aixk commited on
Commit
bb69d94
·
1 Parent(s): e248f28

FastPlus125m Geodesic Backup checkpoint-1000 at global step 1000

Browse files
checkpoint-1000/config.json ADDED
@@ -0,0 +1,19 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "architectures": [
3
+ "FastPlus125mForCausalLM"
4
+ ],
5
+ "dtype": "float32",
6
+ "hidden_size": 768,
7
+ "initializer_range": 0.02,
8
+ "intermediate_size": 2048,
9
+ "kd_alpha": 0.4,
10
+ "kd_temperature": 2.5,
11
+ "max_position_embeddings": 512,
12
+ "model_type": "fastplus_125m",
13
+ "num_attention_heads": 12,
14
+ "num_hidden_layers": 16,
15
+ "tie_word_embeddings": false,
16
+ "transformers_version": "5.12.0",
17
+ "use_cache": false,
18
+ "vocab_size": 32704
19
+ }
checkpoint-1000/generation_config.json ADDED
@@ -0,0 +1,6 @@
 
 
 
 
 
 
 
1
+ {
2
+ "_from_model_config": true,
3
+ "output_attentions": false,
4
+ "output_hidden_states": false,
5
+ "transformers_version": "5.12.0"
6
+ }
checkpoint-1000/tokenizer.json ADDED
The diff for this file is too large to render. See raw diff
 
checkpoint-1000/tokenizer_config.json ADDED
@@ -0,0 +1,15 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "backend": "tokenizers",
3
+ "bos_token": "<s>",
4
+ "eos_token": "</s>",
5
+ "extra_special_tokens": [
6
+ "<|user|>",
7
+ "<|assistant|>"
8
+ ],
9
+ "is_local": false,
10
+ "local_files_only": false,
11
+ "model_max_length": 1000000000000000019884624838656,
12
+ "pad_token": "<pad>",
13
+ "tokenizer_class": "TokenizersBackend",
14
+ "unk_token": "<unk>"
15
+ }
checkpoint-1000/trainer_state.json ADDED
@@ -0,0 +1,834 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "best_global_step": null,
3
+ "best_metric": null,
4
+ "best_model_checkpoint": null,
5
+ "epoch": 0.016118957909371158,
6
+ "eval_steps": 500,
7
+ "global_step": 1000,
8
+ "is_hyper_param_search": false,
9
+ "is_local_process_zero": true,
10
+ "is_world_process_zero": true,
11
+ "log_history": [
12
+ {
13
+ "epoch": 0.0001611895790937116,
14
+ "grad_norm": Infinity,
15
+ "learning_rate": 1.7000000000000001e-07,
16
+ "lorentz_dist_loss": 1.1774,
17
+ "loss": 14.170442199707031,
18
+ "step": 10
19
+ },
20
+ {
21
+ "epoch": 0.0003223791581874232,
22
+ "grad_norm": 11644.1904296875,
23
+ "learning_rate": 6.800000000000001e-07,
24
+ "lorentz_dist_loss": 1.1762,
25
+ "loss": 14.155226135253907,
26
+ "step": 20
27
+ },
28
+ {
29
+ "epoch": 0.0004835687372811348,
30
+ "grad_norm": 11821.7451171875,
31
+ "learning_rate": 1.19e-06,
32
+ "lorentz_dist_loss": 1.166,
33
+ "loss": 14.033517456054687,
34
+ "step": 30
35
+ },
36
+ {
37
+ "epoch": 0.0006447583163748464,
38
+ "grad_norm": 10725.34375,
39
+ "learning_rate": 1.7566666666666669e-06,
40
+ "lorentz_dist_loss": 1.1524,
41
+ "loss": 13.870587158203126,
42
+ "step": 40
43
+ },
44
+ {
45
+ "epoch": 0.0008059478954685579,
46
+ "grad_norm": 10575.232421875,
47
+ "learning_rate": 2.3233333333333337e-06,
48
+ "lorentz_dist_loss": 1.1312,
49
+ "loss": 13.616365051269531,
50
+ "step": 50
51
+ },
52
+ {
53
+ "epoch": 0.0009671374745622695,
54
+ "grad_norm": 10407.58984375,
55
+ "learning_rate": 2.8900000000000003e-06,
56
+ "lorentz_dist_loss": 1.1051,
57
+ "loss": 13.303155517578125,
58
+ "step": 60
59
+ },
60
+ {
61
+ "epoch": 0.001128327053655981,
62
+ "grad_norm": 9515.619140625,
63
+ "learning_rate": 3.4566666666666665e-06,
64
+ "lorentz_dist_loss": 1.0727,
65
+ "loss": 12.913534545898438,
66
+ "step": 70
67
+ },
68
+ {
69
+ "epoch": 0.0012895166327496928,
70
+ "grad_norm": 8322.388671875,
71
+ "learning_rate": 4.0233333333333335e-06,
72
+ "lorentz_dist_loss": 1.0396,
73
+ "loss": 12.51680908203125,
74
+ "step": 80
75
+ },
76
+ {
77
+ "epoch": 0.0014507062118434043,
78
+ "grad_norm": 7218.798828125,
79
+ "learning_rate": 4.59e-06,
80
+ "lorentz_dist_loss": 1.0072,
81
+ "loss": 12.128275299072266,
82
+ "step": 90
83
+ },
84
+ {
85
+ "epoch": 0.0016118957909371158,
86
+ "grad_norm": 5936.27294921875,
87
+ "learning_rate": 5.156666666666667e-06,
88
+ "lorentz_dist_loss": 0.9771,
89
+ "loss": 11.766087341308594,
90
+ "step": 100
91
+ },
92
+ {
93
+ "epoch": 0.0017730853700308276,
94
+ "grad_norm": 4860.89990234375,
95
+ "learning_rate": 5.723333333333333e-06,
96
+ "lorentz_dist_loss": 0.9544,
97
+ "loss": 11.49432144165039,
98
+ "step": 110
99
+ },
100
+ {
101
+ "epoch": 0.001934274949124539,
102
+ "grad_norm": 3848.34814453125,
103
+ "learning_rate": 6.29e-06,
104
+ "lorentz_dist_loss": 0.9391,
105
+ "loss": 11.310404205322266,
106
+ "step": 120
107
+ },
108
+ {
109
+ "epoch": 0.002095464528218251,
110
+ "grad_norm": 3314.070068359375,
111
+ "learning_rate": 6.856666666666667e-06,
112
+ "lorentz_dist_loss": 0.9293,
113
+ "loss": 11.192581939697266,
114
+ "step": 130
115
+ },
116
+ {
117
+ "epoch": 0.002256654107311962,
118
+ "grad_norm": 2885.541015625,
119
+ "learning_rate": 7.423333333333334e-06,
120
+ "lorentz_dist_loss": 0.9242,
121
+ "loss": 11.131652069091796,
122
+ "step": 140
123
+ },
124
+ {
125
+ "epoch": 0.002417843686405674,
126
+ "grad_norm": 2752.97021484375,
127
+ "learning_rate": 7.990000000000001e-06,
128
+ "lorentz_dist_loss": 0.9203,
129
+ "loss": 11.085308837890626,
130
+ "step": 150
131
+ },
132
+ {
133
+ "epoch": 0.0025790332654993856,
134
+ "grad_norm": 2966.74853515625,
135
+ "learning_rate": 8.556666666666667e-06,
136
+ "lorentz_dist_loss": 0.9166,
137
+ "loss": 11.040792083740234,
138
+ "step": 160
139
+ },
140
+ {
141
+ "epoch": 0.002740222844593097,
142
+ "grad_norm": 2726.117919921875,
143
+ "learning_rate": 9.123333333333335e-06,
144
+ "lorentz_dist_loss": 0.9137,
145
+ "loss": 11.00632095336914,
146
+ "step": 170
147
+ },
148
+ {
149
+ "epoch": 0.0029014124236868086,
150
+ "grad_norm": 2733.96728515625,
151
+ "learning_rate": 9.69e-06,
152
+ "lorentz_dist_loss": 0.9113,
153
+ "loss": 10.977420043945312,
154
+ "step": 180
155
+ },
156
+ {
157
+ "epoch": 0.0030626020027805204,
158
+ "grad_norm": 2651.473876953125,
159
+ "learning_rate": 1.0256666666666668e-05,
160
+ "lorentz_dist_loss": 0.9076,
161
+ "loss": 10.932640838623048,
162
+ "step": 190
163
+ },
164
+ {
165
+ "epoch": 0.0032237915818742317,
166
+ "grad_norm": 2543.915771484375,
167
+ "learning_rate": 1.0823333333333334e-05,
168
+ "lorentz_dist_loss": 0.9051,
169
+ "loss": 10.90311279296875,
170
+ "step": 200
171
+ },
172
+ {
173
+ "epoch": 0.0033849811609679434,
174
+ "grad_norm": 2337.19921875,
175
+ "learning_rate": 1.1390000000000001e-05,
176
+ "lorentz_dist_loss": 0.9029,
177
+ "loss": 10.87609634399414,
178
+ "step": 210
179
+ },
180
+ {
181
+ "epoch": 0.003546170740061655,
182
+ "grad_norm": 2522.357666015625,
183
+ "learning_rate": 1.1956666666666667e-05,
184
+ "lorentz_dist_loss": 0.9012,
185
+ "loss": 10.855293273925781,
186
+ "step": 220
187
+ },
188
+ {
189
+ "epoch": 0.0037073603191553665,
190
+ "grad_norm": 2252.1298828125,
191
+ "learning_rate": 1.2523333333333336e-05,
192
+ "lorentz_dist_loss": 0.8996,
193
+ "loss": 10.836546325683594,
194
+ "step": 230
195
+ },
196
+ {
197
+ "epoch": 0.003868549898249078,
198
+ "grad_norm": 1921.8360595703125,
199
+ "learning_rate": 1.309e-05,
200
+ "lorentz_dist_loss": 0.8972,
201
+ "loss": 10.808248901367188,
202
+ "step": 240
203
+ },
204
+ {
205
+ "epoch": 0.0040297394773427895,
206
+ "grad_norm": 2205.89794921875,
207
+ "learning_rate": 1.365666666666667e-05,
208
+ "lorentz_dist_loss": 0.8945,
209
+ "loss": 10.774971771240235,
210
+ "step": 250
211
+ },
212
+ {
213
+ "epoch": 0.004190929056436502,
214
+ "grad_norm": 1951.3402099609375,
215
+ "learning_rate": 1.4223333333333335e-05,
216
+ "lorentz_dist_loss": 0.8923,
217
+ "loss": 10.748961639404296,
218
+ "step": 260
219
+ },
220
+ {
221
+ "epoch": 0.004352118635530213,
222
+ "grad_norm": 1976.0369873046875,
223
+ "learning_rate": 1.479e-05,
224
+ "lorentz_dist_loss": 0.891,
225
+ "loss": 10.73399658203125,
226
+ "step": 270
227
+ },
228
+ {
229
+ "epoch": 0.004513308214623924,
230
+ "grad_norm": 1986.1494140625,
231
+ "learning_rate": 1.5356666666666668e-05,
232
+ "lorentz_dist_loss": 0.8896,
233
+ "loss": 10.7161376953125,
234
+ "step": 280
235
+ },
236
+ {
237
+ "epoch": 0.0046744977937176364,
238
+ "grad_norm": 2266.1396484375,
239
+ "learning_rate": 1.5923333333333334e-05,
240
+ "lorentz_dist_loss": 0.8868,
241
+ "loss": 10.683519744873047,
242
+ "step": 290
243
+ },
244
+ {
245
+ "epoch": 0.004835687372811348,
246
+ "grad_norm": 1954.756103515625,
247
+ "learning_rate": 1.6490000000000003e-05,
248
+ "lorentz_dist_loss": 0.8857,
249
+ "loss": 10.669470977783202,
250
+ "step": 300
251
+ },
252
+ {
253
+ "epoch": 0.004996876951905059,
254
+ "grad_norm": 1940.30517578125,
255
+ "learning_rate": 1.705666666666667e-05,
256
+ "lorentz_dist_loss": 0.8848,
257
+ "loss": 10.659544372558594,
258
+ "step": 310
259
+ },
260
+ {
261
+ "epoch": 0.005158066530998771,
262
+ "grad_norm": 1976.4127197265625,
263
+ "learning_rate": 1.7623333333333335e-05,
264
+ "lorentz_dist_loss": 0.8826,
265
+ "loss": 10.632625579833984,
266
+ "step": 320
267
+ },
268
+ {
269
+ "epoch": 0.0053192561100924825,
270
+ "grad_norm": 1840.610107421875,
271
+ "learning_rate": 1.819e-05,
272
+ "lorentz_dist_loss": 0.8801,
273
+ "loss": 10.602033233642578,
274
+ "step": 330
275
+ },
276
+ {
277
+ "epoch": 0.005480445689186194,
278
+ "grad_norm": 1728.57080078125,
279
+ "learning_rate": 1.875666666666667e-05,
280
+ "lorentz_dist_loss": 0.8781,
281
+ "loss": 10.578665924072265,
282
+ "step": 340
283
+ },
284
+ {
285
+ "epoch": 0.005641635268279906,
286
+ "grad_norm": 1930.06396484375,
287
+ "learning_rate": 1.9323333333333335e-05,
288
+ "lorentz_dist_loss": 0.8779,
289
+ "loss": 10.576192474365234,
290
+ "step": 350
291
+ },
292
+ {
293
+ "epoch": 0.005802824847373617,
294
+ "grad_norm": 1823.3944091796875,
295
+ "learning_rate": 1.989e-05,
296
+ "lorentz_dist_loss": 0.8759,
297
+ "loss": 10.552652740478516,
298
+ "step": 360
299
+ },
300
+ {
301
+ "epoch": 0.005964014426467329,
302
+ "grad_norm": 1744.7955322265625,
303
+ "learning_rate": 2.0456666666666667e-05,
304
+ "lorentz_dist_loss": 0.8744,
305
+ "loss": 10.534652709960938,
306
+ "step": 370
307
+ },
308
+ {
309
+ "epoch": 0.006125204005561041,
310
+ "grad_norm": 1688.642822265625,
311
+ "learning_rate": 2.1023333333333333e-05,
312
+ "lorentz_dist_loss": 0.8718,
313
+ "loss": 10.50313720703125,
314
+ "step": 380
315
+ },
316
+ {
317
+ "epoch": 0.006286393584654752,
318
+ "grad_norm": 1514.7152099609375,
319
+ "learning_rate": 2.159e-05,
320
+ "lorentz_dist_loss": 0.8718,
321
+ "loss": 10.503563690185548,
322
+ "step": 390
323
+ },
324
+ {
325
+ "epoch": 0.006447583163748463,
326
+ "grad_norm": 1295.44287109375,
327
+ "learning_rate": 2.2156666666666667e-05,
328
+ "lorentz_dist_loss": 0.8697,
329
+ "loss": 10.478243255615235,
330
+ "step": 400
331
+ },
332
+ {
333
+ "epoch": 0.0066087727428421755,
334
+ "grad_norm": 1421.1474609375,
335
+ "learning_rate": 2.2723333333333333e-05,
336
+ "lorentz_dist_loss": 0.869,
337
+ "loss": 10.469520568847656,
338
+ "step": 410
339
+ },
340
+ {
341
+ "epoch": 0.006769962321935887,
342
+ "grad_norm": 1567.665283203125,
343
+ "learning_rate": 2.3290000000000002e-05,
344
+ "lorentz_dist_loss": 0.869,
345
+ "loss": 10.469043731689453,
346
+ "step": 420
347
+ },
348
+ {
349
+ "epoch": 0.006931151901029598,
350
+ "grad_norm": 1557.412109375,
351
+ "learning_rate": 2.3856666666666668e-05,
352
+ "lorentz_dist_loss": 0.8672,
353
+ "loss": 10.448148345947265,
354
+ "step": 430
355
+ },
356
+ {
357
+ "epoch": 0.00709234148012331,
358
+ "grad_norm": 1410.789794921875,
359
+ "learning_rate": 2.4423333333333334e-05,
360
+ "lorentz_dist_loss": 0.8657,
361
+ "loss": 10.429232788085937,
362
+ "step": 440
363
+ },
364
+ {
365
+ "epoch": 0.007253531059217022,
366
+ "grad_norm": 1325.1748046875,
367
+ "learning_rate": 2.499e-05,
368
+ "lorentz_dist_loss": 0.8648,
369
+ "loss": 10.418812561035157,
370
+ "step": 450
371
+ },
372
+ {
373
+ "epoch": 0.007414720638310733,
374
+ "grad_norm": 1519.82421875,
375
+ "learning_rate": 2.5556666666666672e-05,
376
+ "lorentz_dist_loss": 0.8645,
377
+ "loss": 10.415811920166016,
378
+ "step": 460
379
+ },
380
+ {
381
+ "epoch": 0.007575910217404445,
382
+ "grad_norm": 1237.5809326171875,
383
+ "learning_rate": 2.6123333333333338e-05,
384
+ "lorentz_dist_loss": 0.8615,
385
+ "loss": 10.378885650634766,
386
+ "step": 470
387
+ },
388
+ {
389
+ "epoch": 0.007737099796498156,
390
+ "grad_norm": 1281.034423828125,
391
+ "learning_rate": 2.6690000000000004e-05,
392
+ "lorentz_dist_loss": 0.8607,
393
+ "loss": 10.370066833496093,
394
+ "step": 480
395
+ },
396
+ {
397
+ "epoch": 0.007898289375591868,
398
+ "grad_norm": 1342.318603515625,
399
+ "learning_rate": 2.7256666666666666e-05,
400
+ "lorentz_dist_loss": 0.8604,
401
+ "loss": 10.365609741210937,
402
+ "step": 490
403
+ },
404
+ {
405
+ "epoch": 0.008059478954685579,
406
+ "grad_norm": 1032.6192626953125,
407
+ "learning_rate": 2.7823333333333332e-05,
408
+ "lorentz_dist_loss": 0.8587,
409
+ "loss": 10.346303558349609,
410
+ "step": 500
411
+ },
412
+ {
413
+ "epoch": 0.008220668533779292,
414
+ "grad_norm": 1070.57421875,
415
+ "learning_rate": 2.8390000000000004e-05,
416
+ "lorentz_dist_loss": 0.8581,
417
+ "loss": 10.338904571533202,
418
+ "step": 510
419
+ },
420
+ {
421
+ "epoch": 0.008381858112873003,
422
+ "grad_norm": 1049.3587646484375,
423
+ "learning_rate": 2.895666666666667e-05,
424
+ "lorentz_dist_loss": 0.8561,
425
+ "loss": 10.314006805419922,
426
+ "step": 520
427
+ },
428
+ {
429
+ "epoch": 0.008543047691966715,
430
+ "grad_norm": 899.3391723632812,
431
+ "learning_rate": 2.9523333333333336e-05,
432
+ "lorentz_dist_loss": 0.8544,
433
+ "loss": 10.294047546386718,
434
+ "step": 530
435
+ },
436
+ {
437
+ "epoch": 0.008704237271060426,
438
+ "grad_norm": 1103.1273193359375,
439
+ "learning_rate": 3.009e-05,
440
+ "lorentz_dist_loss": 0.8545,
441
+ "loss": 10.294941711425782,
442
+ "step": 540
443
+ },
444
+ {
445
+ "epoch": 0.008865426850154137,
446
+ "grad_norm": 816.0887451171875,
447
+ "learning_rate": 3.0656666666666674e-05,
448
+ "lorentz_dist_loss": 0.8527,
449
+ "loss": 10.273906707763672,
450
+ "step": 550
451
+ },
452
+ {
453
+ "epoch": 0.009026616429247849,
454
+ "grad_norm": 789.2012939453125,
455
+ "learning_rate": 3.1223333333333336e-05,
456
+ "lorentz_dist_loss": 0.8517,
457
+ "loss": 10.262254333496093,
458
+ "step": 560
459
+ },
460
+ {
461
+ "epoch": 0.009187806008341562,
462
+ "grad_norm": 653.559326171875,
463
+ "learning_rate": 3.179e-05,
464
+ "lorentz_dist_loss": 0.8522,
465
+ "loss": 10.26751251220703,
466
+ "step": 570
467
+ },
468
+ {
469
+ "epoch": 0.009348995587435273,
470
+ "grad_norm": 691.96337890625,
471
+ "learning_rate": 3.235666666666667e-05,
472
+ "lorentz_dist_loss": 0.8496,
473
+ "loss": 10.236648559570312,
474
+ "step": 580
475
+ },
476
+ {
477
+ "epoch": 0.009510185166528984,
478
+ "grad_norm": 613.22802734375,
479
+ "learning_rate": 3.292333333333333e-05,
480
+ "lorentz_dist_loss": 0.8491,
481
+ "loss": 10.229987335205077,
482
+ "step": 590
483
+ },
484
+ {
485
+ "epoch": 0.009671374745622695,
486
+ "grad_norm": 667.1336669921875,
487
+ "learning_rate": 3.3490000000000006e-05,
488
+ "lorentz_dist_loss": 0.8489,
489
+ "loss": 10.228546142578125,
490
+ "step": 600
491
+ },
492
+ {
493
+ "epoch": 0.009832564324716407,
494
+ "grad_norm": 575.3295288085938,
495
+ "learning_rate": 3.405666666666667e-05,
496
+ "lorentz_dist_loss": 0.8474,
497
+ "loss": 10.209774780273438,
498
+ "step": 610
499
+ },
500
+ {
501
+ "epoch": 0.009993753903810118,
502
+ "grad_norm": 566.0633544921875,
503
+ "learning_rate": 3.462333333333334e-05,
504
+ "lorentz_dist_loss": 0.8457,
505
+ "loss": 10.190084075927734,
506
+ "step": 620
507
+ },
508
+ {
509
+ "epoch": 0.010154943482903831,
510
+ "grad_norm": 518.58740234375,
511
+ "learning_rate": 3.519e-05,
512
+ "lorentz_dist_loss": 0.8468,
513
+ "loss": 10.202525329589843,
514
+ "step": 630
515
+ },
516
+ {
517
+ "epoch": 0.010316133061997542,
518
+ "grad_norm": 533.7039184570312,
519
+ "learning_rate": 3.575666666666667e-05,
520
+ "lorentz_dist_loss": 0.8466,
521
+ "loss": 10.199913024902344,
522
+ "step": 640
523
+ },
524
+ {
525
+ "epoch": 0.010477322641091254,
526
+ "grad_norm": 479.345703125,
527
+ "learning_rate": 3.632333333333334e-05,
528
+ "lorentz_dist_loss": 0.8436,
529
+ "loss": 10.164936065673828,
530
+ "step": 650
531
+ },
532
+ {
533
+ "epoch": 0.010638512220184965,
534
+ "grad_norm": 458.440673828125,
535
+ "learning_rate": 3.689e-05,
536
+ "lorentz_dist_loss": 0.8442,
537
+ "loss": 10.171356201171875,
538
+ "step": 660
539
+ },
540
+ {
541
+ "epoch": 0.010799701799278676,
542
+ "grad_norm": 453.0855712890625,
543
+ "learning_rate": 3.745666666666667e-05,
544
+ "lorentz_dist_loss": 0.8435,
545
+ "loss": 10.163714599609374,
546
+ "step": 670
547
+ },
548
+ {
549
+ "epoch": 0.010960891378372388,
550
+ "grad_norm": 463.44342041015625,
551
+ "learning_rate": 3.802333333333334e-05,
552
+ "lorentz_dist_loss": 0.8436,
553
+ "loss": 10.164224243164062,
554
+ "step": 680
555
+ },
556
+ {
557
+ "epoch": 0.0111220809574661,
558
+ "grad_norm": 511.4906921386719,
559
+ "learning_rate": 3.859e-05,
560
+ "lorentz_dist_loss": 0.8432,
561
+ "loss": 10.159163665771484,
562
+ "step": 690
563
+ },
564
+ {
565
+ "epoch": 0.011283270536559812,
566
+ "grad_norm": 538.5718994140625,
567
+ "learning_rate": 3.915666666666667e-05,
568
+ "lorentz_dist_loss": 0.8419,
569
+ "loss": 10.144430541992188,
570
+ "step": 700
571
+ },
572
+ {
573
+ "epoch": 0.011444460115653523,
574
+ "grad_norm": 465.85638427734375,
575
+ "learning_rate": 3.972333333333333e-05,
576
+ "lorentz_dist_loss": 0.8418,
577
+ "loss": 10.143357086181641,
578
+ "step": 710
579
+ },
580
+ {
581
+ "epoch": 0.011605649694747235,
582
+ "grad_norm": 502.9533996582031,
583
+ "learning_rate": 4.029e-05,
584
+ "lorentz_dist_loss": 0.8396,
585
+ "loss": 10.115806579589844,
586
+ "step": 720
587
+ },
588
+ {
589
+ "epoch": 0.011766839273840946,
590
+ "grad_norm": 527.615478515625,
591
+ "learning_rate": 4.085666666666667e-05,
592
+ "lorentz_dist_loss": 0.8411,
593
+ "loss": 10.134616088867187,
594
+ "step": 730
595
+ },
596
+ {
597
+ "epoch": 0.011928028852934657,
598
+ "grad_norm": 510.4620361328125,
599
+ "learning_rate": 4.1423333333333334e-05,
600
+ "lorentz_dist_loss": 0.8405,
601
+ "loss": 10.126832580566406,
602
+ "step": 740
603
+ },
604
+ {
605
+ "epoch": 0.01208921843202837,
606
+ "grad_norm": 482.1481628417969,
607
+ "learning_rate": 4.199e-05,
608
+ "lorentz_dist_loss": 0.8398,
609
+ "loss": 10.118888092041015,
610
+ "step": 750
611
+ },
612
+ {
613
+ "epoch": 0.012250408011122082,
614
+ "grad_norm": 483.4075927734375,
615
+ "learning_rate": 4.255666666666667e-05,
616
+ "lorentz_dist_loss": 0.8384,
617
+ "loss": 10.102037811279297,
618
+ "step": 760
619
+ },
620
+ {
621
+ "epoch": 0.012411597590215793,
622
+ "grad_norm": 524.883056640625,
623
+ "learning_rate": 4.3123333333333334e-05,
624
+ "lorentz_dist_loss": 0.8388,
625
+ "loss": 10.107166290283203,
626
+ "step": 770
627
+ },
628
+ {
629
+ "epoch": 0.012572787169309504,
630
+ "grad_norm": 475.61236572265625,
631
+ "learning_rate": 4.3690000000000004e-05,
632
+ "lorentz_dist_loss": 0.8374,
633
+ "loss": 10.089569854736329,
634
+ "step": 780
635
+ },
636
+ {
637
+ "epoch": 0.012733976748403215,
638
+ "grad_norm": 520.844970703125,
639
+ "learning_rate": 4.425666666666667e-05,
640
+ "lorentz_dist_loss": 0.8382,
641
+ "loss": 10.099609375,
642
+ "step": 790
643
+ },
644
+ {
645
+ "epoch": 0.012895166327496927,
646
+ "grad_norm": 602.2792358398438,
647
+ "learning_rate": 4.4823333333333335e-05,
648
+ "lorentz_dist_loss": 0.838,
649
+ "loss": 10.097400665283203,
650
+ "step": 800
651
+ },
652
+ {
653
+ "epoch": 0.01305635590659064,
654
+ "grad_norm": 441.967529296875,
655
+ "learning_rate": 4.5390000000000004e-05,
656
+ "lorentz_dist_loss": 0.8367,
657
+ "loss": 10.081182098388672,
658
+ "step": 810
659
+ },
660
+ {
661
+ "epoch": 0.013217545485684351,
662
+ "grad_norm": 448.0221252441406,
663
+ "learning_rate": 4.5956666666666667e-05,
664
+ "lorentz_dist_loss": 0.8383,
665
+ "loss": 10.100080871582032,
666
+ "step": 820
667
+ },
668
+ {
669
+ "epoch": 0.013378735064778062,
670
+ "grad_norm": 543.4454345703125,
671
+ "learning_rate": 4.6523333333333336e-05,
672
+ "lorentz_dist_loss": 0.8367,
673
+ "loss": 10.081255340576172,
674
+ "step": 830
675
+ },
676
+ {
677
+ "epoch": 0.013539924643871774,
678
+ "grad_norm": 482.30706787109375,
679
+ "learning_rate": 4.7090000000000005e-05,
680
+ "lorentz_dist_loss": 0.8359,
681
+ "loss": 10.071501922607421,
682
+ "step": 840
683
+ },
684
+ {
685
+ "epoch": 0.013701114222965485,
686
+ "grad_norm": 505.6029052734375,
687
+ "learning_rate": 4.765666666666667e-05,
688
+ "lorentz_dist_loss": 0.8347,
689
+ "loss": 10.057789611816407,
690
+ "step": 850
691
+ },
692
+ {
693
+ "epoch": 0.013862303802059196,
694
+ "grad_norm": 483.9949951171875,
695
+ "learning_rate": 4.8223333333333336e-05,
696
+ "lorentz_dist_loss": 0.8344,
697
+ "loss": 10.05423812866211,
698
+ "step": 860
699
+ },
700
+ {
701
+ "epoch": 0.01402349338115291,
702
+ "grad_norm": 513.040771484375,
703
+ "learning_rate": 4.879e-05,
704
+ "lorentz_dist_loss": 0.8342,
705
+ "loss": 10.05126495361328,
706
+ "step": 870
707
+ },
708
+ {
709
+ "epoch": 0.01418468296024662,
710
+ "grad_norm": 511.6054382324219,
711
+ "learning_rate": 4.935666666666667e-05,
712
+ "lorentz_dist_loss": 0.8345,
713
+ "loss": 10.05462646484375,
714
+ "step": 880
715
+ },
716
+ {
717
+ "epoch": 0.014345872539340332,
718
+ "grad_norm": 441.66339111328125,
719
+ "learning_rate": 4.992333333333334e-05,
720
+ "lorentz_dist_loss": 0.8331,
721
+ "loss": 10.038479614257813,
722
+ "step": 890
723
+ },
724
+ {
725
+ "epoch": 0.014507062118434043,
726
+ "grad_norm": 517.2638549804688,
727
+ "learning_rate": 5.049e-05,
728
+ "lorentz_dist_loss": 0.8318,
729
+ "loss": 10.022047424316407,
730
+ "step": 900
731
+ },
732
+ {
733
+ "epoch": 0.014668251697527755,
734
+ "grad_norm": 484.39080810546875,
735
+ "learning_rate": 5.105666666666667e-05,
736
+ "lorentz_dist_loss": 0.8332,
737
+ "loss": 10.039347076416016,
738
+ "step": 910
739
+ },
740
+ {
741
+ "epoch": 0.014829441276621466,
742
+ "grad_norm": 452.8804016113281,
743
+ "learning_rate": 5.162333333333333e-05,
744
+ "lorentz_dist_loss": 0.832,
745
+ "loss": 10.025006103515626,
746
+ "step": 920
747
+ },
748
+ {
749
+ "epoch": 0.014990630855715179,
750
+ "grad_norm": 454.01776123046875,
751
+ "learning_rate": 5.219e-05,
752
+ "lorentz_dist_loss": 0.8291,
753
+ "loss": 9.98986587524414,
754
+ "step": 930
755
+ },
756
+ {
757
+ "epoch": 0.01515182043480889,
758
+ "grad_norm": 495.3049011230469,
759
+ "learning_rate": 5.2756666666666676e-05,
760
+ "lorentz_dist_loss": 0.8293,
761
+ "loss": 9.992280578613281,
762
+ "step": 940
763
+ },
764
+ {
765
+ "epoch": 0.015313010013902601,
766
+ "grad_norm": 479.06365966796875,
767
+ "learning_rate": 5.332333333333333e-05,
768
+ "lorentz_dist_loss": 0.8306,
769
+ "loss": 10.008704376220702,
770
+ "step": 950
771
+ },
772
+ {
773
+ "epoch": 0.015474199592996313,
774
+ "grad_norm": 435.234375,
775
+ "learning_rate": 5.389000000000001e-05,
776
+ "lorentz_dist_loss": 0.8303,
777
+ "loss": 10.004000854492187,
778
+ "step": 960
779
+ },
780
+ {
781
+ "epoch": 0.015635389172090026,
782
+ "grad_norm": 391.1128234863281,
783
+ "learning_rate": 5.445666666666668e-05,
784
+ "lorentz_dist_loss": 0.8302,
785
+ "loss": 10.003079986572265,
786
+ "step": 970
787
+ },
788
+ {
789
+ "epoch": 0.015796578751183735,
790
+ "grad_norm": 434.96502685546875,
791
+ "learning_rate": 5.502333333333334e-05,
792
+ "lorentz_dist_loss": 0.8278,
793
+ "loss": 9.974259185791016,
794
+ "step": 980
795
+ },
796
+ {
797
+ "epoch": 0.01595776833027745,
798
+ "grad_norm": 370.57757568359375,
799
+ "learning_rate": 5.559000000000001e-05,
800
+ "lorentz_dist_loss": 0.8268,
801
+ "loss": 9.96210174560547,
802
+ "step": 990
803
+ },
804
+ {
805
+ "epoch": 0.016118957909371158,
806
+ "grad_norm": 516.6535034179688,
807
+ "learning_rate": 5.6156666666666664e-05,
808
+ "lorentz_dist_loss": 0.8276,
809
+ "loss": 9.97235565185547,
810
+ "step": 1000
811
+ }
812
+ ],
813
+ "logging_steps": 10,
814
+ "max_steps": 62039,
815
+ "num_input_tokens_seen": 0,
816
+ "num_train_epochs": 1,
817
+ "save_steps": 200,
818
+ "stateful_callbacks": {
819
+ "TrainerControl": {
820
+ "args": {
821
+ "should_epoch_stop": false,
822
+ "should_evaluate": false,
823
+ "should_log": false,
824
+ "should_save": true,
825
+ "should_training_stop": false
826
+ },
827
+ "attributes": {}
828
+ }
829
+ },
830
+ "total_flos": 1.863817730601984e+16,
831
+ "train_batch_size": 12,
832
+ "trial_name": null,
833
+ "trial_params": null
834
+ }