nohup: ignoring input Loading tokenizer from Qwen/Qwen3-1.7B Warning: You are sending unauthenticated requests to the HF Hub. Please set a HF_TOKEN to enable higher rate limits and faster downloads. Loading multilingual SFT dataset from /scratch/nico/data/multilingual_v2_ci/sft_train.jsonl Generating train split: 0 examples [00:00, ? examples/s] Generating train split: 14866 examples [00:00, 91805.32 examples/s] Generating train split: 29663 examples [00:00, 86725.61 examples/s] Generating train split: 44688 examples [00:00, 86618.75 examples/s] Generating train split: 59498 examples [00:00, 87311.12 examples/s] Generating train split: 74414 examples [00:00, 83028.84 examples/s] Generating train split: 89455 examples [00:01, 80582.97 examples/s] Generating train split: 93371 examples [00:01, 77753.12 examples/s] Full dataset size: 93371 Formatting examples with Qwen chat template... Map: 0%| | 0/93371 [00:00 4096 tokens... Filter: 0%| | 0/93371 [00:00 4096 tokens... Removed 0 examples exceeding 4096 tokens Final training set: 93371 examples Loading model: Qwen/Qwen3-1.7B Warning: You are sending unauthenticated requests to the HF Hub. Please set a HF_TOKEN to enable higher rate limits and faster downloads. Loading weights: 0%| | 0/311 [00:00 4096 tokens... 0%| | 0/1101 [00:00 4096 tokens... Removed 0 examples exceeding 4096 tokens Final training set: 93371 examples Loading model: Qwen/Qwen3-1.7B 67%|██████████████████████████ | 735/1101 [00:12<00:06, 59.30it/s]Warning: You are sending unauthenticated requests to the HF Hub. Please set a HF_TOKEN to enable higher rate limits and faster downloads. Loading weights: 0%| | 0/311 [00:00 main() File "/scratch/nico/training/sft_multilingual_impl.py", line 150, in main trainer.train(resume_from_checkpoint=args.resume_from_checkpoint) File "/usr/local/lib/python3.12/dist-packages/transformers/trainer.py", line 1427, in train return inner_training_loop( ^^^^^^^^^^^^^^^^^^^^ File "/usr/local/lib/python3.12/dist-packages/transformers/trainer.py", line 1509, in _inner_training_loop self._run_epoch( File "/usr/local/lib/python3.12/dist-packages/transformers/trainer.py", line 1737, in _run_epoch tr_loss_step = self.training_step(model, inputs, num_items_in_batch) ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ File "/usr/local/lib/python3.12/dist-packages/trl/trainer/sft_trainer.py", line 1395, in training_step return super().training_step(*args, **kwargs) ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ File "/usr/local/lib/python3.12/dist-packages/transformers/trainer.py", line 1909, in training_step loss = self.compute_loss(model, inputs, num_items_in_batch=num_items_in_batch) ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ File "/usr/local/lib/python3.12/dist-packages/trl/trainer/sft_trainer.py", line 1283, in compute_loss (loss, outputs) = super().compute_loss( ^^^^^^^^^^^^^^^^^^^^^ File "/usr/local/lib/python3.12/dist-packages/transformers/trainer.py", line 1981, in compute_loss outputs = model(**inputs) ^^^^^^^^^^^^^^^ File "/usr/local/lib/python3.12/dist-packages/torch/nn/modules/module.py", line 1776, in _wrapped_call_impl return self._call_impl(*args, **kwargs) ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ File "/usr/local/lib/python3.12/dist-packages/torch/nn/modules/module.py", line 1787, in _call_impl return forward_call(*args, **kwargs) ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ File "/usr/local/lib/python3.12/dist-packages/accelerate/utils/operations.py", line 823, in forward return model_forward(*args, **kwargs) ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ File "/usr/local/lib/python3.12/dist-packages/accelerate/utils/operations.py", line 811, in __call__ return convert_to_fp32(self.model_forward(*args, **kwargs)) ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ File "/usr/local/lib/python3.12/dist-packages/torch/amp/autocast_mode.py", line 44, in decorate_autocast return func(*args, **kwargs) ^^^^^^^^^^^^^^^^^^^^^ File "/usr/local/lib/python3.12/dist-packages/transformers/utils/generic.py", line 900, in wrapper output = func(self, *args, **kwargs) ^^^^^^^^^^^^^^^^^^^^^^^^^^^ File "/usr/local/lib/python3.12/dist-packages/transformers/models/qwen3/modeling_qwen3.py", line 509, in forward loss = self.loss_function(logits=logits, labels=labels, vocab_size=self.config.vocab_size, **kwargs) ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ File "/usr/local/lib/python3.12/dist-packages/transformers/loss/loss_utils.py", line 56, in ForCausalLMLoss logits = logits.float() ^^^^^^^^^^^^^^ torch.OutOfMemoryError: CUDA out of memory. Tried to allocate 2.31 GiB. GPU 0 has a total capacity of 39.49 GiB of which 1.39 GiB is free. Process 984 has 25.86 GiB memory in use. Including non-PyTorch memory, this process has 11.82 GiB memory in use. Process 1450 has 416.00 MiB memory in use. Of the allocated memory 11.30 GiB is allocated by PyTorch, and 29.39 MiB is reserved by PyTorch but unallocated. If reserved but unallocated memory is large try setting PYTORCH_ALLOC_CONF=expandable_segments:True to avoid fragmentation. See documentation for Memory Management (https://pytorch.org/docs/stable/notes/cuda.html#environment-variables) 0%| | 0/1101 [00:01 main() File "/scratch/nico/training/sft_multilingual_impl.py", line 142, in main trainer = SFTTrainer( ^^^^^^^^^^^ File "/usr/local/lib/python3.12/dist-packages/trl/trainer/sft_trainer.py", line 990, in __init__ super().__init__( File "/usr/local/lib/python3.12/dist-packages/transformers/trainer.py", line 480, in __init__ self._move_model_to_device(model, args.device) File "/usr/local/lib/python3.12/dist-packages/transformers/trainer.py", line 4415, in _move_model_to_device model = model.to(device) ^^^^^^^^^^^^^^^^ File "/usr/local/lib/python3.12/dist-packages/transformers/modeling_utils.py", line 3650, in to return super().to(*args, **kwargs) ^^^^^^^^^^^^^^^^^^^^^^^^^^^ File "/usr/local/lib/python3.12/dist-packages/torch/nn/modules/module.py", line 1381, in to return self._apply(convert) ^^^^^^^^^^^^^^^^^^^^ File "/usr/local/lib/python3.12/dist-packages/torch/nn/modules/module.py", line 933, in _apply module._apply(fn) File "/usr/local/lib/python3.12/dist-packages/torch/nn/modules/module.py", line 933, in _apply module._apply(fn) File "/usr/local/lib/python3.12/dist-packages/torch/nn/modules/module.py", line 933, in _apply module._apply(fn) [Previous line repeated 2 more times] File "/usr/local/lib/python3.12/dist-packages/torch/nn/modules/module.py", line 964, in _apply param_applied = fn(param) ^^^^^^^^^ File "/usr/local/lib/python3.12/dist-packages/torch/nn/modules/module.py", line 1367, in convert return t.to( ^^^^^ torch.OutOfMemoryError: CUDA out of memory. Tried to allocate 24.00 MiB. GPU 0 has a total capacity of 39.49 GiB of which 4.38 MiB is free. Process 984 has 25.86 GiB memory in use. Process 1317 has 11.82 GiB memory in use. Including non-PyTorch memory, this process has 1.79 GiB memory in use. Of the allocated memory 1.38 GiB is allocated by PyTorch, and 5.93 MiB is reserved by PyTorch but unallocated. If reserved but unallocated memory is large try setting PYTORCH_ALLOC_CONF=expandable_segments:True to avoid fragmentation. See documentation for Memory Management (https://pytorch.org/docs/stable/notes/cuda.html#environment-variables) 67%|██████████████████████████ | 735/1101 [00:24<00:06, 59.30it/s] 67%|██████████████████████████ | 736/1101 [00:24<00:14, 24.52it/s] 67%|██████████████████████████ | 737/1101 [00:36<00:27, 13.44it/s] 67%|██████████████████████████▏ | 738/1101 [00:48<00:43, 8.27it/s] 67%|██████████████████████████▏ | 739/1101 [01:00<01:08, 5.32it/s] 67%|██████████████████████████▏ | 740/1101 [01:12<01:41, 3.56it/s] {'loss': '1.226', 'grad_norm': '0.9922', 'learning_rate': '8.446e-06', 'entropy': '1.228', 'num_tokens': '3.926e+05', 'mean_token_accuracy': '0.7088', 'epoch': '2.016'} 67%|██████████████████████████▏ | 740/1101 [01:12<01:41, 3.56it/s] 67%|██████████████████████████▏ | 741/1101 [01:25<02:28, 2.42it/s] 67%|██████████████████████████▎ | 742/1101 [01:37<03:33, 1.68it/s] 67%|██████████████████████████▎ | 743/1101 [01:48<05:02, 1.19it/s] 68%|██████████████████████████▎ | 744/1101 [02:00<06:59, 1.18s/it] 68%|██████████████████████████▍ | 745/1101 [02:12<09:37, 1.62s/it] 68%|██████████████████████████▍ | 746/1101 [02:24<13:07, 2.22s/it] 68%|██████████████████████████▍ | 747/1101 [02:36<17:20, 2.94s/it] 68%|██████████████████████████▍ | 748/1101 [02:48<22:18, 3.79s/it] 68%|██████████████████████████▌ | 749/1101 [03:00<27:57, 4.76s/it] 68%|██████████████████████████▌ | 750/1101 [03:12<33:59, 5.81s/it] {'loss': '1.205', 'grad_norm': '1', 'learning_rate': '8.56e-06', 'entropy': '1.204', 'num_tokens': '1.044e+06', 'mean_token_accuracy': '0.7126', 'epoch': '2.044'} 68%|██████████████████████████▌ | 750/1101 [03:12<33:59, 5.81s/it] 68%|██████████████████████████▌ | 751/1101 [03:24<40:16, 6.90s/it] 68%|██████████████████████████▋ | 752/1101 [03:36<45:58, 7.90s/it] 68%|██████████████████████████▋ | 753/1101 [03:48<51:04, 8.81s/it] 68%|██████████████████████████▋ | 754/1101 [04:00<55:18, 9.56s/it] 69%|██████████████████████████▋ | 755/1101 [04:12<59:00, 10.23s/it] 69%|█████████████████████████▍ | 756/1101 [04:24<1:01:32, 10.70s/it] 69%|█████████████████████████▍ | 757/1101 [04:36<1:03:17, 11.04s/it] 69%|█████████████████████████▍ | 758/1101 [04:48<1:04:52, 11.35s/it] 69%|█████████████████████████▌ | 759/1101 [05:00<1:05:40, 11.52s/it] 69%|█████████████████████████▌ | 760/1101 [05:12<1:06:34, 11.71s/it] {'loss': '1.183', 'grad_norm': '1.031', 'learning_rate': '8.674e-06', 'entropy': '1.181', 'num_tokens': '1.697e+06', 'mean_token_accuracy': '0.7156', 'epoch': '2.071'} 69%|█████████████████████████▌ | 760/1101 [05:12<1:06:34, 11.71s/it] 69%|█████████████████████████▌ | 761/1101 [05:24<1:06:16, 11.70s/it] 69%|█████████████████████████▌ | 762/1101 [05:36<1:06:49, 11.83s/it] 69%|█████████████████████████▋ | 763/1101 [05:46<1:04:25, 11.44s/it] 69%|█████████████████████████▋ | 764/1101 [05:58<1:05:04, 11.59s/it] 69%|█████████████████████████▋ | 765/1101 [06:11<1:05:50, 11.76s/it] 70%|█████████████████████████▋ | 766/1101 [06:22<1:05:49, 11.79s/it] 70%|█████████████████████████▊ | 767/1101 [06:35<1:06:15, 11.90s/it] 70%|█████████████████████████▊ | 768/1101 [06:47<1:06:07, 11.92s/it] 70%|█████████████████████████▊ | 769/1101 [06:59<1:06:25, 12.00s/it] 70%|█████████████████████████▉ | 770/1101 [07:11<1:06:09, 11.99s/it] {'loss': '1.237', 'grad_norm': '1.062', 'learning_rate': '8.789e-06', 'entropy': '1.231', 'num_tokens': '2.342e+06', 'mean_token_accuracy': '0.7089', 'epoch': '2.098'} 70%|█████████████████████████▉ | 770/1101 [07:11<1:06:09, 11.99s/it] 70%|█████████████████████████▉ | 771/1101 [07:23<1:06:26, 12.08s/it] 70%|█████████████████████████▉ | 772/1101 [07:35<1:06:00, 12.04s/it] 70%|█████████████████████████▉ | 773/1101 [07:47<1:05:42, 12.02s/it] 70%|██████████████████████████ | 774/1101 [07:59<1:05:51, 12.08s/it] 70%|██████████████████████████ | 775/1101 [08:11<1:04:57, 11.96s/it] 70%|██████████████████████████ | 776/1101 [08:23<1:05:05, 12.02s/it] 71%|██████████████████████████ | 777/1101 [08:35<1:04:48, 12.00s/it] 71%|██████████████████████████▏ | 778/1101 [08:47<1:04:46, 12.03s/it] 71%|██████████████████████████▏ | 779/1101 [08:59<1:04:22, 12.00s/it] 71%|██████████████████████████▏ | 780/1101 [09:11<1:04:02, 11.97s/it] {'loss': '1.237', 'grad_norm': '1.094', 'learning_rate': '8.903e-06', 'entropy': '1.235', 'num_tokens': '2.995e+06', 'mean_token_accuracy': '0.7084', 'epoch': '2.125'} 71%|██████████████████████████▏ | 780/1101 [09:11<1:04:02, 11.97s/it] 71%|██████████████████████████▏ | 781/1101 [09:23<1:04:10, 12.03s/it] 71%|██████████████████████████▎ | 782/1101 [09:34<1:03:00, 11.85s/it] 71%|██████████████████████████▎ | 783/1101 [09:47<1:03:16, 11.94s/it] 71%|██████████████████████████▎ | 784/1101 [09:58<1:02:55, 11.91s/it] 71%|██████████████████████████▍ | 785/1101 [10:11<1:03:07, 11.98s/it] 71%|██████████████████████████▍ | 786/1101 [10:23<1:02:52, 11.98s/it] 71%|██████████████████████████▍ | 787/1101 [10:35<1:02:36, 11.96s/it] 72%|██████████████████████████▍ | 788/1101 [10:47<1:02:32, 11.99s/it] 72%|██████████████████████████▌ | 789/1101 [10:58<1:02:13, 11.97s/it] 72%|██████████████████████████▌ | 790/1101 [11:11<1:02:31, 12.06s/it] {'loss': '1.217', 'grad_norm': '0.9844', 'learning_rate': '9.017e-06', 'entropy': '1.214', 'num_tokens': '3.646e+06', 'mean_token_accuracy': '0.7117', 'epoch': '2.153'} 72%|██████████████████████████▌ | 790/1101 [11:11<1:02:31, 12.06s/it] 72%|██████████████████████████▌ | 791/1101 [11:23<1:02:06, 12.02s/it] 72%|██████████████████████████▌ | 792/1101 [11:35<1:02:11, 12.07s/it] 72%|██████████████████████████▋ | 793/1101 [11:47<1:01:43, 12.02s/it] 72%|██████████████████████████▋ | 794/1101 [11:59<1:01:26, 12.01s/it] 72%|██████████████████████████▋ | 795/1101 [12:11<1:00:55, 11.95s/it] 72%|██████████████████████████▊ | 796/1101 [12:22<1:00:00, 11.81s/it] 72%|██████████████████████████▊ | 797/1101 [12:34<1:00:25, 11.92s/it] 72%|██████████████████████████▊ | 798/1101 [12:46<1:00:18, 11.94s/it] 73%|██████████████████████████▊ | 799/1101 [12:58<1:00:31, 12.02s/it] 73%|██████████████████████████▉ | 800/1101 [13:10<1:00:00, 11.96s/it] {'loss': '1.229', 'grad_norm': '1.25', 'learning_rate': '9.131e-06', 'entropy': '1.23', 'num_tokens': '4.296e+06', 'mean_token_accuracy': '0.7098', 'epoch': '2.18'} 73%|██████████████████████████▉ | 800/1101 [13:10<1:00:00, 11.96s/it] 73%|████████████████████████████▎ | 801/1101 [13:22<59:41, 11.94s/it] 73%|████████████████████████████▍ | 802/1101 [13:34<59:33, 11.95s/it] 73%|████████████████████████████▍ | 803/1101 [13:46<58:41, 11.82s/it] 73%|████████████████████████████▍ | 804/1101 [13:58<58:59, 11.92s/it] 73%|████████████████████████████▌ | 805/1101 [14:10<58:48, 11.92s/it] 73%|████████████████████████████▌ | 806/1101 [14:22<58:59, 12.00s/it] 73%|████████████████████████████▌ | 807/1101 [14:34<58:43, 11.99s/it] 73%|████████████████████████████▌ | 808/1101 [14:46<58:57, 12.07s/it] 73%|████████████████████████████▋ | 809/1101 [14:57<57:42, 11.86s/it] 74%|████████████████████████████▋ | 810/1101 [15:09<57:36, 11.88s/it] {'loss': '1.21', 'grad_norm': '1.023', 'learning_rate': '9.246e-06', 'entropy': '1.211', 'num_tokens': '4.944e+06', 'mean_token_accuracy': '0.7118', 'epoch': '2.207'} 74%|████████████████████████████▋ | 810/1101 [15:09<57:36, 11.88s/it] 74%|████████████████████████████▋ | 811/1101 [15:22<57:55, 11.98s/it] 74%|████████████████████████████▊ | 812/1101 [15:33<56:41, 11.77s/it] 74%|████████████████████████████▊ | 813/1101 [15:45<57:07, 11.90s/it] 74%|████████████████████████████▊ | 814/1101 [15:57<57:02, 11.93s/it] 74%|████████████████████████████▊ | 815/1101 [16:09<57:07, 11.99s/it] 74%|████████████████████████████▉ | 816/1101 [16:21<56:53, 11.98s/it] 74%|████████████████████████████▉ | 817/1101 [16:33<56:00, 11.83s/it] 74%|████████████████████████████▉ | 818/1101 [16:45<56:15, 11.93s/it] 74%|█████████████████████████████ | 819/1101 [16:57<56:06, 11.94s/it] 74%|█████████████████████████████ | 820/1101 [17:09<56:05, 11.98s/it] {'loss': '1.154', 'grad_norm': '1.008', 'learning_rate': '9.36e-06', 'entropy': '1.152', 'num_tokens': '5.591e+06', 'mean_token_accuracy': '0.7216', 'epoch': '2.234'} 74%|█████████████████████████████ | 820/1101 [17:09<56:05, 11.98s/it] 75%|█████████████████████████████ | 821/1101 [17:21<55:51, 11.97s/it] 75%|█████████████████████████████ | 822/1101 [17:33<55:58, 12.04s/it] 75%|█████████████████████████████▏ | 823/1101 [17:45<55:32, 11.99s/it] 75%|█████████████████████████████▏ | 824/1101 [17:57<55:14, 11.97s/it] 75%|█████████████████████████████▏ | 825/1101 [18:08<54:36, 11.87s/it] 75%|█████████████████████████████▎ | 826/1101 [18:20<54:33, 11.90s/it] 75%|█████████████████████████████▎ | 827/1101 [18:33<54:45, 11.99s/it] 75%|█████████████████████████████▎ | 828/1101 [18:45<54:26, 11.97s/it] 75%|█████████████████████████████▎ | 829/1101 [18:57<54:38, 12.05s/it] 75%|█████████████████████████████▍ | 830/1101 [19:09<54:13, 12.00s/it] {'loss': '1.215', 'grad_norm': '1.055', 'learning_rate': '9.474e-06', 'entropy': '1.207', 'num_tokens': '6.243e+06', 'mean_token_accuracy': '0.714', 'epoch': '2.262'} 75%|█████████████████████████████▍ | 830/1101 [19:09<54:13, 12.00s/it] 75%|█████████████████████████████▍ | 831/1101 [19:21<53:57, 11.99s/it] 76%|█████████████████████████████▍ | 832/1101 [19:33<53:58, 12.04s/it] 76%|█████████████████████████████▌ | 833/1101 [19:45<53:34, 12.00s/it] 76%|█████████████████████████████▌ | 834/1101 [19:56<52:53, 11.89s/it] 76%|█████████████████████████████▌ | 835/1101 [20:07<51:43, 11.67s/it] 76%|█████████████████████████████▌ | 836/1101 [20:20<52:14, 11.83s/it] 76%|█████████████████████████████▋ | 837/1101 [20:32<52:11, 11.86s/it] 76%|█████████████████████████████▋ | 838/1101 [20:44<52:03, 11.88s/it] 76%|█████████████████████████████▋ | 839/1101 [20:55<51:31, 11.80s/it] 76%|█████████████████████████████▊ | 840/1101 [21:07<50:50, 11.69s/it] {'loss': '1.203', 'grad_norm': '0.9922', 'learning_rate': '9.589e-06', 'entropy': '1.205', 'num_tokens': '6.884e+06', 'mean_token_accuracy': '0.713', 'epoch': '2.289'} 76%|█████████████████████████████▊ | 840/1101 [21:07<50:50, 11.69s/it] 76%|█████████████████████████████▊ | 841/1101 [21:19<51:24, 11.86s/it] 76%|█████████████████████████████▊ | 842/1101 [21:31<51:16, 11.88s/it] 77%|█████████████████████████████▊ | 843/1101 [21:43<51:09, 11.90s/it] 77%|█████████████████████████████▉ | 844/1101 [21:55<50:58, 11.90s/it] 77%|█████████████████████████████▉ | 845/1101 [22:07<51:05, 11.98s/it] 77%|█████████████████████████████▉ | 846/1101 [22:18<50:34, 11.90s/it] 77%|██████████████████████████████ | 847/1101 [22:30<50:29, 11.93s/it] 77%|██████████████████████████████ | 848/1101 [22:43<50:31, 11.98s/it] 77%|██████████████████████████████ | 849/1101 [22:54<49:30, 11.79s/it] 77%|██████████████████████████████ | 850/1101 [23:06<49:49, 11.91s/it] {'loss': '1.198', 'grad_norm': '1.016', 'learning_rate': '9.703e-06', 'entropy': '1.198', 'num_tokens': '7.533e+06', 'mean_token_accuracy': '0.7126', 'epoch': '2.316'} 77%|██████████████████████████████ | 850/1101 [23:06<49:49, 11.91s/it] 77%|██████████████████████████████▏ | 851/1101 [23:18<49:43, 11.94s/it] 77%|██████████████████████████████▏ | 852/1101 [23:30<49:52, 12.02s/it] 77%|██████████████████████████████▏ | 853/1101 [23:42<49:34, 11.99s/it] 78%|██████████████████████████████▎ | 854/1101 [23:54<49:17, 11.97s/it] 78%|██████████████████████████████▎ | 855/1101 [24:06<49:18, 12.03s/it] 78%|██████████████████████████████▎ | 856/1101 [24:18<49:02, 12.01s/it] 78%|██████████████████████████████▎ | 857/1101 [24:30<49:05, 12.07s/it] 78%|██████████████████████████████▍ | 858/1101 [24:42<48:43, 12.03s/it] 78%|██████████████████████████████▍ | 859/1101 [24:54<48:00, 11.90s/it] 78%|██████████████████████████████▍ | 860/1101 [25:06<47:33, 11.84s/it] {'loss': '1.228', 'grad_norm': '1.086', 'learning_rate': '9.817e-06', 'entropy': '1.224', 'num_tokens': '8.183e+06', 'mean_token_accuracy': '0.71', 'epoch': '2.343'} 78%|██████████████████████████████▍ | 860/1101 [25:06<47:33, 11.84s/it] 78%|██████████████████████████████▍ | 861/1101 [25:18<47:31, 11.88s/it] 78%|██████████████████████████████▌ | 862/1101 [25:30<47:36, 11.95s/it] 78%|██████████████████████████████▌ | 863/1101 [25:41<46:58, 11.84s/it] 78%|██████████████████████████████▌ | 864/1101 [25:53<46:30, 11.77s/it] 79%|██████████████████████████████▋ | 865/1101 [26:05<45:58, 11.69s/it] 79%|██████████████████████████████▋ | 866/1101 [26:17<46:21, 11.83s/it] 79%|██████████████████████████████▋ | 867/1101 [26:29<46:19, 11.88s/it] 79%|██████████████████████████████▋ | 868/1101 [26:41<46:12, 11.90s/it] 79%|██████████████████████████████▊ | 869/1101 [26:53<46:15, 11.96s/it] 79%|██████████████████████████████▊ | 870/1101 [27:05<45:59, 11.95s/it] {'loss': '1.222', 'grad_norm': '1.102', 'learning_rate': '9.931e-06', 'entropy': '1.218', 'num_tokens': '8.83e+06', 'mean_token_accuracy': '0.7119', 'epoch': '2.371'} 79%|██████████████████████████████▊ | 870/1101 [27:05<45:59, 11.95s/it] 79%|██████████████████████████████▊ | 871/1101 [27:17<46:03, 12.01s/it] 79%|██████████████████████████████▉ | 872/1101 [27:29<45:41, 11.97s/it] 79%|██████████████████████████████▉ | 873/1101 [27:40<44:37, 11.75s/it] 79%|██████████████████████████████▉ | 874/1101 [27:52<44:35, 11.78s/it] 79%|██████████████████████████████▉ | 875/1101 [28:04<44:32, 11.82s/it] 80%|███████████████████████████████ | 876/1101 [28:16<44:43, 11.93s/it] 80%|███████████████████████████████ | 877/1101 [28:27<43:51, 11.75s/it] 80%|███████████████████████████████ | 878/1101 [28:39<43:50, 11.80s/it] 80%|███████████████████████████████▏ | 879/1101 [28:51<43:47, 11.84s/it] 80%|███████████████████████████████▏ | 880/1101 [29:03<43:59, 11.94s/it] {'loss': '1.194', 'grad_norm': '1.055', 'learning_rate': '1.005e-05', 'entropy': '1.196', 'num_tokens': '9.475e+06', 'mean_token_accuracy': '0.7176', 'epoch': '2.398'} 80%|███████████████████████████████▏ | 880/1101 [29:03<43:59, 11.94s/it] 80%|███████████████████████████████▏ | 881/1101 [29:15<43:46, 11.94s/it] 80%|███████████████████████████████▏ | 882/1101 [29:27<43:53, 12.03s/it] 80%|███████████████████████████████▎ | 883/1101 [29:39<43:16, 11.91s/it] 80%|███████████████████████████████▎ | 884/1101 [29:51<43:05, 11.91s/it] 80%|███████████████████████████████▎ | 885/1101 [30:03<43:16, 12.02s/it] 80%|███████████████████████████████▍ | 886/1101 [30:15<42:55, 11.98s/it] 81%|███████████████████████████████▍ | 887/1101 [30:27<42:56, 12.04s/it] 81%|███████████████████████████████▍ | 888/1101 [30:39<42:36, 12.00s/it] 81%|███████████████████████████████▍ | 889/1101 [30:51<42:04, 11.91s/it] 81%|███████████████████████████████▌ | 890/1101 [31:03<41:59, 11.94s/it] {'loss': '1.219', 'grad_norm': '1.047', 'learning_rate': '1.016e-05', 'entropy': '1.218', 'num_tokens': '1.013e+07', 'mean_token_accuracy': '0.7131', 'epoch': '2.425'} 81%|███████████████████████████████▌ | 890/1101 [31:03<41:59, 11.94s/it] 81%|███████████████████████████████▌ | 891/1101 [31:15<41:47, 11.94s/it] 81%|███████████████████████████████▌ | 892/1101 [31:27<41:47, 12.00s/it] 81%|███████████████████████████████▋ | 893/1101 [31:38<41:05, 11.86s/it] 81%|███████████████████████████████▋ | 894/1101 [31:51<41:12, 11.94s/it] 81%|███████████████████████████████▋ | 895/1101 [32:03<41:03, 11.96s/it] 81%|███████████████████████████████▋ | 896/1101 [32:15<41:06, 12.03s/it] 81%|███████████████████████████████▊ | 897/1101 [32:27<40:50, 12.01s/it] 82%|███████████████████████████████▊ | 898/1101 [32:39<40:33, 11.99s/it] 82%|███████████████████████████████▊ | 899/1101 [32:50<40:00, 11.88s/it] 82%|███████████████████████████████▉ | 900/1101 [33:02<39:52, 11.90s/it] {'loss': '1.247', 'grad_norm': '1.094', 'learning_rate': '1.027e-05', 'entropy': '1.244', 'num_tokens': '1.077e+07', 'mean_token_accuracy': '0.7092', 'epoch': '2.452'} 82%|███████████████████████████████▉ | 900/1101 [33:02<39:52, 11.90s/it] 82%|███████████████████████████████▉ | 901/1101 [33:14<39:25, 11.83s/it] 82%|███████████████████████████████▉ | 902/1101 [33:25<38:20, 11.56s/it] 82%|███████████████████████████████▉ | 903/1101 [33:37<38:33, 11.69s/it] 82%|████████████████████████████████ | 904/1101 [33:49<38:38, 11.77s/it] 82%|████████████████████████████████ | 905/1101 [34:01<38:38, 11.83s/it] 82%|████████████████████████████████ | 906/1101 [34:13<38:44, 11.92s/it] 82%|████████████████████████████████▏ | 907/1101 [34:25<38:33, 11.92s/it] 82%|████████████████████████████████▏ | 908/1101 [34:37<38:34, 11.99s/it] 83%|████████████████████████████████▏ | 909/1101 [34:49<38:19, 11.97s/it] 83%|████████████████████████████████▏ | 910/1101 [35:01<38:15, 12.02s/it] {'loss': '1.232', 'grad_norm': '1.008', 'learning_rate': '1.039e-05', 'entropy': '1.229', 'num_tokens': '1.142e+07', 'mean_token_accuracy': '0.7122', 'epoch': '2.48'} 83%|████████████████████████████████▏ | 910/1101 [35:01<38:15, 12.02s/it] 83%|████████████████████████████████▎ | 911/1101 [35:13<37:30, 11.84s/it] 83%|████████████████████████████████▎ | 912/1101 [35:24<37:20, 11.86s/it] 83%|████████████████████████████████▎ | 913/1101 [35:37<37:26, 11.95s/it] 83%|████████████████████████████████▍ | 914/1101 [35:49<37:15, 11.95s/it] 83%|████████████████████████████████▍ | 915/1101 [36:00<36:46, 11.86s/it] 83%|████████████████████████████████▍ | 916/1101 [36:12<36:30, 11.84s/it] 83%|████████████████████████████████▍ | 917/1101 [36:24<36:39, 11.96s/it] 83%|████████████████████████████████▌ | 918/1101 [36:36<36:24, 11.94s/it] 83%|████████████████████████████████▌ | 919/1101 [36:48<36:25, 12.01s/it] 84%|████████████████████████████████▌ | 920/1101 [37:00<36:11, 12.00s/it] {'loss': '1.182', 'grad_norm': '0.9844', 'learning_rate': '1.05e-05', 'entropy': '1.183', 'num_tokens': '1.207e+07', 'mean_token_accuracy': '0.7172', 'epoch': '2.507'} 84%|████████████████████████████████▌ | 920/1101 [37:00<36:11, 12.00s/it] 84%|████████████████████████████████▌ | 921/1101 [37:12<35:52, 11.96s/it] 84%|████████████████████████████████▋ | 922/1101 [37:24<35:20, 11.85s/it] 84%|████████████████████████████████▋ | 923/1101 [37:36<35:10, 11.86s/it] 84%|████████████████████████████████▋ | 924/1101 [37:48<35:16, 11.96s/it] 84%|████████████████████████████████▊ | 925/1101 [38:00<35:01, 11.94s/it] 84%|████████████████████████████████▊ | 926/1101 [38:12<35:00, 12.00s/it] 84%|████████████████████████████████▊ | 927/1101 [38:24<34:43, 11.97s/it] 84%|████████████████████████████████▊ | 928/1101 [38:36<34:30, 11.97s/it] 84%|████████████████████████████████▉ | 929/1101 [38:48<34:31, 12.04s/it] 84%|████████████████████████████████▉ | 930/1101 [39:00<34:10, 11.99s/it] {'loss': '1.217', 'grad_norm': '1.008', 'learning_rate': '1.062e-05', 'entropy': '1.212', 'num_tokens': '1.272e+07', 'mean_token_accuracy': '0.7126', 'epoch': '2.534'} 84%|████████████████████████████████▉ | 930/1101 [39:00<34:10, 11.99s/it] 85%|████████████████████████████████▉ | 931/1101 [39:12<34:13, 12.08s/it] 85%|█████████████████████████████████ | 932/1101 [39:24<33:55, 12.04s/it] 85%|█████████████████████████████████ | 933/1101 [39:36<33:42, 12.04s/it] 85%|█████████████████████████████████ | 934/1101 [39:48<33:26, 12.01s/it] 85%|█████████████████████████████████ | 935/1101 [40:00<33:11, 12.00s/it] 85%|█████████████████████████████████▏ | 936/1101 [40:12<33:14, 12.09s/it] 85%|█████████████████████████████████▏ | 937/1101 [40:24<32:53, 12.04s/it] 85%|█████████████████████████████████▏ | 938/1101 [40:36<32:51, 12.09s/it] 85%|█████████████████████████████████▎ | 939/1101 [40:48<32:33, 12.06s/it] 85%|█████████████████████████████████▎ | 940/1101 [41:01<32:29, 12.11s/it] {'loss': '1.184', 'grad_norm': '0.9258', 'learning_rate': '1.073e-05', 'entropy': '1.184', 'num_tokens': '1.337e+07', 'mean_token_accuracy': '0.7159', 'epoch': '2.561'} 85%|█████████████████████████████████▎ | 940/1101 [41:01<32:29, 12.11s/it] 85%|█████████████████████████████████▎ | 941/1101 [41:13<32:13, 12.08s/it] 86%|█████████████████████████████████▎ | 942/1101 [41:24<31:51, 12.02s/it] 86%|█████████████████████████████████▍ | 943/1101 [41:36<31:18, 11.89s/it] 86%|█████████████████████████████████▍ | 944/1101 [41:48<31:04, 11.88s/it] 86%|█████████████████████████████████▍ | 945/1101 [42:00<31:09, 11.98s/it] 86%|█████████████████████████████████▌ | 946/1101 [42:12<30:54, 11.97s/it] 86%|█████████████████████████████████▌ | 947/1101 [42:24<30:50, 12.02s/it] 86%|█████████████████████████████████▌ | 948/1101 [42:36<30:34, 11.99s/it] 86%|█████████████████████████████████▌ | 949/1101 [42:48<30:19, 11.97s/it] 86%|█████████████████████████████████▋ | 950/1101 [43:00<30:17, 12.04s/it] {'loss': '1.21', 'grad_norm': '1.016', 'learning_rate': '1.085e-05', 'entropy': '1.208', 'num_tokens': '1.402e+07', 'mean_token_accuracy': '0.7146', 'epoch': '2.589'} 86%|█████████████████████████████████▋ | 950/1101 [43:00<30:17, 12.04s/it] 86%|█████████████████████████████████▋ | 951/1101 [43:12<29:50, 11.94s/it] 86%|█████████████████████████████████▋ | 952/1101 [43:24<29:41, 11.95s/it] 87%|█████████████████████████████████▊ | 953/1101 [43:36<29:29, 11.95s/it] 87%|█████████████████████████████████▊ | 954/1101 [43:48<29:28, 12.03s/it] 87%|█████████████████████████████████▊ | 955/1101 [44:00<29:11, 12.00s/it] 87%|█████████████████████████████████▊ | 956/1101 [44:12<29:08, 12.06s/it] 87%|█████████████████████████████████▉ | 957/1101 [44:24<28:53, 12.04s/it] 87%|█████████████████████████████████▉ | 958/1101 [44:36<28:34, 11.99s/it] 87%|█████████████████████████████████▉ | 959/1101 [44:48<28:30, 12.05s/it] 87%|██████████████████████████████████ | 960/1101 [45:00<27:50, 11.85s/it] {'loss': '1.151', 'grad_norm': '0.9648', 'learning_rate': '1.096e-05', 'entropy': '1.153', 'num_tokens': '1.467e+07', 'mean_token_accuracy': '0.7211', 'epoch': '2.616'} 87%|██████████████████████████████████ | 960/1101 [45:00<27:50, 11.85s/it] 87%|██████████████████████████████████ | 961/1101 [45:12<27:48, 11.92s/it] 87%|██████████████████████████████████ | 962/1101 [45:24<27:39, 11.94s/it] 87%|██████████████████████████████████ | 963/1101 [45:36<27:37, 12.01s/it] 88%|██████████████████████████████████▏ | 964/1101 [45:48<27:22, 11.99s/it] 88%|██████████████████████████████████▏ | 965/1101 [46:00<27:08, 11.98s/it] 88%|██████████████████████████████████▏ | 966/1101 [46:12<27:03, 12.03s/it] 88%|██████████████████████████████████▎ | 967/1101 [46:24<26:45, 11.98s/it] 88%|██████████████████████████████████▎ | 968/1101 [46:35<26:15, 11.85s/it] 88%|██████████████████████████████████▎ | 969/1101 [46:47<25:49, 11.74s/it] 88%|██████████████████████████████████▎ | 970/1101 [46:59<25:54, 11.86s/it] {'loss': '1.217', 'grad_norm': '0.9922', 'learning_rate': '1.107e-05', 'entropy': '1.217', 'num_tokens': '1.532e+07', 'mean_token_accuracy': '0.7137', 'epoch': '2.643'} 88%|██████████████████████████████████▎ | 970/1101 [46:59<25:54, 11.86s/it] 88%|██████████████████████████████████▍ | 971/1101 [47:11<25:44, 11.88s/it] 88%|██████████████████████████████████▍ | 972/1101 [47:23<25:33, 11.89s/it] 88%|██████████████████████████████████▍ | 973/1101 [47:35<25:32, 11.97s/it] 88%|██████████████████████████████████▌ | 974/1101 [47:46<24:59, 11.81s/it] 89%|██████████████████████████████████▌ | 975/1101 [47:59<25:04, 11.94s/it] 89%|██████████████████████████████████▌ | 976/1101 [48:10<24:47, 11.90s/it] 89%|██████████████████████████████████▌ | 977/1101 [48:22<24:26, 11.83s/it] 89%|██████████████████████████████████▋ | 978/1101 [48:34<24:18, 11.86s/it] 89%|██████████████████████████████████▋ | 979/1101 [48:46<24:07, 11.87s/it] 89%|██████████████████████████████████▋ | 980/1101 [48:58<24:07, 11.96s/it] {'loss': '1.172', 'grad_norm': '0.9922', 'learning_rate': '1.119e-05', 'entropy': '1.178', 'num_tokens': '1.597e+07', 'mean_token_accuracy': '0.7182', 'epoch': '2.671'} 89%|██████████████████████████████████▋ | 980/1101 [48:58<24:07, 11.96s/it] 89%|██████████████████████████████████▋ | 981/1101 [49:10<23:56, 11.97s/it] 89%|██████████████████████████████████▊ | 982/1101 [49:22<23:50, 12.02s/it] 89%|██████████████████████████████████▊ | 983/1101 [49:34<23:15, 11.82s/it] 89%|██████████████████████████████████▊ | 984/1101 [49:46<23:15, 11.93s/it] 89%|██████████████████████████████████▉ | 985/1101 [49:58<23:03, 11.93s/it] 90%|██████████████████████████████████▉ | 986/1101 [50:10<22:49, 11.91s/it] 90%|██████████████████████████████████▉ | 987/1101 [50:22<22:44, 11.97s/it] 90%|██████████████████████████████████▉ | 988/1101 [50:33<22:13, 11.80s/it] 90%|███████████████████████████████████ | 989/1101 [50:45<21:55, 11.75s/it] 90%|███████████████████████████████████ | 990/1101 [50:57<21:50, 11.80s/it] {'loss': '1.177', 'grad_norm': '0.9688', 'learning_rate': '1.13e-05', 'entropy': '1.174', 'num_tokens': '1.662e+07', 'mean_token_accuracy': '0.7186', 'epoch': '2.698'} 90%|███████████████████████████████████ | 990/1101 [50:57<21:50, 11.80s/it] 90%|███████████████████████████████████ | 991/1101 [51:09<21:49, 11.90s/it] 90%|███████████████████████████████████▏ | 992/1101 [51:21<21:38, 11.91s/it] 90%|███████████████████████████████████▏ | 993/1101 [51:33<21:34, 11.98s/it] 90%|███████████████████████████████████▏ | 994/1101 [51:45<21:17, 11.94s/it] 90%|███████████████████████████████████▏ | 995/1101 [51:57<21:09, 11.98s/it] 90%|███████████████████████████████████▎ | 996/1101 [52:09<21:01, 12.01s/it] 91%|███████████████████████████████████▎ | 997/1101 [52:21<20:45, 11.97s/it] 91%|███████████████████████████████████▎ | 998/1101 [52:33<20:39, 12.03s/it] 91%|███████████████████████████████████▍ | 999/1101 [52:45<20:24, 12.01s/it] 91%|██████████████████████████████████▌ | 1000/1101 [52:57<20:18, 12.06s/it] {'loss': '1.16', 'grad_norm': '1.062', 'learning_rate': '1.142e-05', 'entropy': '1.159', 'num_tokens': '1.727e+07', 'mean_token_accuracy': '0.7205', 'epoch': '2.725'} 91%|██████████████████████████████████▌ | 1000/1101 [52:57<20:18, 12.06s/it] 91%|██████████████████████████████████▌ | 1001/1101 [53:09<20:01, 12.01s/it] 91%|██████████████████████████████████▌ | 1002/1101 [53:21<19:45, 11.97s/it] 91%|██████████████████████████████████▌ | 1003/1101 [53:33<19:39, 12.03s/it] 91%|██████████████████████████████████▋ | 1004/1101 [53:45<19:24, 12.00s/it] 91%|██████████████████████████████████▋ | 1005/1101 [53:57<19:18, 12.07s/it] 91%|██████████████████████████████████▋ | 1006/1101 [54:09<19:00, 12.01s/it] 91%|██████████████████████████████████▊ | 1007/1101 [54:21<18:56, 12.09s/it] 92%|██████████████████████████████████▊ | 1008/1101 [54:33<18:40, 12.04s/it] 92%|██████████████████████████████████▊ | 1009/1101 [54:45<18:24, 12.00s/it] 92%|██████████████████████████████████▊ | 1010/1101 [54:57<18:16, 12.05s/it] {'loss': '1.185', 'grad_norm': '1.031', 'learning_rate': '1.153e-05', 'entropy': '1.183', 'num_tokens': '1.792e+07', 'mean_token_accuracy': '0.7198', 'epoch': '2.752'} 92%|██████████████████████████████████▊ | 1010/1101 [54:57<18:16, 12.05s/it] 92%|██████████████████████████████████▉ | 1011/1101 [55:09<18:02, 12.03s/it] 92%|██████████████████████████████████▉ | 1012/1101 [55:21<17:53, 12.06s/it] 92%|██████████████████████████████████▉ | 1013/1101 [55:33<17:40, 12.05s/it] 92%|██████████████████████████████████▉ | 1014/1101 [55:46<17:31, 12.09s/it] 92%|███████████████████████████████████ | 1015/1101 [55:58<17:14, 12.03s/it] 92%|███████████████████████████████████ | 1016/1101 [56:09<16:58, 11.98s/it] 92%|███████████████████████████████████ | 1017/1101 [56:21<16:39, 11.90s/it] 92%|███████████████████████████████████▏ | 1018/1101 [56:33<16:27, 11.90s/it] 93%|███████████████████████████████████▏ | 1019/1101 [56:45<16:23, 11.99s/it] 93%|███████████████████████████████████▏ | 1020/1101 [56:57<16:10, 11.98s/it] {'loss': '1.2', 'grad_norm': '1.055', 'learning_rate': '1.165e-05', 'entropy': '1.2', 'num_tokens': '1.858e+07', 'mean_token_accuracy': '0.719', 'epoch': '2.78'} 93%|███████████████████████████████████▏ | 1020/1101 [56:57<16:10, 11.98s/it] 93%|███████████████████████████████████▏ | 1021/1101 [57:09<16:03, 12.04s/it] 93%|███████████████████████████████████▎ | 1022/1101 [57:21<15:39, 11.89s/it] 93%|███████████████████████████████████▎ | 1023/1101 [57:33<15:28, 11.90s/it] 93%|███████████████████████████████████▎ | 1024/1101 [57:45<15:21, 11.97s/it] 93%|███████████████████████████████████▍ | 1025/1101 [57:57<15:04, 11.90s/it] 93%|███████████████████████████████████▍ | 1026/1101 [58:09<15:00, 12.00s/it] 93%|███████████████████████████████████▍ | 1027/1101 [58:21<14:47, 12.00s/it] 93%|███████████████████████████████████▍ | 1028/1101 [58:33<14:38, 12.03s/it] 93%|███████████████████████████████████▌ | 1029/1101 [58:45<14:15, 11.89s/it] 94%|███████████████████████████████████▌ | 1030/1101 [58:57<14:09, 11.96s/it] {'loss': '1.169', 'grad_norm': '0.9609', 'learning_rate': '1.176e-05', 'entropy': '1.17', 'num_tokens': '1.923e+07', 'mean_token_accuracy': '0.7213', 'epoch': '2.807'} 94%|███████████████████████████████████▌ | 1030/1101 [58:57<14:09, 11.96s/it] 94%|███████████████████████████████████▌ | 1031/1101 [59:09<13:56, 11.95s/it] 94%|███████████████████████████████████▌ | 1032/1101 [59:19<13:22, 11.62s/it] 94%|███████████████████████████████████▋ | 1033/1101 [59:32<13:20, 11.78s/it] 94%|███████████████████████████████████▋ | 1034/1101 [59:44<13:12, 11.83s/it] 94%|███████████████████████████████████▋ | 1035/1101 [59:56<13:06, 11.91s/it] 94%|█████████████████████████████████▊ | 1036/1101 [1:00:08<12:53, 11.91s/it] 94%|█████████████████████████████████▉ | 1037/1101 [1:00:20<12:46, 11.98s/it] 94%|█████████████████████████████████▉ | 1038/1101 [1:00:32<12:33, 11.96s/it] 94%|█████████████████████████████████▉ | 1039/1101 [1:00:43<12:19, 11.93s/it] 94%|██████████████████████████████████ | 1040/1101 [1:00:56<12:11, 12.00s/it] {'loss': '1.187', 'grad_norm': '0.9883', 'learning_rate': '1.187e-05', 'entropy': '1.185', 'num_tokens': '1.987e+07', 'mean_token_accuracy': '0.7195', 'epoch': '2.834'} 94%|██████████████████████████████████ | 1040/1101 [1:00:56<12:11, 12.00s/it] 95%|██████████████████████████████████ | 1041/1101 [1:01:08<11:59, 12.00s/it] 95%|██████████████████████████████████ | 1042/1101 [1:01:20<11:51, 12.06s/it] 95%|██████████████████████████████████ | 1043/1101 [1:01:32<11:37, 12.03s/it] 95%|██████████████████████████████████▏ | 1044/1101 [1:01:44<11:28, 12.08s/it] 95%|██████████████████████████████████▏ | 1045/1101 [1:01:56<11:15, 12.06s/it] 95%|██████████████████████████████████▏ | 1046/1101 [1:02:08<11:01, 12.03s/it] 95%|██████████████████████████████████▏ | 1047/1101 [1:02:20<10:49, 12.03s/it] 95%|██████████████████████████████████▎ | 1048/1101 [1:02:32<10:36, 12.00s/it] 95%|██████████████████████████████████▎ | 1049/1101 [1:02:44<10:27, 12.06s/it] 95%|██████████████████████████████████▎ | 1050/1101 [1:02:56<10:04, 11.86s/it] {'loss': '1.164', 'grad_norm': '0.957', 'learning_rate': '1.199e-05', 'entropy': '1.166', 'num_tokens': '2.052e+07', 'mean_token_accuracy': '0.7222', 'epoch': '2.861'} 95%|██████████████████████████████████▎ | 1050/1101 [1:02:56<10:04, 11.86s/it] 95%|██████████████████████████████████▎ | 1051/1101 [1:03:08<09:56, 11.93s/it] 96%|██████████████████████████████████▍ | 1052/1101 [1:03:20<09:44, 11.94s/it] 96%|██████████████████████████████████▍ | 1053/1101 [1:03:31<09:26, 11.81s/it] 96%|██████████████████████████████████▍ | 1054/1101 [1:03:43<09:20, 11.92s/it] 96%|██████████████████████████████████▍ | 1055/1101 [1:03:55<09:07, 11.89s/it] 96%|██████████████████████████████████▌ | 1056/1101 [1:04:07<08:58, 11.97s/it] 96%|██████████████████████████████████▌ | 1057/1101 [1:04:19<08:46, 11.96s/it] 96%|██████████████████████████████████▌ | 1058/1101 [1:04:31<08:36, 12.02s/it] 96%|██████████████████████████████████▋ | 1059/1101 [1:04:43<08:23, 11.98s/it] 96%|██████████████████████████████████▋ | 1060/1101 [1:04:55<08:10, 11.96s/it] {'loss': '1.168', 'grad_norm': '1.234', 'learning_rate': '1.21e-05', 'entropy': '1.17', 'num_tokens': '2.118e+07', 'mean_token_accuracy': '0.72', 'epoch': '2.889'} 96%|██████████████████████████████████▋ | 1060/1101 [1:04:55<08:10, 11.96s/it] 96%|██████████████████████████████████▋ | 1061/1101 [1:05:07<08:00, 12.02s/it] 96%|██████████████████████████████████▋ | 1062/1101 [1:05:19<07:47, 12.00s/it] 97%|██████████████████████████████████▊ | 1063/1101 [1:05:31<07:33, 11.92s/it] 97%|██████████████████████████████████▊ | 1064/1101 [1:05:43<07:21, 11.93s/it] 97%|██████████████████████████████████▊ | 1065/1101 [1:05:55<07:07, 11.87s/it] 97%|██████████████████████████████████▊ | 1066/1101 [1:06:07<06:55, 11.87s/it] 97%|██████████████████████████████████▉ | 1067/1101 [1:06:19<06:46, 11.96s/it] 97%|██████████████████████████████████▉ | 1068/1101 [1:06:31<06:34, 11.96s/it] 97%|██████████████████████████████████▉ | 1069/1101 [1:06:43<06:22, 11.96s/it] 97%|██████████████████████████████████▉ | 1070/1101 [1:06:55<06:12, 12.02s/it] {'loss': '1.187', 'grad_norm': '1.164', 'learning_rate': '1.222e-05', 'entropy': '1.187', 'num_tokens': '2.183e+07', 'mean_token_accuracy': '0.7183', 'epoch': '2.916'} 97%|██████████████████████████████████▉ | 1070/1101 [1:06:55<06:12, 12.02s/it] 97%|███████████████████████████████████ | 1071/1101 [1:07:07<05:59, 11.99s/it] 97%|███████████████████████████████████ | 1072/1101 [1:07:19<05:49, 12.06s/it] 97%|███████████████████████████████████ | 1073/1101 [1:07:31<05:36, 12.01s/it] 98%|███████████████████████████████████ | 1074/1101 [1:07:43<05:25, 12.06s/it] 98%|███████████████████████████████████▏| 1075/1101 [1:07:55<05:12, 12.03s/it] 98%|███████████████████████████████████▏| 1076/1101 [1:08:06<04:55, 11.81s/it] 98%|███████████████████████████████████▏| 1077/1101 [1:08:18<04:46, 11.92s/it] 98%|███████████████████████████████████▏| 1078/1101 [1:08:30<04:30, 11.75s/it] 98%|███████████████████████████████████▎| 1079/1101 [1:08:42<04:21, 11.89s/it] 98%|███████████████████████████████████▎| 1080/1101 [1:08:54<04:09, 11.90s/it] {'loss': '1.194', 'grad_norm': '1.086', 'learning_rate': '1.233e-05', 'entropy': '1.193', 'num_tokens': '2.248e+07', 'mean_token_accuracy': '0.7175', 'epoch': '2.943'} 98%|███████████████████████████████████▎| 1080/1101 [1:08:54<04:09, 11.90s/it] 98%|███████████████████████████████████▎| 1081/1101 [1:09:06<03:59, 11.98s/it] 98%|███████████████████████████████████▍| 1082/1101 [1:09:18<03:47, 11.97s/it] 98%|███████████████████████████████████▍| 1083/1101 [1:09:30<03:34, 11.89s/it] 98%|███████████████████████████████████▍| 1084/1101 [1:09:42<03:23, 11.97s/it] 99%|███████████████████████████████████▍| 1085/1101 [1:09:54<03:11, 11.96s/it] 99%|███████████████████████████████████▌| 1086/1101 [1:10:06<03:00, 12.03s/it] 99%|███████████████████████████████████▌| 1087/1101 [1:10:18<02:46, 11.87s/it] 99%|███████████████████████████████████▌| 1088/1101 [1:10:30<02:35, 11.94s/it] 99%|███████████████████████████████████▌| 1089/1101 [1:10:42<02:23, 11.95s/it] 99%|███████████████████████████████████▋| 1090/1101 [1:10:53<02:10, 11.88s/it] {'loss': '1.188', 'grad_norm': '1.219', 'learning_rate': '1.245e-05', 'entropy': '1.186', 'num_tokens': '2.313e+07', 'mean_token_accuracy': '0.72', 'epoch': '2.97'} 99%|███████████████████████████████████▋| 1090/1101 [1:10:53<02:10, 11.88s/it] 99%|███████████████████████████████████▋| 1091/1101 [1:11:05<01:59, 11.97s/it] 99%|███████████████████████████████████▋| 1092/1101 [1:11:17<01:47, 11.96s/it] 99%|███████████████████████████████████▋| 1093/1101 [1:11:29<01:35, 11.95s/it] 99%|███████████████████████████████████▊| 1094/1101 [1:11:41<01:23, 11.90s/it] 99%|███████████████████████████████████▊| 1095/1101 [1:11:53<01:11, 11.96s/it] 100%|███████████████████████████████████▊| 1096/1101 [1:12:05<00:59, 11.93s/it] 100%|███████████████████████████████████▊| 1097/1101 [1:12:17<00:47, 11.83s/it] 100%|███████████████████████████████████▉| 1098/1101 [1:12:29<00:35, 11.95s/it] 100%|███████████████████████████████████▉| 1099/1101 [1:12:41<00:23, 11.95s/it] 100%|███████████████████████████████████▉| 1100/1101 [1:12:53<00:12, 12.01s/it] {'loss': '1.18', 'grad_norm': '1.117', 'learning_rate': '1.256e-05', 'entropy': '1.181', 'num_tokens': '2.378e+07', 'mean_token_accuracy': '0.7191', 'epoch': '2.998'} 100%|███████████████████████████████████▉| 1100/1101 [1:12:53<00:12, 12.01s/it] 100%|████████████████████████████████████| 1101/1101 [1:13:03<00:00, 11.54s/it] Writing model shards: 0%| | 0/1 [00:00