2, | |
| "grad_norm": 3.4121196269989014, | |
| "learning_rate": 1.0555555555555555e-05, | |
| "loss": 1.1798, | |
| "step": 96 | |
| }, | |
| { | |
| "epoch": 3.2666666666666666, | |
| "grad_norm": 3.0579442977905273, | |
| "learning_rate": 1.0777777777777778e-05, | |
| "loss": 1.0908, | |
| "step": 98 | |
| }, | |
| { | |
| "epoch": 3.3333333333333335, | |
| "grad_norm": 3.2252845764160156, | |
| "learning_rate": 1.1000000000000001e-05, | |
| "loss": 0.8921, | |
| "step": 100 | |
| }, | |
| { | |
| "epoch": 3.3333333333333335, | |
| "eval_loss": 0.8358808159828186, | |
| "eval_runtime": 1.461, | |
| "eval_samples_per_second": 17.111, | |
| "eval_steps_per_second": 8.898, | |
| "step": 100 | |
| }, | |
| { | |
| "epoch": 3.4, | |
| "grad_norm": 3.360541582107544, | |
| "learning_rate": 1.1222222222222224e-05, | |
| "loss": 0.8753, | |
| "step": 102 | |
| }, | |
| { | |
| "epoch": 3.466666666666667, | |
| "grad_norm": 3.1788830757141113, | |
| "learning_rate": 1.1444444444444446e-05, | |
| "loss": 0.8476, | |
| "step": 104 | |
| }, | |
| { | |
| "epoch": 3.5, | |
| "eval_loss": 0.6091769933700562, | |
| "eval_runtime": 1.3914, | |
| "eval_samples_per_second": 17.968, | |
| "eval_steps_per_second": 9.343, | |
| "step": 105 | |
| }, | |
| { | |
| "epoch": 3.533333333333333, | |
| "grad_norm": 3.1445837020874023, | |
| "learning_rate": 1.1666666666666668e-05, | |
| "loss": 0.7705, | |
| "step": 106 | |
| }, | |
| { | |
| "epoch": 3.6, | |
| "grad_norm": 3.182121992111206, | |
| "learning_rate": 1.188888888888889e-05, | |
| "loss": 0.5904, | |
| "step": 108 | |
| }, | |
| { | |
| "epoch": 3.6666666666666665, | |
| "grad_norm": 2.9944844245910645, | |
| "learning_rate": 1.2111111111111112e-05, | |
| "loss": 0.6235, | |
| "step": 110 | |
| }, | |
| { | |
| "epoch": 3.6666666666666665, | |
| "eval_loss": 0.411894291639328, | |
| "eval_runtime": 1.4039, | |
| "eval_samples_per_second": 17.807, | |
| "eval_steps_per_second": 9.26, | |
| "step": 110 | |
| }, | |
| { | |
| "epoch": 3.7333333333333334, | |
| "grad_norm": 2.72308611869812, | |
| "learning_rate": 1.2333333333333334e-05, | |
| "loss": 0.4289, | |
| "step": 112 | |
| }, | |
| { | |
| "epoch": 3.8, | |
| "grad_norm": 2.649951696395874, | |
| "learning_rate": 1.2555555555555557e-05, | |
| "loss": 0.4271, | |
| "step": 114 | |
| }, | |
| { | |
| "epoch": 3.8333333333333335, | |
| "eval_loss": 0.2668825089931488, | |
| "eval_runtime": 1.3795, | |
| "eval_samples_per_second": 18.123, | |
| "eval_steps_per_second": 9.424, | |
| "step": 115 | |
| }, | |
| { | |
| "epoch": 3.8666666666666667, | |
| "grad_norm": 2.880009412765503, | |
| "learning_rate": 1.2777777777777777e-05, | |
| "loss": 0.3055, | |
| "step": 116 | |
| }, | |
| { | |
| "epoch": 3.9333333333333336, | |
| "grad_norm": 2.3714723587036133, | |
| "learning_rate": 1.3000000000000001e-05, | |
| "loss": 0.2684, | |
| "step": 118 | |
| }, | |
| { | |
| "epoch": 4.0, | |
| "grad_norm": 2.419046401977539, | |
| "learning_rate": 1.3222222222222221e-05, | |
| "loss": 0.2343, | |
| "step": 120 | |
| }, | |
| { | |
| "epoch": 4.0, | |
| "eval_loss": 0.16023358702659607, | |
| "eval_runtime": 1.4191, | |
| "eval_samples_per_second": 17.617, | |
| "eval_steps_per_second": 9.161, | |
| "step": 120 | |
| }, | |
| { | |
| "epoch": 4.066666666666666, | |
| "grad_norm": 1.8676931858062744, | |
| "learning_rate": 1.3444444444444445e-05, | |
| "loss": 0.1493, | |
| "step": 122 | |
| }, | |
| { | |
| "epoch": 4.133333333333334, | |
| "grad_norm": 2.152453899383545, | |
| "learning_rate": 1.3666666666666666e-05, | |
| "loss": 0.136, | |
| "step": 124 | |
| }, | |
| { | |
| "epoch": 4.166666666666667, | |
| "eval_loss": 0.07367248833179474, | |
| "eval_runtime": 1.4284, | |
| "eval_samples_per_second": 17.502, | |
| "eval_steps_per_second": 9.101, | |
| "step": 125 | |
| }, | |
| { | |
| "epoch": 4.2, | |
| "grad_norm": 1.4457124471664429, | |
| "learning_rate": 1.388888888888889e-05, | |
| "loss": 0.0865, | |
| "step": 126 | |
| }, | |
| { | |
| "epoch": 4.266666666666667, | |
| "grad_norm": 2.502723455429077, | |
| "learning_rate": 1.4111111111111112e-05, | |
| "loss": 0.0663, | |
| "step": 128 | |
| }, | |
| { | |
| "epoch": 4.333333333333333, | |
| "grad_norm": 2.0470452308654785, | |
| "learning_rate": 1.4333333333333334e-05, | |
| "loss": 0.0375, | |
| "step": 130 | |
| }, | |
| { | |
| "epoch": 4.333333333333333, | |
| "eval_loss": 0.033464256674051285, | |
| "eval_runtime": 1.4708, | |
| "eval_samples_per_second": 16.997, | |
| "eval_steps_per_second": 8.839, | |
| "step": 130 | |
| } | |
| ], | |
| "logging_steps": 2, | |
| "max_steps": 1500, | |
| "num_input_tokens_seen": 0, | |
| "num_train_epochs": 50, | |
| "save_steps": 10, | |
| "stateful_callbacks": { | |
| "EarlyStoppingCallback": { | |
| "args": { | |
| "early_stopping_patience": 5, | |
| "early_stopping_threshold": 0.0 | |
| }, | |
| "attributes": { | |
| "early_stopping_patience_counter": 0 | |
| } | |
| }, | |
| "TrainerControl": { | |
| "args": { | |
| "should_epoch_stop": false, | |
| "should_evaluate": false, | |
| "should_log": false, | |
| "should_save": true, | |
| "should_training_stop": false | |
| }, | |
| "attributes": {} | |
| } | |
| }, | |
| "total_flos": 1508438304092160.0, | |
| "train_batch_size": 2, | |
| "trial_name": null, | |
| "trial_params": null | |
| } | |