{
  "best_global_step": null,
  "best_metric": null,
  "best_model_checkpoint": null,
  "epoch": 1.8333333333333335,
  "eval_steps": 500,
  "global_step": 5500,
  "is_hyper_param_search": false,
  "is_local_process_zero": true,
  "is_world_process_zero": true,
  "log_history": [
    {
      "epoch": 0.0033333333333333335,
      "grad_norm": 31.375,
      "learning_rate": 8e-05,
      "loss": 3.7929,
      "step": 10
    },
    {
      "epoch": 0.006666666666666667,
      "grad_norm": 21.25,
      "learning_rate": 8e-05,
      "loss": 3.148,
      "step": 20
    },
    {
      "epoch": 0.01,
      "grad_norm": 21.375,
      "learning_rate": 8e-05,
      "loss": 3.0908,
      "step": 30
    },
    {
      "epoch": 0.013333333333333334,
      "grad_norm": 19.75,
      "learning_rate": 8e-05,
      "loss": 2.9399,
      "step": 40
    },
    {
      "epoch": 0.016666666666666666,
      "grad_norm": 22.375,
      "learning_rate": 8e-05,
      "loss": 2.7765,
      "step": 50
    },
    {
      "epoch": 0.02,
      "grad_norm": 20.25,
      "learning_rate": 8e-05,
      "loss": 2.1794,
      "step": 60
    },
    {
      "epoch": 0.023333333333333334,
      "grad_norm": 36.25,
      "learning_rate": 8e-05,
      "loss": 2.2676,
      "step": 70
    },
    {
      "epoch": 0.02666666666666667,
      "grad_norm": 27.125,
      "learning_rate": 8e-05,
      "loss": 2.6547,
      "step": 80
    },
    {
      "epoch": 0.03,
      "grad_norm": 18.75,
      "learning_rate": 8e-05,
      "loss": 2.4368,
      "step": 90
    },
    {
      "epoch": 0.03333333333333333,
      "grad_norm": 20.125,
      "learning_rate": 8e-05,
      "loss": 1.7289,
      "step": 100
    },
    {
      "epoch": 0.03666666666666667,
      "grad_norm": 27.75,
      "learning_rate": 8e-05,
      "loss": 2.1116,
      "step": 110
    },
    {
      "epoch": 0.04,
      "grad_norm": 18.625,
      "learning_rate": 8e-05,
      "loss": 2.0407,
      "step": 120
    },
    {
      "epoch": 0.043333333333333335,
      "grad_norm": 32.5,
      "learning_rate": 8e-05,
      "loss": 2.0913,
      "step": 130
    },
    {
      "epoch": 0.04666666666666667,
      "grad_norm": 21.125,
      "learning_rate": 8e-05,
      "loss": 2.2282,
      "step": 140
    },
    {
      "epoch": 0.05,
      "grad_norm": 14.6875,
      "learning_rate": 8e-05,
      "loss": 2.0761,
      "step": 150
    },
    {
      "epoch": 0.05333333333333334,
      "grad_norm": 29.375,
      "learning_rate": 8e-05,
      "loss": 1.8582,
      "step": 160
    },
    {
      "epoch": 0.056666666666666664,
      "grad_norm": 19.375,
      "learning_rate": 8e-05,
      "loss": 2.1367,
      "step": 170
    },
    {
      "epoch": 0.06,
      "grad_norm": 18.0,
      "learning_rate": 8e-05,
      "loss": 1.7402,
      "step": 180
    },
    {
      "epoch": 0.06333333333333334,
      "grad_norm": 15.5625,
      "learning_rate": 8e-05,
      "loss": 1.5356,
      "step": 190
    },
    {
      "epoch": 0.06666666666666667,
      "grad_norm": 15.1875,
      "learning_rate": 8e-05,
      "loss": 1.5126,
      "step": 200
    },
    {
      "epoch": 0.07,
      "grad_norm": 21.75,
      "learning_rate": 8e-05,
      "loss": 1.8978,
      "step": 210
    },
    {
      "epoch": 0.07333333333333333,
      "grad_norm": 14.75,
      "learning_rate": 8e-05,
      "loss": 1.9682,
      "step": 220
    },
    {
      "epoch": 0.07666666666666666,
      "grad_norm": 15.9375,
      "learning_rate": 8e-05,
      "loss": 1.474,
      "step": 230
    },
    {
      "epoch": 0.08,
      "grad_norm": 14.9375,
      "learning_rate": 8e-05,
      "loss": 1.9926,
      "step": 240
    },
    {
      "epoch": 0.08333333333333333,
      "grad_norm": 15.1875,
      "learning_rate": 8e-05,
      "loss": 1.9286,
      "step": 250
    },
    {
      "epoch": 0.08666666666666667,
      "grad_norm": 21.375,
      "learning_rate": 8e-05,
      "loss": 2.1986,
      "step": 260
    },
    {
      "epoch": 0.09,
      "grad_norm": 12.4375,
      "learning_rate": 8e-05,
      "loss": 1.8814,
      "step": 270
    },
    {
      "epoch": 0.09333333333333334,
      "grad_norm": 11.4375,
      "learning_rate": 8e-05,
      "loss": 1.6575,
      "step": 280
    },
    {
      "epoch": 0.09666666666666666,
      "grad_norm": 13.375,
      "learning_rate": 8e-05,
      "loss": 1.718,
      "step": 290
    },
    {
      "epoch": 0.1,
      "grad_norm": 20.0,
      "learning_rate": 8e-05,
      "loss": 1.6656,
      "step": 300
    },
    {
      "epoch": 0.10333333333333333,
      "grad_norm": 15.5,
      "learning_rate": 8e-05,
      "loss": 1.5677,
      "step": 310
    },
    {
      "epoch": 0.10666666666666667,
      "grad_norm": 9.625,
      "learning_rate": 8e-05,
      "loss": 1.3565,
      "step": 320
    },
    {
      "epoch": 0.11,
      "grad_norm": 15.125,
      "learning_rate": 8e-05,
      "loss": 1.9722,
      "step": 330
    },
    {
      "epoch": 0.11333333333333333,
      "grad_norm": 13.625,
      "learning_rate": 8e-05,
      "loss": 2.0481,
      "step": 340
    },
    {
      "epoch": 0.11666666666666667,
      "grad_norm": 20.375,
      "learning_rate": 8e-05,
      "loss": 2.0189,
      "step": 350
    },
    {
      "epoch": 0.12,
      "grad_norm": 12.125,
      "learning_rate": 8e-05,
      "loss": 1.4388,
      "step": 360
    },
    {
      "epoch": 0.12333333333333334,
      "grad_norm": 14.6875,
      "learning_rate": 8e-05,
      "loss": 1.5514,
      "step": 370
    },
    {
      "epoch": 0.12666666666666668,
      "grad_norm": 17.5,
      "learning_rate": 8e-05,
      "loss": 1.4547,
      "step": 380
    },
    {
      "epoch": 0.13,
      "grad_norm": 16.375,
      "learning_rate": 8e-05,
      "loss": 1.2481,
      "step": 390
    },
    {
      "epoch": 0.13333333333333333,
      "grad_norm": 11.125,
      "learning_rate": 8e-05,
      "loss": 1.6155,
      "step": 400
    },
    {
      "epoch": 0.13666666666666666,
      "grad_norm": 17.0,
      "learning_rate": 8e-05,
      "loss": 1.5433,
      "step": 410
    },
    {
      "epoch": 0.14,
      "grad_norm": 14.4375,
      "learning_rate": 8e-05,
      "loss": 1.341,
      "step": 420
    },
    {
      "epoch": 0.14333333333333334,
      "grad_norm": 15.4375,
      "learning_rate": 8e-05,
      "loss": 1.8352,
      "step": 430
    },
    {
      "epoch": 0.14666666666666667,
      "grad_norm": 21.125,
      "learning_rate": 8e-05,
      "loss": 1.6776,
      "step": 440
    },
    {
      "epoch": 0.15,
      "grad_norm": 15.3125,
      "learning_rate": 8e-05,
      "loss": 1.5878,
      "step": 450
    },
    {
      "epoch": 0.15333333333333332,
      "grad_norm": 9.25,
      "learning_rate": 8e-05,
      "loss": 1.4318,
      "step": 460
    },
    {
      "epoch": 0.15666666666666668,
      "grad_norm": 19.375,
      "learning_rate": 8e-05,
      "loss": 2.1154,
      "step": 470
    },
    {
      "epoch": 0.16,
      "grad_norm": 18.75,
      "learning_rate": 8e-05,
      "loss": 1.2984,
      "step": 480
    },
    {
      "epoch": 0.16333333333333333,
      "grad_norm": 11.875,
      "learning_rate": 8e-05,
      "loss": 0.8941,
      "step": 490
    },
    {
      "epoch": 0.16666666666666666,
      "grad_norm": 21.375,
      "learning_rate": 8e-05,
      "loss": 1.8376,
      "step": 500
    },
    {
      "epoch": 0.16666666666666666,
      "eval_loss": 1.966795802116394,
      "eval_runtime": 1.4933,
      "eval_samples_per_second": 66.964,
      "eval_steps_per_second": 66.964,
      "step": 500
    },
    {
      "epoch": 0.17,
      "grad_norm": 11.25,
      "learning_rate": 8e-05,
      "loss": 1.4669,
      "step": 510
    },
    {
      "epoch": 0.17333333333333334,
      "grad_norm": 14.25,
      "learning_rate": 8e-05,
      "loss": 1.5271,
      "step": 520
    },
    {
      "epoch": 0.17666666666666667,
      "grad_norm": 15.5,
      "learning_rate": 8e-05,
      "loss": 1.324,
      "step": 530
    },
    {
      "epoch": 0.18,
      "grad_norm": 15.5625,
      "learning_rate": 8e-05,
      "loss": 1.3112,
      "step": 540
    },
    {
      "epoch": 0.18333333333333332,
      "grad_norm": 12.3125,
      "learning_rate": 8e-05,
      "loss": 1.63,
      "step": 550
    },
    {
      "epoch": 0.18666666666666668,
      "grad_norm": 27.75,
      "learning_rate": 8e-05,
      "loss": 1.8947,
      "step": 560
    },
    {
      "epoch": 0.19,
      "grad_norm": 10.8125,
      "learning_rate": 8e-05,
      "loss": 1.1481,
      "step": 570
    },
    {
      "epoch": 0.19333333333333333,
      "grad_norm": 18.0,
      "learning_rate": 8e-05,
      "loss": 1.981,
      "step": 580
    },
    {
      "epoch": 0.19666666666666666,
      "grad_norm": 13.8125,
      "learning_rate": 8e-05,
      "loss": 1.6207,
      "step": 590
    },
    {
      "epoch": 0.2,
      "grad_norm": 12.6875,
      "learning_rate": 8e-05,
      "loss": 1.256,
      "step": 600
    },
    {
      "epoch": 0.20333333333333334,
      "grad_norm": 14.9375,
      "learning_rate": 8e-05,
      "loss": 1.3009,
      "step": 610
    },
    {
      "epoch": 0.20666666666666667,
      "grad_norm": 13.6875,
      "learning_rate": 8e-05,
      "loss": 1.3396,
      "step": 620
    },
    {
      "epoch": 0.21,
      "grad_norm": 7.9375,
      "learning_rate": 8e-05,
      "loss": 1.3633,
      "step": 630
    },
    {
      "epoch": 0.21333333333333335,
      "grad_norm": 18.0,
      "learning_rate": 8e-05,
      "loss": 1.3612,
      "step": 640
    },
    {
      "epoch": 0.21666666666666667,
      "grad_norm": 15.25,
      "learning_rate": 8e-05,
      "loss": 1.4465,
      "step": 650
    },
    {
      "epoch": 0.22,
      "grad_norm": 14.875,
      "learning_rate": 8e-05,
      "loss": 1.8267,
      "step": 660
    },
    {
      "epoch": 0.22333333333333333,
      "grad_norm": 7.0625,
      "learning_rate": 8e-05,
      "loss": 1.1913,
      "step": 670
    },
    {
      "epoch": 0.22666666666666666,
      "grad_norm": 17.5,
      "learning_rate": 8e-05,
      "loss": 1.4176,
      "step": 680
    },
    {
      "epoch": 0.23,
      "grad_norm": 17.125,
      "learning_rate": 8e-05,
      "loss": 1.2347,
      "step": 690
    },
    {
      "epoch": 0.23333333333333334,
      "grad_norm": 17.0,
      "learning_rate": 8e-05,
      "loss": 1.4197,
      "step": 700
    },
    {
      "epoch": 0.23666666666666666,
      "grad_norm": 9.3125,
      "learning_rate": 8e-05,
      "loss": 1.1041,
      "step": 710
    },
    {
      "epoch": 0.24,
      "grad_norm": 11.375,
      "learning_rate": 8e-05,
      "loss": 1.3469,
      "step": 720
    },
    {
      "epoch": 0.24333333333333335,
      "grad_norm": 12.1875,
      "learning_rate": 8e-05,
      "loss": 1.2701,
      "step": 730
    },
    {
      "epoch": 0.24666666666666667,
      "grad_norm": 14.4375,
      "learning_rate": 8e-05,
      "loss": 1.5301,
      "step": 740
    },
    {
      "epoch": 0.25,
      "grad_norm": 10.0,
      "learning_rate": 8e-05,
      "loss": 1.5207,
      "step": 750
    },
    {
      "epoch": 0.25333333333333335,
      "grad_norm": 9.0,
      "learning_rate": 8e-05,
      "loss": 1.4237,
      "step": 760
    },
    {
      "epoch": 0.25666666666666665,
      "grad_norm": 15.75,
      "learning_rate": 8e-05,
      "loss": 1.6761,
      "step": 770
    },
    {
      "epoch": 0.26,
      "grad_norm": 13.0625,
      "learning_rate": 8e-05,
      "loss": 1.1909,
      "step": 780
    },
    {
      "epoch": 0.2633333333333333,
      "grad_norm": 12.6875,
      "learning_rate": 8e-05,
      "loss": 1.3235,
      "step": 790
    },
    {
      "epoch": 0.26666666666666666,
      "grad_norm": 13.3125,
      "learning_rate": 8e-05,
      "loss": 1.6189,
      "step": 800
    },
    {
      "epoch": 0.27,
      "grad_norm": 17.25,
      "learning_rate": 8e-05,
      "loss": 1.3584,
      "step": 810
    },
    {
      "epoch": 0.2733333333333333,
      "grad_norm": 5.71875,
      "learning_rate": 8e-05,
      "loss": 1.3963,
      "step": 820
    },
    {
      "epoch": 0.27666666666666667,
      "grad_norm": 12.375,
      "learning_rate": 8e-05,
      "loss": 1.4556,
      "step": 830
    },
    {
      "epoch": 0.28,
      "grad_norm": 16.125,
      "learning_rate": 8e-05,
      "loss": 1.31,
      "step": 840
    },
    {
      "epoch": 0.2833333333333333,
      "grad_norm": 15.75,
      "learning_rate": 8e-05,
      "loss": 1.9185,
      "step": 850
    },
    {
      "epoch": 0.2866666666666667,
      "grad_norm": 11.1875,
      "learning_rate": 8e-05,
      "loss": 1.5779,
      "step": 860
    },
    {
      "epoch": 0.29,
      "grad_norm": 18.0,
      "learning_rate": 8e-05,
      "loss": 1.3979,
      "step": 870
    },
    {
      "epoch": 0.29333333333333333,
      "grad_norm": 12.8125,
      "learning_rate": 8e-05,
      "loss": 1.1311,
      "step": 880
    },
    {
      "epoch": 0.2966666666666667,
      "grad_norm": 16.625,
      "learning_rate": 8e-05,
      "loss": 1.598,
      "step": 890
    },
    {
      "epoch": 0.3,
      "grad_norm": 6.78125,
      "learning_rate": 8e-05,
      "loss": 1.2326,
      "step": 900
    },
    {
      "epoch": 0.30333333333333334,
      "grad_norm": 12.3125,
      "learning_rate": 8e-05,
      "loss": 1.2988,
      "step": 910
    },
    {
      "epoch": 0.30666666666666664,
      "grad_norm": 15.125,
      "learning_rate": 8e-05,
      "loss": 1.212,
      "step": 920
    },
    {
      "epoch": 0.31,
      "grad_norm": 7.625,
      "learning_rate": 8e-05,
      "loss": 1.3268,
      "step": 930
    },
    {
      "epoch": 0.31333333333333335,
      "grad_norm": 17.25,
      "learning_rate": 8e-05,
      "loss": 1.3641,
      "step": 940
    },
    {
      "epoch": 0.31666666666666665,
      "grad_norm": 8.375,
      "learning_rate": 8e-05,
      "loss": 1.312,
      "step": 950
    },
    {
      "epoch": 0.32,
      "grad_norm": 13.25,
      "learning_rate": 8e-05,
      "loss": 1.4937,
      "step": 960
    },
    {
      "epoch": 0.3233333333333333,
      "grad_norm": 8.3125,
      "learning_rate": 8e-05,
      "loss": 1.0728,
      "step": 970
    },
    {
      "epoch": 0.32666666666666666,
      "grad_norm": 12.5625,
      "learning_rate": 8e-05,
      "loss": 1.1938,
      "step": 980
    },
    {
      "epoch": 0.33,
      "grad_norm": 8.8125,
      "learning_rate": 8e-05,
      "loss": 1.1703,
      "step": 990
    },
    {
      "epoch": 0.3333333333333333,
      "grad_norm": 5.875,
      "learning_rate": 8e-05,
      "loss": 1.6129,
      "step": 1000
    },
    {
      "epoch": 0.3333333333333333,
      "eval_loss": 1.6106005907058716,
      "eval_runtime": 1.5095,
      "eval_samples_per_second": 66.249,
      "eval_steps_per_second": 66.249,
      "step": 1000
    },
    {
      "epoch": 0.33666666666666667,
      "grad_norm": 11.5625,
      "learning_rate": 8e-05,
      "loss": 1.2093,
      "step": 1010
    },
    {
      "epoch": 0.34,
      "grad_norm": 17.75,
      "learning_rate": 8e-05,
      "loss": 1.2458,
      "step": 1020
    },
    {
      "epoch": 0.3433333333333333,
      "grad_norm": 9.4375,
      "learning_rate": 8e-05,
      "loss": 1.3032,
      "step": 1030
    },
    {
      "epoch": 0.3466666666666667,
      "grad_norm": 17.125,
      "learning_rate": 8e-05,
      "loss": 1.2791,
      "step": 1040
    },
    {
      "epoch": 0.35,
      "grad_norm": 7.0,
      "learning_rate": 8e-05,
      "loss": 1.2859,
      "step": 1050
    },
    {
      "epoch": 0.35333333333333333,
      "grad_norm": 9.9375,
      "learning_rate": 8e-05,
      "loss": 1.6731,
      "step": 1060
    },
    {
      "epoch": 0.3566666666666667,
      "grad_norm": 10.25,
      "learning_rate": 8e-05,
      "loss": 0.9607,
      "step": 1070
    },
    {
      "epoch": 0.36,
      "grad_norm": 10.75,
      "learning_rate": 8e-05,
      "loss": 1.2513,
      "step": 1080
    },
    {
      "epoch": 0.36333333333333334,
      "grad_norm": 15.3125,
      "learning_rate": 8e-05,
      "loss": 1.5032,
      "step": 1090
    },
    {
      "epoch": 0.36666666666666664,
      "grad_norm": 12.4375,
      "learning_rate": 8e-05,
      "loss": 1.8248,
      "step": 1100
    },
    {
      "epoch": 0.37,
      "grad_norm": 7.96875,
      "learning_rate": 8e-05,
      "loss": 1.0109,
      "step": 1110
    },
    {
      "epoch": 0.37333333333333335,
      "grad_norm": 14.3125,
      "learning_rate": 8e-05,
      "loss": 1.2995,
      "step": 1120
    },
    {
      "epoch": 0.37666666666666665,
      "grad_norm": 9.5,
      "learning_rate": 8e-05,
      "loss": 1.6192,
      "step": 1130
    },
    {
      "epoch": 0.38,
      "grad_norm": 8.4375,
      "learning_rate": 8e-05,
      "loss": 1.4933,
      "step": 1140
    },
    {
      "epoch": 0.38333333333333336,
      "grad_norm": 18.5,
      "learning_rate": 8e-05,
      "loss": 1.2595,
      "step": 1150
    },
    {
      "epoch": 0.38666666666666666,
      "grad_norm": 16.125,
      "learning_rate": 8e-05,
      "loss": 1.0554,
      "step": 1160
    },
    {
      "epoch": 0.39,
      "grad_norm": 14.375,
      "learning_rate": 8e-05,
      "loss": 1.3212,
      "step": 1170
    },
    {
      "epoch": 0.3933333333333333,
      "grad_norm": 9.5,
      "learning_rate": 8e-05,
      "loss": 1.163,
      "step": 1180
    },
    {
      "epoch": 0.39666666666666667,
      "grad_norm": 15.5,
      "learning_rate": 8e-05,
      "loss": 1.6691,
      "step": 1190
    },
    {
      "epoch": 0.4,
      "grad_norm": 13.9375,
      "learning_rate": 8e-05,
      "loss": 0.9269,
      "step": 1200
    },
    {
      "epoch": 0.4033333333333333,
      "grad_norm": 15.5,
      "learning_rate": 8e-05,
      "loss": 1.2617,
      "step": 1210
    },
    {
      "epoch": 0.4066666666666667,
      "grad_norm": 10.9375,
      "learning_rate": 8e-05,
      "loss": 1.2103,
      "step": 1220
    },
    {
      "epoch": 0.41,
      "grad_norm": 10.3125,
      "learning_rate": 8e-05,
      "loss": 1.06,
      "step": 1230
    },
    {
      "epoch": 0.41333333333333333,
      "grad_norm": 8.0625,
      "learning_rate": 8e-05,
      "loss": 1.1669,
      "step": 1240
    },
    {
      "epoch": 0.4166666666666667,
      "grad_norm": 14.9375,
      "learning_rate": 8e-05,
      "loss": 0.8515,
      "step": 1250
    },
    {
      "epoch": 0.42,
      "grad_norm": 12.25,
      "learning_rate": 8e-05,
      "loss": 0.8689,
      "step": 1260
    },
    {
      "epoch": 0.42333333333333334,
      "grad_norm": 12.3125,
      "learning_rate": 8e-05,
      "loss": 1.0939,
      "step": 1270
    },
    {
      "epoch": 0.4266666666666667,
      "grad_norm": 7.53125,
      "learning_rate": 8e-05,
      "loss": 1.3105,
      "step": 1280
    },
    {
      "epoch": 0.43,
      "grad_norm": 15.0,
      "learning_rate": 8e-05,
      "loss": 1.6286,
      "step": 1290
    },
    {
      "epoch": 0.43333333333333335,
      "grad_norm": 15.125,
      "learning_rate": 8e-05,
      "loss": 1.468,
      "step": 1300
    },
    {
      "epoch": 0.43666666666666665,
      "grad_norm": 10.0625,
      "learning_rate": 8e-05,
      "loss": 1.2465,
      "step": 1310
    },
    {
      "epoch": 0.44,
      "grad_norm": 8.9375,
      "learning_rate": 8e-05,
      "loss": 0.9342,
      "step": 1320
    },
    {
      "epoch": 0.44333333333333336,
      "grad_norm": 18.125,
      "learning_rate": 8e-05,
      "loss": 1.4561,
      "step": 1330
    },
    {
      "epoch": 0.44666666666666666,
      "grad_norm": 14.6875,
      "learning_rate": 8e-05,
      "loss": 1.2254,
      "step": 1340
    },
    {
      "epoch": 0.45,
      "grad_norm": 13.25,
      "learning_rate": 8e-05,
      "loss": 1.5919,
      "step": 1350
    },
    {
      "epoch": 0.4533333333333333,
      "grad_norm": 9.4375,
      "learning_rate": 8e-05,
      "loss": 1.0516,
      "step": 1360
    },
    {
      "epoch": 0.45666666666666667,
      "grad_norm": 12.0,
      "learning_rate": 8e-05,
      "loss": 1.197,
      "step": 1370
    },
    {
      "epoch": 0.46,
      "grad_norm": 13.0625,
      "learning_rate": 8e-05,
      "loss": 1.2144,
      "step": 1380
    },
    {
      "epoch": 0.4633333333333333,
      "grad_norm": 9.875,
      "learning_rate": 8e-05,
      "loss": 0.9973,
      "step": 1390
    },
    {
      "epoch": 0.4666666666666667,
      "grad_norm": 17.0,
      "learning_rate": 8e-05,
      "loss": 1.8518,
      "step": 1400
    },
    {
      "epoch": 0.47,
      "grad_norm": 8.1875,
      "learning_rate": 8e-05,
      "loss": 0.9273,
      "step": 1410
    },
    {
      "epoch": 0.47333333333333333,
      "grad_norm": 5.46875,
      "learning_rate": 8e-05,
      "loss": 1.4137,
      "step": 1420
    },
    {
      "epoch": 0.4766666666666667,
      "grad_norm": 12.125,
      "learning_rate": 8e-05,
      "loss": 0.8136,
      "step": 1430
    },
    {
      "epoch": 0.48,
      "grad_norm": 10.875,
      "learning_rate": 8e-05,
      "loss": 1.39,
      "step": 1440
    },
    {
      "epoch": 0.48333333333333334,
      "grad_norm": 11.125,
      "learning_rate": 8e-05,
      "loss": 0.9037,
      "step": 1450
    },
    {
      "epoch": 0.4866666666666667,
      "grad_norm": 10.125,
      "learning_rate": 8e-05,
      "loss": 0.5845,
      "step": 1460
    },
    {
      "epoch": 0.49,
      "grad_norm": 10.375,
      "learning_rate": 8e-05,
      "loss": 1.6661,
      "step": 1470
    },
    {
      "epoch": 0.49333333333333335,
      "grad_norm": 7.96875,
      "learning_rate": 8e-05,
      "loss": 1.083,
      "step": 1480
    },
    {
      "epoch": 0.49666666666666665,
      "grad_norm": 13.75,
      "learning_rate": 8e-05,
      "loss": 1.1422,
      "step": 1490
    },
    {
      "epoch": 0.5,
      "grad_norm": 10.8125,
      "learning_rate": 8e-05,
      "loss": 1.1393,
      "step": 1500
    },
    {
      "epoch": 0.5,
      "eval_loss": 1.5809861421585083,
      "eval_runtime": 1.483,
      "eval_samples_per_second": 67.429,
      "eval_steps_per_second": 67.429,
      "step": 1500
    },
    {
      "epoch": 0.5033333333333333,
      "grad_norm": 8.0625,
      "learning_rate": 8e-05,
      "loss": 0.8686,
      "step": 1510
    },
    {
      "epoch": 0.5066666666666667,
      "grad_norm": 9.9375,
      "learning_rate": 8e-05,
      "loss": 1.4827,
      "step": 1520
    },
    {
      "epoch": 0.51,
      "grad_norm": 16.125,
      "learning_rate": 8e-05,
      "loss": 1.5385,
      "step": 1530
    },
    {
      "epoch": 0.5133333333333333,
      "grad_norm": 14.1875,
      "learning_rate": 8e-05,
      "loss": 1.1622,
      "step": 1540
    },
    {
      "epoch": 0.5166666666666667,
      "grad_norm": 5.75,
      "learning_rate": 8e-05,
      "loss": 0.8973,
      "step": 1550
    },
    {
      "epoch": 0.52,
      "grad_norm": 6.875,
      "learning_rate": 8e-05,
      "loss": 1.4794,
      "step": 1560
    },
    {
      "epoch": 0.5233333333333333,
      "grad_norm": 11.5625,
      "learning_rate": 8e-05,
      "loss": 1.2969,
      "step": 1570
    },
    {
      "epoch": 0.5266666666666666,
      "grad_norm": 9.375,
      "learning_rate": 8e-05,
      "loss": 1.2002,
      "step": 1580
    },
    {
      "epoch": 0.53,
      "grad_norm": 14.9375,
      "learning_rate": 8e-05,
      "loss": 1.5348,
      "step": 1590
    },
    {
      "epoch": 0.5333333333333333,
      "grad_norm": 11.5625,
      "learning_rate": 8e-05,
      "loss": 1.2332,
      "step": 1600
    },
    {
      "epoch": 0.5366666666666666,
      "grad_norm": 9.25,
      "learning_rate": 8e-05,
      "loss": 1.2609,
      "step": 1610
    },
    {
      "epoch": 0.54,
      "grad_norm": 15.125,
      "learning_rate": 8e-05,
      "loss": 0.8256,
      "step": 1620
    },
    {
      "epoch": 0.5433333333333333,
      "grad_norm": 6.15625,
      "learning_rate": 8e-05,
      "loss": 1.0224,
      "step": 1630
    },
    {
      "epoch": 0.5466666666666666,
      "grad_norm": 8.875,
      "learning_rate": 8e-05,
      "loss": 1.0633,
      "step": 1640
    },
    {
      "epoch": 0.55,
      "grad_norm": 6.375,
      "learning_rate": 8e-05,
      "loss": 1.0233,
      "step": 1650
    },
    {
      "epoch": 0.5533333333333333,
      "grad_norm": 18.625,
      "learning_rate": 8e-05,
      "loss": 1.2611,
      "step": 1660
    },
    {
      "epoch": 0.5566666666666666,
      "grad_norm": 5.53125,
      "learning_rate": 8e-05,
      "loss": 1.2132,
      "step": 1670
    },
    {
      "epoch": 0.56,
      "grad_norm": 10.1875,
      "learning_rate": 8e-05,
      "loss": 1.4638,
      "step": 1680
    },
    {
      "epoch": 0.5633333333333334,
      "grad_norm": 10.8125,
      "learning_rate": 8e-05,
      "loss": 1.209,
      "step": 1690
    },
    {
      "epoch": 0.5666666666666667,
      "grad_norm": 9.1875,
      "learning_rate": 8e-05,
      "loss": 0.8849,
      "step": 1700
    },
    {
      "epoch": 0.57,
      "grad_norm": 11.75,
      "learning_rate": 8e-05,
      "loss": 1.2099,
      "step": 1710
    },
    {
      "epoch": 0.5733333333333334,
      "grad_norm": 11.4375,
      "learning_rate": 8e-05,
      "loss": 1.0148,
      "step": 1720
    },
    {
      "epoch": 0.5766666666666667,
      "grad_norm": 8.6875,
      "learning_rate": 8e-05,
      "loss": 1.2307,
      "step": 1730
    },
    {
      "epoch": 0.58,
      "grad_norm": 17.25,
      "learning_rate": 8e-05,
      "loss": 1.1949,
      "step": 1740
    },
    {
      "epoch": 0.5833333333333334,
      "grad_norm": 7.71875,
      "learning_rate": 8e-05,
      "loss": 1.0376,
      "step": 1750
    },
    {
      "epoch": 0.5866666666666667,
      "grad_norm": 11.25,
      "learning_rate": 8e-05,
      "loss": 1.2139,
      "step": 1760
    },
    {
      "epoch": 0.59,
      "grad_norm": 8.875,
      "learning_rate": 8e-05,
      "loss": 0.8258,
      "step": 1770
    },
    {
      "epoch": 0.5933333333333334,
      "grad_norm": 7.15625,
      "learning_rate": 8e-05,
      "loss": 1.1132,
      "step": 1780
    },
    {
      "epoch": 0.5966666666666667,
      "grad_norm": 12.0625,
      "learning_rate": 8e-05,
      "loss": 1.0304,
      "step": 1790
    },
    {
      "epoch": 0.6,
      "grad_norm": 10.0625,
      "learning_rate": 8e-05,
      "loss": 1.5131,
      "step": 1800
    },
    {
      "epoch": 0.6033333333333334,
      "grad_norm": 7.78125,
      "learning_rate": 8e-05,
      "loss": 0.7743,
      "step": 1810
    },
    {
      "epoch": 0.6066666666666667,
      "grad_norm": 10.5,
      "learning_rate": 8e-05,
      "loss": 1.1828,
      "step": 1820
    },
    {
      "epoch": 0.61,
      "grad_norm": 9.75,
      "learning_rate": 8e-05,
      "loss": 0.9431,
      "step": 1830
    },
    {
      "epoch": 0.6133333333333333,
      "grad_norm": 17.625,
      "learning_rate": 8e-05,
      "loss": 1.0334,
      "step": 1840
    },
    {
      "epoch": 0.6166666666666667,
      "grad_norm": 17.125,
      "learning_rate": 8e-05,
      "loss": 1.4119,
      "step": 1850
    },
    {
      "epoch": 0.62,
      "grad_norm": 18.375,
      "learning_rate": 8e-05,
      "loss": 1.9803,
      "step": 1860
    },
    {
      "epoch": 0.6233333333333333,
      "grad_norm": 10.8125,
      "learning_rate": 8e-05,
      "loss": 0.8401,
      "step": 1870
    },
    {
      "epoch": 0.6266666666666667,
      "grad_norm": 5.96875,
      "learning_rate": 8e-05,
      "loss": 1.2499,
      "step": 1880
    },
    {
      "epoch": 0.63,
      "grad_norm": 9.5625,
      "learning_rate": 8e-05,
      "loss": 1.4622,
      "step": 1890
    },
    {
      "epoch": 0.6333333333333333,
      "grad_norm": 11.3125,
      "learning_rate": 8e-05,
      "loss": 1.0979,
      "step": 1900
    },
    {
      "epoch": 0.6366666666666667,
      "grad_norm": 14.1875,
      "learning_rate": 8e-05,
      "loss": 0.9413,
      "step": 1910
    },
    {
      "epoch": 0.64,
      "grad_norm": 13.25,
      "learning_rate": 8e-05,
      "loss": 1.3307,
      "step": 1920
    },
    {
      "epoch": 0.6433333333333333,
      "grad_norm": 10.0625,
      "learning_rate": 8e-05,
      "loss": 1.0274,
      "step": 1930
    },
    {
      "epoch": 0.6466666666666666,
      "grad_norm": 7.34375,
      "learning_rate": 8e-05,
      "loss": 1.4339,
      "step": 1940
    },
    {
      "epoch": 0.65,
      "grad_norm": 9.3125,
      "learning_rate": 8e-05,
      "loss": 1.0824,
      "step": 1950
    },
    {
      "epoch": 0.6533333333333333,
      "grad_norm": 7.5,
      "learning_rate": 8e-05,
      "loss": 1.1589,
      "step": 1960
    },
    {
      "epoch": 0.6566666666666666,
      "grad_norm": 10.9375,
      "learning_rate": 8e-05,
      "loss": 1.2271,
      "step": 1970
    },
    {
      "epoch": 0.66,
      "grad_norm": 12.125,
      "learning_rate": 8e-05,
      "loss": 1.0261,
      "step": 1980
    },
    {
      "epoch": 0.6633333333333333,
      "grad_norm": 7.46875,
      "learning_rate": 8e-05,
      "loss": 0.7684,
      "step": 1990
    },
    {
      "epoch": 0.6666666666666666,
      "grad_norm": 13.6875,
      "learning_rate": 8e-05,
      "loss": 1.1978,
      "step": 2000
    },
    {
      "epoch": 0.6666666666666666,
      "eval_loss": 1.5073453187942505,
      "eval_runtime": 1.4906,
      "eval_samples_per_second": 67.085,
      "eval_steps_per_second": 67.085,
      "step": 2000
    },
    {
      "epoch": 0.67,
      "grad_norm": 20.375,
      "learning_rate": 8e-05,
      "loss": 1.5083,
      "step": 2010
    },
    {
      "epoch": 0.6733333333333333,
      "grad_norm": 8.125,
      "learning_rate": 8e-05,
      "loss": 1.3159,
      "step": 2020
    },
    {
      "epoch": 0.6766666666666666,
      "grad_norm": 9.125,
      "learning_rate": 8e-05,
      "loss": 1.1565,
      "step": 2030
    },
    {
      "epoch": 0.68,
      "grad_norm": 14.75,
      "learning_rate": 8e-05,
      "loss": 1.4058,
      "step": 2040
    },
    {
      "epoch": 0.6833333333333333,
      "grad_norm": 13.5625,
      "learning_rate": 8e-05,
      "loss": 1.1081,
      "step": 2050
    },
    {
      "epoch": 0.6866666666666666,
      "grad_norm": 20.25,
      "learning_rate": 8e-05,
      "loss": 1.2205,
      "step": 2060
    },
    {
      "epoch": 0.69,
      "grad_norm": 9.625,
      "learning_rate": 8e-05,
      "loss": 1.3288,
      "step": 2070
    },
    {
      "epoch": 0.6933333333333334,
      "grad_norm": 11.3125,
      "learning_rate": 8e-05,
      "loss": 0.9431,
      "step": 2080
    },
    {
      "epoch": 0.6966666666666667,
      "grad_norm": 10.875,
      "learning_rate": 8e-05,
      "loss": 0.8867,
      "step": 2090
    },
    {
      "epoch": 0.7,
      "grad_norm": 7.6875,
      "learning_rate": 8e-05,
      "loss": 0.991,
      "step": 2100
    },
    {
      "epoch": 0.7033333333333334,
      "grad_norm": 13.6875,
      "learning_rate": 8e-05,
      "loss": 1.4118,
      "step": 2110
    },
    {
      "epoch": 0.7066666666666667,
      "grad_norm": 9.3125,
      "learning_rate": 8e-05,
      "loss": 0.8804,
      "step": 2120
    },
    {
      "epoch": 0.71,
      "grad_norm": 9.5,
      "learning_rate": 8e-05,
      "loss": 0.9083,
      "step": 2130
    },
    {
      "epoch": 0.7133333333333334,
      "grad_norm": 9.0,
      "learning_rate": 8e-05,
      "loss": 1.1815,
      "step": 2140
    },
    {
      "epoch": 0.7166666666666667,
      "grad_norm": 17.0,
      "learning_rate": 8e-05,
      "loss": 1.1443,
      "step": 2150
    },
    {
      "epoch": 0.72,
      "grad_norm": 9.9375,
      "learning_rate": 8e-05,
      "loss": 0.8821,
      "step": 2160
    },
    {
      "epoch": 0.7233333333333334,
      "grad_norm": 5.8125,
      "learning_rate": 8e-05,
      "loss": 0.8278,
      "step": 2170
    },
    {
      "epoch": 0.7266666666666667,
      "grad_norm": 18.0,
      "learning_rate": 8e-05,
      "loss": 1.1163,
      "step": 2180
    },
    {
      "epoch": 0.73,
      "grad_norm": 8.1875,
      "learning_rate": 8e-05,
      "loss": 1.0937,
      "step": 2190
    },
    {
      "epoch": 0.7333333333333333,
      "grad_norm": 7.8125,
      "learning_rate": 8e-05,
      "loss": 0.7285,
      "step": 2200
    },
    {
      "epoch": 0.7366666666666667,
      "grad_norm": 6.0625,
      "learning_rate": 8e-05,
      "loss": 0.9257,
      "step": 2210
    },
    {
      "epoch": 0.74,
      "grad_norm": 18.125,
      "learning_rate": 8e-05,
      "loss": 1.4325,
      "step": 2220
    },
    {
      "epoch": 0.7433333333333333,
      "grad_norm": 11.1875,
      "learning_rate": 8e-05,
      "loss": 0.9493,
      "step": 2230
    },
    {
      "epoch": 0.7466666666666667,
      "grad_norm": 14.5625,
      "learning_rate": 8e-05,
      "loss": 1.2654,
      "step": 2240
    },
    {
      "epoch": 0.75,
      "grad_norm": 9.4375,
      "learning_rate": 8e-05,
      "loss": 1.2009,
      "step": 2250
    },
    {
      "epoch": 0.7533333333333333,
      "grad_norm": 9.5625,
      "learning_rate": 8e-05,
      "loss": 0.801,
      "step": 2260
    },
    {
      "epoch": 0.7566666666666667,
      "grad_norm": 10.8125,
      "learning_rate": 8e-05,
      "loss": 0.727,
      "step": 2270
    },
    {
      "epoch": 0.76,
      "grad_norm": 9.5625,
      "learning_rate": 8e-05,
      "loss": 0.8378,
      "step": 2280
    },
    {
      "epoch": 0.7633333333333333,
      "grad_norm": 17.125,
      "learning_rate": 8e-05,
      "loss": 1.4446,
      "step": 2290
    },
    {
      "epoch": 0.7666666666666667,
      "grad_norm": 11.125,
      "learning_rate": 8e-05,
      "loss": 1.1986,
      "step": 2300
    },
    {
      "epoch": 0.77,
      "grad_norm": 11.5,
      "learning_rate": 8e-05,
      "loss": 0.9733,
      "step": 2310
    },
    {
      "epoch": 0.7733333333333333,
      "grad_norm": 9.5,
      "learning_rate": 8e-05,
      "loss": 0.7296,
      "step": 2320
    },
    {
      "epoch": 0.7766666666666666,
      "grad_norm": 11.0,
      "learning_rate": 8e-05,
      "loss": 1.1498,
      "step": 2330
    },
    {
      "epoch": 0.78,
      "grad_norm": 8.1875,
      "learning_rate": 8e-05,
      "loss": 1.1156,
      "step": 2340
    },
    {
      "epoch": 0.7833333333333333,
      "grad_norm": 12.1875,
      "learning_rate": 8e-05,
      "loss": 0.9574,
      "step": 2350
    },
    {
      "epoch": 0.7866666666666666,
      "grad_norm": 4.59375,
      "learning_rate": 8e-05,
      "loss": 0.662,
      "step": 2360
    },
    {
      "epoch": 0.79,
      "grad_norm": 15.6875,
      "learning_rate": 8e-05,
      "loss": 1.1971,
      "step": 2370
    },
    {
      "epoch": 0.7933333333333333,
      "grad_norm": 11.75,
      "learning_rate": 8e-05,
      "loss": 1.1303,
      "step": 2380
    },
    {
      "epoch": 0.7966666666666666,
      "grad_norm": 8.5625,
      "learning_rate": 8e-05,
      "loss": 1.4754,
      "step": 2390
    },
    {
      "epoch": 0.8,
      "grad_norm": 9.8125,
      "learning_rate": 8e-05,
      "loss": 0.7876,
      "step": 2400
    },
    {
      "epoch": 0.8033333333333333,
      "grad_norm": 14.625,
      "learning_rate": 8e-05,
      "loss": 1.225,
      "step": 2410
    },
    {
      "epoch": 0.8066666666666666,
      "grad_norm": 16.125,
      "learning_rate": 8e-05,
      "loss": 1.3629,
      "step": 2420
    },
    {
      "epoch": 0.81,
      "grad_norm": 15.6875,
      "learning_rate": 8e-05,
      "loss": 1.1181,
      "step": 2430
    },
    {
      "epoch": 0.8133333333333334,
      "grad_norm": 14.9375,
      "learning_rate": 8e-05,
      "loss": 1.0279,
      "step": 2440
    },
    {
      "epoch": 0.8166666666666667,
      "grad_norm": 7.09375,
      "learning_rate": 8e-05,
      "loss": 0.8439,
      "step": 2450
    },
    {
      "epoch": 0.82,
      "grad_norm": 11.4375,
      "learning_rate": 8e-05,
      "loss": 1.1542,
      "step": 2460
    },
    {
      "epoch": 0.8233333333333334,
      "grad_norm": 12.4375,
      "learning_rate": 8e-05,
      "loss": 0.9432,
      "step": 2470
    },
    {
      "epoch": 0.8266666666666667,
      "grad_norm": 9.0625,
      "learning_rate": 8e-05,
      "loss": 1.0189,
      "step": 2480
    },
    {
      "epoch": 0.83,
      "grad_norm": 8.4375,
      "learning_rate": 8e-05,
      "loss": 1.092,
      "step": 2490
    },
    {
      "epoch": 0.8333333333333334,
      "grad_norm": 11.375,
      "learning_rate": 8e-05,
      "loss": 0.7372,
      "step": 2500
    },
    {
      "epoch": 0.8333333333333334,
      "eval_loss": 1.4910119771957397,
      "eval_runtime": 1.5067,
      "eval_samples_per_second": 66.372,
      "eval_steps_per_second": 66.372,
      "step": 2500
    },
    {
      "epoch": 0.8366666666666667,
      "grad_norm": 8.6875,
      "learning_rate": 8e-05,
      "loss": 1.364,
      "step": 2510
    },
    {
      "epoch": 0.84,
      "grad_norm": 8.1875,
      "learning_rate": 8e-05,
      "loss": 1.1914,
      "step": 2520
    },
    {
      "epoch": 0.8433333333333334,
      "grad_norm": 8.1875,
      "learning_rate": 8e-05,
      "loss": 1.1143,
      "step": 2530
    },
    {
      "epoch": 0.8466666666666667,
      "grad_norm": 7.96875,
      "learning_rate": 8e-05,
      "loss": 1.7295,
      "step": 2540
    },
    {
      "epoch": 0.85,
      "grad_norm": 13.9375,
      "learning_rate": 8e-05,
      "loss": 0.6841,
      "step": 2550
    },
    {
      "epoch": 0.8533333333333334,
      "grad_norm": 10.9375,
      "learning_rate": 8e-05,
      "loss": 0.9985,
      "step": 2560
    },
    {
      "epoch": 0.8566666666666667,
      "grad_norm": 9.1875,
      "learning_rate": 8e-05,
      "loss": 1.0085,
      "step": 2570
    },
    {
      "epoch": 0.86,
      "grad_norm": 11.875,
      "learning_rate": 8e-05,
      "loss": 1.1737,
      "step": 2580
    },
    {
      "epoch": 0.8633333333333333,
      "grad_norm": 11.0625,
      "learning_rate": 8e-05,
      "loss": 1.0104,
      "step": 2590
    },
    {
      "epoch": 0.8666666666666667,
      "grad_norm": 9.4375,
      "learning_rate": 8e-05,
      "loss": 1.0886,
      "step": 2600
    },
    {
      "epoch": 0.87,
      "grad_norm": 13.9375,
      "learning_rate": 8e-05,
      "loss": 1.1291,
      "step": 2610
    },
    {
      "epoch": 0.8733333333333333,
      "grad_norm": 7.25,
      "learning_rate": 8e-05,
      "loss": 0.9525,
      "step": 2620
    },
    {
      "epoch": 0.8766666666666667,
      "grad_norm": 9.375,
      "learning_rate": 8e-05,
      "loss": 1.1204,
      "step": 2630
    },
    {
      "epoch": 0.88,
      "grad_norm": 16.625,
      "learning_rate": 8e-05,
      "loss": 1.2049,
      "step": 2640
    },
    {
      "epoch": 0.8833333333333333,
      "grad_norm": 10.875,
      "learning_rate": 8e-05,
      "loss": 0.9501,
      "step": 2650
    },
    {
      "epoch": 0.8866666666666667,
      "grad_norm": 12.375,
      "learning_rate": 8e-05,
      "loss": 0.9432,
      "step": 2660
    },
    {
      "epoch": 0.89,
      "grad_norm": 9.5,
      "learning_rate": 8e-05,
      "loss": 1.423,
      "step": 2670
    },
    {
      "epoch": 0.8933333333333333,
      "grad_norm": 10.875,
      "learning_rate": 8e-05,
      "loss": 0.8791,
      "step": 2680
    },
    {
      "epoch": 0.8966666666666666,
      "grad_norm": 9.1875,
      "learning_rate": 8e-05,
      "loss": 1.5834,
      "step": 2690
    },
    {
      "epoch": 0.9,
      "grad_norm": 12.9375,
      "learning_rate": 8e-05,
      "loss": 1.295,
      "step": 2700
    },
    {
      "epoch": 0.9033333333333333,
      "grad_norm": 6.25,
      "learning_rate": 8e-05,
      "loss": 0.8429,
      "step": 2710
    },
    {
      "epoch": 0.9066666666666666,
      "grad_norm": 13.3125,
      "learning_rate": 8e-05,
      "loss": 0.5811,
      "step": 2720
    },
    {
      "epoch": 0.91,
      "grad_norm": 13.0625,
      "learning_rate": 8e-05,
      "loss": 1.2521,
      "step": 2730
    },
    {
      "epoch": 0.9133333333333333,
      "grad_norm": 14.1875,
      "learning_rate": 8e-05,
      "loss": 1.066,
      "step": 2740
    },
    {
      "epoch": 0.9166666666666666,
      "grad_norm": 8.5,
      "learning_rate": 8e-05,
      "loss": 1.5251,
      "step": 2750
    },
    {
      "epoch": 0.92,
      "grad_norm": 13.4375,
      "learning_rate": 8e-05,
      "loss": 1.0101,
      "step": 2760
    },
    {
      "epoch": 0.9233333333333333,
      "grad_norm": 12.0625,
      "learning_rate": 8e-05,
      "loss": 0.9255,
      "step": 2770
    },
    {
      "epoch": 0.9266666666666666,
      "grad_norm": 11.4375,
      "learning_rate": 8e-05,
      "loss": 0.7263,
      "step": 2780
    },
    {
      "epoch": 0.93,
      "grad_norm": 12.625,
      "learning_rate": 8e-05,
      "loss": 1.075,
      "step": 2790
    },
    {
      "epoch": 0.9333333333333333,
      "grad_norm": 6.0625,
      "learning_rate": 8e-05,
      "loss": 0.9958,
      "step": 2800
    },
    {
      "epoch": 0.9366666666666666,
      "grad_norm": 16.25,
      "learning_rate": 8e-05,
      "loss": 0.9563,
      "step": 2810
    },
    {
      "epoch": 0.94,
      "grad_norm": 12.75,
      "learning_rate": 8e-05,
      "loss": 1.0587,
      "step": 2820
    },
    {
      "epoch": 0.9433333333333334,
      "grad_norm": 13.375,
      "learning_rate": 8e-05,
      "loss": 1.166,
      "step": 2830
    },
    {
      "epoch": 0.9466666666666667,
      "grad_norm": 7.46875,
      "learning_rate": 8e-05,
      "loss": 0.7965,
      "step": 2840
    },
    {
      "epoch": 0.95,
      "grad_norm": 9.625,
      "learning_rate": 8e-05,
      "loss": 0.6451,
      "step": 2850
    },
    {
      "epoch": 0.9533333333333334,
      "grad_norm": 6.34375,
      "learning_rate": 8e-05,
      "loss": 0.998,
      "step": 2860
    },
    {
      "epoch": 0.9566666666666667,
      "grad_norm": 6.21875,
      "learning_rate": 8e-05,
      "loss": 0.8531,
      "step": 2870
    },
    {
      "epoch": 0.96,
      "grad_norm": 8.9375,
      "learning_rate": 8e-05,
      "loss": 1.3781,
      "step": 2880
    },
    {
      "epoch": 0.9633333333333334,
      "grad_norm": 6.625,
      "learning_rate": 8e-05,
      "loss": 0.8368,
      "step": 2890
    },
    {
      "epoch": 0.9666666666666667,
      "grad_norm": 12.3125,
      "learning_rate": 8e-05,
      "loss": 0.965,
      "step": 2900
    },
    {
      "epoch": 0.97,
      "grad_norm": 5.6875,
      "learning_rate": 8e-05,
      "loss": 0.7755,
      "step": 2910
    },
    {
      "epoch": 0.9733333333333334,
      "grad_norm": 9.1875,
      "learning_rate": 8e-05,
      "loss": 1.0652,
      "step": 2920
    },
    {
      "epoch": 0.9766666666666667,
      "grad_norm": 7.34375,
      "learning_rate": 8e-05,
      "loss": 0.643,
      "step": 2930
    },
    {
      "epoch": 0.98,
      "grad_norm": 7.71875,
      "learning_rate": 8e-05,
      "loss": 1.2531,
      "step": 2940
    },
    {
      "epoch": 0.9833333333333333,
      "grad_norm": 13.5,
      "learning_rate": 8e-05,
      "loss": 0.8193,
      "step": 2950
    },
    {
      "epoch": 0.9866666666666667,
      "grad_norm": 13.875,
      "learning_rate": 8e-05,
      "loss": 1.0242,
      "step": 2960
    },
    {
      "epoch": 0.99,
      "grad_norm": 18.625,
      "learning_rate": 8e-05,
      "loss": 1.133,
      "step": 2970
    },
    {
      "epoch": 0.9933333333333333,
      "grad_norm": 15.25,
      "learning_rate": 8e-05,
      "loss": 1.2699,
      "step": 2980
    },
    {
      "epoch": 0.9966666666666667,
      "grad_norm": 6.09375,
      "learning_rate": 8e-05,
      "loss": 1.5593,
      "step": 2990
    },
    {
      "epoch": 1.0,
      "grad_norm": 19.125,
      "learning_rate": 8e-05,
      "loss": 0.9879,
      "step": 3000
    },
    {
      "epoch": 1.0,
      "eval_loss": 1.2729908227920532,
      "eval_runtime": 1.4911,
      "eval_samples_per_second": 67.063,
      "eval_steps_per_second": 67.063,
      "step": 3000
    },
    {
      "epoch": 1.0033333333333334,
      "grad_norm": 6.9375,
      "learning_rate": 8e-05,
      "loss": 0.6428,
      "step": 3010
    },
    {
      "epoch": 1.0066666666666666,
      "grad_norm": 7.34375,
      "learning_rate": 8e-05,
      "loss": 0.8844,
      "step": 3020
    },
    {
      "epoch": 1.01,
      "grad_norm": 13.1875,
      "learning_rate": 8e-05,
      "loss": 0.7795,
      "step": 3030
    },
    {
      "epoch": 1.0133333333333334,
      "grad_norm": 5.03125,
      "learning_rate": 8e-05,
      "loss": 0.9683,
      "step": 3040
    },
    {
      "epoch": 1.0166666666666666,
      "grad_norm": 14.4375,
      "learning_rate": 8e-05,
      "loss": 0.544,
      "step": 3050
    },
    {
      "epoch": 1.02,
      "grad_norm": 9.875,
      "learning_rate": 8e-05,
      "loss": 0.8387,
      "step": 3060
    },
    {
      "epoch": 1.0233333333333334,
      "grad_norm": 11.5625,
      "learning_rate": 8e-05,
      "loss": 0.6297,
      "step": 3070
    },
    {
      "epoch": 1.0266666666666666,
      "grad_norm": 9.4375,
      "learning_rate": 8e-05,
      "loss": 1.1408,
      "step": 3080
    },
    {
      "epoch": 1.03,
      "grad_norm": 8.875,
      "learning_rate": 8e-05,
      "loss": 1.0732,
      "step": 3090
    },
    {
      "epoch": 1.0333333333333334,
      "grad_norm": 4.8125,
      "learning_rate": 8e-05,
      "loss": 0.9673,
      "step": 3100
    },
    {
      "epoch": 1.0366666666666666,
      "grad_norm": 10.4375,
      "learning_rate": 8e-05,
      "loss": 0.807,
      "step": 3110
    },
    {
      "epoch": 1.04,
      "grad_norm": 6.9375,
      "learning_rate": 8e-05,
      "loss": 0.7884,
      "step": 3120
    },
    {
      "epoch": 1.0433333333333334,
      "grad_norm": 4.96875,
      "learning_rate": 8e-05,
      "loss": 0.6826,
      "step": 3130
    },
    {
      "epoch": 1.0466666666666666,
      "grad_norm": 7.09375,
      "learning_rate": 8e-05,
      "loss": 0.7949,
      "step": 3140
    },
    {
      "epoch": 1.05,
      "grad_norm": 14.8125,
      "learning_rate": 8e-05,
      "loss": 0.9325,
      "step": 3150
    },
    {
      "epoch": 1.0533333333333332,
      "grad_norm": 5.15625,
      "learning_rate": 8e-05,
      "loss": 0.9807,
      "step": 3160
    },
    {
      "epoch": 1.0566666666666666,
      "grad_norm": 5.59375,
      "learning_rate": 8e-05,
      "loss": 0.5723,
      "step": 3170
    },
    {
      "epoch": 1.06,
      "grad_norm": 6.9375,
      "learning_rate": 8e-05,
      "loss": 0.6637,
      "step": 3180
    },
    {
      "epoch": 1.0633333333333332,
      "grad_norm": 10.1875,
      "learning_rate": 8e-05,
      "loss": 0.6526,
      "step": 3190
    },
    {
      "epoch": 1.0666666666666667,
      "grad_norm": 7.96875,
      "learning_rate": 8e-05,
      "loss": 0.6763,
      "step": 3200
    },
    {
      "epoch": 1.07,
      "grad_norm": 7.3125,
      "learning_rate": 8e-05,
      "loss": 0.844,
      "step": 3210
    },
    {
      "epoch": 1.0733333333333333,
      "grad_norm": 13.5625,
      "learning_rate": 8e-05,
      "loss": 1.1305,
      "step": 3220
    },
    {
      "epoch": 1.0766666666666667,
      "grad_norm": 7.75,
      "learning_rate": 8e-05,
      "loss": 1.0141,
      "step": 3230
    },
    {
      "epoch": 1.08,
      "grad_norm": 11.375,
      "learning_rate": 8e-05,
      "loss": 1.2215,
      "step": 3240
    },
    {
      "epoch": 1.0833333333333333,
      "grad_norm": 14.5,
      "learning_rate": 8e-05,
      "loss": 1.051,
      "step": 3250
    },
    {
      "epoch": 1.0866666666666667,
      "grad_norm": 5.25,
      "learning_rate": 8e-05,
      "loss": 0.9119,
      "step": 3260
    },
    {
      "epoch": 1.09,
      "grad_norm": 19.125,
      "learning_rate": 8e-05,
      "loss": 0.9393,
      "step": 3270
    },
    {
      "epoch": 1.0933333333333333,
      "grad_norm": 14.75,
      "learning_rate": 8e-05,
      "loss": 0.9094,
      "step": 3280
    },
    {
      "epoch": 1.0966666666666667,
      "grad_norm": 8.875,
      "learning_rate": 8e-05,
      "loss": 0.6976,
      "step": 3290
    },
    {
      "epoch": 1.1,
      "grad_norm": 12.1875,
      "learning_rate": 8e-05,
      "loss": 1.0146,
      "step": 3300
    },
    {
      "epoch": 1.1033333333333333,
      "grad_norm": 9.5625,
      "learning_rate": 8e-05,
      "loss": 0.82,
      "step": 3310
    },
    {
      "epoch": 1.1066666666666667,
      "grad_norm": 8.3125,
      "learning_rate": 8e-05,
      "loss": 0.6891,
      "step": 3320
    },
    {
      "epoch": 1.11,
      "grad_norm": 7.75,
      "learning_rate": 8e-05,
      "loss": 0.7284,
      "step": 3330
    },
    {
      "epoch": 1.1133333333333333,
      "grad_norm": 11.4375,
      "learning_rate": 8e-05,
      "loss": 0.8431,
      "step": 3340
    },
    {
      "epoch": 1.1166666666666667,
      "grad_norm": 8.1875,
      "learning_rate": 8e-05,
      "loss": 0.6466,
      "step": 3350
    },
    {
      "epoch": 1.12,
      "grad_norm": 6.15625,
      "learning_rate": 8e-05,
      "loss": 0.7491,
      "step": 3360
    },
    {
      "epoch": 1.1233333333333333,
      "grad_norm": 6.71875,
      "learning_rate": 8e-05,
      "loss": 1.0866,
      "step": 3370
    },
    {
      "epoch": 1.1266666666666667,
      "grad_norm": 9.4375,
      "learning_rate": 8e-05,
      "loss": 1.0735,
      "step": 3380
    },
    {
      "epoch": 1.13,
      "grad_norm": 9.25,
      "learning_rate": 8e-05,
      "loss": 1.0675,
      "step": 3390
    },
    {
      "epoch": 1.1333333333333333,
      "grad_norm": 19.375,
      "learning_rate": 8e-05,
      "loss": 0.6896,
      "step": 3400
    },
    {
      "epoch": 1.1366666666666667,
      "grad_norm": 9.0625,
      "learning_rate": 8e-05,
      "loss": 0.602,
      "step": 3410
    },
    {
      "epoch": 1.1400000000000001,
      "grad_norm": 10.1875,
      "learning_rate": 8e-05,
      "loss": 1.1624,
      "step": 3420
    },
    {
      "epoch": 1.1433333333333333,
      "grad_norm": 8.5,
      "learning_rate": 8e-05,
      "loss": 0.9683,
      "step": 3430
    },
    {
      "epoch": 1.1466666666666667,
      "grad_norm": 12.0625,
      "learning_rate": 8e-05,
      "loss": 0.9399,
      "step": 3440
    },
    {
      "epoch": 1.15,
      "grad_norm": 8.0,
      "learning_rate": 8e-05,
      "loss": 0.9233,
      "step": 3450
    },
    {
      "epoch": 1.1533333333333333,
      "grad_norm": 12.4375,
      "learning_rate": 8e-05,
      "loss": 0.8884,
      "step": 3460
    },
    {
      "epoch": 1.1566666666666667,
      "grad_norm": 8.5,
      "learning_rate": 8e-05,
      "loss": 0.7118,
      "step": 3470
    },
    {
      "epoch": 1.16,
      "grad_norm": 9.375,
      "learning_rate": 8e-05,
      "loss": 0.8281,
      "step": 3480
    },
    {
      "epoch": 1.1633333333333333,
      "grad_norm": 8.4375,
      "learning_rate": 8e-05,
      "loss": 0.8028,
      "step": 3490
    },
    {
      "epoch": 1.1666666666666667,
      "grad_norm": 7.125,
      "learning_rate": 8e-05,
      "loss": 0.631,
      "step": 3500
    },
    {
      "epoch": 1.1666666666666667,
      "eval_loss": 1.5200310945510864,
      "eval_runtime": 1.4786,
      "eval_samples_per_second": 67.632,
      "eval_steps_per_second": 67.632,
      "step": 3500
    },
    {
      "epoch": 1.17,
      "grad_norm": 13.125,
      "learning_rate": 8e-05,
      "loss": 0.88,
      "step": 3510
    },
    {
      "epoch": 1.1733333333333333,
      "grad_norm": 9.0,
      "learning_rate": 8e-05,
      "loss": 0.8539,
      "step": 3520
    },
    {
      "epoch": 1.1766666666666667,
      "grad_norm": 13.125,
      "learning_rate": 8e-05,
      "loss": 1.0459,
      "step": 3530
    },
    {
      "epoch": 1.18,
      "grad_norm": 9.0,
      "learning_rate": 8e-05,
      "loss": 0.7037,
      "step": 3540
    },
    {
      "epoch": 1.1833333333333333,
      "grad_norm": 6.25,
      "learning_rate": 8e-05,
      "loss": 0.762,
      "step": 3550
    },
    {
      "epoch": 1.1866666666666668,
      "grad_norm": 6.96875,
      "learning_rate": 8e-05,
      "loss": 0.8332,
      "step": 3560
    },
    {
      "epoch": 1.19,
      "grad_norm": 5.34375,
      "learning_rate": 8e-05,
      "loss": 0.752,
      "step": 3570
    },
    {
      "epoch": 1.1933333333333334,
      "grad_norm": 8.25,
      "learning_rate": 8e-05,
      "loss": 0.7187,
      "step": 3580
    },
    {
      "epoch": 1.1966666666666668,
      "grad_norm": 12.625,
      "learning_rate": 8e-05,
      "loss": 0.948,
      "step": 3590
    },
    {
      "epoch": 1.2,
      "grad_norm": 7.875,
      "learning_rate": 8e-05,
      "loss": 1.0132,
      "step": 3600
    },
    {
      "epoch": 1.2033333333333334,
      "grad_norm": 7.21875,
      "learning_rate": 8e-05,
      "loss": 0.6313,
      "step": 3610
    },
    {
      "epoch": 1.2066666666666666,
      "grad_norm": 11.3125,
      "learning_rate": 8e-05,
      "loss": 0.6459,
      "step": 3620
    },
    {
      "epoch": 1.21,
      "grad_norm": 6.15625,
      "learning_rate": 8e-05,
      "loss": 0.5337,
      "step": 3630
    },
    {
      "epoch": 1.2133333333333334,
      "grad_norm": 9.375,
      "learning_rate": 8e-05,
      "loss": 0.9013,
      "step": 3640
    },
    {
      "epoch": 1.2166666666666668,
      "grad_norm": 11.125,
      "learning_rate": 8e-05,
      "loss": 0.8657,
      "step": 3650
    },
    {
      "epoch": 1.22,
      "grad_norm": 5.96875,
      "learning_rate": 8e-05,
      "loss": 0.6971,
      "step": 3660
    },
    {
      "epoch": 1.2233333333333334,
      "grad_norm": 12.75,
      "learning_rate": 8e-05,
      "loss": 0.9352,
      "step": 3670
    },
    {
      "epoch": 1.2266666666666666,
      "grad_norm": 3.5625,
      "learning_rate": 8e-05,
      "loss": 0.5657,
      "step": 3680
    },
    {
      "epoch": 1.23,
      "grad_norm": 11.4375,
      "learning_rate": 8e-05,
      "loss": 0.8288,
      "step": 3690
    },
    {
      "epoch": 1.2333333333333334,
      "grad_norm": 11.1875,
      "learning_rate": 8e-05,
      "loss": 0.7747,
      "step": 3700
    },
    {
      "epoch": 1.2366666666666666,
      "grad_norm": 8.125,
      "learning_rate": 8e-05,
      "loss": 0.9586,
      "step": 3710
    },
    {
      "epoch": 1.24,
      "grad_norm": 12.3125,
      "learning_rate": 8e-05,
      "loss": 0.9847,
      "step": 3720
    },
    {
      "epoch": 1.2433333333333334,
      "grad_norm": 11.6875,
      "learning_rate": 8e-05,
      "loss": 0.808,
      "step": 3730
    },
    {
      "epoch": 1.2466666666666666,
      "grad_norm": 10.0,
      "learning_rate": 8e-05,
      "loss": 0.8121,
      "step": 3740
    },
    {
      "epoch": 1.25,
      "grad_norm": 6.75,
      "learning_rate": 8e-05,
      "loss": 0.7466,
      "step": 3750
    },
    {
      "epoch": 1.2533333333333334,
      "grad_norm": 9.875,
      "learning_rate": 8e-05,
      "loss": 1.0139,
      "step": 3760
    },
    {
      "epoch": 1.2566666666666666,
      "grad_norm": 11.6875,
      "learning_rate": 8e-05,
      "loss": 0.7579,
      "step": 3770
    },
    {
      "epoch": 1.26,
      "grad_norm": 7.4375,
      "learning_rate": 8e-05,
      "loss": 0.8063,
      "step": 3780
    },
    {
      "epoch": 1.2633333333333332,
      "grad_norm": 8.9375,
      "learning_rate": 8e-05,
      "loss": 0.795,
      "step": 3790
    },
    {
      "epoch": 1.2666666666666666,
      "grad_norm": 15.0,
      "learning_rate": 8e-05,
      "loss": 0.8635,
      "step": 3800
    },
    {
      "epoch": 1.27,
      "grad_norm": 4.15625,
      "learning_rate": 8e-05,
      "loss": 0.7666,
      "step": 3810
    },
    {
      "epoch": 1.2733333333333334,
      "grad_norm": 9.625,
      "learning_rate": 8e-05,
      "loss": 0.9352,
      "step": 3820
    },
    {
      "epoch": 1.2766666666666666,
      "grad_norm": 12.6875,
      "learning_rate": 8e-05,
      "loss": 0.9208,
      "step": 3830
    },
    {
      "epoch": 1.28,
      "grad_norm": 14.4375,
      "learning_rate": 8e-05,
      "loss": 1.5634,
      "step": 3840
    },
    {
      "epoch": 1.2833333333333332,
      "grad_norm": 11.25,
      "learning_rate": 8e-05,
      "loss": 0.7935,
      "step": 3850
    },
    {
      "epoch": 1.2866666666666666,
      "grad_norm": 8.625,
      "learning_rate": 8e-05,
      "loss": 0.7438,
      "step": 3860
    },
    {
      "epoch": 1.29,
      "grad_norm": 6.46875,
      "learning_rate": 8e-05,
      "loss": 0.6676,
      "step": 3870
    },
    {
      "epoch": 1.2933333333333334,
      "grad_norm": 13.25,
      "learning_rate": 8e-05,
      "loss": 0.9965,
      "step": 3880
    },
    {
      "epoch": 1.2966666666666666,
      "grad_norm": 12.6875,
      "learning_rate": 8e-05,
      "loss": 0.8424,
      "step": 3890
    },
    {
      "epoch": 1.3,
      "grad_norm": 10.75,
      "learning_rate": 8e-05,
      "loss": 0.8935,
      "step": 3900
    },
    {
      "epoch": 1.3033333333333332,
      "grad_norm": 5.78125,
      "learning_rate": 8e-05,
      "loss": 0.6218,
      "step": 3910
    },
    {
      "epoch": 1.3066666666666666,
      "grad_norm": 11.1875,
      "learning_rate": 8e-05,
      "loss": 1.0064,
      "step": 3920
    },
    {
      "epoch": 1.31,
      "grad_norm": 10.625,
      "learning_rate": 8e-05,
      "loss": 0.6783,
      "step": 3930
    },
    {
      "epoch": 1.3133333333333335,
      "grad_norm": 11.9375,
      "learning_rate": 8e-05,
      "loss": 0.7612,
      "step": 3940
    },
    {
      "epoch": 1.3166666666666667,
      "grad_norm": 9.0,
      "learning_rate": 8e-05,
      "loss": 0.7639,
      "step": 3950
    },
    {
      "epoch": 1.32,
      "grad_norm": 15.8125,
      "learning_rate": 8e-05,
      "loss": 1.0953,
      "step": 3960
    },
    {
      "epoch": 1.3233333333333333,
      "grad_norm": 9.125,
      "learning_rate": 8e-05,
      "loss": 0.8648,
      "step": 3970
    },
    {
      "epoch": 1.3266666666666667,
      "grad_norm": 6.6875,
      "learning_rate": 8e-05,
      "loss": 1.1842,
      "step": 3980
    },
    {
      "epoch": 1.33,
      "grad_norm": 6.96875,
      "learning_rate": 8e-05,
      "loss": 0.7245,
      "step": 3990
    },
    {
      "epoch": 1.3333333333333333,
      "grad_norm": 3.78125,
      "learning_rate": 8e-05,
      "loss": 0.7613,
      "step": 4000
    },
    {
      "epoch": 1.3333333333333333,
      "eval_loss": 1.3309038877487183,
      "eval_runtime": 1.5103,
      "eval_samples_per_second": 66.211,
      "eval_steps_per_second": 66.211,
      "step": 4000
    },
    {
      "epoch": 1.3366666666666667,
      "grad_norm": 7.21875,
      "learning_rate": 8e-05,
      "loss": 0.8095,
      "step": 4010
    },
    {
      "epoch": 1.34,
      "grad_norm": 10.8125,
      "learning_rate": 8e-05,
      "loss": 0.618,
      "step": 4020
    },
    {
      "epoch": 1.3433333333333333,
      "grad_norm": 7.75,
      "learning_rate": 8e-05,
      "loss": 0.5434,
      "step": 4030
    },
    {
      "epoch": 1.3466666666666667,
      "grad_norm": 10.0,
      "learning_rate": 8e-05,
      "loss": 0.9937,
      "step": 4040
    },
    {
      "epoch": 1.35,
      "grad_norm": 6.375,
      "learning_rate": 8e-05,
      "loss": 0.7051,
      "step": 4050
    },
    {
      "epoch": 1.3533333333333333,
      "grad_norm": 8.9375,
      "learning_rate": 8e-05,
      "loss": 1.1111,
      "step": 4060
    },
    {
      "epoch": 1.3566666666666667,
      "grad_norm": 7.15625,
      "learning_rate": 8e-05,
      "loss": 0.7973,
      "step": 4070
    },
    {
      "epoch": 1.3599999999999999,
      "grad_norm": 16.125,
      "learning_rate": 8e-05,
      "loss": 0.87,
      "step": 4080
    },
    {
      "epoch": 1.3633333333333333,
      "grad_norm": 8.875,
      "learning_rate": 8e-05,
      "loss": 0.8975,
      "step": 4090
    },
    {
      "epoch": 1.3666666666666667,
      "grad_norm": 11.6875,
      "learning_rate": 8e-05,
      "loss": 0.8453,
      "step": 4100
    },
    {
      "epoch": 1.37,
      "grad_norm": 6.53125,
      "learning_rate": 8e-05,
      "loss": 0.7556,
      "step": 4110
    },
    {
      "epoch": 1.3733333333333333,
      "grad_norm": 36.0,
      "learning_rate": 8e-05,
      "loss": 1.018,
      "step": 4120
    },
    {
      "epoch": 1.3766666666666667,
      "grad_norm": 10.125,
      "learning_rate": 8e-05,
      "loss": 0.9081,
      "step": 4130
    },
    {
      "epoch": 1.38,
      "grad_norm": 14.0,
      "learning_rate": 8e-05,
      "loss": 0.6659,
      "step": 4140
    },
    {
      "epoch": 1.3833333333333333,
      "grad_norm": 14.5625,
      "learning_rate": 8e-05,
      "loss": 0.8089,
      "step": 4150
    },
    {
      "epoch": 1.3866666666666667,
      "grad_norm": 9.0,
      "learning_rate": 8e-05,
      "loss": 0.8605,
      "step": 4160
    },
    {
      "epoch": 1.3900000000000001,
      "grad_norm": 15.5625,
      "learning_rate": 8e-05,
      "loss": 0.9791,
      "step": 4170
    },
    {
      "epoch": 1.3933333333333333,
      "grad_norm": 14.125,
      "learning_rate": 8e-05,
      "loss": 0.9712,
      "step": 4180
    },
    {
      "epoch": 1.3966666666666667,
      "grad_norm": 8.5,
      "learning_rate": 8e-05,
      "loss": 0.7968,
      "step": 4190
    },
    {
      "epoch": 1.4,
      "grad_norm": 9.1875,
      "learning_rate": 8e-05,
      "loss": 0.7767,
      "step": 4200
    },
    {
      "epoch": 1.4033333333333333,
      "grad_norm": 5.9375,
      "learning_rate": 8e-05,
      "loss": 0.9018,
      "step": 4210
    },
    {
      "epoch": 1.4066666666666667,
      "grad_norm": 11.25,
      "learning_rate": 8e-05,
      "loss": 0.9582,
      "step": 4220
    },
    {
      "epoch": 1.41,
      "grad_norm": 9.25,
      "learning_rate": 8e-05,
      "loss": 0.9324,
      "step": 4230
    },
    {
      "epoch": 1.4133333333333333,
      "grad_norm": 5.90625,
      "learning_rate": 8e-05,
      "loss": 0.5169,
      "step": 4240
    },
    {
      "epoch": 1.4166666666666667,
      "grad_norm": 10.1875,
      "learning_rate": 8e-05,
      "loss": 0.8069,
      "step": 4250
    },
    {
      "epoch": 1.42,
      "grad_norm": 3.546875,
      "learning_rate": 8e-05,
      "loss": 0.6172,
      "step": 4260
    },
    {
      "epoch": 1.4233333333333333,
      "grad_norm": 13.625,
      "learning_rate": 8e-05,
      "loss": 0.8091,
      "step": 4270
    },
    {
      "epoch": 1.4266666666666667,
      "grad_norm": 6.09375,
      "learning_rate": 8e-05,
      "loss": 0.6978,
      "step": 4280
    },
    {
      "epoch": 1.43,
      "grad_norm": 8.5625,
      "learning_rate": 8e-05,
      "loss": 0.7878,
      "step": 4290
    },
    {
      "epoch": 1.4333333333333333,
      "grad_norm": 16.0,
      "learning_rate": 8e-05,
      "loss": 1.0185,
      "step": 4300
    },
    {
      "epoch": 1.4366666666666665,
      "grad_norm": 10.5,
      "learning_rate": 8e-05,
      "loss": 0.9008,
      "step": 4310
    },
    {
      "epoch": 1.44,
      "grad_norm": 6.0625,
      "learning_rate": 8e-05,
      "loss": 0.8248,
      "step": 4320
    },
    {
      "epoch": 1.4433333333333334,
      "grad_norm": 8.3125,
      "learning_rate": 8e-05,
      "loss": 0.87,
      "step": 4330
    },
    {
      "epoch": 1.4466666666666668,
      "grad_norm": 11.375,
      "learning_rate": 8e-05,
      "loss": 0.5887,
      "step": 4340
    },
    {
      "epoch": 1.45,
      "grad_norm": 10.75,
      "learning_rate": 8e-05,
      "loss": 1.1285,
      "step": 4350
    },
    {
      "epoch": 1.4533333333333334,
      "grad_norm": 8.625,
      "learning_rate": 8e-05,
      "loss": 1.0273,
      "step": 4360
    },
    {
      "epoch": 1.4566666666666666,
      "grad_norm": 6.8125,
      "learning_rate": 8e-05,
      "loss": 0.9528,
      "step": 4370
    },
    {
      "epoch": 1.46,
      "grad_norm": 9.6875,
      "learning_rate": 8e-05,
      "loss": 0.8467,
      "step": 4380
    },
    {
      "epoch": 1.4633333333333334,
      "grad_norm": 8.3125,
      "learning_rate": 8e-05,
      "loss": 0.7858,
      "step": 4390
    },
    {
      "epoch": 1.4666666666666668,
      "grad_norm": 7.0,
      "learning_rate": 8e-05,
      "loss": 0.616,
      "step": 4400
    },
    {
      "epoch": 1.47,
      "grad_norm": 10.0,
      "learning_rate": 8e-05,
      "loss": 0.8403,
      "step": 4410
    },
    {
      "epoch": 1.4733333333333334,
      "grad_norm": 9.0625,
      "learning_rate": 8e-05,
      "loss": 0.7927,
      "step": 4420
    },
    {
      "epoch": 1.4766666666666666,
      "grad_norm": 16.875,
      "learning_rate": 8e-05,
      "loss": 1.25,
      "step": 4430
    },
    {
      "epoch": 1.48,
      "grad_norm": 11.3125,
      "learning_rate": 8e-05,
      "loss": 0.9957,
      "step": 4440
    },
    {
      "epoch": 1.4833333333333334,
      "grad_norm": 5.125,
      "learning_rate": 8e-05,
      "loss": 1.0198,
      "step": 4450
    },
    {
      "epoch": 1.4866666666666668,
      "grad_norm": 6.53125,
      "learning_rate": 8e-05,
      "loss": 0.8877,
      "step": 4460
    },
    {
      "epoch": 1.49,
      "grad_norm": 4.90625,
      "learning_rate": 8e-05,
      "loss": 0.8736,
      "step": 4470
    },
    {
      "epoch": 1.4933333333333334,
      "grad_norm": 7.0625,
      "learning_rate": 8e-05,
      "loss": 0.7929,
      "step": 4480
    },
    {
      "epoch": 1.4966666666666666,
      "grad_norm": 10.8125,
      "learning_rate": 8e-05,
      "loss": 1.1071,
      "step": 4490
    },
    {
      "epoch": 1.5,
      "grad_norm": 6.0625,
      "learning_rate": 8e-05,
      "loss": 0.572,
      "step": 4500
    },
    {
      "epoch": 1.5,
      "eval_loss": 1.4378467798233032,
      "eval_runtime": 1.4747,
      "eval_samples_per_second": 67.811,
      "eval_steps_per_second": 67.811,
      "step": 4500
    },
    {
      "epoch": 1.5033333333333334,
      "grad_norm": 5.5625,
      "learning_rate": 8e-05,
      "loss": 0.6085,
      "step": 4510
    },
    {
      "epoch": 1.5066666666666668,
      "grad_norm": 11.125,
      "learning_rate": 8e-05,
      "loss": 1.0296,
      "step": 4520
    },
    {
      "epoch": 1.51,
      "grad_norm": 15.1875,
      "learning_rate": 8e-05,
      "loss": 0.957,
      "step": 4530
    },
    {
      "epoch": 1.5133333333333332,
      "grad_norm": 8.25,
      "learning_rate": 8e-05,
      "loss": 0.9682,
      "step": 4540
    },
    {
      "epoch": 1.5166666666666666,
      "grad_norm": 7.71875,
      "learning_rate": 8e-05,
      "loss": 0.5619,
      "step": 4550
    },
    {
      "epoch": 1.52,
      "grad_norm": 7.84375,
      "learning_rate": 8e-05,
      "loss": 0.7063,
      "step": 4560
    },
    {
      "epoch": 1.5233333333333334,
      "grad_norm": 7.21875,
      "learning_rate": 8e-05,
      "loss": 0.6725,
      "step": 4570
    },
    {
      "epoch": 1.5266666666666666,
      "grad_norm": 11.8125,
      "learning_rate": 8e-05,
      "loss": 0.5147,
      "step": 4580
    },
    {
      "epoch": 1.53,
      "grad_norm": 5.625,
      "learning_rate": 8e-05,
      "loss": 0.8195,
      "step": 4590
    },
    {
      "epoch": 1.5333333333333332,
      "grad_norm": 10.125,
      "learning_rate": 8e-05,
      "loss": 0.7961,
      "step": 4600
    },
    {
      "epoch": 1.5366666666666666,
      "grad_norm": 9.75,
      "learning_rate": 8e-05,
      "loss": 0.5977,
      "step": 4610
    },
    {
      "epoch": 1.54,
      "grad_norm": 11.0,
      "learning_rate": 8e-05,
      "loss": 0.8334,
      "step": 4620
    },
    {
      "epoch": 1.5433333333333334,
      "grad_norm": 13.6875,
      "learning_rate": 8e-05,
      "loss": 0.9209,
      "step": 4630
    },
    {
      "epoch": 1.5466666666666666,
      "grad_norm": 5.71875,
      "learning_rate": 8e-05,
      "loss": 0.6465,
      "step": 4640
    },
    {
      "epoch": 1.55,
      "grad_norm": 9.625,
      "learning_rate": 8e-05,
      "loss": 1.2715,
      "step": 4650
    },
    {
      "epoch": 1.5533333333333332,
      "grad_norm": 5.4375,
      "learning_rate": 8e-05,
      "loss": 0.5966,
      "step": 4660
    },
    {
      "epoch": 1.5566666666666666,
      "grad_norm": 10.4375,
      "learning_rate": 8e-05,
      "loss": 0.7788,
      "step": 4670
    },
    {
      "epoch": 1.56,
      "grad_norm": 8.6875,
      "learning_rate": 8e-05,
      "loss": 0.7401,
      "step": 4680
    },
    {
      "epoch": 1.5633333333333335,
      "grad_norm": 9.0,
      "learning_rate": 8e-05,
      "loss": 0.8736,
      "step": 4690
    },
    {
      "epoch": 1.5666666666666667,
      "grad_norm": 12.625,
      "learning_rate": 8e-05,
      "loss": 0.793,
      "step": 4700
    },
    {
      "epoch": 1.5699999999999998,
      "grad_norm": 14.4375,
      "learning_rate": 8e-05,
      "loss": 0.7883,
      "step": 4710
    },
    {
      "epoch": 1.5733333333333333,
      "grad_norm": 4.875,
      "learning_rate": 8e-05,
      "loss": 0.8556,
      "step": 4720
    },
    {
      "epoch": 1.5766666666666667,
      "grad_norm": 11.0625,
      "learning_rate": 8e-05,
      "loss": 0.9062,
      "step": 4730
    },
    {
      "epoch": 1.58,
      "grad_norm": 9.9375,
      "learning_rate": 8e-05,
      "loss": 0.5457,
      "step": 4740
    },
    {
      "epoch": 1.5833333333333335,
      "grad_norm": 12.0,
      "learning_rate": 8e-05,
      "loss": 0.7557,
      "step": 4750
    },
    {
      "epoch": 1.5866666666666667,
      "grad_norm": 17.75,
      "learning_rate": 8e-05,
      "loss": 1.1667,
      "step": 4760
    },
    {
      "epoch": 1.5899999999999999,
      "grad_norm": 10.1875,
      "learning_rate": 8e-05,
      "loss": 1.0694,
      "step": 4770
    },
    {
      "epoch": 1.5933333333333333,
      "grad_norm": 10.125,
      "learning_rate": 8e-05,
      "loss": 0.811,
      "step": 4780
    },
    {
      "epoch": 1.5966666666666667,
      "grad_norm": 9.5,
      "learning_rate": 8e-05,
      "loss": 0.6258,
      "step": 4790
    },
    {
      "epoch": 1.6,
      "grad_norm": 6.125,
      "learning_rate": 8e-05,
      "loss": 0.6296,
      "step": 4800
    },
    {
      "epoch": 1.6033333333333335,
      "grad_norm": 17.125,
      "learning_rate": 8e-05,
      "loss": 1.187,
      "step": 4810
    },
    {
      "epoch": 1.6066666666666667,
      "grad_norm": 5.75,
      "learning_rate": 8e-05,
      "loss": 0.8847,
      "step": 4820
    },
    {
      "epoch": 1.6099999999999999,
      "grad_norm": 5.625,
      "learning_rate": 8e-05,
      "loss": 0.8844,
      "step": 4830
    },
    {
      "epoch": 1.6133333333333333,
      "grad_norm": 6.28125,
      "learning_rate": 8e-05,
      "loss": 0.8376,
      "step": 4840
    },
    {
      "epoch": 1.6166666666666667,
      "grad_norm": 8.125,
      "learning_rate": 8e-05,
      "loss": 0.9426,
      "step": 4850
    },
    {
      "epoch": 1.62,
      "grad_norm": 15.25,
      "learning_rate": 8e-05,
      "loss": 0.8989,
      "step": 4860
    },
    {
      "epoch": 1.6233333333333333,
      "grad_norm": 11.0625,
      "learning_rate": 8e-05,
      "loss": 0.9158,
      "step": 4870
    },
    {
      "epoch": 1.6266666666666667,
      "grad_norm": 4.875,
      "learning_rate": 8e-05,
      "loss": 0.8376,
      "step": 4880
    },
    {
      "epoch": 1.63,
      "grad_norm": 12.4375,
      "learning_rate": 8e-05,
      "loss": 1.0749,
      "step": 4890
    },
    {
      "epoch": 1.6333333333333333,
      "grad_norm": 7.5,
      "learning_rate": 8e-05,
      "loss": 0.9205,
      "step": 4900
    },
    {
      "epoch": 1.6366666666666667,
      "grad_norm": 8.75,
      "learning_rate": 8e-05,
      "loss": 1.0431,
      "step": 4910
    },
    {
      "epoch": 1.6400000000000001,
      "grad_norm": 13.0,
      "learning_rate": 8e-05,
      "loss": 0.8251,
      "step": 4920
    },
    {
      "epoch": 1.6433333333333333,
      "grad_norm": 10.3125,
      "learning_rate": 8e-05,
      "loss": 1.0441,
      "step": 4930
    },
    {
      "epoch": 1.6466666666666665,
      "grad_norm": 8.8125,
      "learning_rate": 8e-05,
      "loss": 0.7812,
      "step": 4940
    },
    {
      "epoch": 1.65,
      "grad_norm": 9.0625,
      "learning_rate": 8e-05,
      "loss": 0.6304,
      "step": 4950
    },
    {
      "epoch": 1.6533333333333333,
      "grad_norm": 5.375,
      "learning_rate": 8e-05,
      "loss": 0.8142,
      "step": 4960
    },
    {
      "epoch": 1.6566666666666667,
      "grad_norm": 11.9375,
      "learning_rate": 8e-05,
      "loss": 0.9602,
      "step": 4970
    },
    {
      "epoch": 1.6600000000000001,
      "grad_norm": 10.375,
      "learning_rate": 8e-05,
      "loss": 0.5319,
      "step": 4980
    },
    {
      "epoch": 1.6633333333333333,
      "grad_norm": 8.375,
      "learning_rate": 8e-05,
      "loss": 1.0824,
      "step": 4990
    },
    {
      "epoch": 1.6666666666666665,
      "grad_norm": 12.75,
      "learning_rate": 8e-05,
      "loss": 1.0395,
      "step": 5000
    },
    {
      "epoch": 1.6666666666666665,
      "eval_loss": 1.3757331371307373,
      "eval_runtime": 1.4881,
      "eval_samples_per_second": 67.201,
      "eval_steps_per_second": 67.201,
      "step": 5000
    },
    {
      "epoch": 1.67,
      "grad_norm": 9.5625,
      "learning_rate": 8e-05,
      "loss": 0.5506,
      "step": 5010
    },
    {
      "epoch": 1.6733333333333333,
      "grad_norm": 10.0,
      "learning_rate": 8e-05,
      "loss": 0.8105,
      "step": 5020
    },
    {
      "epoch": 1.6766666666666667,
      "grad_norm": 8.75,
      "learning_rate": 8e-05,
      "loss": 0.7754,
      "step": 5030
    },
    {
      "epoch": 1.6800000000000002,
      "grad_norm": 5.6875,
      "learning_rate": 8e-05,
      "loss": 0.6683,
      "step": 5040
    },
    {
      "epoch": 1.6833333333333333,
      "grad_norm": 7.875,
      "learning_rate": 8e-05,
      "loss": 0.8269,
      "step": 5050
    },
    {
      "epoch": 1.6866666666666665,
      "grad_norm": 6.8125,
      "learning_rate": 8e-05,
      "loss": 1.0235,
      "step": 5060
    },
    {
      "epoch": 1.69,
      "grad_norm": 10.9375,
      "learning_rate": 8e-05,
      "loss": 0.7771,
      "step": 5070
    },
    {
      "epoch": 1.6933333333333334,
      "grad_norm": 8.3125,
      "learning_rate": 8e-05,
      "loss": 0.6871,
      "step": 5080
    },
    {
      "epoch": 1.6966666666666668,
      "grad_norm": 10.5625,
      "learning_rate": 8e-05,
      "loss": 0.7671,
      "step": 5090
    },
    {
      "epoch": 1.7,
      "grad_norm": 8.4375,
      "learning_rate": 8e-05,
      "loss": 0.8296,
      "step": 5100
    },
    {
      "epoch": 1.7033333333333334,
      "grad_norm": 8.5625,
      "learning_rate": 8e-05,
      "loss": 0.7887,
      "step": 5110
    },
    {
      "epoch": 1.7066666666666666,
      "grad_norm": 7.9375,
      "learning_rate": 8e-05,
      "loss": 1.019,
      "step": 5120
    },
    {
      "epoch": 1.71,
      "grad_norm": 6.5,
      "learning_rate": 8e-05,
      "loss": 0.7246,
      "step": 5130
    },
    {
      "epoch": 1.7133333333333334,
      "grad_norm": 10.625,
      "learning_rate": 8e-05,
      "loss": 0.7407,
      "step": 5140
    },
    {
      "epoch": 1.7166666666666668,
      "grad_norm": 9.0625,
      "learning_rate": 8e-05,
      "loss": 0.8178,
      "step": 5150
    },
    {
      "epoch": 1.72,
      "grad_norm": 12.75,
      "learning_rate": 8e-05,
      "loss": 1.088,
      "step": 5160
    },
    {
      "epoch": 1.7233333333333334,
      "grad_norm": 14.375,
      "learning_rate": 8e-05,
      "loss": 0.7856,
      "step": 5170
    },
    {
      "epoch": 1.7266666666666666,
      "grad_norm": 10.3125,
      "learning_rate": 8e-05,
      "loss": 0.8207,
      "step": 5180
    },
    {
      "epoch": 1.73,
      "grad_norm": 7.625,
      "learning_rate": 8e-05,
      "loss": 0.8045,
      "step": 5190
    },
    {
      "epoch": 1.7333333333333334,
      "grad_norm": 4.96875,
      "learning_rate": 8e-05,
      "loss": 0.9247,
      "step": 5200
    },
    {
      "epoch": 1.7366666666666668,
      "grad_norm": 4.875,
      "learning_rate": 8e-05,
      "loss": 0.9863,
      "step": 5210
    },
    {
      "epoch": 1.74,
      "grad_norm": 6.9375,
      "learning_rate": 8e-05,
      "loss": 0.733,
      "step": 5220
    },
    {
      "epoch": 1.7433333333333332,
      "grad_norm": 5.78125,
      "learning_rate": 8e-05,
      "loss": 1.1817,
      "step": 5230
    },
    {
      "epoch": 1.7466666666666666,
      "grad_norm": 6.8125,
      "learning_rate": 8e-05,
      "loss": 0.7971,
      "step": 5240
    },
    {
      "epoch": 1.75,
      "grad_norm": 4.9375,
      "learning_rate": 8e-05,
      "loss": 1.0004,
      "step": 5250
    },
    {
      "epoch": 1.7533333333333334,
      "grad_norm": 5.25,
      "learning_rate": 8e-05,
      "loss": 0.5812,
      "step": 5260
    },
    {
      "epoch": 1.7566666666666668,
      "grad_norm": 8.9375,
      "learning_rate": 8e-05,
      "loss": 0.6109,
      "step": 5270
    },
    {
      "epoch": 1.76,
      "grad_norm": 15.25,
      "learning_rate": 8e-05,
      "loss": 0.9819,
      "step": 5280
    },
    {
      "epoch": 1.7633333333333332,
      "grad_norm": 9.8125,
      "learning_rate": 8e-05,
      "loss": 1.1918,
      "step": 5290
    },
    {
      "epoch": 1.7666666666666666,
      "grad_norm": 8.25,
      "learning_rate": 8e-05,
      "loss": 0.7268,
      "step": 5300
    },
    {
      "epoch": 1.77,
      "grad_norm": 15.125,
      "learning_rate": 8e-05,
      "loss": 0.8006,
      "step": 5310
    },
    {
      "epoch": 1.7733333333333334,
      "grad_norm": 8.6875,
      "learning_rate": 8e-05,
      "loss": 1.0006,
      "step": 5320
    },
    {
      "epoch": 1.7766666666666666,
      "grad_norm": 8.5625,
      "learning_rate": 8e-05,
      "loss": 0.9145,
      "step": 5330
    },
    {
      "epoch": 1.78,
      "grad_norm": 10.0,
      "learning_rate": 8e-05,
      "loss": 0.8083,
      "step": 5340
    },
    {
      "epoch": 1.7833333333333332,
      "grad_norm": 9.5,
      "learning_rate": 8e-05,
      "loss": 1.0911,
      "step": 5350
    },
    {
      "epoch": 1.7866666666666666,
      "grad_norm": 16.75,
      "learning_rate": 8e-05,
      "loss": 1.1058,
      "step": 5360
    },
    {
      "epoch": 1.79,
      "grad_norm": 5.875,
      "learning_rate": 8e-05,
      "loss": 0.8683,
      "step": 5370
    },
    {
      "epoch": 1.7933333333333334,
      "grad_norm": 8.6875,
      "learning_rate": 8e-05,
      "loss": 0.9138,
      "step": 5380
    },
    {
      "epoch": 1.7966666666666666,
      "grad_norm": 8.5,
      "learning_rate": 8e-05,
      "loss": 0.9268,
      "step": 5390
    },
    {
      "epoch": 1.8,
      "grad_norm": 7.4375,
      "learning_rate": 8e-05,
      "loss": 0.6563,
      "step": 5400
    },
    {
      "epoch": 1.8033333333333332,
      "grad_norm": 7.9375,
      "learning_rate": 8e-05,
      "loss": 1.0088,
      "step": 5410
    },
    {
      "epoch": 1.8066666666666666,
      "grad_norm": 8.75,
      "learning_rate": 8e-05,
      "loss": 1.0201,
      "step": 5420
    },
    {
      "epoch": 1.81,
      "grad_norm": 6.34375,
      "learning_rate": 8e-05,
      "loss": 0.8984,
      "step": 5430
    },
    {
      "epoch": 1.8133333333333335,
      "grad_norm": 18.125,
      "learning_rate": 8e-05,
      "loss": 1.0949,
      "step": 5440
    },
    {
      "epoch": 1.8166666666666667,
      "grad_norm": 9.375,
      "learning_rate": 8e-05,
      "loss": 0.702,
      "step": 5450
    },
    {
      "epoch": 1.8199999999999998,
      "grad_norm": 8.8125,
      "learning_rate": 8e-05,
      "loss": 1.009,
      "step": 5460
    },
    {
      "epoch": 1.8233333333333333,
      "grad_norm": 9.9375,
      "learning_rate": 8e-05,
      "loss": 0.7565,
      "step": 5470
    },
    {
      "epoch": 1.8266666666666667,
      "grad_norm": 3.859375,
      "learning_rate": 8e-05,
      "loss": 0.8057,
      "step": 5480
    },
    {
      "epoch": 1.83,
      "grad_norm": 14.0,
      "learning_rate": 8e-05,
      "loss": 0.7567,
      "step": 5490
    },
    {
      "epoch": 1.8333333333333335,
      "grad_norm": 7.78125,
      "learning_rate": 8e-05,
      "loss": 0.9078,
      "step": 5500
    },
    {
      "epoch": 1.8333333333333335,
      "eval_loss": 1.4543490409851074,
      "eval_runtime": 1.4799,
      "eval_samples_per_second": 67.571,
      "eval_steps_per_second": 67.571,
      "step": 5500
    }
  ],
  "logging_steps": 10,
  "max_steps": 6000,
  "num_input_tokens_seen": 0,
  "num_train_epochs": 2,
  "save_steps": 250,
  "stateful_callbacks": {
    "TrainerControl": {
      "args": {
        "should_epoch_stop": false,
        "should_evaluate": false,
        "should_log": false,
        "should_save": true,
        "should_training_stop": false
      },
      "attributes": {}
    }
  },
  "total_flos": 1790774192996352.0,
  "train_batch_size": 1,
  "trial_name": null,
  "trial_params": null
}