{
  "best_global_step": null,
  "best_metric": null,
  "best_model_checkpoint": null,
  "epoch": 29.0,
  "eval_steps": 500,
  "global_step": 4350,
  "is_hyper_param_search": false,
  "is_local_process_zero": true,
  "is_world_process_zero": true,
  "log_history": [
    {
      "epoch": 0.06666666666666667,
      "grad_norm": 15.9375,
      "learning_rate": 8e-05,
      "loss": 2.8175,
      "step": 10
    },
    {
      "epoch": 0.13333333333333333,
      "grad_norm": 9.9375,
      "learning_rate": 8e-05,
      "loss": 1.5892,
      "step": 20
    },
    {
      "epoch": 0.2,
      "grad_norm": 8.4375,
      "learning_rate": 8e-05,
      "loss": 1.5829,
      "step": 30
    },
    {
      "epoch": 0.26666666666666666,
      "grad_norm": 23.875,
      "learning_rate": 8e-05,
      "loss": 1.2536,
      "step": 40
    },
    {
      "epoch": 0.3333333333333333,
      "grad_norm": 8.1875,
      "learning_rate": 8e-05,
      "loss": 1.3342,
      "step": 50
    },
    {
      "epoch": 0.4,
      "grad_norm": 19.875,
      "learning_rate": 8e-05,
      "loss": 1.0698,
      "step": 60
    },
    {
      "epoch": 0.4666666666666667,
      "grad_norm": 7.46875,
      "learning_rate": 8e-05,
      "loss": 1.2566,
      "step": 70
    },
    {
      "epoch": 0.5333333333333333,
      "grad_norm": 18.375,
      "learning_rate": 8e-05,
      "loss": 0.896,
      "step": 80
    },
    {
      "epoch": 0.6,
      "grad_norm": 8.125,
      "learning_rate": 8e-05,
      "loss": 0.9531,
      "step": 90
    },
    {
      "epoch": 0.6666666666666666,
      "grad_norm": 7.40625,
      "learning_rate": 8e-05,
      "loss": 1.404,
      "step": 100
    },
    {
      "epoch": 0.7333333333333333,
      "grad_norm": 18.375,
      "learning_rate": 8e-05,
      "loss": 1.1784,
      "step": 110
    },
    {
      "epoch": 0.8,
      "grad_norm": 7.0625,
      "learning_rate": 8e-05,
      "loss": 0.8687,
      "step": 120
    },
    {
      "epoch": 0.8666666666666667,
      "grad_norm": 7.1875,
      "learning_rate": 8e-05,
      "loss": 1.0304,
      "step": 130
    },
    {
      "epoch": 0.9333333333333333,
      "grad_norm": 7.40625,
      "learning_rate": 8e-05,
      "loss": 1.0099,
      "step": 140
    },
    {
      "epoch": 1.0,
      "grad_norm": 7.25,
      "learning_rate": 8e-05,
      "loss": 1.0077,
      "step": 150
    },
    {
      "epoch": 1.0666666666666667,
      "grad_norm": 7.21875,
      "learning_rate": 8e-05,
      "loss": 0.6739,
      "step": 160
    },
    {
      "epoch": 1.1333333333333333,
      "grad_norm": 12.6875,
      "learning_rate": 8e-05,
      "loss": 0.7994,
      "step": 170
    },
    {
      "epoch": 1.2,
      "grad_norm": 9.25,
      "learning_rate": 8e-05,
      "loss": 0.7404,
      "step": 180
    },
    {
      "epoch": 1.2666666666666666,
      "grad_norm": 7.4375,
      "learning_rate": 8e-05,
      "loss": 0.6783,
      "step": 190
    },
    {
      "epoch": 1.3333333333333333,
      "grad_norm": 15.5,
      "learning_rate": 8e-05,
      "loss": 0.7047,
      "step": 200
    },
    {
      "epoch": 1.4,
      "grad_norm": 8.125,
      "learning_rate": 8e-05,
      "loss": 0.9323,
      "step": 210
    },
    {
      "epoch": 1.4666666666666668,
      "grad_norm": 14.0,
      "learning_rate": 8e-05,
      "loss": 0.6844,
      "step": 220
    },
    {
      "epoch": 1.5333333333333332,
      "grad_norm": 9.6875,
      "learning_rate": 8e-05,
      "loss": 0.754,
      "step": 230
    },
    {
      "epoch": 1.6,
      "grad_norm": 14.8125,
      "learning_rate": 8e-05,
      "loss": 0.7832,
      "step": 240
    },
    {
      "epoch": 1.6666666666666665,
      "grad_norm": 7.5625,
      "learning_rate": 8e-05,
      "loss": 0.7787,
      "step": 250
    },
    {
      "epoch": 1.7333333333333334,
      "grad_norm": 16.125,
      "learning_rate": 8e-05,
      "loss": 0.7757,
      "step": 260
    },
    {
      "epoch": 1.8,
      "grad_norm": 6.75,
      "learning_rate": 8e-05,
      "loss": 0.7071,
      "step": 270
    },
    {
      "epoch": 1.8666666666666667,
      "grad_norm": 7.125,
      "learning_rate": 8e-05,
      "loss": 0.6846,
      "step": 280
    },
    {
      "epoch": 1.9333333333333333,
      "grad_norm": 8.0625,
      "learning_rate": 8e-05,
      "loss": 0.6798,
      "step": 290
    },
    {
      "epoch": 2.0,
      "grad_norm": 8.0,
      "learning_rate": 8e-05,
      "loss": 0.6156,
      "step": 300
    },
    {
      "epoch": 2.066666666666667,
      "grad_norm": 7.875,
      "learning_rate": 8e-05,
      "loss": 0.5637,
      "step": 310
    },
    {
      "epoch": 2.1333333333333333,
      "grad_norm": 7.59375,
      "learning_rate": 8e-05,
      "loss": 0.5648,
      "step": 320
    },
    {
      "epoch": 2.2,
      "grad_norm": 7.15625,
      "learning_rate": 8e-05,
      "loss": 0.557,
      "step": 330
    },
    {
      "epoch": 2.2666666666666666,
      "grad_norm": 14.625,
      "learning_rate": 8e-05,
      "loss": 0.6649,
      "step": 340
    },
    {
      "epoch": 2.3333333333333335,
      "grad_norm": 13.875,
      "learning_rate": 8e-05,
      "loss": 0.5828,
      "step": 350
    },
    {
      "epoch": 2.4,
      "grad_norm": 7.21875,
      "learning_rate": 8e-05,
      "loss": 0.6511,
      "step": 360
    },
    {
      "epoch": 2.466666666666667,
      "grad_norm": 6.875,
      "learning_rate": 8e-05,
      "loss": 0.6143,
      "step": 370
    },
    {
      "epoch": 2.533333333333333,
      "grad_norm": 7.09375,
      "learning_rate": 8e-05,
      "loss": 0.5279,
      "step": 380
    },
    {
      "epoch": 2.6,
      "grad_norm": 7.78125,
      "learning_rate": 8e-05,
      "loss": 0.5958,
      "step": 390
    },
    {
      "epoch": 2.6666666666666665,
      "grad_norm": 7.90625,
      "learning_rate": 8e-05,
      "loss": 0.5939,
      "step": 400
    },
    {
      "epoch": 2.7333333333333334,
      "grad_norm": 6.625,
      "learning_rate": 8e-05,
      "loss": 0.6436,
      "step": 410
    },
    {
      "epoch": 2.8,
      "grad_norm": 14.3125,
      "learning_rate": 8e-05,
      "loss": 0.5914,
      "step": 420
    },
    {
      "epoch": 2.8666666666666667,
      "grad_norm": 6.53125,
      "learning_rate": 8e-05,
      "loss": 0.6224,
      "step": 430
    },
    {
      "epoch": 2.9333333333333336,
      "grad_norm": 9.0625,
      "learning_rate": 8e-05,
      "loss": 0.6307,
      "step": 440
    },
    {
      "epoch": 3.0,
      "grad_norm": 7.375,
      "learning_rate": 8e-05,
      "loss": 0.5725,
      "step": 450
    },
    {
      "epoch": 3.066666666666667,
      "grad_norm": 7.71875,
      "learning_rate": 8e-05,
      "loss": 0.4453,
      "step": 460
    },
    {
      "epoch": 3.1333333333333333,
      "grad_norm": 14.375,
      "learning_rate": 8e-05,
      "loss": 0.5641,
      "step": 470
    },
    {
      "epoch": 3.2,
      "grad_norm": 6.5625,
      "learning_rate": 8e-05,
      "loss": 0.4988,
      "step": 480
    },
    {
      "epoch": 3.2666666666666666,
      "grad_norm": 6.46875,
      "learning_rate": 8e-05,
      "loss": 0.445,
      "step": 490
    },
    {
      "epoch": 3.3333333333333335,
      "grad_norm": 6.78125,
      "learning_rate": 8e-05,
      "loss": 0.4262,
      "step": 500
    },
    {
      "epoch": 3.3333333333333335,
      "eval_loss": 6.109757423400879,
      "eval_runtime": 7.8689,
      "eval_samples_per_second": 63.541,
      "eval_steps_per_second": 63.541,
      "step": 500
    },
    {
      "epoch": 3.4,
      "grad_norm": 6.96875,
      "learning_rate": 8e-05,
      "loss": 0.5602,
      "step": 510
    },
    {
      "epoch": 3.466666666666667,
      "grad_norm": 6.34375,
      "learning_rate": 8e-05,
      "loss": 0.4888,
      "step": 520
    },
    {
      "epoch": 3.533333333333333,
      "grad_norm": 8.625,
      "learning_rate": 8e-05,
      "loss": 0.5043,
      "step": 530
    },
    {
      "epoch": 3.6,
      "grad_norm": 6.78125,
      "learning_rate": 8e-05,
      "loss": 0.4985,
      "step": 540
    },
    {
      "epoch": 3.6666666666666665,
      "grad_norm": 7.6875,
      "learning_rate": 8e-05,
      "loss": 0.4768,
      "step": 550
    },
    {
      "epoch": 3.7333333333333334,
      "grad_norm": 6.4375,
      "learning_rate": 8e-05,
      "loss": 0.5858,
      "step": 560
    },
    {
      "epoch": 3.8,
      "grad_norm": 14.9375,
      "learning_rate": 8e-05,
      "loss": 0.5109,
      "step": 570
    },
    {
      "epoch": 3.8666666666666667,
      "grad_norm": 6.34375,
      "learning_rate": 8e-05,
      "loss": 0.5463,
      "step": 580
    },
    {
      "epoch": 3.9333333333333336,
      "grad_norm": 6.0625,
      "learning_rate": 8e-05,
      "loss": 0.5145,
      "step": 590
    },
    {
      "epoch": 4.0,
      "grad_norm": 7.59375,
      "learning_rate": 8e-05,
      "loss": 0.5981,
      "step": 600
    },
    {
      "epoch": 4.066666666666666,
      "grad_norm": 7.6875,
      "learning_rate": 8e-05,
      "loss": 0.3908,
      "step": 610
    },
    {
      "epoch": 4.133333333333334,
      "grad_norm": 5.78125,
      "learning_rate": 8e-05,
      "loss": 0.3538,
      "step": 620
    },
    {
      "epoch": 4.2,
      "grad_norm": 12.8125,
      "learning_rate": 8e-05,
      "loss": 0.4148,
      "step": 630
    },
    {
      "epoch": 4.266666666666667,
      "grad_norm": 6.21875,
      "learning_rate": 8e-05,
      "loss": 0.35,
      "step": 640
    },
    {
      "epoch": 4.333333333333333,
      "grad_norm": 7.84375,
      "learning_rate": 8e-05,
      "loss": 0.4307,
      "step": 650
    },
    {
      "epoch": 4.4,
      "grad_norm": 6.4375,
      "learning_rate": 8e-05,
      "loss": 0.4137,
      "step": 660
    },
    {
      "epoch": 4.466666666666667,
      "grad_norm": 6.25,
      "learning_rate": 8e-05,
      "loss": 0.422,
      "step": 670
    },
    {
      "epoch": 4.533333333333333,
      "grad_norm": 6.59375,
      "learning_rate": 8e-05,
      "loss": 0.3558,
      "step": 680
    },
    {
      "epoch": 4.6,
      "grad_norm": 6.03125,
      "learning_rate": 8e-05,
      "loss": 0.4403,
      "step": 690
    },
    {
      "epoch": 4.666666666666667,
      "grad_norm": 10.75,
      "learning_rate": 8e-05,
      "loss": 0.4268,
      "step": 700
    },
    {
      "epoch": 4.733333333333333,
      "grad_norm": 12.5,
      "learning_rate": 8e-05,
      "loss": 0.4346,
      "step": 710
    },
    {
      "epoch": 4.8,
      "grad_norm": 12.6875,
      "learning_rate": 8e-05,
      "loss": 0.4415,
      "step": 720
    },
    {
      "epoch": 4.866666666666667,
      "grad_norm": 5.9375,
      "learning_rate": 8e-05,
      "loss": 0.378,
      "step": 730
    },
    {
      "epoch": 4.933333333333334,
      "grad_norm": 6.625,
      "learning_rate": 8e-05,
      "loss": 0.4326,
      "step": 740
    },
    {
      "epoch": 5.0,
      "grad_norm": 16.25,
      "learning_rate": 8e-05,
      "loss": 0.4478,
      "step": 750
    },
    {
      "epoch": 5.066666666666666,
      "grad_norm": 5.1875,
      "learning_rate": 8e-05,
      "loss": 0.2861,
      "step": 760
    },
    {
      "epoch": 5.133333333333334,
      "grad_norm": 7.5,
      "learning_rate": 8e-05,
      "loss": 0.3786,
      "step": 770
    },
    {
      "epoch": 5.2,
      "grad_norm": 14.3125,
      "learning_rate": 8e-05,
      "loss": 0.375,
      "step": 780
    },
    {
      "epoch": 5.266666666666667,
      "grad_norm": 5.5625,
      "learning_rate": 8e-05,
      "loss": 0.3023,
      "step": 790
    },
    {
      "epoch": 5.333333333333333,
      "grad_norm": 3.921875,
      "learning_rate": 8e-05,
      "loss": 0.2609,
      "step": 800
    },
    {
      "epoch": 5.4,
      "grad_norm": 8.0,
      "learning_rate": 8e-05,
      "loss": 0.3727,
      "step": 810
    },
    {
      "epoch": 5.466666666666667,
      "grad_norm": 4.8125,
      "learning_rate": 8e-05,
      "loss": 0.3947,
      "step": 820
    },
    {
      "epoch": 5.533333333333333,
      "grad_norm": 10.625,
      "learning_rate": 8e-05,
      "loss": 0.2972,
      "step": 830
    },
    {
      "epoch": 5.6,
      "grad_norm": 16.0,
      "learning_rate": 8e-05,
      "loss": 0.3201,
      "step": 840
    },
    {
      "epoch": 5.666666666666667,
      "grad_norm": 5.25,
      "learning_rate": 8e-05,
      "loss": 0.3632,
      "step": 850
    },
    {
      "epoch": 5.733333333333333,
      "grad_norm": 6.4375,
      "learning_rate": 8e-05,
      "loss": 0.319,
      "step": 860
    },
    {
      "epoch": 5.8,
      "grad_norm": 6.125,
      "learning_rate": 8e-05,
      "loss": 0.3574,
      "step": 870
    },
    {
      "epoch": 5.866666666666667,
      "grad_norm": 11.875,
      "learning_rate": 8e-05,
      "loss": 0.3044,
      "step": 880
    },
    {
      "epoch": 5.933333333333334,
      "grad_norm": 11.875,
      "learning_rate": 8e-05,
      "loss": 0.3496,
      "step": 890
    },
    {
      "epoch": 6.0,
      "grad_norm": 9.4375,
      "learning_rate": 8e-05,
      "loss": 0.3685,
      "step": 900
    },
    {
      "epoch": 6.066666666666666,
      "grad_norm": 4.0625,
      "learning_rate": 8e-05,
      "loss": 0.2858,
      "step": 910
    },
    {
      "epoch": 6.133333333333334,
      "grad_norm": 14.0625,
      "learning_rate": 8e-05,
      "loss": 0.3342,
      "step": 920
    },
    {
      "epoch": 6.2,
      "grad_norm": 2.953125,
      "learning_rate": 8e-05,
      "loss": 0.2725,
      "step": 930
    },
    {
      "epoch": 6.266666666666667,
      "grad_norm": 2.28125,
      "learning_rate": 8e-05,
      "loss": 0.2163,
      "step": 940
    },
    {
      "epoch": 6.333333333333333,
      "grad_norm": 8.0625,
      "learning_rate": 8e-05,
      "loss": 0.3371,
      "step": 950
    },
    {
      "epoch": 6.4,
      "grad_norm": 4.5,
      "learning_rate": 8e-05,
      "loss": 0.2089,
      "step": 960
    },
    {
      "epoch": 6.466666666666667,
      "grad_norm": 3.1875,
      "learning_rate": 8e-05,
      "loss": 0.3131,
      "step": 970
    },
    {
      "epoch": 6.533333333333333,
      "grad_norm": 6.5,
      "learning_rate": 8e-05,
      "loss": 0.3484,
      "step": 980
    },
    {
      "epoch": 6.6,
      "grad_norm": 4.34375,
      "learning_rate": 8e-05,
      "loss": 0.3022,
      "step": 990
    },
    {
      "epoch": 6.666666666666667,
      "grad_norm": 13.4375,
      "learning_rate": 8e-05,
      "loss": 0.2383,
      "step": 1000
    },
    {
      "epoch": 6.666666666666667,
      "eval_loss": 6.251327037811279,
      "eval_runtime": 7.784,
      "eval_samples_per_second": 64.234,
      "eval_steps_per_second": 64.234,
      "step": 1000
    },
    {
      "epoch": 6.733333333333333,
      "grad_norm": 12.9375,
      "learning_rate": 8e-05,
      "loss": 0.324,
      "step": 1010
    },
    {
      "epoch": 6.8,
      "grad_norm": 7.71875,
      "learning_rate": 8e-05,
      "loss": 0.3079,
      "step": 1020
    },
    {
      "epoch": 6.866666666666667,
      "grad_norm": 3.34375,
      "learning_rate": 8e-05,
      "loss": 0.2946,
      "step": 1030
    },
    {
      "epoch": 6.933333333333334,
      "grad_norm": 3.265625,
      "learning_rate": 8e-05,
      "loss": 0.2924,
      "step": 1040
    },
    {
      "epoch": 7.0,
      "grad_norm": 5.90625,
      "learning_rate": 8e-05,
      "loss": 0.298,
      "step": 1050
    },
    {
      "epoch": 7.066666666666666,
      "grad_norm": 7.6875,
      "learning_rate": 8e-05,
      "loss": 0.3063,
      "step": 1060
    },
    {
      "epoch": 7.133333333333334,
      "grad_norm": 11.4375,
      "learning_rate": 8e-05,
      "loss": 0.2847,
      "step": 1070
    },
    {
      "epoch": 7.2,
      "grad_norm": 2.625,
      "learning_rate": 8e-05,
      "loss": 0.2374,
      "step": 1080
    },
    {
      "epoch": 7.266666666666667,
      "grad_norm": 7.0,
      "learning_rate": 8e-05,
      "loss": 0.3054,
      "step": 1090
    },
    {
      "epoch": 7.333333333333333,
      "grad_norm": 6.15625,
      "learning_rate": 8e-05,
      "loss": 0.2396,
      "step": 1100
    },
    {
      "epoch": 7.4,
      "grad_norm": 1.9921875,
      "learning_rate": 8e-05,
      "loss": 0.2339,
      "step": 1110
    },
    {
      "epoch": 7.466666666666667,
      "grad_norm": 13.5625,
      "learning_rate": 8e-05,
      "loss": 0.2142,
      "step": 1120
    },
    {
      "epoch": 7.533333333333333,
      "grad_norm": 13.625,
      "learning_rate": 8e-05,
      "loss": 0.2455,
      "step": 1130
    },
    {
      "epoch": 7.6,
      "grad_norm": 12.3125,
      "learning_rate": 8e-05,
      "loss": 0.2673,
      "step": 1140
    },
    {
      "epoch": 7.666666666666667,
      "grad_norm": 13.1875,
      "learning_rate": 8e-05,
      "loss": 0.3539,
      "step": 1150
    },
    {
      "epoch": 7.733333333333333,
      "grad_norm": 12.5625,
      "learning_rate": 8e-05,
      "loss": 0.2764,
      "step": 1160
    },
    {
      "epoch": 7.8,
      "grad_norm": 14.1875,
      "learning_rate": 8e-05,
      "loss": 0.3384,
      "step": 1170
    },
    {
      "epoch": 7.866666666666667,
      "grad_norm": 1.765625,
      "learning_rate": 8e-05,
      "loss": 0.2586,
      "step": 1180
    },
    {
      "epoch": 7.933333333333334,
      "grad_norm": 4.46875,
      "learning_rate": 8e-05,
      "loss": 0.1642,
      "step": 1190
    },
    {
      "epoch": 8.0,
      "grad_norm": 13.5,
      "learning_rate": 8e-05,
      "loss": 0.1933,
      "step": 1200
    },
    {
      "epoch": 8.066666666666666,
      "grad_norm": 2.46875,
      "learning_rate": 8e-05,
      "loss": 0.2673,
      "step": 1210
    },
    {
      "epoch": 8.133333333333333,
      "grad_norm": 2.890625,
      "learning_rate": 8e-05,
      "loss": 0.2862,
      "step": 1220
    },
    {
      "epoch": 8.2,
      "grad_norm": 6.21875,
      "learning_rate": 8e-05,
      "loss": 0.258,
      "step": 1230
    },
    {
      "epoch": 8.266666666666667,
      "grad_norm": 3.671875,
      "learning_rate": 8e-05,
      "loss": 0.2841,
      "step": 1240
    },
    {
      "epoch": 8.333333333333334,
      "grad_norm": 13.25,
      "learning_rate": 8e-05,
      "loss": 0.2572,
      "step": 1250
    },
    {
      "epoch": 8.4,
      "grad_norm": 11.0625,
      "learning_rate": 8e-05,
      "loss": 0.221,
      "step": 1260
    },
    {
      "epoch": 8.466666666666667,
      "grad_norm": 2.859375,
      "learning_rate": 8e-05,
      "loss": 0.2339,
      "step": 1270
    },
    {
      "epoch": 8.533333333333333,
      "grad_norm": 10.25,
      "learning_rate": 8e-05,
      "loss": 0.1708,
      "step": 1280
    },
    {
      "epoch": 8.6,
      "grad_norm": 3.40625,
      "learning_rate": 8e-05,
      "loss": 0.2703,
      "step": 1290
    },
    {
      "epoch": 8.666666666666666,
      "grad_norm": 2.875,
      "learning_rate": 8e-05,
      "loss": 0.1167,
      "step": 1300
    },
    {
      "epoch": 8.733333333333333,
      "grad_norm": 13.375,
      "learning_rate": 8e-05,
      "loss": 0.2557,
      "step": 1310
    },
    {
      "epoch": 8.8,
      "grad_norm": 13.8125,
      "learning_rate": 8e-05,
      "loss": 0.3136,
      "step": 1320
    },
    {
      "epoch": 8.866666666666667,
      "grad_norm": 5.1875,
      "learning_rate": 8e-05,
      "loss": 0.2367,
      "step": 1330
    },
    {
      "epoch": 8.933333333333334,
      "grad_norm": 11.1875,
      "learning_rate": 8e-05,
      "loss": 0.2864,
      "step": 1340
    },
    {
      "epoch": 9.0,
      "grad_norm": 6.03125,
      "learning_rate": 8e-05,
      "loss": 0.2822,
      "step": 1350
    },
    {
      "epoch": 9.066666666666666,
      "grad_norm": 1.1796875,
      "learning_rate": 8e-05,
      "loss": 0.2529,
      "step": 1360
    },
    {
      "epoch": 9.133333333333333,
      "grad_norm": 1.71875,
      "learning_rate": 8e-05,
      "loss": 0.2378,
      "step": 1370
    },
    {
      "epoch": 9.2,
      "grad_norm": 1.578125,
      "learning_rate": 8e-05,
      "loss": 0.2066,
      "step": 1380
    },
    {
      "epoch": 9.266666666666667,
      "grad_norm": 2.09375,
      "learning_rate": 8e-05,
      "loss": 0.1917,
      "step": 1390
    },
    {
      "epoch": 9.333333333333334,
      "grad_norm": 5.59375,
      "learning_rate": 8e-05,
      "loss": 0.1699,
      "step": 1400
    },
    {
      "epoch": 9.4,
      "grad_norm": 12.4375,
      "learning_rate": 8e-05,
      "loss": 0.2749,
      "step": 1410
    },
    {
      "epoch": 9.466666666666667,
      "grad_norm": 13.3125,
      "learning_rate": 8e-05,
      "loss": 0.2402,
      "step": 1420
    },
    {
      "epoch": 9.533333333333333,
      "grad_norm": 12.1875,
      "learning_rate": 8e-05,
      "loss": 0.3195,
      "step": 1430
    },
    {
      "epoch": 9.6,
      "grad_norm": 13.6875,
      "learning_rate": 8e-05,
      "loss": 0.2936,
      "step": 1440
    },
    {
      "epoch": 9.666666666666666,
      "grad_norm": 14.5,
      "learning_rate": 8e-05,
      "loss": 0.209,
      "step": 1450
    },
    {
      "epoch": 9.733333333333333,
      "grad_norm": 2.078125,
      "learning_rate": 8e-05,
      "loss": 0.2456,
      "step": 1460
    },
    {
      "epoch": 9.8,
      "grad_norm": 2.828125,
      "learning_rate": 8e-05,
      "loss": 0.1185,
      "step": 1470
    },
    {
      "epoch": 9.866666666666667,
      "grad_norm": 2.296875,
      "learning_rate": 8e-05,
      "loss": 0.1885,
      "step": 1480
    },
    {
      "epoch": 9.933333333333334,
      "grad_norm": 2.96875,
      "learning_rate": 8e-05,
      "loss": 0.2708,
      "step": 1490
    },
    {
      "epoch": 10.0,
      "grad_norm": 4.03125,
      "learning_rate": 8e-05,
      "loss": 0.2339,
      "step": 1500
    },
    {
      "epoch": 10.0,
      "eval_loss": 6.87812614440918,
      "eval_runtime": 7.7864,
      "eval_samples_per_second": 64.215,
      "eval_steps_per_second": 64.215,
      "step": 1500
    },
    {
      "epoch": 10.066666666666666,
      "grad_norm": 1.0234375,
      "learning_rate": 8e-05,
      "loss": 0.2093,
      "step": 1510
    },
    {
      "epoch": 10.133333333333333,
      "grad_norm": 11.25,
      "learning_rate": 8e-05,
      "loss": 0.285,
      "step": 1520
    },
    {
      "epoch": 10.2,
      "grad_norm": 1.421875,
      "learning_rate": 8e-05,
      "loss": 0.2634,
      "step": 1530
    },
    {
      "epoch": 10.266666666666667,
      "grad_norm": 2.375,
      "learning_rate": 8e-05,
      "loss": 0.135,
      "step": 1540
    },
    {
      "epoch": 10.333333333333334,
      "grad_norm": 3.109375,
      "learning_rate": 8e-05,
      "loss": 0.2416,
      "step": 1550
    },
    {
      "epoch": 10.4,
      "grad_norm": 3.3125,
      "learning_rate": 8e-05,
      "loss": 0.1869,
      "step": 1560
    },
    {
      "epoch": 10.466666666666667,
      "grad_norm": 2.46875,
      "learning_rate": 8e-05,
      "loss": 0.2586,
      "step": 1570
    },
    {
      "epoch": 10.533333333333333,
      "grad_norm": 2.9375,
      "learning_rate": 8e-05,
      "loss": 0.2595,
      "step": 1580
    },
    {
      "epoch": 10.6,
      "grad_norm": 1.7109375,
      "learning_rate": 8e-05,
      "loss": 0.1743,
      "step": 1590
    },
    {
      "epoch": 10.666666666666666,
      "grad_norm": 2.09375,
      "learning_rate": 8e-05,
      "loss": 0.1545,
      "step": 1600
    },
    {
      "epoch": 10.733333333333333,
      "grad_norm": 12.625,
      "learning_rate": 8e-05,
      "loss": 0.2211,
      "step": 1610
    },
    {
      "epoch": 10.8,
      "grad_norm": 2.421875,
      "learning_rate": 8e-05,
      "loss": 0.2071,
      "step": 1620
    },
    {
      "epoch": 10.866666666666667,
      "grad_norm": 12.75,
      "learning_rate": 8e-05,
      "loss": 0.2075,
      "step": 1630
    },
    {
      "epoch": 10.933333333333334,
      "grad_norm": 3.96875,
      "learning_rate": 8e-05,
      "loss": 0.2148,
      "step": 1640
    },
    {
      "epoch": 11.0,
      "grad_norm": 4.09375,
      "learning_rate": 8e-05,
      "loss": 0.2453,
      "step": 1650
    },
    {
      "epoch": 11.066666666666666,
      "grad_norm": 1.21875,
      "learning_rate": 8e-05,
      "loss": 0.2078,
      "step": 1660
    },
    {
      "epoch": 11.133333333333333,
      "grad_norm": 0.96875,
      "learning_rate": 8e-05,
      "loss": 0.1529,
      "step": 1670
    },
    {
      "epoch": 11.2,
      "grad_norm": 2.609375,
      "learning_rate": 8e-05,
      "loss": 0.2401,
      "step": 1680
    },
    {
      "epoch": 11.266666666666667,
      "grad_norm": 3.078125,
      "learning_rate": 8e-05,
      "loss": 0.2061,
      "step": 1690
    },
    {
      "epoch": 11.333333333333334,
      "grad_norm": 15.3125,
      "learning_rate": 8e-05,
      "loss": 0.2112,
      "step": 1700
    },
    {
      "epoch": 11.4,
      "grad_norm": 2.1875,
      "learning_rate": 8e-05,
      "loss": 0.2624,
      "step": 1710
    },
    {
      "epoch": 11.466666666666667,
      "grad_norm": 2.109375,
      "learning_rate": 8e-05,
      "loss": 0.1534,
      "step": 1720
    },
    {
      "epoch": 11.533333333333333,
      "grad_norm": 1.34375,
      "learning_rate": 8e-05,
      "loss": 0.1726,
      "step": 1730
    },
    {
      "epoch": 11.6,
      "grad_norm": 11.5,
      "learning_rate": 8e-05,
      "loss": 0.2686,
      "step": 1740
    },
    {
      "epoch": 11.666666666666666,
      "grad_norm": 14.125,
      "learning_rate": 8e-05,
      "loss": 0.2905,
      "step": 1750
    },
    {
      "epoch": 11.733333333333333,
      "grad_norm": 10.625,
      "learning_rate": 8e-05,
      "loss": 0.1711,
      "step": 1760
    },
    {
      "epoch": 11.8,
      "grad_norm": 3.234375,
      "learning_rate": 8e-05,
      "loss": 0.2368,
      "step": 1770
    },
    {
      "epoch": 11.866666666666667,
      "grad_norm": 11.125,
      "learning_rate": 8e-05,
      "loss": 0.216,
      "step": 1780
    },
    {
      "epoch": 11.933333333333334,
      "grad_norm": 3.0,
      "learning_rate": 8e-05,
      "loss": 0.1541,
      "step": 1790
    },
    {
      "epoch": 12.0,
      "grad_norm": 13.625,
      "learning_rate": 8e-05,
      "loss": 0.266,
      "step": 1800
    },
    {
      "epoch": 12.066666666666666,
      "grad_norm": 2.328125,
      "learning_rate": 8e-05,
      "loss": 0.1817,
      "step": 1810
    },
    {
      "epoch": 12.133333333333333,
      "grad_norm": 12.1875,
      "learning_rate": 8e-05,
      "loss": 0.1165,
      "step": 1820
    },
    {
      "epoch": 12.2,
      "grad_norm": 3.90625,
      "learning_rate": 8e-05,
      "loss": 0.1518,
      "step": 1830
    },
    {
      "epoch": 12.266666666666667,
      "grad_norm": 2.40625,
      "learning_rate": 8e-05,
      "loss": 0.291,
      "step": 1840
    },
    {
      "epoch": 12.333333333333334,
      "grad_norm": 1.2734375,
      "learning_rate": 8e-05,
      "loss": 0.142,
      "step": 1850
    },
    {
      "epoch": 12.4,
      "grad_norm": 13.3125,
      "learning_rate": 8e-05,
      "loss": 0.2334,
      "step": 1860
    },
    {
      "epoch": 12.466666666666667,
      "grad_norm": 2.078125,
      "learning_rate": 8e-05,
      "loss": 0.1905,
      "step": 1870
    },
    {
      "epoch": 12.533333333333333,
      "grad_norm": 1.3046875,
      "learning_rate": 8e-05,
      "loss": 0.256,
      "step": 1880
    },
    {
      "epoch": 12.6,
      "grad_norm": 13.0625,
      "learning_rate": 8e-05,
      "loss": 0.2645,
      "step": 1890
    },
    {
      "epoch": 12.666666666666666,
      "grad_norm": 1.4921875,
      "learning_rate": 8e-05,
      "loss": 0.1756,
      "step": 1900
    },
    {
      "epoch": 12.733333333333333,
      "grad_norm": 1.546875,
      "learning_rate": 8e-05,
      "loss": 0.19,
      "step": 1910
    },
    {
      "epoch": 12.8,
      "grad_norm": 2.046875,
      "learning_rate": 8e-05,
      "loss": 0.2056,
      "step": 1920
    },
    {
      "epoch": 12.866666666666667,
      "grad_norm": 2.78125,
      "learning_rate": 8e-05,
      "loss": 0.2508,
      "step": 1930
    },
    {
      "epoch": 12.933333333333334,
      "grad_norm": 3.6875,
      "learning_rate": 8e-05,
      "loss": 0.259,
      "step": 1940
    },
    {
      "epoch": 13.0,
      "grad_norm": 12.8125,
      "learning_rate": 8e-05,
      "loss": 0.2509,
      "step": 1950
    },
    {
      "epoch": 13.066666666666666,
      "grad_norm": 10.5625,
      "learning_rate": 8e-05,
      "loss": 0.145,
      "step": 1960
    },
    {
      "epoch": 13.133333333333333,
      "grad_norm": 13.375,
      "learning_rate": 8e-05,
      "loss": 0.2302,
      "step": 1970
    },
    {
      "epoch": 13.2,
      "grad_norm": 2.921875,
      "learning_rate": 8e-05,
      "loss": 0.1894,
      "step": 1980
    },
    {
      "epoch": 13.266666666666667,
      "grad_norm": 2.3125,
      "learning_rate": 8e-05,
      "loss": 0.2469,
      "step": 1990
    },
    {
      "epoch": 13.333333333333334,
      "grad_norm": 12.375,
      "learning_rate": 8e-05,
      "loss": 0.2853,
      "step": 2000
    },
    {
      "epoch": 13.333333333333334,
      "eval_loss": 7.610803127288818,
      "eval_runtime": 7.8397,
      "eval_samples_per_second": 63.778,
      "eval_steps_per_second": 63.778,
      "step": 2000
    },
    {
      "epoch": 13.4,
      "grad_norm": 14.5625,
      "learning_rate": 8e-05,
      "loss": 0.2293,
      "step": 2010
    },
    {
      "epoch": 13.466666666666667,
      "grad_norm": 2.484375,
      "learning_rate": 8e-05,
      "loss": 0.1749,
      "step": 2020
    },
    {
      "epoch": 13.533333333333333,
      "grad_norm": 4.15625,
      "learning_rate": 8e-05,
      "loss": 0.14,
      "step": 2030
    },
    {
      "epoch": 13.6,
      "grad_norm": 2.59375,
      "learning_rate": 8e-05,
      "loss": 0.1266,
      "step": 2040
    },
    {
      "epoch": 13.666666666666666,
      "grad_norm": 1.4140625,
      "learning_rate": 8e-05,
      "loss": 0.3235,
      "step": 2050
    },
    {
      "epoch": 13.733333333333333,
      "grad_norm": 10.875,
      "learning_rate": 8e-05,
      "loss": 0.2866,
      "step": 2060
    },
    {
      "epoch": 13.8,
      "grad_norm": 14.5,
      "learning_rate": 8e-05,
      "loss": 0.1776,
      "step": 2070
    },
    {
      "epoch": 13.866666666666667,
      "grad_norm": 1.3984375,
      "learning_rate": 8e-05,
      "loss": 0.2415,
      "step": 2080
    },
    {
      "epoch": 13.933333333333334,
      "grad_norm": 2.46875,
      "learning_rate": 8e-05,
      "loss": 0.1669,
      "step": 2090
    },
    {
      "epoch": 14.0,
      "grad_norm": 1.8203125,
      "learning_rate": 8e-05,
      "loss": 0.1981,
      "step": 2100
    },
    {
      "epoch": 14.066666666666666,
      "grad_norm": 2.296875,
      "learning_rate": 8e-05,
      "loss": 0.1161,
      "step": 2110
    },
    {
      "epoch": 14.133333333333333,
      "grad_norm": 1.359375,
      "learning_rate": 8e-05,
      "loss": 0.1564,
      "step": 2120
    },
    {
      "epoch": 14.2,
      "grad_norm": 13.5,
      "learning_rate": 8e-05,
      "loss": 0.2145,
      "step": 2130
    },
    {
      "epoch": 14.266666666666667,
      "grad_norm": 12.0625,
      "learning_rate": 8e-05,
      "loss": 0.2712,
      "step": 2140
    },
    {
      "epoch": 14.333333333333334,
      "grad_norm": 4.34375,
      "learning_rate": 8e-05,
      "loss": 0.1336,
      "step": 2150
    },
    {
      "epoch": 14.4,
      "grad_norm": 1.3125,
      "learning_rate": 8e-05,
      "loss": 0.1991,
      "step": 2160
    },
    {
      "epoch": 14.466666666666667,
      "grad_norm": 10.0625,
      "learning_rate": 8e-05,
      "loss": 0.173,
      "step": 2170
    },
    {
      "epoch": 14.533333333333333,
      "grad_norm": 9.8125,
      "learning_rate": 8e-05,
      "loss": 0.2384,
      "step": 2180
    },
    {
      "epoch": 14.6,
      "grad_norm": 11.9375,
      "learning_rate": 8e-05,
      "loss": 0.2454,
      "step": 2190
    },
    {
      "epoch": 14.666666666666666,
      "grad_norm": 11.9375,
      "learning_rate": 8e-05,
      "loss": 0.2116,
      "step": 2200
    },
    {
      "epoch": 14.733333333333333,
      "grad_norm": 1.15625,
      "learning_rate": 8e-05,
      "loss": 0.1642,
      "step": 2210
    },
    {
      "epoch": 14.8,
      "grad_norm": 12.0,
      "learning_rate": 8e-05,
      "loss": 0.2193,
      "step": 2220
    },
    {
      "epoch": 14.866666666666667,
      "grad_norm": 4.3125,
      "learning_rate": 8e-05,
      "loss": 0.1157,
      "step": 2230
    },
    {
      "epoch": 14.933333333333334,
      "grad_norm": 1.9140625,
      "learning_rate": 8e-05,
      "loss": 0.2401,
      "step": 2240
    },
    {
      "epoch": 15.0,
      "grad_norm": 1.0859375,
      "learning_rate": 8e-05,
      "loss": 0.2521,
      "step": 2250
    },
    {
      "epoch": 15.066666666666666,
      "grad_norm": 12.4375,
      "learning_rate": 8e-05,
      "loss": 0.2709,
      "step": 2260
    },
    {
      "epoch": 15.133333333333333,
      "grad_norm": 1.3515625,
      "learning_rate": 8e-05,
      "loss": 0.1026,
      "step": 2270
    },
    {
      "epoch": 15.2,
      "grad_norm": 12.4375,
      "learning_rate": 8e-05,
      "loss": 0.1849,
      "step": 2280
    },
    {
      "epoch": 15.266666666666667,
      "grad_norm": 0.76953125,
      "learning_rate": 8e-05,
      "loss": 0.1076,
      "step": 2290
    },
    {
      "epoch": 15.333333333333334,
      "grad_norm": 10.625,
      "learning_rate": 8e-05,
      "loss": 0.168,
      "step": 2300
    },
    {
      "epoch": 15.4,
      "grad_norm": 13.25,
      "learning_rate": 8e-05,
      "loss": 0.2293,
      "step": 2310
    },
    {
      "epoch": 15.466666666666667,
      "grad_norm": 4.09375,
      "learning_rate": 8e-05,
      "loss": 0.2168,
      "step": 2320
    },
    {
      "epoch": 15.533333333333333,
      "grad_norm": 4.40625,
      "learning_rate": 8e-05,
      "loss": 0.1555,
      "step": 2330
    },
    {
      "epoch": 15.6,
      "grad_norm": 2.9375,
      "learning_rate": 8e-05,
      "loss": 0.1093,
      "step": 2340
    },
    {
      "epoch": 15.666666666666666,
      "grad_norm": 10.375,
      "learning_rate": 8e-05,
      "loss": 0.3299,
      "step": 2350
    },
    {
      "epoch": 15.733333333333333,
      "grad_norm": 1.453125,
      "learning_rate": 8e-05,
      "loss": 0.2806,
      "step": 2360
    },
    {
      "epoch": 15.8,
      "grad_norm": 0.84375,
      "learning_rate": 8e-05,
      "loss": 0.1587,
      "step": 2370
    },
    {
      "epoch": 15.866666666666667,
      "grad_norm": 2.046875,
      "learning_rate": 8e-05,
      "loss": 0.2126,
      "step": 2380
    },
    {
      "epoch": 15.933333333333334,
      "grad_norm": 13.4375,
      "learning_rate": 8e-05,
      "loss": 0.2729,
      "step": 2390
    },
    {
      "epoch": 16.0,
      "grad_norm": 1.3359375,
      "learning_rate": 8e-05,
      "loss": 0.1771,
      "step": 2400
    },
    {
      "epoch": 16.066666666666666,
      "grad_norm": 10.25,
      "learning_rate": 8e-05,
      "loss": 0.2151,
      "step": 2410
    },
    {
      "epoch": 16.133333333333333,
      "grad_norm": 0.9453125,
      "learning_rate": 8e-05,
      "loss": 0.1061,
      "step": 2420
    },
    {
      "epoch": 16.2,
      "grad_norm": 0.98828125,
      "learning_rate": 8e-05,
      "loss": 0.0821,
      "step": 2430
    },
    {
      "epoch": 16.266666666666666,
      "grad_norm": 12.125,
      "learning_rate": 8e-05,
      "loss": 0.3271,
      "step": 2440
    },
    {
      "epoch": 16.333333333333332,
      "grad_norm": 14.6875,
      "learning_rate": 8e-05,
      "loss": 0.1863,
      "step": 2450
    },
    {
      "epoch": 16.4,
      "grad_norm": 2.21875,
      "learning_rate": 8e-05,
      "loss": 0.1893,
      "step": 2460
    },
    {
      "epoch": 16.466666666666665,
      "grad_norm": 11.5625,
      "learning_rate": 8e-05,
      "loss": 0.3338,
      "step": 2470
    },
    {
      "epoch": 16.533333333333335,
      "grad_norm": 13.1875,
      "learning_rate": 8e-05,
      "loss": 0.163,
      "step": 2480
    },
    {
      "epoch": 16.6,
      "grad_norm": 1.578125,
      "learning_rate": 8e-05,
      "loss": 0.1617,
      "step": 2490
    },
    {
      "epoch": 16.666666666666668,
      "grad_norm": 12.5,
      "learning_rate": 8e-05,
      "loss": 0.2145,
      "step": 2500
    },
    {
      "epoch": 16.666666666666668,
      "eval_loss": 8.240596771240234,
      "eval_runtime": 7.824,
      "eval_samples_per_second": 63.906,
      "eval_steps_per_second": 63.906,
      "step": 2500
    },
    {
      "epoch": 16.733333333333334,
      "grad_norm": 2.359375,
      "learning_rate": 8e-05,
      "loss": 0.2422,
      "step": 2510
    },
    {
      "epoch": 16.8,
      "grad_norm": 3.46875,
      "learning_rate": 8e-05,
      "loss": 0.1993,
      "step": 2520
    },
    {
      "epoch": 16.866666666666667,
      "grad_norm": 2.25,
      "learning_rate": 8e-05,
      "loss": 0.1625,
      "step": 2530
    },
    {
      "epoch": 16.933333333333334,
      "grad_norm": 1.390625,
      "learning_rate": 8e-05,
      "loss": 0.2006,
      "step": 2540
    },
    {
      "epoch": 17.0,
      "grad_norm": 1.09375,
      "learning_rate": 8e-05,
      "loss": 0.2824,
      "step": 2550
    },
    {
      "epoch": 17.066666666666666,
      "grad_norm": 3.0,
      "learning_rate": 8e-05,
      "loss": 0.1538,
      "step": 2560
    },
    {
      "epoch": 17.133333333333333,
      "grad_norm": 1.0703125,
      "learning_rate": 8e-05,
      "loss": 0.156,
      "step": 2570
    },
    {
      "epoch": 17.2,
      "grad_norm": 12.75,
      "learning_rate": 8e-05,
      "loss": 0.18,
      "step": 2580
    },
    {
      "epoch": 17.266666666666666,
      "grad_norm": 1.03125,
      "learning_rate": 8e-05,
      "loss": 0.1922,
      "step": 2590
    },
    {
      "epoch": 17.333333333333332,
      "grad_norm": 12.5625,
      "learning_rate": 8e-05,
      "loss": 0.1587,
      "step": 2600
    },
    {
      "epoch": 17.4,
      "grad_norm": 12.4375,
      "learning_rate": 8e-05,
      "loss": 0.1888,
      "step": 2610
    },
    {
      "epoch": 17.466666666666665,
      "grad_norm": 13.6875,
      "learning_rate": 8e-05,
      "loss": 0.2003,
      "step": 2620
    },
    {
      "epoch": 17.533333333333335,
      "grad_norm": 2.234375,
      "learning_rate": 8e-05,
      "loss": 0.2414,
      "step": 2630
    },
    {
      "epoch": 17.6,
      "grad_norm": 12.625,
      "learning_rate": 8e-05,
      "loss": 0.3025,
      "step": 2640
    },
    {
      "epoch": 17.666666666666668,
      "grad_norm": 1.21875,
      "learning_rate": 8e-05,
      "loss": 0.1932,
      "step": 2650
    },
    {
      "epoch": 17.733333333333334,
      "grad_norm": 12.125,
      "learning_rate": 8e-05,
      "loss": 0.2497,
      "step": 2660
    },
    {
      "epoch": 17.8,
      "grad_norm": 1.2421875,
      "learning_rate": 8e-05,
      "loss": 0.1785,
      "step": 2670
    },
    {
      "epoch": 17.866666666666667,
      "grad_norm": 1.7421875,
      "learning_rate": 8e-05,
      "loss": 0.1876,
      "step": 2680
    },
    {
      "epoch": 17.933333333333334,
      "grad_norm": 2.25,
      "learning_rate": 8e-05,
      "loss": 0.1544,
      "step": 2690
    },
    {
      "epoch": 18.0,
      "grad_norm": 1.328125,
      "learning_rate": 8e-05,
      "loss": 0.1671,
      "step": 2700
    },
    {
      "epoch": 18.066666666666666,
      "grad_norm": 10.875,
      "learning_rate": 8e-05,
      "loss": 0.1831,
      "step": 2710
    },
    {
      "epoch": 18.133333333333333,
      "grad_norm": 10.9375,
      "learning_rate": 8e-05,
      "loss": 0.2211,
      "step": 2720
    },
    {
      "epoch": 18.2,
      "grad_norm": 13.0,
      "learning_rate": 8e-05,
      "loss": 0.2536,
      "step": 2730
    },
    {
      "epoch": 18.266666666666666,
      "grad_norm": 1.3515625,
      "learning_rate": 8e-05,
      "loss": 0.1876,
      "step": 2740
    },
    {
      "epoch": 18.333333333333332,
      "grad_norm": 2.921875,
      "learning_rate": 8e-05,
      "loss": 0.2089,
      "step": 2750
    },
    {
      "epoch": 18.4,
      "grad_norm": 12.5625,
      "learning_rate": 8e-05,
      "loss": 0.2764,
      "step": 2760
    },
    {
      "epoch": 18.466666666666665,
      "grad_norm": 1.3359375,
      "learning_rate": 8e-05,
      "loss": 0.2012,
      "step": 2770
    },
    {
      "epoch": 18.533333333333335,
      "grad_norm": 11.5625,
      "learning_rate": 8e-05,
      "loss": 0.2265,
      "step": 2780
    },
    {
      "epoch": 18.6,
      "grad_norm": 1.2109375,
      "learning_rate": 8e-05,
      "loss": 0.1727,
      "step": 2790
    },
    {
      "epoch": 18.666666666666668,
      "grad_norm": 0.94140625,
      "learning_rate": 8e-05,
      "loss": 0.0805,
      "step": 2800
    },
    {
      "epoch": 18.733333333333334,
      "grad_norm": 1.1875,
      "learning_rate": 8e-05,
      "loss": 0.1877,
      "step": 2810
    },
    {
      "epoch": 18.8,
      "grad_norm": 1.59375,
      "learning_rate": 8e-05,
      "loss": 0.1893,
      "step": 2820
    },
    {
      "epoch": 18.866666666666667,
      "grad_norm": 1.34375,
      "learning_rate": 8e-05,
      "loss": 0.1652,
      "step": 2830
    },
    {
      "epoch": 18.933333333333334,
      "grad_norm": 11.1875,
      "learning_rate": 8e-05,
      "loss": 0.139,
      "step": 2840
    },
    {
      "epoch": 19.0,
      "grad_norm": 0.9765625,
      "learning_rate": 8e-05,
      "loss": 0.2359,
      "step": 2850
    },
    {
      "epoch": 19.066666666666666,
      "grad_norm": 12.8125,
      "learning_rate": 8e-05,
      "loss": 0.214,
      "step": 2860
    },
    {
      "epoch": 19.133333333333333,
      "grad_norm": 3.3125,
      "learning_rate": 8e-05,
      "loss": 0.2669,
      "step": 2870
    },
    {
      "epoch": 19.2,
      "grad_norm": 1.421875,
      "learning_rate": 8e-05,
      "loss": 0.1555,
      "step": 2880
    },
    {
      "epoch": 19.266666666666666,
      "grad_norm": 10.5,
      "learning_rate": 8e-05,
      "loss": 0.2098,
      "step": 2890
    },
    {
      "epoch": 19.333333333333332,
      "grad_norm": 13.3125,
      "learning_rate": 8e-05,
      "loss": 0.2219,
      "step": 2900
    },
    {
      "epoch": 19.4,
      "grad_norm": 1.3125,
      "learning_rate": 8e-05,
      "loss": 0.0923,
      "step": 2910
    },
    {
      "epoch": 19.466666666666665,
      "grad_norm": 3.109375,
      "learning_rate": 8e-05,
      "loss": 0.2357,
      "step": 2920
    },
    {
      "epoch": 19.533333333333335,
      "grad_norm": 13.3125,
      "learning_rate": 8e-05,
      "loss": 0.1905,
      "step": 2930
    },
    {
      "epoch": 19.6,
      "grad_norm": 12.3125,
      "learning_rate": 8e-05,
      "loss": 0.1566,
      "step": 2940
    },
    {
      "epoch": 19.666666666666668,
      "grad_norm": 0.86328125,
      "learning_rate": 8e-05,
      "loss": 0.0815,
      "step": 2950
    },
    {
      "epoch": 19.733333333333334,
      "grad_norm": 0.859375,
      "learning_rate": 8e-05,
      "loss": 0.1554,
      "step": 2960
    },
    {
      "epoch": 19.8,
      "grad_norm": 11.0625,
      "learning_rate": 8e-05,
      "loss": 0.2029,
      "step": 2970
    },
    {
      "epoch": 19.866666666666667,
      "grad_norm": 12.8125,
      "learning_rate": 8e-05,
      "loss": 0.2656,
      "step": 2980
    },
    {
      "epoch": 19.933333333333334,
      "grad_norm": 1.0390625,
      "learning_rate": 8e-05,
      "loss": 0.219,
      "step": 2990
    },
    {
      "epoch": 20.0,
      "grad_norm": 13.5,
      "learning_rate": 8e-05,
      "loss": 0.2561,
      "step": 3000
    },
    {
      "epoch": 20.0,
      "eval_loss": 8.65807056427002,
      "eval_runtime": 7.7454,
      "eval_samples_per_second": 64.555,
      "eval_steps_per_second": 64.555,
      "step": 3000
    },
    {
      "epoch": 20.066666666666666,
      "grad_norm": 1.9296875,
      "learning_rate": 8e-05,
      "loss": 0.1922,
      "step": 3010
    },
    {
      "epoch": 20.133333333333333,
      "grad_norm": 1.6015625,
      "learning_rate": 8e-05,
      "loss": 0.0922,
      "step": 3020
    },
    {
      "epoch": 20.2,
      "grad_norm": 1.3828125,
      "learning_rate": 8e-05,
      "loss": 0.2161,
      "step": 3030
    },
    {
      "epoch": 20.266666666666666,
      "grad_norm": 1.0234375,
      "learning_rate": 8e-05,
      "loss": 0.1797,
      "step": 3040
    },
    {
      "epoch": 20.333333333333332,
      "grad_norm": 1.09375,
      "learning_rate": 8e-05,
      "loss": 0.1347,
      "step": 3050
    },
    {
      "epoch": 20.4,
      "grad_norm": 1.5625,
      "learning_rate": 8e-05,
      "loss": 0.2369,
      "step": 3060
    },
    {
      "epoch": 20.466666666666665,
      "grad_norm": 0.921875,
      "learning_rate": 8e-05,
      "loss": 0.0949,
      "step": 3070
    },
    {
      "epoch": 20.533333333333335,
      "grad_norm": 2.046875,
      "learning_rate": 8e-05,
      "loss": 0.2827,
      "step": 3080
    },
    {
      "epoch": 20.6,
      "grad_norm": 13.75,
      "learning_rate": 8e-05,
      "loss": 0.2074,
      "step": 3090
    },
    {
      "epoch": 20.666666666666668,
      "grad_norm": 1.1953125,
      "learning_rate": 8e-05,
      "loss": 0.1481,
      "step": 3100
    },
    {
      "epoch": 20.733333333333334,
      "grad_norm": 2.703125,
      "learning_rate": 8e-05,
      "loss": 0.1398,
      "step": 3110
    },
    {
      "epoch": 20.8,
      "grad_norm": 2.40625,
      "learning_rate": 8e-05,
      "loss": 0.1725,
      "step": 3120
    },
    {
      "epoch": 20.866666666666667,
      "grad_norm": 13.0625,
      "learning_rate": 8e-05,
      "loss": 0.2702,
      "step": 3130
    },
    {
      "epoch": 20.933333333333334,
      "grad_norm": 1.6953125,
      "learning_rate": 8e-05,
      "loss": 0.2094,
      "step": 3140
    },
    {
      "epoch": 21.0,
      "grad_norm": 13.375,
      "learning_rate": 8e-05,
      "loss": 0.26,
      "step": 3150
    },
    {
      "epoch": 21.066666666666666,
      "grad_norm": 0.96484375,
      "learning_rate": 8e-05,
      "loss": 0.2089,
      "step": 3160
    },
    {
      "epoch": 21.133333333333333,
      "grad_norm": 10.625,
      "learning_rate": 8e-05,
      "loss": 0.1632,
      "step": 3170
    },
    {
      "epoch": 21.2,
      "grad_norm": 12.25,
      "learning_rate": 8e-05,
      "loss": 0.1572,
      "step": 3180
    },
    {
      "epoch": 21.266666666666666,
      "grad_norm": 1.6171875,
      "learning_rate": 8e-05,
      "loss": 0.126,
      "step": 3190
    },
    {
      "epoch": 21.333333333333332,
      "grad_norm": 2.078125,
      "learning_rate": 8e-05,
      "loss": 0.1827,
      "step": 3200
    },
    {
      "epoch": 21.4,
      "grad_norm": 11.6875,
      "learning_rate": 8e-05,
      "loss": 0.2749,
      "step": 3210
    },
    {
      "epoch": 21.466666666666665,
      "grad_norm": 2.71875,
      "learning_rate": 8e-05,
      "loss": 0.187,
      "step": 3220
    },
    {
      "epoch": 21.533333333333335,
      "grad_norm": 9.9375,
      "learning_rate": 8e-05,
      "loss": 0.1404,
      "step": 3230
    },
    {
      "epoch": 21.6,
      "grad_norm": 1.2734375,
      "learning_rate": 8e-05,
      "loss": 0.2873,
      "step": 3240
    },
    {
      "epoch": 21.666666666666668,
      "grad_norm": 3.25,
      "learning_rate": 8e-05,
      "loss": 0.1517,
      "step": 3250
    },
    {
      "epoch": 21.733333333333334,
      "grad_norm": 0.9609375,
      "learning_rate": 8e-05,
      "loss": 0.2063,
      "step": 3260
    },
    {
      "epoch": 21.8,
      "grad_norm": 3.109375,
      "learning_rate": 8e-05,
      "loss": 0.2222,
      "step": 3270
    },
    {
      "epoch": 21.866666666666667,
      "grad_norm": 1.6328125,
      "learning_rate": 8e-05,
      "loss": 0.2082,
      "step": 3280
    },
    {
      "epoch": 21.933333333333334,
      "grad_norm": 1.3828125,
      "learning_rate": 8e-05,
      "loss": 0.1211,
      "step": 3290
    },
    {
      "epoch": 22.0,
      "grad_norm": 1.1640625,
      "learning_rate": 8e-05,
      "loss": 0.2319,
      "step": 3300
    },
    {
      "epoch": 22.066666666666666,
      "grad_norm": 2.546875,
      "learning_rate": 8e-05,
      "loss": 0.1599,
      "step": 3310
    },
    {
      "epoch": 22.133333333333333,
      "grad_norm": 12.5625,
      "learning_rate": 8e-05,
      "loss": 0.2909,
      "step": 3320
    },
    {
      "epoch": 22.2,
      "grad_norm": 11.5625,
      "learning_rate": 8e-05,
      "loss": 0.2778,
      "step": 3330
    },
    {
      "epoch": 22.266666666666666,
      "grad_norm": 1.390625,
      "learning_rate": 8e-05,
      "loss": 0.134,
      "step": 3340
    },
    {
      "epoch": 22.333333333333332,
      "grad_norm": 1.6328125,
      "learning_rate": 8e-05,
      "loss": 0.1636,
      "step": 3350
    },
    {
      "epoch": 22.4,
      "grad_norm": 1.296875,
      "learning_rate": 8e-05,
      "loss": 0.0656,
      "step": 3360
    },
    {
      "epoch": 22.466666666666665,
      "grad_norm": 13.875,
      "learning_rate": 8e-05,
      "loss": 0.1659,
      "step": 3370
    },
    {
      "epoch": 22.533333333333335,
      "grad_norm": 1.7578125,
      "learning_rate": 8e-05,
      "loss": 0.1885,
      "step": 3380
    },
    {
      "epoch": 22.6,
      "grad_norm": 1.0234375,
      "learning_rate": 8e-05,
      "loss": 0.1616,
      "step": 3390
    },
    {
      "epoch": 22.666666666666668,
      "grad_norm": 4.71875,
      "learning_rate": 8e-05,
      "loss": 0.2285,
      "step": 3400
    },
    {
      "epoch": 22.733333333333334,
      "grad_norm": 11.3125,
      "learning_rate": 8e-05,
      "loss": 0.2638,
      "step": 3410
    },
    {
      "epoch": 22.8,
      "grad_norm": 0.8984375,
      "learning_rate": 8e-05,
      "loss": 0.1763,
      "step": 3420
    },
    {
      "epoch": 22.866666666666667,
      "grad_norm": 1.046875,
      "learning_rate": 8e-05,
      "loss": 0.1571,
      "step": 3430
    },
    {
      "epoch": 22.933333333333334,
      "grad_norm": 11.0625,
      "learning_rate": 8e-05,
      "loss": 0.2391,
      "step": 3440
    },
    {
      "epoch": 23.0,
      "grad_norm": 13.875,
      "learning_rate": 8e-05,
      "loss": 0.1476,
      "step": 3450
    },
    {
      "epoch": 23.066666666666666,
      "grad_norm": 1.0234375,
      "learning_rate": 8e-05,
      "loss": 0.2053,
      "step": 3460
    },
    {
      "epoch": 23.133333333333333,
      "grad_norm": 0.96484375,
      "learning_rate": 8e-05,
      "loss": 0.1709,
      "step": 3470
    },
    {
      "epoch": 23.2,
      "grad_norm": 1.125,
      "learning_rate": 8e-05,
      "loss": 0.0837,
      "step": 3480
    },
    {
      "epoch": 23.266666666666666,
      "grad_norm": 1.03125,
      "learning_rate": 8e-05,
      "loss": 0.1987,
      "step": 3490
    },
    {
      "epoch": 23.333333333333332,
      "grad_norm": 11.625,
      "learning_rate": 8e-05,
      "loss": 0.2621,
      "step": 3500
    },
    {
      "epoch": 23.333333333333332,
      "eval_loss": 8.179243087768555,
      "eval_runtime": 7.7535,
      "eval_samples_per_second": 64.487,
      "eval_steps_per_second": 64.487,
      "step": 3500
    },
    {
      "epoch": 23.4,
      "grad_norm": 12.125,
      "learning_rate": 8e-05,
      "loss": 0.1975,
      "step": 3510
    },
    {
      "epoch": 23.466666666666665,
      "grad_norm": 11.875,
      "learning_rate": 8e-05,
      "loss": 0.1351,
      "step": 3520
    },
    {
      "epoch": 23.533333333333335,
      "grad_norm": 12.6875,
      "learning_rate": 8e-05,
      "loss": 0.1795,
      "step": 3530
    },
    {
      "epoch": 23.6,
      "grad_norm": 10.4375,
      "learning_rate": 8e-05,
      "loss": 0.2213,
      "step": 3540
    },
    {
      "epoch": 23.666666666666668,
      "grad_norm": 1.0859375,
      "learning_rate": 8e-05,
      "loss": 0.1925,
      "step": 3550
    },
    {
      "epoch": 23.733333333333334,
      "grad_norm": 12.5,
      "learning_rate": 8e-05,
      "loss": 0.2318,
      "step": 3560
    },
    {
      "epoch": 23.8,
      "grad_norm": 1.2265625,
      "learning_rate": 8e-05,
      "loss": 0.2271,
      "step": 3570
    },
    {
      "epoch": 23.866666666666667,
      "grad_norm": 1.9296875,
      "learning_rate": 8e-05,
      "loss": 0.1647,
      "step": 3580
    },
    {
      "epoch": 23.933333333333334,
      "grad_norm": 1.7890625,
      "learning_rate": 8e-05,
      "loss": 0.2188,
      "step": 3590
    },
    {
      "epoch": 24.0,
      "grad_norm": 0.76953125,
      "learning_rate": 8e-05,
      "loss": 0.1456,
      "step": 3600
    },
    {
      "epoch": 24.066666666666666,
      "grad_norm": 1.0390625,
      "learning_rate": 8e-05,
      "loss": 0.128,
      "step": 3610
    },
    {
      "epoch": 24.133333333333333,
      "grad_norm": 13.125,
      "learning_rate": 8e-05,
      "loss": 0.2309,
      "step": 3620
    },
    {
      "epoch": 24.2,
      "grad_norm": 2.046875,
      "learning_rate": 8e-05,
      "loss": 0.2051,
      "step": 3630
    },
    {
      "epoch": 24.266666666666666,
      "grad_norm": 10.1875,
      "learning_rate": 8e-05,
      "loss": 0.2166,
      "step": 3640
    },
    {
      "epoch": 24.333333333333332,
      "grad_norm": 0.9609375,
      "learning_rate": 8e-05,
      "loss": 0.1872,
      "step": 3650
    },
    {
      "epoch": 24.4,
      "grad_norm": 14.4375,
      "learning_rate": 8e-05,
      "loss": 0.2188,
      "step": 3660
    },
    {
      "epoch": 24.466666666666665,
      "grad_norm": 14.0,
      "learning_rate": 8e-05,
      "loss": 0.273,
      "step": 3670
    },
    {
      "epoch": 24.533333333333335,
      "grad_norm": 1.1171875,
      "learning_rate": 8e-05,
      "loss": 0.1198,
      "step": 3680
    },
    {
      "epoch": 24.6,
      "grad_norm": 1.703125,
      "learning_rate": 8e-05,
      "loss": 0.1773,
      "step": 3690
    },
    {
      "epoch": 24.666666666666668,
      "grad_norm": 1.609375,
      "learning_rate": 8e-05,
      "loss": 0.1433,
      "step": 3700
    },
    {
      "epoch": 24.733333333333334,
      "grad_norm": 13.0,
      "learning_rate": 8e-05,
      "loss": 0.2368,
      "step": 3710
    },
    {
      "epoch": 24.8,
      "grad_norm": 2.4375,
      "learning_rate": 8e-05,
      "loss": 0.145,
      "step": 3720
    },
    {
      "epoch": 24.866666666666667,
      "grad_norm": 1.5390625,
      "learning_rate": 8e-05,
      "loss": 0.137,
      "step": 3730
    },
    {
      "epoch": 24.933333333333334,
      "grad_norm": 1.84375,
      "learning_rate": 8e-05,
      "loss": 0.1954,
      "step": 3740
    },
    {
      "epoch": 25.0,
      "grad_norm": 1.4375,
      "learning_rate": 8e-05,
      "loss": 0.1693,
      "step": 3750
    },
    {
      "epoch": 25.066666666666666,
      "grad_norm": 0.9609375,
      "learning_rate": 8e-05,
      "loss": 0.1242,
      "step": 3760
    },
    {
      "epoch": 25.133333333333333,
      "grad_norm": 2.5,
      "learning_rate": 8e-05,
      "loss": 0.259,
      "step": 3770
    },
    {
      "epoch": 25.2,
      "grad_norm": 14.0,
      "learning_rate": 8e-05,
      "loss": 0.3121,
      "step": 3780
    },
    {
      "epoch": 25.266666666666666,
      "grad_norm": 1.234375,
      "learning_rate": 8e-05,
      "loss": 0.1946,
      "step": 3790
    },
    {
      "epoch": 25.333333333333332,
      "grad_norm": 1.3671875,
      "learning_rate": 8e-05,
      "loss": 0.0759,
      "step": 3800
    },
    {
      "epoch": 25.4,
      "grad_norm": 14.4375,
      "learning_rate": 8e-05,
      "loss": 0.1557,
      "step": 3810
    },
    {
      "epoch": 25.466666666666665,
      "grad_norm": 1.859375,
      "learning_rate": 8e-05,
      "loss": 0.1272,
      "step": 3820
    },
    {
      "epoch": 25.533333333333335,
      "grad_norm": 1.1875,
      "learning_rate": 8e-05,
      "loss": 0.1476,
      "step": 3830
    },
    {
      "epoch": 25.6,
      "grad_norm": 1.125,
      "learning_rate": 8e-05,
      "loss": 0.1963,
      "step": 3840
    },
    {
      "epoch": 25.666666666666668,
      "grad_norm": 0.734375,
      "learning_rate": 8e-05,
      "loss": 0.1274,
      "step": 3850
    },
    {
      "epoch": 25.733333333333334,
      "grad_norm": 1.6015625,
      "learning_rate": 8e-05,
      "loss": 0.1694,
      "step": 3860
    },
    {
      "epoch": 25.8,
      "grad_norm": 1.734375,
      "learning_rate": 8e-05,
      "loss": 0.2305,
      "step": 3870
    },
    {
      "epoch": 25.866666666666667,
      "grad_norm": 13.375,
      "learning_rate": 8e-05,
      "loss": 0.3054,
      "step": 3880
    },
    {
      "epoch": 25.933333333333334,
      "grad_norm": 1.7421875,
      "learning_rate": 8e-05,
      "loss": 0.2326,
      "step": 3890
    },
    {
      "epoch": 26.0,
      "grad_norm": 10.0625,
      "learning_rate": 8e-05,
      "loss": 0.1475,
      "step": 3900
    },
    {
      "epoch": 26.066666666666666,
      "grad_norm": 1.3046875,
      "learning_rate": 8e-05,
      "loss": 0.2401,
      "step": 3910
    },
    {
      "epoch": 26.133333333333333,
      "grad_norm": 13.125,
      "learning_rate": 8e-05,
      "loss": 0.1774,
      "step": 3920
    },
    {
      "epoch": 26.2,
      "grad_norm": 0.7578125,
      "learning_rate": 8e-05,
      "loss": 0.1464,
      "step": 3930
    },
    {
      "epoch": 26.266666666666666,
      "grad_norm": 13.375,
      "learning_rate": 8e-05,
      "loss": 0.2798,
      "step": 3940
    },
    {
      "epoch": 26.333333333333332,
      "grad_norm": 1.6484375,
      "learning_rate": 8e-05,
      "loss": 0.2206,
      "step": 3950
    },
    {
      "epoch": 26.4,
      "grad_norm": 12.0,
      "learning_rate": 8e-05,
      "loss": 0.1767,
      "step": 3960
    },
    {
      "epoch": 26.466666666666665,
      "grad_norm": 1.515625,
      "learning_rate": 8e-05,
      "loss": 0.1849,
      "step": 3970
    },
    {
      "epoch": 26.533333333333335,
      "grad_norm": 1.09375,
      "learning_rate": 8e-05,
      "loss": 0.1829,
      "step": 3980
    },
    {
      "epoch": 26.6,
      "grad_norm": 12.625,
      "learning_rate": 8e-05,
      "loss": 0.2366,
      "step": 3990
    },
    {
      "epoch": 26.666666666666668,
      "grad_norm": 12.6875,
      "learning_rate": 8e-05,
      "loss": 0.2435,
      "step": 4000
    },
    {
      "epoch": 26.666666666666668,
      "eval_loss": 8.891166687011719,
      "eval_runtime": 7.8049,
      "eval_samples_per_second": 64.062,
      "eval_steps_per_second": 64.062,
      "step": 4000
    },
    {
      "epoch": 26.733333333333334,
      "grad_norm": 3.203125,
      "learning_rate": 8e-05,
      "loss": 0.1292,
      "step": 4010
    },
    {
      "epoch": 26.8,
      "grad_norm": 1.203125,
      "learning_rate": 8e-05,
      "loss": 0.1686,
      "step": 4020
    },
    {
      "epoch": 26.866666666666667,
      "grad_norm": 0.8203125,
      "learning_rate": 8e-05,
      "loss": 0.1742,
      "step": 4030
    },
    {
      "epoch": 26.933333333333334,
      "grad_norm": 2.65625,
      "learning_rate": 8e-05,
      "loss": 0.1045,
      "step": 4040
    },
    {
      "epoch": 27.0,
      "grad_norm": 13.1875,
      "learning_rate": 8e-05,
      "loss": 0.1601,
      "step": 4050
    },
    {
      "epoch": 27.066666666666666,
      "grad_norm": 12.375,
      "learning_rate": 8e-05,
      "loss": 0.2477,
      "step": 4060
    },
    {
      "epoch": 27.133333333333333,
      "grad_norm": 13.9375,
      "learning_rate": 8e-05,
      "loss": 0.2307,
      "step": 4070
    },
    {
      "epoch": 27.2,
      "grad_norm": 12.625,
      "learning_rate": 8e-05,
      "loss": 0.1566,
      "step": 4080
    },
    {
      "epoch": 27.266666666666666,
      "grad_norm": 12.4375,
      "learning_rate": 8e-05,
      "loss": 0.128,
      "step": 4090
    },
    {
      "epoch": 27.333333333333332,
      "grad_norm": 13.0,
      "learning_rate": 8e-05,
      "loss": 0.109,
      "step": 4100
    },
    {
      "epoch": 27.4,
      "grad_norm": 2.640625,
      "learning_rate": 8e-05,
      "loss": 0.151,
      "step": 4110
    },
    {
      "epoch": 27.466666666666665,
      "grad_norm": 1.5078125,
      "learning_rate": 8e-05,
      "loss": 0.2058,
      "step": 4120
    },
    {
      "epoch": 27.533333333333335,
      "grad_norm": 1.0,
      "learning_rate": 8e-05,
      "loss": 0.2685,
      "step": 4130
    },
    {
      "epoch": 27.6,
      "grad_norm": 0.98828125,
      "learning_rate": 8e-05,
      "loss": 0.1506,
      "step": 4140
    },
    {
      "epoch": 27.666666666666668,
      "grad_norm": 1.015625,
      "learning_rate": 8e-05,
      "loss": 0.2383,
      "step": 4150
    },
    {
      "epoch": 27.733333333333334,
      "grad_norm": 0.9453125,
      "learning_rate": 8e-05,
      "loss": 0.1436,
      "step": 4160
    },
    {
      "epoch": 27.8,
      "grad_norm": 0.94921875,
      "learning_rate": 8e-05,
      "loss": 0.1859,
      "step": 4170
    },
    {
      "epoch": 27.866666666666667,
      "grad_norm": 1.0078125,
      "learning_rate": 8e-05,
      "loss": 0.1458,
      "step": 4180
    },
    {
      "epoch": 27.933333333333334,
      "grad_norm": 13.5625,
      "learning_rate": 8e-05,
      "loss": 0.2307,
      "step": 4190
    },
    {
      "epoch": 28.0,
      "grad_norm": 1.390625,
      "learning_rate": 8e-05,
      "loss": 0.187,
      "step": 4200
    },
    {
      "epoch": 28.066666666666666,
      "grad_norm": 0.9140625,
      "learning_rate": 8e-05,
      "loss": 0.1826,
      "step": 4210
    },
    {
      "epoch": 28.133333333333333,
      "grad_norm": 0.94140625,
      "learning_rate": 8e-05,
      "loss": 0.2449,
      "step": 4220
    },
    {
      "epoch": 28.2,
      "grad_norm": 1.015625,
      "learning_rate": 8e-05,
      "loss": 0.2098,
      "step": 4230
    },
    {
      "epoch": 28.266666666666666,
      "grad_norm": 1.3203125,
      "learning_rate": 8e-05,
      "loss": 0.1535,
      "step": 4240
    },
    {
      "epoch": 28.333333333333332,
      "grad_norm": 1.2109375,
      "learning_rate": 8e-05,
      "loss": 0.2762,
      "step": 4250
    },
    {
      "epoch": 28.4,
      "grad_norm": 11.875,
      "learning_rate": 8e-05,
      "loss": 0.1802,
      "step": 4260
    },
    {
      "epoch": 28.466666666666665,
      "grad_norm": 10.375,
      "learning_rate": 8e-05,
      "loss": 0.1865,
      "step": 4270
    },
    {
      "epoch": 28.533333333333335,
      "grad_norm": 2.3125,
      "learning_rate": 8e-05,
      "loss": 0.2058,
      "step": 4280
    },
    {
      "epoch": 28.6,
      "grad_norm": 1.984375,
      "learning_rate": 8e-05,
      "loss": 0.2828,
      "step": 4290
    },
    {
      "epoch": 28.666666666666668,
      "grad_norm": 2.03125,
      "learning_rate": 8e-05,
      "loss": 0.149,
      "step": 4300
    },
    {
      "epoch": 28.733333333333334,
      "grad_norm": 3.265625,
      "learning_rate": 8e-05,
      "loss": 0.1068,
      "step": 4310
    },
    {
      "epoch": 28.8,
      "grad_norm": 12.75,
      "learning_rate": 8e-05,
      "loss": 0.3354,
      "step": 4320
    },
    {
      "epoch": 28.866666666666667,
      "grad_norm": 1.9453125,
      "learning_rate": 8e-05,
      "loss": 0.1231,
      "step": 4330
    },
    {
      "epoch": 28.933333333333334,
      "grad_norm": 13.3125,
      "learning_rate": 8e-05,
      "loss": 0.1967,
      "step": 4340
    },
    {
      "epoch": 29.0,
      "grad_norm": 1.46875,
      "learning_rate": 8e-05,
      "loss": 0.108,
      "step": 4350
    }
  ],
  "logging_steps": 10,
  "max_steps": 6000,
  "num_input_tokens_seen": 0,
  "num_train_epochs": 40,
  "save_steps": 150,
  "stateful_callbacks": {
    "TrainerControl": {
      "args": {
        "should_epoch_stop": false,
        "should_evaluate": false,
        "should_log": false,
        "should_save": true,
        "should_training_stop": false
      },
      "attributes": {}
    }
  },
  "total_flos": 3157700820369408.0,
  "train_batch_size": 1,
  "trial_name": null,
  "trial_params": null
}