[2025-12-29 02:49:24,896] [DEBUG] [axolotl.utils.config.log_gpu_memory_usage:127] [PID:3751] baseline 0.000GB ()
[2025-12-29 02:49:24,896] [INFO] [axolotl.cli.config.load_cfg:256] [PID:3751] config:
{
"activation_offloading": false,
"adapter": "lora",
"axolotl_config_path": "tuner.yaml",
"base_model": "codellama/CodeLlama-7b-hf",
"base_model_config": "codellama/CodeLlama-7b-hf",
"batch_size": 5,
"bf16": true,
"capabilities": {
"bf16": true,
"compute_capability": "sm_90",
"fp8": false,
"n_gpu": 1,
"n_node": 1
},
"chat_template": "llama3",
"context_parallel_size": 1,
"dataloader_num_workers": 2,
"dataloader_pin_memory": true,
"dataset_num_proc": 96,
"datasets": [
{
"chat_template": "tokenizer_default",
"conversation": "llama3",
"field_messages": "messages",
"message_property_mappings": {
"content": "content",
"role": "role"
},
"path": "darwinkernelpanic/luau-reasoning-normalized",
"trust_remote_code": false,
"type": "chat_template"
}
],
"ddp": false,
"device": "cuda:0",
"dion_rank_fraction": 1.0,
"dion_rank_multiple_of": 1,
"env_capabilities": {
"torch_version": "2.8.0"
},
"eval_batch_size": 5,
"eval_causal_lm_metrics": [
"sacrebleu",
"comet",
"ter",
"chrf"
],
"eval_max_new_tokens": 128,
"eval_sample_packing": true,
"eval_steps": 1000,
"eval_table_size": 0,
"experimental_skip_move_to_device": true,
"fp16": false,
"gradient_accumulation_steps": 1,
"gradient_checkpointing": true,
"gradient_checkpointing_kwargs": {
"use_reentrant": true
},
"group_by_length": true,
"include_tkps": true,
"is_falcon_derived_model": false,
"is_llama_derived_model": true,
"is_mistral_derived_model": false,
"learning_rate": 0.0002,
"lisa_layers_attribute": "model.layers",
"load_best_model_at_end": false,
"load_in_4bit": false,
"load_in_8bit": false,
"local_rank": 0,
"logging_steps": 25,
"lora_alpha": 32,
"lora_dropout": 0.05,
"lora_r": 16,
"lora_target_modules": [
"q_proj",
"k_proj",
"v_proj",
"o_proj"
],
"loraplus_lr_embedding": 1e-06,
"lr_scheduler": "cosine",
"mean_resizing_embeddings": false,
"micro_batch_size": 5,
"model_config_type": "llama",
"num_epochs": 3.0,
"optimizer": "adamw_torch",
"otel_metrics_host": "localhost",
"otel_metrics_port": 8000,
"output_dir": "./outputs/luau-codellama-h200-fast",
"pad_to_sequence_len": true,
"pretrain_multipack_attn": true,
"profiler_steps_start": 0,
"qlora_sharded_model_loading": false,
"ray_num_workers": 1,
"resources_per_worker": {
"GPU": 1
},
"sample_packing": true,
"sample_packing_bin_size": 200,
"sample_packing_group_size": 100000,
"save_only_model": false,
"save_safetensors": true,
"save_steps": 1000,
"save_strategy": "steps",
"save_total_limit": 3,
"seed": 42,
"sequence_len": 4096,
"shuffle_before_merging_datasets": false,
"shuffle_merged_datasets": true,
"skip_prepare_dataset": false,
"streaming_multipack_buffer_size": 10000,
"strict": false,
"tensor_parallel_size": 1,
"tf32": true,
"tiled_mlp_use_original_mlp": true,
"tokenizer_config": "codellama/CodeLlama-7b-hf",
"tokenizer_save_jinja_files": true,
"tokenizer_type": "LlamaTokenizer",
"torch_dtype": "torch.bfloat16",
"train_on_inputs": false,
"trl": {
"log_completions": false,
"mask_truncated_completions": false,
"ref_model_mixup_alpha": 0.9,
"ref_model_sync_steps": 64,
"scale_rewards": true,
"sync_ref_model": false,
"use_vllm": false,
"vllm_server_host": "0.0.0.0",
"vllm_server_port": 8000
},
"type_of_model": "LlamaForCausalLM",
"use_otel_metrics": false,
"use_ray": false,
"val_set_size": 0.05,
"vllm": {
"device": "auto",
"dtype": "auto",
"gpu_memory_utilization": 0.9,
"host": "0.0.0.0",
"port": 8000
},
"warmup_steps": 100,
"weight_decay": 0.0,
"world_size": 1
}
[2025-12-29 02:49:25,389] [DEBUG] [axolotl.loaders.tokenizer.load_tokenizer:280] [PID:3751] EOS: 2 /
[2025-12-29 02:49:25,389] [DEBUG] [axolotl.loaders.tokenizer.load_tokenizer:281] [PID:3751] BOS: 1 /
[2025-12-29 02:49:25,389] [DEBUG] [axolotl.loaders.tokenizer.load_tokenizer:282] [PID:3751] PAD: 2 /
[2025-12-29 02:49:25,389] [DEBUG] [axolotl.loaders.tokenizer.load_tokenizer:283] [PID:3751] UNK: 0 /
[2025-12-29 02:49:25,390] [INFO] [axolotl.utils.data.shared.load_preprocessed_dataset:481] [PID:3751] Unable to find prepared dataset in last_run_prepared/b7c17715ff7f64badeb455c51ab5d648
[2025-12-29 02:49:25,390] [INFO] [axolotl.utils.data.sft._load_raw_datasets:320] [PID:3751] Loading raw datasets...
[2025-12-29 02:49:25,390] [WARNING] [axolotl.utils.data.sft._load_raw_datasets:322] [PID:3751] Processing datasets during training can lead to VRAM instability. Please pre-process your dataset using `axolotl preprocess path/to/config.yml`.
[2025-12-29 02:49:26,885] [INFO] [axolotl.utils.data.wrappers.get_dataset_wrapper:87] [PID:3751] Loading dataset: darwinkernelpanic/luau-reasoning-normalized with base_type: chat_template and prompt_style: None
[2025-12-29 02:49:26,887] [INFO] [axolotl.prompt_strategies.chat_template.__call__:996] [PID:3751] Using chat template:
---
{% if not add_generation_prompt is defined %}{% set add_generation_prompt = false %}{% endif %}{% set loop_messages = messages %}{% for message in loop_messages %}{% set content = '<|start_header_id|>' + message['role'] + '<|end_header_id|>
'+ message['content'] | trim + '<|eot_id|>' %}{% if loop.index0 == 0 %}{% set content = bos_token + content %}{% endif %}{{ content }}{% endfor %}{% if add_generation_prompt %}{{ '<|start_header_id|>assistant<|end_header_id|>
' }}{% endif %}
---
[2025-12-29 02:49:26,891] [WARNING] [axolotl.prompt_strategies.chat_template._validate_eot_and_eos_tokens:337] [PID:3751] EOS token '' not found in chat_template. Please check if your template/EOS token is correct.
[2025-12-29 02:49:27,110] [INFO] [axolotl.utils.data.utils.handle_long_seq_in_dataset:218] [PID:3751] min_input_len: 636
[2025-12-29 02:49:27,110] [INFO] [axolotl.utils.data.utils.handle_long_seq_in_dataset:220] [PID:3751] max_input_len: 12839
[2025-12-29 02:49:27,405] [WARNING] [axolotl.utils.data.utils.handle_long_seq_in_dataset:260] [PID:3751] Dropped 755 samples from dataset
Saving the dataset (0/56 shards): 0%| | 0/14586 [00:00, ? examples/s]
Saving the dataset (0/56 shards): 2%|█▎ | 261/14586 [00:00<00:31, 459.80 examples/s]
Saving the dataset (1/56 shards): 9%|██████▎ | 1305/14586 [00:00<00:28, 459.80 examples/s]
Saving the dataset (2/56 shards): 11%|███████▌ | 1566/14586 [00:00<00:28, 459.80 examples/s]
Saving the dataset (3/56 shards): 18%|████████████▋ | 2610/14586 [00:00<00:26, 459.80 examples/s]
Saving the dataset (4/56 shards): 21%|███████████████▏ | 3132/14586 [00:00<00:24, 459.80 examples/s]
Saving the dataset (5/56 shards): 21%|███████████████▏ | 3132/14586 [00:00<00:24, 459.80 examples/s]
Saving the dataset (6/56 shards): 34%|████████████████████████▏ | 4959/14586 [00:00<00:20, 459.80 examples/s]
Saving the dataset (7/56 shards): 34%|████████████████████████▏ | 4959/14586 [00:00<00:20, 459.80 examples/s]
Saving the dataset (8/56 shards): 38%|██████████████████████████▋ | 5481/14586 [00:00<00:19, 459.80 examples/s]
Saving the dataset (9/56 shards): 38%|██████████████████████████▋ | 5481/14586 [00:00<00:19, 459.80 examples/s]
Saving the dataset (10/56 shards): 43%|██████████████████████████████ | 6264/14586 [00:00<00:18, 459.80 examples/s]
Saving the dataset (11/56 shards): 79%|██████████████████████████████████████████████████████▏ | 11466/14586 [00:00<00:06, 459.80 examples/s]
Saving the dataset (12/56 shards): 79%|██████████████████████████████████████████████████████▏ | 11466/14586 [00:00<00:06, 459.80 examples/s]
Saving the dataset (13/56 shards): 95%|█████████████████████████████████████████████████████████████████▎ | 13806/14586 [00:00<00:01, 459.80 examples/s]
Saving the dataset (14/56 shards): 100%|█████████████████████████████████████████████████████████████████████| 14586/14586 [00:00<00:00, 459.80 examples/s]
Saving the dataset (15/56 shards): 100%|█████████████████████████████████████████████████████████████████████| 14586/14586 [00:00<00:00, 459.80 examples/s]
Saving the dataset (16/56 shards): 100%|█████████████████████████████████████████████████████████████████████| 14586/14586 [00:00<00:00, 459.80 examples/s]
Saving the dataset (17/56 shards): 100%|█████████████████████████████████████████████████████████████████████| 14586/14586 [00:00<00:00, 459.80 examples/s]
Saving the dataset (18/56 shards): 100%|█████████████████████████████████████████████████████████████████████| 14586/14586 [00:00<00:00, 459.80 examples/s]
Saving the dataset (19/56 shards): 100%|█████████████████████████████████████████████████████████████████████| 14586/14586 [00:00<00:00, 459.80 examples/s]
Saving the dataset (20/56 shards): 100%|█████████████████████████████████████████████████████████████████████| 14586/14586 [00:00<00:00, 459.80 examples/s]
Saving the dataset (21/56 shards): 100%|█████████████████████████████████████████████████████████████████████| 14586/14586 [00:00<00:00, 459.80 examples/s]
Saving the dataset (22/56 shards): 100%|█████████████████████████████████████████████████████████████████████| 14586/14586 [00:00<00:00, 459.80 examples/s]
Saving the dataset (23/56 shards): 100%|█████████████████████████████████████████████████████████████████████| 14586/14586 [00:00<00:00, 459.80 examples/s]
Saving the dataset (24/56 shards): 100%|█████████████████████████████████████████████████████████████████████| 14586/14586 [00:00<00:00, 459.80 examples/s]
Saving the dataset (25/56 shards): 100%|█████████████████████████████████████████████████████████████████████| 14586/14586 [00:00<00:00, 459.80 examples/s]
Saving the dataset (26/56 shards): 100%|█████████████████████████████████████████████████████████████████████| 14586/14586 [00:00<00:00, 459.80 examples/s]
Saving the dataset (27/56 shards): 100%|█████████████████████████████████████████████████████████████████████| 14586/14586 [00:00<00:00, 459.80 examples/s]
Saving the dataset (28/56 shards): 100%|█████████████████████████████████████████████████████████████████████| 14586/14586 [00:00<00:00, 459.80 examples/s]
Saving the dataset (29/56 shards): 100%|█████████████████████████████████████████████████████████████████████| 14586/14586 [00:00<00:00, 459.80 examples/s]
Saving the dataset (30/56 shards): 100%|█████████████████████████████████████████████████████████████████████| 14586/14586 [00:00<00:00, 459.80 examples/s]
Saving the dataset (31/56 shards): 100%|█████████████████████████████████████████████████████████████████████| 14586/14586 [00:00<00:00, 459.80 examples/s]
Saving the dataset (32/56 shards): 100%|█████████████████████████████████████████████████████████████████████| 14586/14586 [00:00<00:00, 459.80 examples/s]
Saving the dataset (33/56 shards): 100%|█████████████████████████████████████████████████████████████████████| 14586/14586 [00:00<00:00, 459.80 examples/s]
Saving the dataset (34/56 shards): 100%|█████████████████████████████████████████████████████████████████████| 14586/14586 [00:00<00:00, 459.80 examples/s]
Saving the dataset (35/56 shards): 100%|█████████████████████████████████████████████████████████████████████| 14586/14586 [00:00<00:00, 459.80 examples/s]
Saving the dataset (36/56 shards): 100%|█████████████████████████████████████████████████████████████████████| 14586/14586 [00:00<00:00, 459.80 examples/s]
Saving the dataset (37/56 shards): 100%|█████████████████████████████████████████████████████████████████████| 14586/14586 [00:00<00:00, 459.80 examples/s]
Saving the dataset (38/56 shards): 100%|█████████████████████████████████████████████████████████████████████| 14586/14586 [00:00<00:00, 459.80 examples/s]
Saving the dataset (39/56 shards): 100%|█████████████████████████████████████████████████████████████████████| 14586/14586 [00:00<00:00, 459.80 examples/s]
Saving the dataset (40/56 shards): 100%|█████████████████████████████████████████████████████████████████████| 14586/14586 [00:00<00:00, 459.80 examples/s]
Saving the dataset (41/56 shards): 100%|█████████████████████████████████████████████████████████████████████| 14586/14586 [00:00<00:00, 459.80 examples/s]
Saving the dataset (42/56 shards): 100%|█████████████████████████████████████████████████████████████████████| 14586/14586 [00:00<00:00, 459.80 examples/s]
Saving the dataset (43/56 shards): 100%|█████████████████████████████████████████████████████████████████████| 14586/14586 [00:00<00:00, 459.80 examples/s]
Saving the dataset (44/56 shards): 100%|█████████████████████████████████████████████████████████████████████| 14586/14586 [00:00<00:00, 459.80 examples/s]
Saving the dataset (45/56 shards): 100%|█████████████████████████████████████████████████████████████████████| 14586/14586 [00:00<00:00, 459.80 examples/s]
Saving the dataset (46/56 shards): 100%|█████████████████████████████████████████████████████████████████████| 14586/14586 [00:00<00:00, 459.80 examples/s]
Saving the dataset (47/56 shards): 100%|█████████████████████████████████████████████████████████████████████| 14586/14586 [00:00<00:00, 459.80 examples/s]
Saving the dataset (48/56 shards): 100%|█████████████████████████████████████████████████████████████████████| 14586/14586 [00:00<00:00, 459.80 examples/s]
Saving the dataset (49/56 shards): 100%|█████████████████████████████████████████████████████████████████████| 14586/14586 [00:00<00:00, 459.80 examples/s]
Saving the dataset (50/56 shards): 100%|█████████████████████████████████████████████████████████████████████| 14586/14586 [00:00<00:00, 459.80 examples/s]
Saving the dataset (51/56 shards): 100%|█████████████████████████████████████████████████████████████████████| 14586/14586 [00:00<00:00, 459.80 examples/s]
Saving the dataset (52/56 shards): 100%|█████████████████████████████████████████████████████████████████████| 14586/14586 [00:00<00:00, 459.80 examples/s]
Saving the dataset (53/56 shards): 100%|█████████████████████████████████████████████████████████████████████| 14586/14586 [00:00<00:00, 459.80 examples/s]
Saving the dataset (54/56 shards): 100%|█████████████████████████████████████████████████████████████████████| 14586/14586 [00:00<00:00, 459.80 examples/s]
Saving the dataset (55/56 shards): 100%|█████████████████████████████████████████████████████████████████████| 14586/14586 [00:00<00:00, 459.80 examples/s]
Saving the dataset (56/56 shards): 100%|█████████████████████████████████████████████████████████████████████| 14586/14586 [00:00<00:00, 459.80 examples/s]
Saving the dataset (56/56 shards): 100%|███████████████████████████████████████████████████████████████████| 14586/14586 [00:01<00:00, 14250.17 examples/s]
[2025-12-29 02:49:29,500] [DEBUG] [axolotl.utils.trainer.calculate_total_num_steps:406] [PID:3751] total_num_tokens: 1_357_721
[2025-12-29 02:49:29,511] [DEBUG] [axolotl.utils.trainer.calculate_total_num_steps:424] [PID:3751] `total_supervised_tokens: 1_271_453`
[2025-12-29 02:49:29,521] [DEBUG] [axolotl.utils.samplers.multipack.pack_parallel:177] [PID:3751] Using single process for pack_parallel, running sequentially.
[2025-12-29 02:49:30,150] [DEBUG] [axolotl.utils.samplers.multipack.pack_parallel:177] [PID:3751] Using single process for pack_parallel, running sequentially.
[2025-12-29 02:49:30,334] [DEBUG] [axolotl.utils.samplers.multipack.__len__:462] [PID:3751] generate_batches time: 0.18436932563781738
[2025-12-29 02:49:30,334] [DEBUG] [axolotl.utils.samplers.multipack.pack_parallel:177] [PID:3751] Using single process for pack_parallel, running sequentially.
[2025-12-29 02:49:30,489] [DEBUG] [axolotl.utils.samplers.multipack.__len__:462] [PID:3751] generate_batches time: 0.15522313117980957
[2025-12-29 02:49:30,490] [DEBUG] [axolotl.utils.samplers.multipack.pack_parallel:177] [PID:3751] Using single process for pack_parallel, running sequentially.
[2025-12-29 02:49:30,609] [DEBUG] [axolotl.utils.samplers.multipack.__len__:462] [PID:3751] generate_batches time: 0.11953878402709961
[2025-12-29 02:49:30,609] [DEBUG] [axolotl.utils.samplers.multipack.pack_parallel:177] [PID:3751] Using single process for pack_parallel, running sequentially.
[2025-12-29 02:49:30,784] [DEBUG] [axolotl.utils.samplers.multipack.__len__:462] [PID:3751] generate_batches time: 0.17447447776794434
[2025-12-29 02:49:30,820] [INFO] [axolotl.utils.samplers.multipack.calc_min_len:438] [PID:3751] gather_len_batches: [72]
[2025-12-29 02:49:30,820] [DEBUG] [axolotl.utils.trainer.calculate_total_num_steps:483] [PID:3751] data_loader_len: 72
[2025-12-29 02:49:30,820] [INFO] [axolotl.utils.trainer.calc_sample_packing_eff_est:499] [PID:3751] sample_packing_eff_est across ranks: [0.9207634819878472]
[2025-12-29 02:49:30,821] [DEBUG] [axolotl.utils.trainer.calculate_total_num_steps:511] [PID:3751] sample_packing_eff_est: None
[2025-12-29 02:49:30,821] [DEBUG] [axolotl.utils.trainer.calculate_total_num_steps:522] [PID:3751] total_num_steps: 216
[2025-12-29 02:49:30,904] [DEBUG] [axolotl.utils.trainer.calculate_total_num_steps:406] [PID:3751] total_num_tokens: 25_392_481
[2025-12-29 02:49:31,120] [DEBUG] [axolotl.utils.trainer.calculate_total_num_steps:424] [PID:3751] `total_supervised_tokens: 23_772_065`
[2025-12-29 02:49:31,256] [DEBUG] [axolotl.utils.samplers.multipack.pack_parallel:177] [PID:3751] Using single process for pack_parallel, running sequentially.
[2025-12-29 02:49:31,508] [DEBUG] [axolotl.utils.samplers.multipack.pack_parallel:177] [PID:3751] Using single process for pack_parallel, running sequentially.
[2025-12-29 02:49:31,654] [DEBUG] [axolotl.utils.samplers.multipack.__len__:462] [PID:3751] generate_batches time: 0.14696550369262695
[2025-12-29 02:49:31,656] [DEBUG] [axolotl.utils.samplers.multipack.pack_parallel:177] [PID:3751] Using single process for pack_parallel, running sequentially.
[2025-12-29 02:49:31,804] [DEBUG] [axolotl.utils.samplers.multipack.__len__:462] [PID:3751] generate_batches time: 0.15028667449951172
[2025-12-29 02:49:31,806] [DEBUG] [axolotl.utils.samplers.multipack.pack_parallel:177] [PID:3751] Using single process for pack_parallel, running sequentially.
[2025-12-29 02:49:31,945] [DEBUG] [axolotl.utils.samplers.multipack.__len__:462] [PID:3751] generate_batches time: 0.14032292366027832
[2025-12-29 02:49:31,947] [DEBUG] [axolotl.utils.samplers.multipack.pack_parallel:177] [PID:3751] Using single process for pack_parallel, running sequentially.
[2025-12-29 02:49:32,123] [DEBUG] [axolotl.utils.samplers.multipack.__len__:462] [PID:3751] generate_batches time: 0.17771100997924805
[2025-12-29 02:49:32,123] [INFO] [axolotl.utils.samplers.multipack.calc_min_len:438] [PID:3751] gather_len_batches: [1332]
[2025-12-29 02:49:32,123] [DEBUG] [axolotl.utils.trainer.calculate_total_num_steps:483] [PID:3751] data_loader_len: 1332
[2025-12-29 02:49:32,123] [INFO] [axolotl.utils.trainer.calc_sample_packing_eff_est:499] [PID:3751] sample_packing_eff_est across ranks: [0.9298539345493663]
[2025-12-29 02:49:32,123] [DEBUG] [axolotl.utils.trainer.calculate_total_num_steps:511] [PID:3751] sample_packing_eff_est: 0.93
[2025-12-29 02:49:32,123] [DEBUG] [axolotl.utils.trainer.calculate_total_num_steps:522] [PID:3751] total_num_steps: 3996
[2025-12-29 02:49:32,124] [INFO] [axolotl.utils.data.sft._prepare_standard_dataset:121] [PID:3751] Maximum number of steps set at 3996
[2025-12-29 02:49:32,129] [DEBUG] [axolotl.train.setup_model_and_tokenizer:70] [PID:3751] loading tokenizer... codellama/CodeLlama-7b-hf
[2025-12-29 02:49:32,522] [DEBUG] [axolotl.loaders.tokenizer.load_tokenizer:280] [PID:3751] EOS: 2 /
[2025-12-29 02:49:32,522] [DEBUG] [axolotl.loaders.tokenizer.load_tokenizer:281] [PID:3751] BOS: 1 /
[2025-12-29 02:49:32,522] [DEBUG] [axolotl.loaders.tokenizer.load_tokenizer:282] [PID:3751] PAD: 2 /
[2025-12-29 02:49:32,522] [DEBUG] [axolotl.loaders.tokenizer.load_tokenizer:283] [PID:3751] UNK: 0 /
[2025-12-29 02:49:32,522] [DEBUG] [axolotl.train.setup_model_and_tokenizer:82] [PID:3751] Loading model
[2025-12-29 02:49:32,640] [DEBUG] [axolotl.monkeypatch.transformers.trainer_loss_calc.patch_evaluation_loop:87] [PID:3751] Patched Trainer.evaluation_loop with nanmean loss calculation
[2025-12-29 02:49:32,642] [DEBUG] [axolotl.monkeypatch.transformers.trainer_loss_calc.patch_maybe_log_save_evaluate:138] [PID:3751] Patched Trainer._maybe_log_save_evaluate with nanmean loss calculation
[2025-12-29 02:49:32,642] [INFO] [axolotl.loaders.patch_manager._apply_multipack_patches:301] [PID:3751] Applying multipack dataloader patch for sample packing...
[2025-12-29 02:49:32,643] [INFO] [axolotl.loaders.patch_manager._patch_llama_sample_packing:430] [PID:3751] Patching llama _prepare_4d_causal_attention_mask*...
Loading checkpoint shards: 0%| | 0/2 [00:00, ?it/s]
Loading checkpoint shards: 100%|████████████████████████████████████████████████████████████████████████████████████████████| 2/2 [00:00<00:00, 105.69it/s]
[2025-12-29 02:49:33,346] [INFO] [axolotl.loaders.model._configure_embedding_dtypes:347] [PID:3751] Converting modules to torch.bfloat16
[2025-12-29 02:49:33,680] [DEBUG] [axolotl.loaders.model.log_gpu_memory_usage:127] [PID:3751] Memory usage after model load 0.000GB ()
trainable params: 16,777,216 || all params: 6,755,323,904 || trainable%: 0.2484
[2025-12-29 02:49:33,870] [DEBUG] [axolotl.loaders.model.log_gpu_memory_usage:127] [PID:3751] after adapters 0.000GB ()
[2025-12-29 02:49:42,405] [INFO] [axolotl.train.save_initial_configs:413] [PID:3751] Pre-saving adapter config to ./outputs/luau-codellama-h200-fast...
[2025-12-29 02:49:42,405] [INFO] [axolotl.train.save_initial_configs:417] [PID:3751] Pre-saving tokenizer to ./outputs/luau-codellama-h200-fast...
[2025-12-29 02:49:42,407] [INFO] [axolotl.train.save_initial_configs:422] [PID:3751] Pre-saving model config to ./outputs/luau-codellama-h200-fast...
[2025-12-29 02:49:42,409] [INFO] [axolotl.train.execute_training:212] [PID:3751] Starting trainer...
[2025-12-29 02:49:43,888] [DEBUG] [axolotl.utils.samplers.multipack.__len__:462] [PID:3751] generate_batches time: 0.4409146308898926
[2025-12-29 02:49:44,338] [DEBUG] [axolotl.utils.samplers.multipack.__len__:462] [PID:3751] generate_batches time: 0.4499988555908203
[2025-12-29 02:49:44,786] [DEBUG] [axolotl.utils.samplers.multipack.__len__:462] [PID:3751] generate_batches time: 0.44726085662841797
[2025-12-29 02:49:45,191] [DEBUG] [axolotl.utils.samplers.multipack.__len__:462] [PID:3751] generate_batches time: 0.40509533882141113
[2025-12-29 02:49:45,192] [INFO] [axolotl.utils.samplers.multipack.calc_min_len:438] [PID:3751] gather_len_batches: [1333]
0%| | 0/3996 [00:00, ?it/s][2025-12-29 02:49:45,254] [INFO] [axolotl.core.trainers.base.evaluate:388] [PID:3751] Running evaluation step...
[2025-12-29 02:49:46,094] [DEBUG] [axolotl.utils.samplers.multipack.__len__:462] [PID:3751] generate_batches time: 0.42073726654052734
[2025-12-29 02:49:46,520] [DEBUG] [axolotl.utils.samplers.multipack.__len__:462] [PID:3751] generate_batches time: 0.4251554012298584
[2025-12-29 02:49:46,891] [DEBUG] [axolotl.utils.samplers.multipack.__len__:462] [PID:3751] generate_batches time: 0.37137746810913086
[2025-12-29 02:49:47,274] [DEBUG] [axolotl.utils.samplers.multipack.__len__:462] [PID:3751] generate_batches time: 0.38274621963500977
[2025-12-29 02:49:47,274] [INFO] [axolotl.utils.samplers.multipack.calc_min_len:438] [PID:3751] gather_len_batches: [72]
0%| | 0/72 [00:00, ?it/s][A
3%|███▎ | 2/72 [00:02<01:19, 1.14s/it][A
4%|████▉ | 3/72 [00:04<01:50, 1.61s/it][A
6%|██████▌ | 4/72 [00:06<02:06, 1.86s/it][A
7%|████████▎ | 5/72 [00:09<02:14, 2.00s/it][A
8%|█████████▉ | 6/72 [00:11<02:18, 2.10s/it][A
10%|███████████▌ | 7/72 [00:13<02:19, 2.15s/it][A
11%|█████████████▏ | 8/72 [00:15<02:20, 2.19s/it][A
12%|██████████████▉ | 9/72 [00:18<02:19, 2.22s/it][A
14%|████████████████▍ | 10/72 [00:20<02:18, 2.23s/it][A
15%|██████████████████ | 11/72 [00:22<02:18, 2.27s/it][A
17%|███████████████████▋ | 12/72 [00:25<02:18, 2.30s/it][A
18%|█████████████████████▎ | 13/72 [00:27<02:16, 2.31s/it][A
19%|██████████████████████▉ | 14/72 [00:29<02:13, 2.30s/it][A
21%|████████████████████████▌ | 15/72 [00:32<02:11, 2.30s/it][A
22%|██████████████████████████▏ | 16/72 [00:34<02:08, 2.30s/it][A
24%|███████████████████████████▊ | 17/72 [00:36<02:06, 2.30s/it][A
25%|█████████████████████████████▌ | 18/72 [00:38<02:03, 2.29s/it][A
26%|███████████████████████████████▏ | 19/72 [00:41<02:01, 2.29s/it][A
28%|████████████████████████████████▊ | 20/72 [00:43<01:58, 2.29s/it][A
29%|██████████████████████████████████▍ | 21/72 [00:45<01:56, 2.28s/it][A
31%|████████████████████████████████████ | 22/72 [00:48<01:53, 2.28s/it][A
32%|█████████████████████████████████████▋ | 23/72 [00:50<01:51, 2.28s/it][A
33%|███████████████████████████████████████▎ | 24/72 [00:52<01:49, 2.28s/it][A
35%|████████████████████████████████████████▉ | 25/72 [00:54<01:47, 2.29s/it][A
36%|██████████████████████████████████████████▌ | 26/72 [00:57<01:51, 2.43s/it][A
38%|████████████████████████████████████████████▎ | 27/72 [00:59<01:47, 2.38s/it][A
39%|█████████████████████████████████████████████▉ | 28/72 [01:02<01:42, 2.34s/it][A
40%|███████████████████████████████████████████████▌ | 29/72 [01:04<01:39, 2.30s/it][A
42%|█████████████████████████████████████████████████▏ | 30/72 [01:06<01:35, 2.28s/it][A
43%|██████████████████████████████████████████████████▊ | 31/72 [01:08<01:33, 2.28s/it][A
44%|████████████████████████████████████████████████████▍ | 32/72 [01:11<01:30, 2.27s/it][A
46%|██████████████████████████████████████████████████████ | 33/72 [01:13<01:28, 2.26s/it][A
47%|███████████████████████████████████████████████████████▋ | 34/72 [01:15<01:25, 2.26s/it][A
49%|█████████████████████████████████████████████████████████▎ | 35/72 [01:17<01:23, 2.26s/it][A
50%|███████████████████████████████████████████████████████████ | 36/72 [01:20<01:21, 2.26s/it][A
51%|████████████████████████████████████████████████████████████▋ | 37/72 [01:22<01:18, 2.25s/it][A
53%|██████████████████████████████████████████████████████████████▎ | 38/72 [01:24<01:16, 2.24s/it][A
54%|███████████████████████████████████████████████████████████████▉ | 39/72 [01:26<01:14, 2.24s/it][A
56%|█████████████████████████████████████████████████████████████████▌ | 40/72 [01:29<01:11, 2.25s/it][A
57%|███████████████████████████████████████████████████████████████████▏ | 41/72 [01:31<01:09, 2.25s/it][A
58%|████████████████████████████████████████████████████████████████████▊ | 42/72 [01:33<01:07, 2.25s/it][A
60%|██████████████████████████████████████████████████████████████████████▍ | 43/72 [01:35<01:05, 2.25s/it][A
61%|████████████████████████████████████████████████████████████████████████ | 44/72 [01:38<01:08, 2.45s/it][A
62%|█████████████████████████████████████████████████████████████████████████▊ | 45/72 [01:41<01:05, 2.43s/it][A
64%|███████████████████████████████████████████████████████████████████████████▍ | 46/72 [01:43<01:01, 2.38s/it][A
65%|█████████████████████████████████████████████████████████████████████████████ | 47/72 [01:45<00:58, 2.34s/it][A
67%|██████████████████████████████████████████████████████████████████████████████▋ | 48/72 [01:48<00:55, 2.32s/it][A
68%|████████████████████████████████████████████████████████████████████████████████▎ | 49/72 [01:50<00:53, 2.31s/it][A
69%|█████████████████████████████████████████████████████████████████████████████████▉ | 50/72 [01:52<00:50, 2.30s/it][A
71%|███████████████████████████████████████████████████████████████████████████████████▌ | 51/72 [01:54<00:48, 2.29s/it][A
72%|█████████████████████████████████████████████████████████████████████████████████████▏ | 52/72 [01:57<00:45, 2.29s/it][A
74%|██████████████████████████████████████████████████████████████████████████████████████▊ | 53/72 [01:59<00:43, 2.28s/it][A
75%|████████████████████████████████████████████████████████████████████████████████████████▌ | 54/72 [02:01<00:41, 2.28s/it][A
76%|██████████████████████████████████████████████████████████████████████████████████████████▏ | 55/72 [02:03<00:38, 2.27s/it][A
78%|███████████████████████████████████████████████████████████████████████████████████████████▊ | 56/72 [02:06<00:36, 2.26s/it][A
79%|█████████████████████████████████████████████████████████████████████████████████████████████▍ | 57/72 [02:08<00:33, 2.26s/it][A
81%|███████████████████████████████████████████████████████████████████████████████████████████████ | 58/72 [02:10<00:31, 2.27s/it][A
82%|████████████████████████████████████████████████████████████████████████████████████████████████▋ | 59/72 [02:14<00:34, 2.68s/it][A
83%|██████████████████████████████████████████████████████████████████████████████████████████████████▎ | 60/72 [02:16<00:30, 2.56s/it][A
85%|███████████████████████████████████████████████████████████████████████████████████████████████████▉ | 61/72 [02:18<00:27, 2.48s/it][A
86%|█████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 62/72 [02:21<00:24, 2.42s/it][A
88%|███████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 63/72 [02:23<00:21, 2.37s/it][A
89%|████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 64/72 [02:25<00:18, 2.33s/it][A
90%|██████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 65/72 [02:27<00:16, 2.31s/it][A
92%|████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 66/72 [02:30<00:13, 2.30s/it][A
93%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 67/72 [02:32<00:11, 2.30s/it][A
94%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 68/72 [02:34<00:09, 2.30s/it][A
96%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████ | 69/72 [02:37<00:06, 2.29s/it][A
97%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 70/72 [02:39<00:04, 2.29s/it][A
99%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 71/72 [02:41<00:02, 2.29s/it][A
100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 72/72 [02:43<00:00, 2.30s/it][A
[A{'eval_loss': 1.6887853145599365, 'eval_runtime': 167.3526, 'eval_samples_per_second': 4.362, 'eval_steps_per_second': 0.872, 'eval_ppl': 5.4129, 'memory/max_active (GiB)': 18.94, 'memory/max_allocated (GiB)': 18.94, 'memory/device_reserved (GiB)': 139.12, 'epoch': 0}
0%| | 0/3996 [02:49, ?it/s]
100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 72/72 [02:44<00:00, 2.30s/it][A
[A
0%| | 1/3996 [02:55<195:12:22, 175.91s/it]
0%| | 2/3996 [03:00<83:06:37, 74.91s/it]
0%| | 3/3996 [03:04<47:17:31, 42.64s/it]
0%| | 4/3996 [03:08<30:28:11, 27.48s/it]
0%|▏ | 5/3996 [03:13<21:23:10, 19.29s/it]
0%|▏ | 6/3996 [03:17<15:42:55, 14.18s/it]
0%|▏ | 7/3996 [03:21<12:06:13, 10.92s/it]
0%|▏ | 8/3996 [03:26<9:44:18, 8.79s/it]
0%|▎ | 9/3996 [03:30<8:09:49, 7.37s/it]
0%|▎ | 10/3996 [03:34<7:05:16, 6.40s/it]
0%|▎ | 11/3996 [03:39<6:29:39, 5.87s/it]
0%|▎ | 12/3996 [03:43<6:07:23, 5.53s/it]
0%|▎ | 13/3996 [03:48<5:41:57, 5.15s/it]
0%|▍ | 14/3996 [03:52<5:23:28, 4.87s/it]
0%|▍ | 15/3996 [03:56<5:10:29, 4.68s/it]
0%|▍ | 16/3996 [04:00<5:01:50, 4.55s/it]
0%|▍ | 17/3996 [04:05<4:55:19, 4.45s/it]
0%|▌ | 18/3996 [04:09<4:51:02, 4.39s/it]
0%|▌ | 19/3996 [04:14<4:58:50, 4.51s/it]
1%|▌ | 20/3996 [04:18<4:53:38, 4.43s/it]
1%|▌ | 21/3996 [04:22<4:49:34, 4.37s/it]
1%|▋ | 22/3996 [04:26<4:46:39, 4.33s/it]
1%|▋ | 23/3996 [04:31<4:44:50, 4.30s/it]
1%|▋ | 24/3996 [04:35<4:43:31, 4.28s/it]
1%|▋ | 25/3996 [04:39<4:42:32, 4.27s/it]
{'loss': 1.6848, 'grad_norm': 1.415561556816101, 'learning_rate': 4.8e-05, 'ppl': 5.3914, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.11, 'tokens_per_second_per_gpu': 16277.76, 'total_tokens': 1723633, 'epoch': 0.02}
1%|▋ | 25/3996 [04:39<4:42:32, 4.27s/it]
1%|▋ | 26/3996 [04:44<4:52:31, 4.42s/it]
1%|▊ | 27/3996 [04:48<4:48:56, 4.37s/it]
1%|▊ | 28/3996 [04:52<4:45:57, 4.32s/it]
1%|▊ | 29/3996 [04:57<4:44:01, 4.30s/it]
1%|▊ | 30/3996 [05:01<4:42:52, 4.28s/it]
1%|▉ | 31/3996 [05:05<4:41:56, 4.27s/it]
1%|▉ | 32/3996 [05:09<4:41:16, 4.26s/it]
1%|▉ | 33/3996 [05:14<4:51:21, 4.41s/it]
1%|▉ | 34/3996 [05:18<4:47:45, 4.36s/it]
1%|▉ | 35/3996 [05:23<4:45:08, 4.32s/it]
1%|█ | 36/3996 [05:27<4:42:59, 4.29s/it]
1%|█ | 37/3996 [05:31<4:41:30, 4.27s/it]
1%|█ | 38/3996 [05:35<4:40:27, 4.25s/it]
1%|█ | 39/3996 [05:39<4:40:02, 4.25s/it]
1%|█▏ | 40/3996 [05:44<4:50:09, 4.40s/it]
1%|█▏ | 41/3996 [05:48<4:46:35, 4.35s/it]
1%|█▏ | 42/3996 [05:53<4:43:43, 4.31s/it]
1%|█▏ | 43/3996 [05:57<4:41:52, 4.28s/it]
1%|█▎ | 44/3996 [06:01<4:40:47, 4.26s/it]
1%|█▎ | 45/3996 [06:05<4:39:54, 4.25s/it]
1%|█▎ | 46/3996 [06:10<4:40:37, 4.26s/it]
1%|█▎ | 47/3996 [06:15<4:56:40, 4.51s/it]
1%|█▎ | 48/3996 [06:19<4:50:53, 4.42s/it]
1%|█▍ | 49/3996 [06:23<4:46:26, 4.35s/it]
1%|█▍ | 50/3996 [06:27<4:43:19, 4.31s/it]
{'loss': 0.9839, 'grad_norm': 0.33179354667663574, 'learning_rate': 9.8e-05, 'ppl': 2.6749, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4303.21, 'total_tokens': 2175386, 'epoch': 0.04}
1%|█▍ | 50/3996 [06:27<4:43:19, 4.31s/it]
1%|█▍ | 51/3996 [06:32<4:41:34, 4.28s/it]
1%|█▍ | 52/3996 [06:36<4:40:11, 4.26s/it]
1%|█▌ | 53/3996 [06:40<4:39:22, 4.25s/it]
1%|█▌ | 54/3996 [06:45<4:49:56, 4.41s/it]
1%|█▌ | 55/3996 [06:49<4:45:49, 4.35s/it]
1%|█▌ | 56/3996 [06:53<4:42:56, 4.31s/it]
1%|█▋ | 57/3996 [06:57<4:40:54, 4.28s/it]
1%|█▋ | 58/3996 [07:02<4:39:43, 4.26s/it]
1%|█▋ | 59/3996 [07:06<4:38:47, 4.25s/it]
2%|█▋ | 60/3996 [07:10<4:38:14, 4.24s/it]
2%|█▋ | 61/3996 [07:15<4:48:03, 4.39s/it]
2%|█▊ | 62/3996 [07:19<4:44:49, 4.34s/it]
2%|█▊ | 63/3996 [07:23<4:42:22, 4.31s/it]
2%|█▊ | 64/3996 [07:27<4:40:20, 4.28s/it]
2%|█▊ | 65/3996 [07:32<4:42:49, 4.32s/it]
2%|█▉ | 66/3996 [07:36<4:40:56, 4.29s/it]
2%|█▉ | 67/3996 [07:40<4:39:50, 4.27s/it]
2%|█▉ | 68/3996 [07:45<4:49:20, 4.42s/it]
2%|█▉ | 69/3996 [07:49<4:45:27, 4.36s/it]
2%|█▉ | 70/3996 [07:53<4:42:09, 4.31s/it]
2%|██ | 71/3996 [07:58<4:39:53, 4.28s/it]
2%|██ | 72/3996 [08:02<4:38:38, 4.26s/it]
2%|██ | 73/3996 [08:06<4:37:42, 4.25s/it]
2%|██ | 74/3996 [08:10<4:37:29, 4.25s/it]
2%|██▏ | 75/3996 [08:15<4:47:19, 4.40s/it]
{'loss': 0.8002, 'grad_norm': 0.17453454434871674, 'learning_rate': 0.000148, 'ppl': 2.226, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 3776.03, 'total_tokens': 2623712, 'epoch': 0.06}
2%|██▏ | 75/3996 [08:15<4:47:19, 4.40s/it]
2%|██▏ | 76/3996 [08:19<4:43:59, 4.35s/it]
2%|██▏ | 77/3996 [08:24<4:41:37, 4.31s/it]
2%|██▏ | 78/3996 [08:28<4:39:35, 4.28s/it]
2%|██▎ | 79/3996 [08:32<4:38:38, 4.27s/it]
2%|██▎ | 80/3996 [08:36<4:37:43, 4.26s/it]
2%|██▎ | 81/3996 [08:40<4:37:20, 4.25s/it]
2%|██▎ | 82/3996 [08:46<4:54:33, 4.52s/it]
2%|██▎ | 83/3996 [08:50<4:48:41, 4.43s/it]
2%|██▍ | 84/3996 [08:54<4:44:41, 4.37s/it]
2%|██▍ | 85/3996 [08:58<4:41:24, 4.32s/it]
2%|██▍ | 86/3996 [09:02<4:39:38, 4.29s/it]
2%|██▍ | 87/3996 [09:07<4:38:17, 4.27s/it]
2%|██▌ | 88/3996 [09:11<4:39:34, 4.29s/it]
2%|██▌ | 89/3996 [09:16<4:48:40, 4.43s/it]
2%|██▌ | 90/3996 [09:20<4:44:42, 4.37s/it]
2%|██▌ | 91/3996 [09:24<4:42:08, 4.34s/it]
2%|██▌ | 92/3996 [09:29<4:39:42, 4.30s/it]
2%|██▋ | 93/3996 [09:33<4:38:01, 4.27s/it]
2%|██▋ | 94/3996 [09:37<4:37:00, 4.26s/it]
2%|██▋ | 95/3996 [09:41<4:36:15, 4.25s/it]
2%|██▋ | 96/3996 [09:46<4:46:17, 4.40s/it]
2%|██▊ | 97/3996 [09:50<4:42:25, 4.35s/it]
2%|██▊ | 98/3996 [09:54<4:39:55, 4.31s/it]
2%|██▊ | 99/3996 [09:59<4:37:46, 4.28s/it]
3%|██▊ | 100/3996 [10:03<4:36:38, 4.26s/it]
{'loss': 0.7218, 'grad_norm': 0.19318008422851562, 'learning_rate': 0.00019800000000000002, 'ppl': 2.0581, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4252.49, 'total_tokens': 3072519, 'epoch': 0.08}
3%|██▊ | 100/3996 [10:03<4:36:38, 4.26s/it]
3%|██▊ | 101/3996 [10:07<4:35:55, 4.25s/it]
3%|██▉ | 102/3996 [10:11<4:35:32, 4.25s/it]
3%|██▉ | 103/3996 [10:16<4:45:41, 4.40s/it]
3%|██▉ | 104/3996 [10:20<4:42:04, 4.35s/it]
3%|██▉ | 105/3996 [10:24<4:39:28, 4.31s/it]
3%|██▉ | 106/3996 [10:29<4:37:26, 4.28s/it]
3%|███ | 107/3996 [10:33<4:36:09, 4.26s/it]
3%|███ | 108/3996 [10:37<4:34:54, 4.24s/it]
3%|███ | 109/3996 [10:41<4:34:20, 4.23s/it]
3%|███ | 110/3996 [10:46<4:44:18, 4.39s/it]
3%|███▏ | 111/3996 [10:50<4:41:05, 4.34s/it]
3%|███▏ | 112/3996 [10:55<4:38:28, 4.30s/it]
3%|███▏ | 113/3996 [10:59<4:36:31, 4.27s/it]
3%|███▏ | 114/3996 [11:03<4:35:21, 4.26s/it]
3%|███▎ | 115/3996 [11:07<4:34:23, 4.24s/it]
3%|███▎ | 116/3996 [11:11<4:33:49, 4.23s/it]
3%|███▎ | 117/3996 [11:16<4:43:29, 4.39s/it]
3%|███▎ | 118/3996 [11:21<4:47:24, 4.45s/it]
3%|███▎ | 119/3996 [11:25<4:42:25, 4.37s/it]
3%|███▍ | 120/3996 [11:29<4:39:07, 4.32s/it]
3%|███▍ | 121/3996 [11:33<4:37:00, 4.29s/it]
3%|███▍ | 122/3996 [11:38<4:35:18, 4.26s/it]
3%|███▍ | 123/3996 [11:42<4:34:23, 4.25s/it]
3%|███▌ | 124/3996 [11:46<4:43:49, 4.40s/it]
3%|███▌ | 125/3996 [11:51<4:39:51, 4.34s/it]
{'loss': 0.6759, 'grad_norm': 0.18435686826705933, 'learning_rate': 0.00019998127418269004, 'ppl': 1.9658, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4303.31, 'total_tokens': 3523983, 'epoch': 0.09}
3%|███▌ | 125/3996 [11:51<4:39:51, 4.34s/it]
3%|███▌ | 126/3996 [11:55<4:37:09, 4.30s/it]
3%|███▌ | 127/3996 [11:59<4:34:51, 4.26s/it]
3%|███▌ | 128/3996 [12:03<4:33:58, 4.25s/it]
3%|███▋ | 129/3996 [12:07<4:32:59, 4.24s/it]
3%|███▋ | 130/3996 [12:12<4:32:32, 4.23s/it]
3%|███▋ | 131/3996 [12:16<4:42:23, 4.38s/it]
3%|███▋ | 132/3996 [12:21<4:38:56, 4.33s/it]
3%|███▊ | 133/3996 [12:25<4:36:21, 4.29s/it]
3%|███▊ | 134/3996 [12:29<4:34:32, 4.27s/it]
3%|███▊ | 135/3996 [12:33<4:33:25, 4.25s/it]
3%|███▊ | 136/3996 [12:37<4:32:35, 4.24s/it]
3%|███▊ | 137/3996 [12:42<4:31:44, 4.23s/it]
3%|███▉ | 138/3996 [12:46<4:41:38, 4.38s/it]
3%|███▉ | 139/3996 [12:51<4:38:06, 4.33s/it]
4%|███▉ | 140/3996 [12:55<4:35:33, 4.29s/it]
4%|███▉ | 141/3996 [12:59<4:33:47, 4.26s/it]
4%|████ | 142/3996 [13:03<4:32:44, 4.25s/it]
4%|████ | 143/3996 [13:07<4:31:48, 4.23s/it]
4%|████ | 144/3996 [13:12<4:31:19, 4.23s/it]
4%|████ | 145/3996 [13:16<4:40:57, 4.38s/it]
4%|████▏ | 146/3996 [13:21<4:37:32, 4.33s/it]
4%|████▏ | 147/3996 [13:25<4:35:15, 4.29s/it]
4%|████▏ | 148/3996 [13:29<4:33:18, 4.26s/it]
4%|████▏ | 149/3996 [13:33<4:32:24, 4.25s/it]
4%|████▏ | 150/3996 [13:37<4:31:47, 4.24s/it]
{'loss': 0.6703, 'grad_norm': 0.19870473444461823, 'learning_rate': 0.00019992195096972548, 'ppl': 1.9548, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4260.86, 'total_tokens': 3973452, 'epoch': 0.11}
4%|████▏ | 150/3996 [13:37<4:31:47, 4.24s/it]
4%|████▎ | 151/3996 [13:42<4:31:06, 4.23s/it]
4%|████▎ | 152/3996 [13:46<4:40:51, 4.38s/it]
4%|████▎ | 153/3996 [13:51<4:37:32, 4.33s/it]
4%|████▎ | 154/3996 [13:55<4:35:48, 4.31s/it]
4%|████▍ | 155/3996 [13:59<4:33:54, 4.28s/it]
4%|████▍ | 156/3996 [14:03<4:32:45, 4.26s/it]
4%|████▍ | 157/3996 [14:07<4:31:33, 4.24s/it]
4%|████▍ | 158/3996 [14:12<4:31:00, 4.24s/it]
4%|████▍ | 159/3996 [14:16<4:40:39, 4.39s/it]
4%|████▌ | 160/3996 [14:21<4:37:18, 4.34s/it]
4%|████▌ | 161/3996 [14:25<4:34:43, 4.30s/it]
4%|████▌ | 162/3996 [14:29<4:33:08, 4.27s/it]
4%|████▌ | 163/3996 [14:33<4:31:50, 4.26s/it]
4%|████▋ | 164/3996 [14:37<4:31:02, 4.24s/it]
4%|████▋ | 165/3996 [14:42<4:30:32, 4.24s/it]
4%|████▋ | 166/3996 [14:46<4:40:20, 4.39s/it]
4%|████▋ | 167/3996 [14:51<4:36:50, 4.34s/it]
4%|████▊ | 168/3996 [14:55<4:34:14, 4.30s/it]
4%|████▊ | 169/3996 [14:59<4:32:40, 4.27s/it]
4%|████▊ | 170/3996 [15:03<4:31:39, 4.26s/it]
4%|████▊ | 171/3996 [15:08<4:30:26, 4.24s/it]
4%|████▊ | 172/3996 [15:12<4:30:27, 4.24s/it]
4%|████▉ | 173/3996 [15:17<4:41:49, 4.42s/it]
4%|████▉ | 174/3996 [15:21<4:38:06, 4.37s/it]
4%|████▉ | 175/3996 [15:25<4:34:53, 4.32s/it]
{'loss': 0.6381, 'grad_norm': 0.20499658584594727, 'learning_rate': 0.0001998220219574743, 'ppl': 1.8929, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4288.64, 'total_tokens': 4423763, 'epoch': 0.13}
4%|████▉ | 175/3996 [15:25<4:34:53, 4.32s/it]
4%|████▉ | 176/3996 [15:29<4:32:56, 4.29s/it]
4%|█████ | 177/3996 [15:33<4:31:34, 4.27s/it]
4%|█████ | 178/3996 [15:38<4:30:44, 4.25s/it]
4%|█████ | 179/3996 [15:42<4:29:57, 4.24s/it]
5%|█████ | 180/3996 [15:47<4:39:34, 4.40s/it]
5%|█████ | 181/3996 [15:51<4:36:17, 4.35s/it]
5%|█████▏ | 182/3996 [15:55<4:33:32, 4.30s/it]
5%|█████▏ | 183/3996 [15:59<4:31:42, 4.28s/it]
5%|█████▏ | 184/3996 [16:04<4:30:55, 4.26s/it]
5%|█████▏ | 185/3996 [16:08<4:30:05, 4.25s/it]
5%|█████▎ | 186/3996 [16:12<4:29:25, 4.24s/it]
5%|█████▎ | 187/3996 [16:17<4:39:02, 4.40s/it]
5%|█████▎ | 188/3996 [16:21<4:35:58, 4.35s/it]
5%|█████▎ | 189/3996 [16:25<4:33:25, 4.31s/it]
5%|█████▎ | 190/3996 [16:29<4:31:33, 4.28s/it]
5%|█████▍ | 191/3996 [16:34<4:30:28, 4.27s/it]
5%|█████▍ | 192/3996 [16:38<4:29:49, 4.26s/it]
5%|█████▍ | 193/3996 [16:42<4:29:07, 4.25s/it]
5%|█████▍ | 194/3996 [16:47<4:38:42, 4.40s/it]
5%|█████▌ | 195/3996 [16:51<4:35:16, 4.35s/it]
5%|█████▌ | 196/3996 [16:55<4:32:31, 4.30s/it]
5%|█████▌ | 197/3996 [16:59<4:30:32, 4.27s/it]
5%|█████▌ | 198/3996 [17:04<4:29:36, 4.26s/it]
5%|█████▋ | 199/3996 [17:08<4:28:56, 4.25s/it]
5%|█████▋ | 200/3996 [17:12<4:28:27, 4.24s/it]
{'loss': 0.6383, 'grad_norm': 0.18934418261051178, 'learning_rate': 0.00019968152775460537, 'ppl': 1.8933, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4244.79, 'total_tokens': 4872365, 'epoch': 0.15}
5%|█████▋ | 200/3996 [17:12<4:28:27, 4.24s/it]
5%|█████▋ | 201/3996 [17:17<4:37:53, 4.39s/it]
5%|█████▋ | 202/3996 [17:21<4:34:51, 4.35s/it]
5%|█████▋ | 203/3996 [17:25<4:32:14, 4.31s/it]
5%|█████▊ | 204/3996 [17:30<4:30:10, 4.28s/it]
5%|█████▊ | 205/3996 [17:34<4:29:15, 4.26s/it]
5%|█████▊ | 206/3996 [17:38<4:28:24, 4.25s/it]
5%|█████▊ | 207/3996 [17:42<4:27:32, 4.24s/it]
5%|█████▉ | 208/3996 [17:47<4:45:05, 4.52s/it]
5%|█████▉ | 209/3996 [17:52<4:39:14, 4.42s/it]
5%|█████▉ | 210/3996 [17:56<4:34:57, 4.36s/it]
5%|█████▉ | 211/3996 [18:00<4:32:02, 4.31s/it]
5%|█████▉ | 212/3996 [18:04<4:30:07, 4.28s/it]
5%|██████ | 213/3996 [18:08<4:28:39, 4.26s/it]
5%|██████ | 214/3996 [18:13<4:27:39, 4.25s/it]
5%|██████ | 215/3996 [18:17<4:37:10, 4.40s/it]
5%|██████ | 216/3996 [18:22<4:33:42, 4.34s/it]
5%|██████▏ | 217/3996 [18:26<4:30:57, 4.30s/it]
5%|██████▏ | 218/3996 [18:30<4:29:09, 4.27s/it]
5%|██████▏ | 219/3996 [18:34<4:27:56, 4.26s/it]
6%|██████▏ | 220/3996 [18:38<4:26:51, 4.24s/it]
6%|██████▏ | 221/3996 [18:43<4:26:29, 4.24s/it]
6%|██████▎ | 222/3996 [18:47<4:36:42, 4.40s/it]
6%|██████▎ | 223/3996 [18:52<4:33:17, 4.35s/it]
6%|██████▎ | 224/3996 [18:56<4:30:36, 4.30s/it]
6%|██████▎ | 225/3996 [19:00<4:28:39, 4.27s/it]
{'loss': 0.6347, 'grad_norm': 0.1827855408191681, 'learning_rate': 0.00019950052545447352, 'ppl': 1.8865, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4252.71, 'total_tokens': 5319322, 'epoch': 0.17}
6%|██████▎ | 225/3996 [19:00<4:28:39, 4.27s/it]
6%|██████▍ | 226/3996 [19:04<4:27:44, 4.26s/it]
6%|██████▍ | 227/3996 [19:09<4:26:48, 4.25s/it]
6%|██████▍ | 228/3996 [19:13<4:26:18, 4.24s/it]
6%|██████▍ | 229/3996 [19:18<4:36:07, 4.40s/it]
6%|██████▌ | 230/3996 [19:22<4:32:59, 4.35s/it]
6%|██████▌ | 231/3996 [19:26<4:30:34, 4.31s/it]
6%|██████▌ | 232/3996 [19:30<4:28:25, 4.28s/it]
6%|██████▌ | 233/3996 [19:34<4:27:01, 4.26s/it]
6%|██████▌ | 234/3996 [19:39<4:26:15, 4.25s/it]
6%|██████▋ | 235/3996 [19:43<4:25:41, 4.24s/it]
6%|██████▋ | 236/3996 [19:48<4:35:15, 4.39s/it]
6%|██████▋ | 237/3996 [19:52<4:32:09, 4.34s/it]
6%|██████▋ | 238/3996 [19:56<4:29:22, 4.30s/it]
6%|██████▊ | 239/3996 [20:00<4:27:37, 4.27s/it]
6%|██████▊ | 240/3996 [20:04<4:26:40, 4.26s/it]
6%|██████▊ | 241/3996 [20:09<4:26:01, 4.25s/it]
6%|██████▊ | 242/3996 [20:13<4:25:12, 4.24s/it]
6%|██████▊ | 243/3996 [20:18<4:34:57, 4.40s/it]
6%|██████▉ | 244/3996 [20:22<4:39:40, 4.47s/it]
6%|██████▉ | 245/3996 [20:27<4:34:45, 4.40s/it]
6%|██████▉ | 246/3996 [20:31<4:31:16, 4.34s/it]
6%|██████▉ | 247/3996 [20:35<4:28:48, 4.30s/it]
6%|███████ | 248/3996 [20:39<4:27:20, 4.28s/it]
6%|███████ | 249/3996 [20:43<4:25:51, 4.26s/it]
6%|███████ | 250/3996 [20:48<4:35:18, 4.41s/it]
{'loss': 0.6392, 'grad_norm': 0.16483066976070404, 'learning_rate': 0.00019927908861191827, 'ppl': 1.895, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 3772.0, 'total_tokens': 5768644, 'epoch': 0.19}
6%|███████ | 250/3996 [20:48<4:35:18, 4.41s/it]
6%|███████ | 251/3996 [20:52<4:31:39, 4.35s/it]
6%|███████▏ | 252/3996 [20:57<4:29:05, 4.31s/it]
6%|███████▏ | 253/3996 [21:01<4:26:53, 4.28s/it]
6%|███████▏ | 254/3996 [21:05<4:25:58, 4.26s/it]
6%|███████▏ | 255/3996 [21:09<4:25:23, 4.26s/it]
6%|███████▏ | 256/3996 [21:13<4:24:51, 4.25s/it]
6%|███████▎ | 257/3996 [21:18<4:34:27, 4.40s/it]
6%|███████▎ | 258/3996 [21:23<4:31:25, 4.36s/it]
6%|███████▎ | 259/3996 [21:27<4:28:53, 4.32s/it]
7%|███████▎ | 260/3996 [21:31<4:26:55, 4.29s/it]
7%|███████▍ | 261/3996 [21:35<4:26:02, 4.27s/it]
7%|███████▍ | 262/3996 [21:39<4:25:00, 4.26s/it]
7%|███████▍ | 263/3996 [21:44<4:24:14, 4.25s/it]
7%|███████▍ | 264/3996 [21:48<4:33:49, 4.40s/it]
7%|███████▍ | 265/3996 [21:53<4:30:28, 4.35s/it]
7%|███████▌ | 266/3996 [21:57<4:27:47, 4.31s/it]
7%|███████▌ | 267/3996 [22:01<4:26:01, 4.28s/it]
7%|███████▌ | 268/3996 [22:05<4:25:24, 4.27s/it]
7%|███████▌ | 269/3996 [22:10<4:24:39, 4.26s/it]
7%|███████▋ | 270/3996 [22:14<4:23:48, 4.25s/it]
7%|███████▋ | 271/3996 [22:19<4:33:10, 4.40s/it]
7%|███████▋ | 272/3996 [22:23<4:30:02, 4.35s/it]
7%|███████▋ | 273/3996 [22:27<4:27:28, 4.31s/it]
7%|███████▋ | 274/3996 [22:31<4:25:45, 4.28s/it]
7%|███████▊ | 275/3996 [22:35<4:24:34, 4.27s/it]
{'loss': 0.614, 'grad_norm': 0.17186357080936432, 'learning_rate': 0.00019901730721337302, 'ppl': 1.8478, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4281.82, 'total_tokens': 6220751, 'epoch': 0.21}
7%|███████▊ | 275/3996 [22:35<4:24:34, 4.27s/it]
7%|███████▊ | 276/3996 [22:40<4:23:38, 4.25s/it]
7%|███████▊ | 277/3996 [22:44<4:22:46, 4.24s/it]
7%|███████▊ | 278/3996 [22:49<4:32:26, 4.40s/it]
7%|███████▉ | 279/3996 [22:53<4:29:06, 4.34s/it]
7%|███████▉ | 280/3996 [22:57<4:26:29, 4.30s/it]
7%|███████▉ | 281/3996 [23:01<4:24:48, 4.28s/it]
7%|███████▉ | 282/3996 [23:05<4:23:45, 4.26s/it]
7%|████████ | 283/3996 [23:10<4:23:10, 4.25s/it]
7%|████████ | 284/3996 [23:14<4:22:31, 4.24s/it]
7%|████████ | 285/3996 [23:19<4:31:42, 4.39s/it]
7%|████████ | 286/3996 [23:23<4:28:26, 4.34s/it]
7%|████████ | 287/3996 [23:27<4:26:05, 4.30s/it]
7%|████████▏ | 288/3996 [23:31<4:24:28, 4.28s/it]
7%|████████▏ | 289/3996 [23:36<4:24:14, 4.28s/it]
7%|████████▏ | 290/3996 [23:40<4:22:58, 4.26s/it]
7%|████████▏ | 291/3996 [23:44<4:22:05, 4.24s/it]
7%|████████▎ | 292/3996 [23:49<4:31:22, 4.40s/it]
7%|████████▎ | 293/3996 [23:53<4:28:09, 4.34s/it]
7%|████████▎ | 294/3996 [23:57<4:25:26, 4.30s/it]
7%|████████▎ | 295/3996 [24:01<4:23:41, 4.28s/it]
7%|████████▎ | 296/3996 [24:06<4:22:28, 4.26s/it]
7%|████████▍ | 297/3996 [24:10<4:21:23, 4.24s/it]
7%|████████▍ | 298/3996 [24:14<4:20:30, 4.23s/it]
7%|████████▍ | 299/3996 [24:19<4:30:12, 4.39s/it]
8%|████████▍ | 300/3996 [24:23<4:27:12, 4.34s/it]
{'loss': 0.6196, 'grad_norm': 0.18073013424873352, 'learning_rate': 0.00019871528764029667, 'ppl': 1.8582, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4234.51, 'total_tokens': 6668111, 'epoch': 0.23}
8%|████████▍ | 300/3996 [24:23<4:27:12, 4.34s/it]
8%|████████▌ | 301/3996 [24:27<4:24:51, 4.30s/it]
8%|████████▌ | 302/3996 [24:31<4:22:51, 4.27s/it]
8%|████████▌ | 303/3996 [24:36<4:21:40, 4.25s/it]
8%|████████▌ | 304/3996 [24:40<4:20:59, 4.24s/it]
8%|████████▌ | 305/3996 [24:44<4:20:23, 4.23s/it]
8%|████████▋ | 306/3996 [24:49<4:29:50, 4.39s/it]
8%|████████▋ | 307/3996 [24:53<4:26:25, 4.33s/it]
8%|████████▋ | 308/3996 [24:57<4:24:10, 4.30s/it]
8%|████████▋ | 309/3996 [25:01<4:22:30, 4.27s/it]
8%|████████▊ | 310/3996 [25:06<4:21:02, 4.25s/it]
8%|████████▊ | 311/3996 [25:10<4:20:09, 4.24s/it]
8%|████████▊ | 312/3996 [25:14<4:19:28, 4.23s/it]
8%|████████▊ | 313/3996 [25:19<4:29:15, 4.39s/it]
8%|████████▉ | 314/3996 [25:23<4:26:08, 4.34s/it]
8%|████████▉ | 315/3996 [25:27<4:23:42, 4.30s/it]
8%|████████▉ | 316/3996 [25:31<4:22:00, 4.27s/it]
8%|████████▉ | 317/3996 [25:36<4:20:56, 4.26s/it]
8%|████████▉ | 318/3996 [25:40<4:20:10, 4.24s/it]
8%|█████████ | 319/3996 [25:44<4:19:54, 4.24s/it]
8%|█████████ | 320/3996 [25:49<4:29:22, 4.40s/it]
8%|█████████ | 321/3996 [25:53<4:25:53, 4.34s/it]
8%|█████████ | 322/3996 [25:57<4:23:35, 4.30s/it]
8%|█████████▏ | 323/3996 [26:02<4:21:38, 4.27s/it]
8%|█████████▏ | 324/3996 [26:06<4:20:34, 4.26s/it]
8%|█████████▏ | 325/3996 [26:10<4:19:47, 4.25s/it]
{'loss': 0.6181, 'grad_norm': 0.19639697670936584, 'learning_rate': 0.00019837315262594306, 'ppl': 1.8554, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4261.44, 'total_tokens': 7117439, 'epoch': 0.24}
8%|█████████▏ | 325/3996 [26:10<4:19:47, 4.25s/it]
8%|█████████▏ | 326/3996 [26:14<4:19:18, 4.24s/it]
8%|█████████▏ | 327/3996 [26:19<4:29:14, 4.40s/it]
8%|█████████▎ | 328/3996 [26:23<4:25:56, 4.35s/it]
8%|█████████▎ | 329/3996 [26:27<4:23:19, 4.31s/it]
8%|█████████▎ | 330/3996 [26:32<4:21:13, 4.28s/it]
8%|█████████▎ | 331/3996 [26:36<4:20:01, 4.26s/it]
8%|█████████▍ | 332/3996 [26:40<4:19:11, 4.24s/it]
8%|█████████▍ | 333/3996 [26:44<4:18:56, 4.24s/it]
8%|█████████▍ | 334/3996 [26:49<4:29:44, 4.42s/it]
8%|█████████▍ | 335/3996 [26:53<4:26:02, 4.36s/it]
8%|█████████▌ | 336/3996 [26:58<4:23:39, 4.32s/it]
8%|█████████▌ | 337/3996 [27:02<4:21:34, 4.29s/it]
8%|█████████▌ | 338/3996 [27:06<4:20:03, 4.27s/it]
8%|█████████▌ | 339/3996 [27:10<4:19:04, 4.25s/it]
9%|█████████▌ | 340/3996 [27:14<4:18:09, 4.24s/it]
9%|█████████▋ | 341/3996 [27:19<4:29:17, 4.42s/it]
9%|█████████▋ | 342/3996 [27:23<4:25:32, 4.36s/it]
9%|█████████▋ | 343/3996 [27:28<4:22:39, 4.31s/it]
9%|█████████▋ | 344/3996 [27:32<4:20:51, 4.29s/it]
9%|█████████▊ | 345/3996 [27:36<4:19:16, 4.26s/it]
9%|█████████▊ | 346/3996 [27:40<4:18:11, 4.24s/it]
9%|█████████▊ | 347/3996 [27:45<4:17:35, 4.24s/it]
9%|█████████▊ | 348/3996 [27:49<4:26:40, 4.39s/it]
9%|█████████▊ | 349/3996 [27:53<4:23:18, 4.33s/it]
9%|█████████▉ | 350/3996 [27:58<4:20:53, 4.29s/it]
{'loss': 0.6141, 'grad_norm': 0.1670486479997635, 'learning_rate': 0.00019799104120548492, 'ppl': 1.848, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4298.97, 'total_tokens': 7569060, 'epoch': 0.26}
9%|█████████▉ | 350/3996 [27:58<4:20:53, 4.29s/it]
9%|█████████▉ | 351/3996 [28:02<4:19:04, 4.26s/it]
9%|█████████▉ | 352/3996 [28:06<4:18:06, 4.25s/it]
9%|█████████▉ | 353/3996 [28:10<4:17:22, 4.24s/it]
9%|██████████ | 354/3996 [28:14<4:16:46, 4.23s/it]
9%|██████████ | 355/3996 [28:19<4:26:16, 4.39s/it]
9%|██████████ | 356/3996 [28:23<4:23:11, 4.34s/it]
9%|██████████ | 357/3996 [28:28<4:21:02, 4.30s/it]
9%|██████████ | 358/3996 [28:32<4:19:20, 4.28s/it]
9%|██████████▏ | 359/3996 [28:36<4:17:38, 4.25s/it]
9%|██████████▏ | 360/3996 [28:40<4:16:50, 4.24s/it]
9%|██████████▏ | 361/3996 [28:45<4:16:11, 4.23s/it]
9%|██████████▏ | 362/3996 [28:49<4:25:40, 4.39s/it]
9%|██████████▎ | 363/3996 [28:53<4:22:13, 4.33s/it]
9%|██████████▎ | 364/3996 [28:58<4:19:57, 4.29s/it]
9%|██████████▎ | 365/3996 [29:02<4:18:17, 4.27s/it]
9%|██████████▎ | 366/3996 [29:06<4:17:25, 4.26s/it]
9%|██████████▍ | 367/3996 [29:10<4:16:40, 4.24s/it]
9%|██████████▍ | 368/3996 [29:15<4:16:20, 4.24s/it]
9%|██████████▍ | 369/3996 [29:19<4:25:22, 4.39s/it]
9%|██████████▍ | 370/3996 [29:24<4:29:19, 4.46s/it]
9%|██████████▍ | 371/3996 [29:28<4:24:43, 4.38s/it]
9%|██████████▌ | 372/3996 [29:32<4:21:18, 4.33s/it]
9%|██████████▌ | 373/3996 [29:37<4:19:16, 4.29s/it]
9%|██████████▌ | 374/3996 [29:41<4:17:48, 4.27s/it]
9%|██████████▌ | 375/3996 [29:45<4:16:45, 4.25s/it]
{'loss': 0.6075, 'grad_norm': 0.17752495408058167, 'learning_rate': 0.00019756910865951377, 'ppl': 1.8358, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4256.6, 'total_tokens': 8017630, 'epoch': 0.28}
9%|██████████▌ | 375/3996 [29:45<4:16:45, 4.25s/it]
9%|██████████▋ | 376/3996 [29:50<4:25:49, 4.41s/it]
9%|██████████▋ | 377/3996 [29:54<4:22:16, 4.35s/it]
9%|██████████▋ | 378/3996 [29:58<4:19:52, 4.31s/it]
9%|██████████▋ | 379/3996 [30:02<4:17:58, 4.28s/it]
10%|██████████▋ | 380/3996 [30:07<4:16:56, 4.26s/it]
10%|██████████▊ | 381/3996 [30:11<4:16:00, 4.25s/it]
10%|██████████▊ | 382/3996 [30:15<4:15:26, 4.24s/it]
10%|██████████▊ | 383/3996 [30:20<4:25:01, 4.40s/it]
10%|██████████▊ | 384/3996 [30:24<4:21:46, 4.35s/it]
10%|██████████▉ | 385/3996 [30:28<4:19:23, 4.31s/it]
10%|██████████▉ | 386/3996 [30:32<4:17:36, 4.28s/it]
10%|██████████▉ | 387/3996 [30:37<4:16:11, 4.26s/it]
10%|██████████▉ | 388/3996 [30:41<4:15:22, 4.25s/it]
10%|███████████ | 389/3996 [30:45<4:14:56, 4.24s/it]
10%|███████████ | 390/3996 [30:50<4:24:16, 4.40s/it]
10%|███████████ | 391/3996 [30:54<4:20:51, 4.34s/it]
10%|███████████ | 392/3996 [30:58<4:18:32, 4.30s/it]
10%|███████████ | 393/3996 [31:03<4:16:39, 4.27s/it]
10%|███████████▏ | 394/3996 [31:07<4:15:45, 4.26s/it]
10%|███████████▏ | 395/3996 [31:11<4:14:47, 4.25s/it]
10%|███████████▏ | 396/3996 [31:15<4:14:09, 4.24s/it]
10%|███████████▏ | 397/3996 [31:20<4:23:48, 4.40s/it]
10%|███████████▎ | 398/3996 [31:24<4:20:33, 4.35s/it]
10%|███████████▎ | 399/3996 [31:28<4:18:20, 4.31s/it]
10%|███████████▎ | 400/3996 [31:33<4:16:35, 4.28s/it]
{'loss': 0.6108, 'grad_norm': 0.2000180035829544, 'learning_rate': 0.00019710752645093747, 'ppl': 1.8419, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4245.46, 'total_tokens': 8464998, 'epoch': 0.3}
10%|███████████▎ | 400/3996 [31:33<4:16:35, 4.28s/it]
10%|███████████▎ | 401/3996 [31:37<4:15:08, 4.26s/it]
10%|███████████▎ | 402/3996 [31:41<4:14:08, 4.24s/it]
10%|███████████▍ | 403/3996 [31:45<4:13:38, 4.24s/it]
10%|███████████▍ | 404/3996 [31:50<4:23:06, 4.39s/it]
10%|███████████▍ | 405/3996 [31:54<4:19:46, 4.34s/it]
10%|███████████▍ | 406/3996 [31:58<4:17:37, 4.31s/it]
10%|███████████▌ | 407/3996 [32:03<4:15:45, 4.28s/it]
10%|███████████▌ | 408/3996 [32:07<4:14:49, 4.26s/it]
10%|███████████▌ | 409/3996 [32:11<4:13:58, 4.25s/it]
10%|███████████▌ | 410/3996 [32:15<4:13:25, 4.24s/it]
10%|███████████▌ | 411/3996 [32:20<4:22:57, 4.40s/it]
10%|███████████▋ | 412/3996 [32:24<4:19:29, 4.34s/it]
10%|███████████▋ | 413/3996 [32:29<4:17:10, 4.31s/it]
10%|███████████▋ | 414/3996 [32:33<4:15:20, 4.28s/it]
10%|███████████▋ | 415/3996 [32:37<4:14:11, 4.26s/it]
10%|███████████▊ | 416/3996 [32:41<4:13:32, 4.25s/it]
10%|███████████▊ | 417/3996 [32:45<4:12:51, 4.24s/it]
10%|███████████▊ | 418/3996 [32:50<4:22:16, 4.40s/it]
10%|███████████▊ | 419/3996 [32:54<4:18:56, 4.34s/it]
11%|███████████▉ | 420/3996 [32:59<4:16:38, 4.31s/it]
11%|███████████▉ | 421/3996 [33:03<4:15:07, 4.28s/it]
11%|███████████▉ | 422/3996 [33:07<4:14:10, 4.27s/it]
11%|███████████▉ | 423/3996 [33:11<4:13:18, 4.25s/it]
11%|███████████▉ | 424/3996 [33:16<4:13:02, 4.25s/it]
11%|████████████ | 425/3996 [33:20<4:22:32, 4.41s/it]
{'loss': 0.5966, 'grad_norm': 0.17395919561386108, 'learning_rate': 0.00019660648215530206, 'ppl': 1.8159, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 3758.92, 'total_tokens': 8914723, 'epoch': 0.32}
11%|████████████ | 425/3996 [33:20<4:22:32, 4.41s/it]
11%|████████████ | 426/3996 [33:25<4:19:17, 4.36s/it]
11%|████████████ | 427/3996 [33:29<4:16:47, 4.32s/it]
11%|████████████ | 428/3996 [33:33<4:14:44, 4.28s/it]
11%|████████████▏ | 429/3996 [33:37<4:13:37, 4.27s/it]
11%|████████████▏ | 430/3996 [33:41<4:12:39, 4.25s/it]
11%|████████████▏ | 431/3996 [33:46<4:11:54, 4.24s/it]
11%|████████████▏ | 432/3996 [33:50<4:20:59, 4.39s/it]
11%|████████████▏ | 433/3996 [33:55<4:17:33, 4.34s/it]
11%|████████████▎ | 434/3996 [33:59<4:15:07, 4.30s/it]
11%|████████████▎ | 435/3996 [34:03<4:13:38, 4.27s/it]
11%|████████████▎ | 436/3996 [34:07<4:12:59, 4.26s/it]
11%|████████████▎ | 437/3996 [34:11<4:12:20, 4.25s/it]
11%|████████████▍ | 438/3996 [34:16<4:11:26, 4.24s/it]
11%|████████████▍ | 439/3996 [34:20<4:20:32, 4.39s/it]
11%|████████████▍ | 440/3996 [34:25<4:17:46, 4.35s/it]
11%|████████████▍ | 441/3996 [34:29<4:15:07, 4.31s/it]
11%|████████████▍ | 442/3996 [34:33<4:13:10, 4.27s/it]
11%|████████████▌ | 443/3996 [34:37<4:12:23, 4.26s/it]
11%|████████████▌ | 444/3996 [34:42<4:11:56, 4.26s/it]
11%|████████████▌ | 445/3996 [34:46<4:11:08, 4.24s/it]
11%|████████████▌ | 446/3996 [34:51<4:20:00, 4.39s/it]
11%|████████████▋ | 447/3996 [34:55<4:17:02, 4.35s/it]
11%|████████████▋ | 448/3996 [34:59<4:14:40, 4.31s/it]
11%|████████████▋ | 449/3996 [35:03<4:12:57, 4.28s/it]
11%|████████████▋ | 450/3996 [35:07<4:12:08, 4.27s/it]
{'loss': 0.6099, 'grad_norm': 0.18785236775875092, 'learning_rate': 0.00019606617938456572, 'ppl': 1.8402, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4200.53, 'total_tokens': 9359638, 'epoch': 0.34}
11%|████████████▋ | 450/3996 [35:07<4:12:08, 4.27s/it]
11%|████████████▊ | 451/3996 [35:12<4:11:11, 4.25s/it]
11%|████████████▊ | 452/3996 [35:16<4:10:15, 4.24s/it]
11%|████████████▊ | 453/3996 [35:21<4:19:24, 4.39s/it]
11%|████████████▊ | 454/3996 [35:25<4:16:37, 4.35s/it]
11%|████████████▊ | 455/3996 [35:29<4:14:21, 4.31s/it]
11%|████████████▉ | 456/3996 [35:33<4:12:15, 4.28s/it]
11%|████████████▉ | 457/3996 [35:37<4:11:34, 4.27s/it]
11%|████████████▉ | 458/3996 [35:42<4:10:45, 4.25s/it]
11%|████████████▉ | 459/3996 [35:46<4:10:04, 4.24s/it]
12%|█████████████ | 460/3996 [35:51<4:23:00, 4.46s/it]
12%|█████████████ | 461/3996 [35:55<4:18:38, 4.39s/it]
12%|█████████████ | 462/3996 [35:59<4:15:29, 4.34s/it]
12%|█████████████ | 463/3996 [36:04<4:13:02, 4.30s/it]
12%|█████████████ | 464/3996 [36:08<4:11:43, 4.28s/it]
12%|█████████████▏ | 465/3996 [36:12<4:10:50, 4.26s/it]
12%|█████████████▏ | 466/3996 [36:16<4:10:00, 4.25s/it]
12%|█████████████▏ | 467/3996 [36:21<4:18:59, 4.40s/it]
12%|█████████████▏ | 468/3996 [36:25<4:15:47, 4.35s/it]
12%|█████████████▎ | 469/3996 [36:29<4:13:21, 4.31s/it]
12%|█████████████▎ | 470/3996 [36:34<4:11:28, 4.28s/it]
12%|█████████████▎ | 471/3996 [36:38<4:10:27, 4.26s/it]
12%|█████████████▎ | 472/3996 [36:42<4:09:49, 4.25s/it]
12%|█████████████▍ | 473/3996 [36:46<4:09:21, 4.25s/it]
12%|█████████████▍ | 474/3996 [36:51<4:18:53, 4.41s/it]
12%|█████████████▍ | 475/3996 [36:55<4:15:40, 4.36s/it]
{'loss': 0.5922, 'grad_norm': 0.17702797055244446, 'learning_rate': 0.0001954868377043559, 'ppl': 1.808, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4265.36, 'total_tokens': 9810837, 'epoch': 0.36}
12%|█████████████▍ | 475/3996 [36:55<4:15:40, 4.36s/it]
12%|█████████████▍ | 476/3996 [37:00<4:13:09, 4.32s/it]
12%|█████████████▍ | 477/3996 [37:04<4:11:27, 4.29s/it]
12%|█████████████▌ | 478/3996 [37:08<4:10:16, 4.27s/it]
12%|█████████████▌ | 479/3996 [37:12<4:09:23, 4.25s/it]
12%|█████████████▌ | 480/3996 [37:16<4:08:39, 4.24s/it]
12%|█████████████▌ | 481/3996 [37:21<4:17:58, 4.40s/it]
12%|█████████████▋ | 482/3996 [37:25<4:14:54, 4.35s/it]
12%|█████████████▋ | 483/3996 [37:30<4:12:45, 4.32s/it]
12%|█████████████▋ | 484/3996 [37:34<4:10:52, 4.29s/it]
12%|█████████████▋ | 485/3996 [37:38<4:09:41, 4.27s/it]
12%|█████████████▋ | 486/3996 [37:42<4:08:52, 4.25s/it]
12%|█████████████▊ | 487/3996 [37:47<4:08:10, 4.24s/it]
12%|█████████████▊ | 488/3996 [37:51<4:17:39, 4.41s/it]
12%|█████████████▊ | 489/3996 [37:56<4:14:47, 4.36s/it]
12%|█████████████▊ | 490/3996 [38:00<4:12:19, 4.32s/it]
12%|█████████████▉ | 491/3996 [38:04<4:10:23, 4.29s/it]
12%|█████████████▉ | 492/3996 [38:08<4:09:24, 4.27s/it]
12%|█████████████▉ | 493/3996 [38:13<4:08:34, 4.26s/it]
12%|█████████████▉ | 494/3996 [38:17<4:07:32, 4.24s/it]
12%|█████████████▉ | 495/3996 [38:21<4:16:39, 4.40s/it]
12%|██████████████ | 496/3996 [38:26<4:18:17, 4.43s/it]
12%|██████████████ | 497/3996 [38:30<4:14:33, 4.37s/it]
12%|██████████████ | 498/3996 [38:34<4:11:48, 4.32s/it]
12%|██████████████ | 499/3996 [38:39<4:09:52, 4.29s/it]
13%|██████████████▏ | 500/3996 [38:43<4:08:33, 4.27s/it]
{'loss': 0.5759, 'grad_norm': 0.19927558302879333, 'learning_rate': 0.00019486869254474337, 'ppl': 1.7787, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4276.25, 'total_tokens': 10261446, 'epoch': 0.38}
13%|██████████████▏ | 500/3996 [38:43<4:08:33, 4.27s/it]
13%|██████████████▏ | 501/3996 [38:47<4:07:39, 4.25s/it]
13%|██████████████▏ | 502/3996 [38:52<4:16:25, 4.40s/it]
13%|██████████████▏ | 503/3996 [38:56<4:13:07, 4.35s/it]
13%|██████████████▎ | 504/3996 [39:00<4:10:59, 4.31s/it]
13%|██████████████▎ | 505/3996 [39:04<4:08:55, 4.28s/it]
13%|██████████████▎ | 506/3996 [39:09<4:08:00, 4.26s/it]
13%|██████████████▎ | 507/3996 [39:13<4:07:02, 4.25s/it]
13%|██████████████▎ | 508/3996 [39:17<4:06:32, 4.24s/it]
13%|██████████████▍ | 509/3996 [39:22<4:15:31, 4.40s/it]
13%|██████████████▍ | 510/3996 [39:26<4:12:28, 4.35s/it]
13%|██████████████▍ | 511/3996 [39:30<4:10:01, 4.30s/it]
13%|██████████████▍ | 512/3996 [39:35<4:08:21, 4.28s/it]
13%|██████████████▌ | 513/3996 [39:39<4:07:17, 4.26s/it]
13%|██████████████▌ | 514/3996 [39:43<4:06:32, 4.25s/it]
13%|██████████████▌ | 515/3996 [39:47<4:06:01, 4.24s/it]
13%|██████████████▌ | 516/3996 [39:52<4:14:45, 4.39s/it]
13%|██████████████▌ | 517/3996 [39:56<4:11:37, 4.34s/it]
13%|██████████████▋ | 518/3996 [40:00<4:09:19, 4.30s/it]
13%|██████████████▋ | 519/3996 [40:05<4:07:32, 4.27s/it]
13%|██████████████▋ | 520/3996 [40:09<4:06:35, 4.26s/it]
13%|██████████████▋ | 521/3996 [40:13<4:05:33, 4.24s/it]
13%|██████████████▊ | 522/3996 [40:17<4:04:45, 4.23s/it]
13%|██████████████▊ | 523/3996 [40:22<4:14:49, 4.40s/it]
13%|██████████████▊ | 524/3996 [40:26<4:11:11, 4.34s/it]
13%|██████████████▊ | 525/3996 [40:30<4:08:19, 4.29s/it]
{'loss': 0.584, 'grad_norm': 0.1908370852470398, 'learning_rate': 0.0001942119951045692, 'ppl': 1.7932, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4272.28, 'total_tokens': 10707841, 'epoch': 0.39}
13%|██████████████▊ | 525/3996 [40:30<4:08:19, 4.29s/it]
13%|██████████████▊ | 526/3996 [40:35<4:06:23, 4.26s/it]
13%|██████████████▉ | 527/3996 [40:39<4:05:20, 4.24s/it]
13%|██████████████▉ | 528/3996 [40:43<4:04:53, 4.24s/it]
13%|██████████████▉ | 529/3996 [40:47<4:04:17, 4.23s/it]
13%|██████████████▉ | 530/3996 [40:52<4:13:25, 4.39s/it]
13%|███████████████ | 531/3996 [40:56<4:10:23, 4.34s/it]
13%|███████████████ | 532/3996 [41:00<4:08:02, 4.30s/it]
13%|███████████████ | 533/3996 [41:05<4:06:18, 4.27s/it]
13%|███████████████ | 534/3996 [41:09<4:05:19, 4.25s/it]
13%|███████████████▏ | 535/3996 [41:13<4:04:32, 4.24s/it]
13%|███████████████▏ | 536/3996 [41:17<4:05:28, 4.26s/it]
13%|███████████████▏ | 537/3996 [41:22<4:14:10, 4.41s/it]
13%|███████████████▏ | 538/3996 [41:26<4:10:54, 4.35s/it]
13%|███████████████▏ | 539/3996 [41:31<4:08:30, 4.31s/it]
14%|███████████████▎ | 540/3996 [41:36<4:29:44, 4.68s/it]
14%|███████████████▎ | 541/3996 [41:40<4:21:39, 4.54s/it]
14%|███████████████▎ | 542/3996 [41:44<4:15:39, 4.44s/it]
14%|███████████████▎ | 543/3996 [41:49<4:11:43, 4.37s/it]
14%|███████████████▍ | 544/3996 [41:53<4:18:20, 4.49s/it]
14%|███████████████▍ | 545/3996 [41:58<4:13:28, 4.41s/it]
14%|███████████████▍ | 546/3996 [42:02<4:14:11, 4.42s/it]
14%|███████████████▍ | 547/3996 [42:06<4:10:48, 4.36s/it]
14%|███████████████▍ | 548/3996 [42:11<4:08:39, 4.33s/it]
14%|███████████████▌ | 549/3996 [42:15<4:06:30, 4.29s/it]
14%|███████████████▌ | 550/3996 [42:19<4:05:05, 4.27s/it]
{'loss': 0.5791, 'grad_norm': 0.2064146101474762, 'learning_rate': 0.00019351701224936383, 'ppl': 1.7844, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4250.37, 'total_tokens': 11155384, 'epoch': 0.41}
14%|███████████████▌ | 550/3996 [42:19<4:05:05, 4.27s/it]
14%|███████████████▌ | 551/3996 [42:24<4:13:53, 4.42s/it]
14%|███████████████▌ | 552/3996 [42:28<4:10:22, 4.36s/it]
14%|███████████████▋ | 553/3996 [42:32<4:07:34, 4.31s/it]
14%|███████████████▋ | 554/3996 [42:36<4:05:48, 4.28s/it]
14%|███████████████▋ | 555/3996 [42:41<4:04:36, 4.27s/it]
14%|███████████████▋ | 556/3996 [42:45<4:03:37, 4.25s/it]
14%|███████████████▊ | 557/3996 [42:49<4:02:36, 4.23s/it]
14%|███████████████▊ | 558/3996 [42:54<4:11:11, 4.38s/it]
14%|███████████████▊ | 559/3996 [42:58<4:07:59, 4.33s/it]
14%|███████████████▊ | 560/3996 [43:02<4:05:36, 4.29s/it]
14%|███████████████▊ | 561/3996 [43:06<4:03:42, 4.26s/it]
14%|███████████████▉ | 562/3996 [43:11<4:02:48, 4.24s/it]
14%|███████████████▉ | 563/3996 [43:15<4:01:52, 4.23s/it]
14%|███████████████▉ | 564/3996 [43:19<4:01:13, 4.22s/it]
14%|███████████████▉ | 565/3996 [43:24<4:10:09, 4.37s/it]
14%|████████████████ | 566/3996 [43:28<4:07:11, 4.32s/it]
14%|████████████████ | 567/3996 [43:32<4:05:01, 4.29s/it]
14%|████████████████ | 568/3996 [43:37<4:10:15, 4.38s/it]
14%|████████████████ | 569/3996 [43:41<4:07:06, 4.33s/it]
14%|████████████████ | 570/3996 [43:45<4:04:50, 4.29s/it]
14%|████████████████▏ | 571/3996 [43:49<4:03:21, 4.26s/it]
14%|████████████████▏ | 572/3996 [43:54<4:11:25, 4.41s/it]
14%|████████████████▏ | 573/3996 [43:58<4:08:08, 4.35s/it]
14%|████████████████▏ | 574/3996 [44:02<4:05:50, 4.31s/it]
14%|████████████████▎ | 575/3996 [44:07<4:03:46, 4.28s/it]
{'loss': 0.5758, 'grad_norm': 0.26748332381248474, 'learning_rate': 0.0001927840264028995, 'ppl': 1.7786, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4256.55, 'total_tokens': 11601192, 'epoch': 0.43}
14%|████████████████▎ | 575/3996 [44:07<4:03:46, 4.28s/it]
14%|████████████████▎ | 576/3996 [44:11<4:02:51, 4.26s/it]
14%|████████████████▎ | 577/3996 [44:15<4:01:37, 4.24s/it]
14%|████████████████▎ | 578/3996 [44:19<4:00:59, 4.23s/it]
14%|████████████████▎ | 579/3996 [44:24<4:09:44, 4.39s/it]
15%|████████████████▍ | 580/3996 [44:28<4:06:46, 4.33s/it]
15%|████████████████▍ | 581/3996 [44:32<4:04:45, 4.30s/it]
15%|████████████████▍ | 582/3996 [44:37<4:02:37, 4.26s/it]
15%|████████████████▍ | 583/3996 [44:41<4:01:42, 4.25s/it]
15%|████████████████▌ | 584/3996 [44:45<4:00:59, 4.24s/it]
15%|████████████████▌ | 585/3996 [44:49<4:00:32, 4.23s/it]
15%|████████████████▌ | 586/3996 [44:54<4:08:59, 4.38s/it]
15%|████████████████▌ | 587/3996 [44:58<4:05:54, 4.33s/it]
15%|████████████████▋ | 588/3996 [45:02<4:03:29, 4.29s/it]
15%|████████████████▋ | 589/3996 [45:07<4:01:48, 4.26s/it]
15%|████████████████▋ | 590/3996 [45:11<4:00:56, 4.24s/it]
15%|████████████████▋ | 591/3996 [45:15<3:59:55, 4.23s/it]
15%|████████████████▋ | 592/3996 [45:19<3:59:29, 4.22s/it]
15%|████████████████▊ | 593/3996 [45:24<4:09:23, 4.40s/it]
15%|████████████████▊ | 594/3996 [45:28<4:06:22, 4.35s/it]
15%|████████████████▊ | 595/3996 [45:32<4:03:40, 4.30s/it]
15%|████████████████▊ | 596/3996 [45:37<4:01:42, 4.27s/it]
15%|████████████████▉ | 597/3996 [45:41<4:00:32, 4.25s/it]
15%|████████████████▉ | 598/3996 [45:45<4:00:01, 4.24s/it]
15%|████████████████▉ | 599/3996 [45:49<3:59:27, 4.23s/it]
15%|████████████████▉ | 600/3996 [45:54<4:08:09, 4.38s/it]
{'loss': 0.5791, 'grad_norm': 0.17514832317829132, 'learning_rate': 0.00019201333543242036, 'ppl': 1.7844, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 3770.83, 'total_tokens': 12048477, 'epoch': 0.45}
15%|████████████████▉ | 600/3996 [45:54<4:08:09, 4.38s/it]
15%|████████████████▉ | 601/3996 [45:58<4:05:17, 4.34s/it]
15%|█████████████████ | 602/3996 [46:02<4:03:25, 4.30s/it]
15%|█████████████████ | 603/3996 [46:07<4:01:47, 4.28s/it]
15%|█████████████████ | 604/3996 [46:11<4:00:28, 4.25s/it]
15%|█████████████████ | 605/3996 [46:15<3:59:51, 4.24s/it]
15%|█████████████████▏ | 606/3996 [46:19<4:00:04, 4.25s/it]
15%|█████████████████▏ | 607/3996 [46:24<4:08:43, 4.40s/it]
15%|█████████████████▏ | 608/3996 [46:28<4:05:26, 4.35s/it]
15%|█████████████████▏ | 609/3996 [46:33<4:02:52, 4.30s/it]
15%|█████████████████▏ | 610/3996 [46:37<4:00:50, 4.27s/it]
15%|█████████████████▎ | 611/3996 [46:41<3:59:50, 4.25s/it]
15%|█████████████████▎ | 612/3996 [46:45<3:58:52, 4.24s/it]
15%|█████████████████▎ | 613/3996 [46:49<3:58:22, 4.23s/it]
15%|█████████████████▎ | 614/3996 [46:54<4:07:22, 4.39s/it]
15%|█████████████████▍ | 615/3996 [46:58<4:04:16, 4.33s/it]
15%|█████████████████▍ | 616/3996 [47:03<4:03:15, 4.32s/it]
15%|█████████████████▍ | 617/3996 [47:07<4:01:02, 4.28s/it]
15%|█████████████████▍ | 618/3996 [47:11<3:59:40, 4.26s/it]
15%|█████████████████▌ | 619/3996 [47:15<3:58:45, 4.24s/it]
16%|█████████████████▌ | 620/3996 [47:19<3:58:18, 4.24s/it]
16%|█████████████████▌ | 621/3996 [47:24<4:07:16, 4.40s/it]
16%|█████████████████▌ | 622/3996 [47:28<4:04:00, 4.34s/it]
16%|█████████████████▌ | 623/3996 [47:33<4:01:24, 4.29s/it]
16%|█████████████████▋ | 624/3996 [47:37<3:59:35, 4.26s/it]
16%|█████████████████▋ | 625/3996 [47:41<3:58:36, 4.25s/it]
{'loss': 0.5803, 'grad_norm': 0.22069169580936432, 'learning_rate': 0.00019120525252759647, 'ppl': 1.7866, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4179.31, 'total_tokens': 12488141, 'epoch': 0.47}
16%|█████████████████▋ | 625/3996 [47:41<3:58:36, 4.25s/it]
16%|█████████████████▋ | 626/3996 [47:45<3:57:46, 4.23s/it]
16%|█████████████████▋ | 627/3996 [47:49<3:57:40, 4.23s/it]
16%|█████████████████▊ | 628/3996 [47:54<4:06:34, 4.39s/it]
16%|█████████████████▊ | 629/3996 [47:58<4:03:30, 4.34s/it]
16%|█████████████████▊ | 630/3996 [48:03<4:01:03, 4.30s/it]
16%|█████████████████▊ | 631/3996 [48:07<3:59:28, 4.27s/it]
16%|█████████████████▊ | 632/3996 [48:11<3:58:44, 4.26s/it]
16%|█████████████████▉ | 633/3996 [48:15<3:58:08, 4.25s/it]
16%|█████████████████▉ | 634/3996 [48:20<3:57:44, 4.24s/it]
16%|█████████████████▉ | 635/3996 [48:24<4:06:20, 4.40s/it]
16%|█████████████████▉ | 636/3996 [48:28<4:03:30, 4.35s/it]
16%|██████████████████ | 637/3996 [48:33<4:01:15, 4.31s/it]
16%|██████████████████ | 638/3996 [48:37<3:59:35, 4.28s/it]
16%|██████████████████ | 639/3996 [48:41<3:59:19, 4.28s/it]
16%|██████████████████ | 640/3996 [48:45<3:58:28, 4.26s/it]
16%|██████████████████▏ | 641/3996 [48:50<3:57:44, 4.25s/it]
16%|██████████████████▏ | 642/3996 [48:54<4:06:33, 4.41s/it]
16%|██████████████████▏ | 643/3996 [48:59<4:03:31, 4.36s/it]
16%|██████████████████▏ | 644/3996 [49:03<4:01:15, 4.32s/it]
16%|██████████████████▏ | 645/3996 [49:07<3:59:27, 4.29s/it]
16%|██████████████████▎ | 646/3996 [49:11<3:58:19, 4.27s/it]
16%|██████████████████▎ | 647/3996 [49:16<3:57:38, 4.26s/it]
16%|██████████████████▎ | 648/3996 [49:20<3:57:02, 4.25s/it]
16%|██████████████████▎ | 649/3996 [49:25<4:05:33, 4.40s/it]
16%|██████████████████▍ | 650/3996 [49:29<4:02:47, 4.35s/it]
{'loss': 0.5716, 'grad_norm': 0.20555566251277924, 'learning_rate': 0.00019036010607325138, 'ppl': 1.7711, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4209.96, 'total_tokens': 12934358, 'epoch': 0.49}
16%|██████████████████▍ | 650/3996 [49:29<4:02:47, 4.35s/it]
16%|██████████████████▍ | 651/3996 [49:33<4:00:31, 4.31s/it]
16%|██████████████████▍ | 652/3996 [49:37<3:58:50, 4.29s/it]
16%|██████████████████▍ | 653/3996 [49:41<3:57:37, 4.27s/it]
16%|██████████████████▍ | 654/3996 [49:46<3:56:55, 4.25s/it]
16%|██████████████████▌ | 655/3996 [49:50<3:56:22, 4.24s/it]
16%|██████████████████▌ | 656/3996 [49:55<4:04:59, 4.40s/it]
16%|██████████████████▌ | 657/3996 [49:59<4:01:56, 4.35s/it]
16%|██████████████████▌ | 658/3996 [50:03<4:02:00, 4.35s/it]
16%|██████████████████▋ | 659/3996 [50:07<3:59:34, 4.31s/it]
17%|██████████████████▋ | 660/3996 [50:12<3:58:03, 4.28s/it]
17%|██████████████████▋ | 661/3996 [50:16<3:56:52, 4.26s/it]
17%|██████████████████▋ | 662/3996 [50:20<3:56:02, 4.25s/it]
17%|██████████████████▋ | 663/3996 [50:25<4:04:30, 4.40s/it]
17%|██████████████████▊ | 664/3996 [50:29<4:01:27, 4.35s/it]
17%|██████████████████▊ | 665/3996 [50:33<3:58:53, 4.30s/it]
17%|██████████████████▊ | 666/3996 [50:37<3:56:47, 4.27s/it]
17%|██████████████████▊ | 667/3996 [50:42<3:55:45, 4.25s/it]
17%|██████████████████▉ | 668/3996 [50:46<3:55:01, 4.24s/it]
17%|██████████████████▉ | 669/3996 [50:50<3:54:46, 4.23s/it]
17%|██████████████████▉ | 670/3996 [50:55<4:03:17, 4.39s/it]
17%|██████████████████▉ | 671/3996 [50:59<3:59:49, 4.33s/it]
17%|███████████████████ | 672/3996 [51:03<3:57:46, 4.29s/it]
17%|███████████████████ | 673/3996 [51:07<3:56:06, 4.26s/it]
17%|███████████████████ | 674/3996 [51:12<3:55:10, 4.25s/it]
17%|███████████████████ | 675/3996 [51:16<3:54:28, 4.24s/it]
{'loss': 0.5608, 'grad_norm': 0.19018156826496124, 'learning_rate': 0.00018947823951591478, 'ppl': 1.7521, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4226.4, 'total_tokens': 13378983, 'epoch': 0.51}
17%|███████████████████ | 675/3996 [51:16<3:54:28, 4.24s/it]
17%|███████████████████ | 676/3996 [51:20<3:54:05, 4.23s/it]
17%|███████████████████▏ | 677/3996 [51:25<4:04:31, 4.42s/it]
17%|███████████████████▏ | 678/3996 [51:29<4:01:10, 4.36s/it]
17%|███████████████████▏ | 679/3996 [51:33<3:58:47, 4.32s/it]
17%|███████████████████▏ | 680/3996 [51:38<3:56:53, 4.29s/it]
17%|███████████████████▎ | 681/3996 [51:42<3:55:46, 4.27s/it]
17%|███████████████████▎ | 682/3996 [51:46<3:54:52, 4.25s/it]
17%|███████████████████▎ | 683/3996 [51:50<3:54:41, 4.25s/it]
17%|███████████████████▎ | 684/3996 [51:55<4:02:53, 4.40s/it]
17%|███████████████████▎ | 685/3996 [51:59<3:59:35, 4.34s/it]
17%|███████████████████▍ | 686/3996 [52:03<3:57:36, 4.31s/it]
17%|███████████████████▍ | 687/3996 [52:08<3:56:01, 4.28s/it]
17%|███████████████████▍ | 688/3996 [52:12<3:55:07, 4.26s/it]
17%|███████████████████▍ | 689/3996 [52:16<3:54:26, 4.25s/it]
17%|███████████████████▌ | 690/3996 [52:20<3:53:41, 4.24s/it]
17%|███████████████████▌ | 691/3996 [52:25<4:02:20, 4.40s/it]
17%|███████████████████▌ | 692/3996 [52:29<3:59:38, 4.35s/it]
17%|███████████████████▌ | 693/3996 [52:34<3:57:26, 4.31s/it]
17%|███████████████████▋ | 694/3996 [52:38<3:56:26, 4.30s/it]
17%|███████████████████▋ | 695/3996 [52:42<3:55:26, 4.28s/it]
17%|███████████████████▋ | 696/3996 [52:46<3:54:43, 4.27s/it]
17%|███████████████████▋ | 697/3996 [52:51<3:54:16, 4.26s/it]
17%|███████████████████▋ | 698/3996 [52:55<4:02:35, 4.41s/it]
17%|███████████████████▊ | 699/3996 [53:00<3:59:42, 4.36s/it]
18%|███████████████████▊ | 700/3996 [53:04<3:57:23, 4.32s/it]
{'loss': 0.5667, 'grad_norm': 0.17173859477043152, 'learning_rate': 0.00018856001122425416, 'ppl': 1.7624, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4265.57, 'total_tokens': 13829519, 'epoch': 0.53}
18%|███████████████████▊ | 700/3996 [53:04<3:57:23, 4.32s/it]
18%|███████████████████▊ | 701/3996 [53:08<3:55:37, 4.29s/it]
18%|███████████████████▊ | 702/3996 [53:12<3:54:55, 4.28s/it]
18%|███████████████████▉ | 703/3996 [53:17<3:54:02, 4.26s/it]
18%|███████████████████▉ | 704/3996 [53:21<3:53:24, 4.25s/it]
18%|███████████████████▉ | 705/3996 [53:26<4:01:46, 4.41s/it]
18%|███████████████████▉ | 706/3996 [53:30<3:58:52, 4.36s/it]
18%|███████████████████▉ | 707/3996 [53:34<3:56:16, 4.31s/it]
18%|████████████████████ | 708/3996 [53:38<3:54:44, 4.28s/it]
18%|████████████████████ | 709/3996 [53:42<3:53:34, 4.26s/it]
18%|████████████████████ | 710/3996 [53:47<3:52:49, 4.25s/it]
18%|████████████████████ | 711/3996 [53:51<3:52:28, 4.25s/it]
18%|████████████████████▏ | 712/3996 [53:56<4:00:53, 4.40s/it]
18%|████████████████████▏ | 713/3996 [54:00<3:57:51, 4.35s/it]
18%|████████████████████▏ | 714/3996 [54:04<3:55:46, 4.31s/it]
18%|████████████████████▏ | 715/3996 [54:08<3:54:13, 4.28s/it]
18%|████████████████████▏ | 716/3996 [54:13<3:53:25, 4.27s/it]
18%|████████████████████▎ | 717/3996 [54:17<3:52:29, 4.25s/it]
18%|████████████████████▎ | 718/3996 [54:21<3:51:54, 4.24s/it]
18%|████████████████████▎ | 719/3996 [54:26<4:00:52, 4.41s/it]
18%|████████████████████▎ | 720/3996 [54:30<3:58:01, 4.36s/it]
18%|████████████████████▍ | 721/3996 [54:34<3:55:40, 4.32s/it]
18%|████████████████████▍ | 722/3996 [54:38<3:53:52, 4.29s/it]
18%|████████████████████▍ | 723/3996 [54:43<3:52:45, 4.27s/it]
18%|████████████████████▍ | 724/3996 [54:47<3:51:59, 4.25s/it]
18%|████████████████████▌ | 725/3996 [54:51<3:51:28, 4.25s/it]
{'loss': 0.565, 'grad_norm': 0.17706550657749176, 'learning_rate': 0.0001876057943434428, 'ppl': 1.7594, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4281.61, 'total_tokens': 14281879, 'epoch': 0.54}
18%|████████████████████▌ | 725/3996 [54:51<3:51:28, 4.25s/it]
18%|████████████████████▌ | 726/3996 [54:56<3:59:55, 4.40s/it]
18%|████████████████████▌ | 727/3996 [55:00<3:56:38, 4.34s/it]
18%|████████████████████▌ | 728/3996 [55:04<3:54:39, 4.31s/it]
18%|████████████████████▌ | 729/3996 [55:09<3:53:07, 4.28s/it]
18%|████████████████████▋ | 730/3996 [55:13<3:52:17, 4.27s/it]
18%|████████████████████▋ | 731/3996 [55:17<3:51:22, 4.25s/it]
18%|████████████████████▋ | 732/3996 [55:21<3:50:37, 4.24s/it]
18%|████████████████████▋ | 733/3996 [55:26<3:59:10, 4.40s/it]
18%|████████████████████▊ | 734/3996 [55:30<3:56:34, 4.35s/it]
18%|████████████████████▊ | 735/3996 [55:34<3:54:23, 4.31s/it]
18%|████████████████████▊ | 736/3996 [55:39<3:52:28, 4.28s/it]
18%|████████████████████▊ | 737/3996 [55:43<3:51:26, 4.26s/it]
18%|████████████████████▊ | 738/3996 [55:47<3:50:33, 4.25s/it]
18%|████████████████████▉ | 739/3996 [55:51<3:50:03, 4.24s/it]
19%|████████████████████▉ | 740/3996 [55:56<3:58:28, 4.39s/it]
19%|████████████████████▉ | 741/3996 [56:00<3:55:26, 4.34s/it]
19%|████████████████████▉ | 742/3996 [56:04<3:53:27, 4.30s/it]
19%|█████████████████████ | 743/3996 [56:09<3:51:56, 4.28s/it]
19%|█████████████████████ | 744/3996 [56:13<3:50:59, 4.26s/it]
19%|█████████████████████ | 745/3996 [56:17<3:49:56, 4.24s/it]
19%|█████████████████████ | 746/3996 [56:21<3:49:14, 4.23s/it]
19%|█████████████████████ | 747/3996 [56:26<3:57:52, 4.39s/it]
19%|█████████████████████▏ | 748/3996 [56:30<3:54:56, 4.34s/it]
19%|█████████████████████▏ | 749/3996 [56:34<3:52:42, 4.30s/it]
19%|█████████████████████▏ | 750/3996 [56:39<3:51:01, 4.27s/it]
{'loss': 0.5666, 'grad_norm': 0.18528586626052856, 'learning_rate': 0.00018661597664352284, 'ppl': 1.7623, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4229.32, 'total_tokens': 14725919, 'epoch': 0.56}
19%|█████████████████████▏ | 750/3996 [56:39<3:51:01, 4.27s/it]
19%|█████████████████████▏ | 751/3996 [56:43<3:50:03, 4.25s/it]
19%|█████████████████████▎ | 752/3996 [56:47<3:49:03, 4.24s/it]
19%|█████████████████████▎ | 753/3996 [56:51<3:48:48, 4.23s/it]
19%|█████████████████████▎ | 754/3996 [56:56<3:57:12, 4.39s/it]
19%|█████████████████████▎ | 755/3996 [57:00<3:54:12, 4.34s/it]
19%|█████████████████████▍ | 756/3996 [57:04<3:51:54, 4.29s/it]
19%|█████████████████████▍ | 757/3996 [57:09<3:50:24, 4.27s/it]
19%|█████████████████████▍ | 758/3996 [57:13<3:49:31, 4.25s/it]
19%|█████████████████████▍ | 759/3996 [57:17<3:48:45, 4.24s/it]
19%|█████████████████████▍ | 760/3996 [57:21<3:48:18, 4.23s/it]
19%|█████████████████████▌ | 761/3996 [57:26<3:56:36, 4.39s/it]
19%|█████████████████████▌ | 762/3996 [57:30<3:53:55, 4.34s/it]
19%|█████████████████████▌ | 763/3996 [57:35<3:51:37, 4.30s/it]
19%|█████████████████████▌ | 764/3996 [57:39<3:50:06, 4.27s/it]
19%|█████████████████████▋ | 765/3996 [57:43<3:48:53, 4.25s/it]
19%|█████████████████████▋ | 766/3996 [57:47<3:48:07, 4.24s/it]
19%|█████████████████████▋ | 767/3996 [57:51<3:47:41, 4.23s/it]
19%|█████████████████████▋ | 768/3996 [57:56<3:56:01, 4.39s/it]
19%|█████████████████████▋ | 769/3996 [58:00<3:52:56, 4.33s/it]
19%|█████████████████████▊ | 770/3996 [58:05<3:50:50, 4.29s/it]
19%|█████████████████████▊ | 771/3996 [58:09<3:49:21, 4.27s/it]
19%|█████████████████████▊ | 772/3996 [58:13<3:48:27, 4.25s/it]
19%|█████████████████████▊ | 773/3996 [58:17<3:47:49, 4.24s/it]
19%|█████████████████████▉ | 774/3996 [58:21<3:47:25, 4.23s/it]
19%|█████████████████████▉ | 775/3996 [58:26<3:55:48, 4.39s/it]
{'loss': 0.5633, 'grad_norm': 0.16790929436683655, 'learning_rate': 0.00018559096036182516, 'ppl': 1.7565, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 3775.0, 'total_tokens': 15175146, 'epoch': 0.58}
19%|█████████████████████▉ | 775/3996 [58:26<3:55:48, 4.39s/it]
19%|█████████████████████▉ | 776/3996 [58:30<3:53:02, 4.34s/it]
19%|█████████████████████▉ | 777/3996 [58:35<3:50:49, 4.30s/it]
19%|██████████████████████ | 778/3996 [58:39<3:49:08, 4.27s/it]
19%|██████████████████████ | 779/3996 [58:43<3:47:58, 4.25s/it]
20%|██████████████████████ | 780/3996 [58:47<3:48:19, 4.26s/it]
20%|██████████████████████ | 781/3996 [58:51<3:47:36, 4.25s/it]
20%|██████████████████████ | 782/3996 [58:56<3:55:25, 4.39s/it]
20%|██████████████████████▏ | 783/3996 [59:00<3:52:25, 4.34s/it]
20%|██████████████████████▏ | 784/3996 [59:05<3:50:20, 4.30s/it]
20%|██████████████████████▏ | 785/3996 [59:09<3:48:59, 4.28s/it]
20%|██████████████████████▏ | 786/3996 [59:13<3:48:12, 4.27s/it]
20%|██████████████████████▎ | 787/3996 [59:17<3:47:08, 4.25s/it]
20%|██████████████████████▎ | 788/3996 [59:22<3:46:35, 4.24s/it]
20%|██████████████████████▎ | 789/3996 [59:26<3:54:49, 4.39s/it]
20%|██████████████████████▎ | 790/3996 [59:31<3:52:06, 4.34s/it]
20%|██████████████████████▎ | 791/3996 [59:35<3:50:11, 4.31s/it]
20%|██████████████████████▍ | 792/3996 [59:39<3:48:34, 4.28s/it]
20%|██████████████████████▍ | 793/3996 [59:43<3:47:20, 4.26s/it]
20%|██████████████████████▍ | 794/3996 [59:47<3:46:34, 4.25s/it]
20%|██████████████████████▍ | 795/3996 [59:52<3:46:10, 4.24s/it]
20%|██████████████████████▌ | 796/3996 [59:56<3:54:22, 4.39s/it]
20%|██████████████████████▏ | 797/3996 [1:00:01<3:51:21, 4.34s/it]
20%|██████████████████████▏ | 798/3996 [1:00:05<3:49:22, 4.30s/it]
20%|██████████████████████▏ | 799/3996 [1:00:09<3:47:55, 4.28s/it]
20%|██████████████████████▏ | 800/3996 [1:00:13<3:46:54, 4.26s/it]
{'loss': 0.5664, 'grad_norm': 0.17511805891990662, 'learning_rate': 0.00018453116203951005, 'ppl': 1.7619, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4218.07, 'total_tokens': 15619901, 'epoch': 0.6}
20%|██████████████████████▏ | 800/3996 [1:00:13<3:46:54, 4.26s/it]
20%|██████████████████████▎ | 801/3996 [1:00:17<3:46:00, 4.24s/it]
20%|██████████████████████▎ | 802/3996 [1:00:22<3:45:21, 4.23s/it]
20%|██████████████████████▎ | 803/3996 [1:00:26<3:53:37, 4.39s/it]
20%|██████████████████████▎ | 804/3996 [1:00:31<3:51:07, 4.34s/it]
20%|██████████████████████▎ | 805/3996 [1:00:35<3:49:09, 4.31s/it]
20%|██████████████████████▍ | 806/3996 [1:00:39<3:47:38, 4.28s/it]
20%|██████████████████████▍ | 807/3996 [1:00:43<3:46:32, 4.26s/it]
20%|██████████████████████▍ | 808/3996 [1:00:48<3:45:56, 4.25s/it]
20%|██████████████████████▍ | 809/3996 [1:00:52<3:45:14, 4.24s/it]
20%|██████████████████████▌ | 810/3996 [1:00:56<3:53:25, 4.40s/it]
20%|██████████████████████▌ | 811/3996 [1:01:01<3:50:06, 4.33s/it]
20%|██████████████████████▌ | 812/3996 [1:01:05<3:48:11, 4.30s/it]
20%|██████████████████████▌ | 813/3996 [1:01:09<3:46:46, 4.27s/it]
20%|██████████████████████▌ | 814/3996 [1:01:13<3:45:57, 4.26s/it]
20%|██████████████████████▋ | 815/3996 [1:01:18<3:45:15, 4.25s/it]
20%|██████████████████████▋ | 816/3996 [1:01:22<3:44:37, 4.24s/it]
20%|██████████████████████▋ | 817/3996 [1:01:27<3:52:45, 4.39s/it]
20%|██████████████████████▋ | 818/3996 [1:01:31<3:49:55, 4.34s/it]
20%|██████████████████████▊ | 819/3996 [1:01:35<3:47:46, 4.30s/it]
21%|██████████████████████▊ | 820/3996 [1:01:39<3:46:14, 4.27s/it]
21%|██████████████████████▊ | 821/3996 [1:01:43<3:45:05, 4.25s/it]
21%|██████████████████████▊ | 822/3996 [1:01:48<3:44:27, 4.24s/it]
21%|██████████████████████▊ | 823/3996 [1:01:52<3:44:00, 4.24s/it]
21%|██████████████████████▉ | 824/3996 [1:01:57<3:52:08, 4.39s/it]
21%|██████████████████████▉ | 825/3996 [1:02:01<3:49:20, 4.34s/it]
{'loss': 0.5646, 'grad_norm': 0.19853387773036957, 'learning_rate': 0.0001834370123522954, 'ppl': 1.7587, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4230.84, 'total_tokens': 16066102, 'epoch': 0.62}
21%|██████████████████████▉ | 825/3996 [1:02:01<3:49:20, 4.34s/it]
21%|██████████████████████▉ | 826/3996 [1:02:05<3:47:07, 4.30s/it]
21%|██████████████████████▉ | 827/3996 [1:02:09<3:45:30, 4.27s/it]
21%|███████████████████████ | 828/3996 [1:02:13<3:44:26, 4.25s/it]
21%|███████████████████████ | 829/3996 [1:02:18<3:43:43, 4.24s/it]
21%|███████████████████████ | 830/3996 [1:02:22<3:43:04, 4.23s/it]
21%|███████████████████████ | 831/3996 [1:02:27<3:51:08, 4.38s/it]
21%|███████████████████████ | 832/3996 [1:02:31<3:48:39, 4.34s/it]
21%|███████████████████████▏ | 833/3996 [1:02:35<3:46:31, 4.30s/it]
21%|███████████████████████▏ | 834/3996 [1:02:39<3:45:08, 4.27s/it]
21%|███████████████████████▏ | 835/3996 [1:02:43<3:44:06, 4.25s/it]
21%|███████████████████████▏ | 836/3996 [1:02:48<3:43:34, 4.25s/it]
21%|███████████████████████▎ | 837/3996 [1:02:52<3:42:50, 4.23s/it]
21%|███████████████████████▎ | 838/3996 [1:02:57<3:52:24, 4.42s/it]
21%|███████████████████████▎ | 839/3996 [1:03:01<3:49:08, 4.35s/it]
21%|███████████████████████▎ | 840/3996 [1:03:05<3:46:50, 4.31s/it]
21%|███████████████████████▎ | 841/3996 [1:03:09<3:45:08, 4.28s/it]
21%|███████████████████████▍ | 842/3996 [1:03:14<3:44:08, 4.26s/it]
21%|███████████████████████▍ | 843/3996 [1:03:18<3:43:14, 4.25s/it]
21%|███████████████████████▍ | 844/3996 [1:03:22<3:42:25, 4.23s/it]
21%|███████████████████████▍ | 845/3996 [1:03:27<3:50:14, 4.38s/it]
21%|███████████████████████▌ | 846/3996 [1:03:31<3:47:36, 4.34s/it]
21%|███████████████████████▌ | 847/3996 [1:03:35<3:45:31, 4.30s/it]
21%|███████████████████████▌ | 848/3996 [1:03:39<3:44:06, 4.27s/it]
21%|███████████████████████▌ | 849/3996 [1:03:44<3:43:06, 4.25s/it]
21%|███████████████████████▌ | 850/3996 [1:03:48<3:42:23, 4.24s/it]
{'loss': 0.552, 'grad_norm': 0.18872258067131042, 'learning_rate': 0.00018230895593544056, 'ppl': 1.7367, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4222.33, 'total_tokens': 16510696, 'epoch': 0.64}
21%|███████████████████████▌ | 850/3996 [1:03:48<3:42:23, 4.24s/it]
21%|███████████████████████▋ | 851/3996 [1:03:52<3:42:04, 4.24s/it]
21%|███████████████████████▋ | 852/3996 [1:03:57<3:50:08, 4.39s/it]
21%|███████████████████████▋ | 853/3996 [1:04:01<3:47:16, 4.34s/it]
21%|███████████████████████▋ | 854/3996 [1:04:05<3:45:08, 4.30s/it]
21%|███████████████████████▊ | 855/3996 [1:04:09<3:43:31, 4.27s/it]
21%|███████████████████████▊ | 856/3996 [1:04:14<3:42:37, 4.25s/it]
21%|███████████████████████▊ | 857/3996 [1:04:18<3:41:53, 4.24s/it]
21%|███████████████████████▊ | 858/3996 [1:04:22<3:41:19, 4.23s/it]
21%|███████████████████████▊ | 859/3996 [1:04:27<3:49:29, 4.39s/it]
22%|███████████████████████▉ | 860/3996 [1:04:31<3:46:38, 4.34s/it]
22%|███████████████████████▉ | 861/3996 [1:04:35<3:44:39, 4.30s/it]
22%|███████████████████████▉ | 862/3996 [1:04:39<3:43:14, 4.27s/it]
22%|███████████████████████▉ | 863/3996 [1:04:44<3:42:18, 4.26s/it]
22%|████████████████████████ | 864/3996 [1:04:48<3:41:24, 4.24s/it]
22%|████████████████████████ | 865/3996 [1:04:52<3:41:06, 4.24s/it]
22%|████████████████████████ | 866/3996 [1:04:57<3:48:57, 4.39s/it]
22%|████████████████████████ | 867/3996 [1:05:01<3:46:20, 4.34s/it]
22%|████████████████████████ | 868/3996 [1:05:05<3:44:29, 4.31s/it]
22%|████████████████████████▏ | 869/3996 [1:05:09<3:42:54, 4.28s/it]
22%|████████████████████████▏ | 870/3996 [1:05:14<3:41:57, 4.26s/it]
22%|████████████████████████▏ | 871/3996 [1:05:18<3:41:20, 4.25s/it]
22%|████████████████████████▏ | 872/3996 [1:05:22<3:40:41, 4.24s/it]
22%|████████████████████████▎ | 873/3996 [1:05:27<3:48:40, 4.39s/it]
22%|████████████████████████▎ | 874/3996 [1:05:31<3:51:20, 4.45s/it]
22%|████████████████████████▎ | 875/3996 [1:05:36<3:47:46, 4.38s/it]
{'loss': 0.5607, 'grad_norm': 0.9702818989753723, 'learning_rate': 0.0001811474512030578, 'ppl': 1.7519, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4200.39, 'total_tokens': 16953918, 'epoch': 0.66}
22%|████████████████████████▎ | 875/3996 [1:05:36<3:47:46, 4.38s/it]
22%|████████████████████████▎ | 876/3996 [1:05:40<3:44:55, 4.33s/it]
22%|████████████████████████▎ | 877/3996 [1:05:44<3:43:01, 4.29s/it]
22%|████████████████████████▍ | 878/3996 [1:05:48<3:41:49, 4.27s/it]
22%|████████████████████████▍ | 879/3996 [1:05:53<3:40:59, 4.25s/it]
22%|████████████████████████▍ | 880/3996 [1:05:57<3:48:52, 4.41s/it]
22%|████████████████████████▍ | 881/3996 [1:06:01<3:45:45, 4.35s/it]
22%|████████████████████████▌ | 882/3996 [1:06:06<3:43:21, 4.30s/it]
22%|████████████████████████▌ | 883/3996 [1:06:10<3:41:56, 4.28s/it]
22%|████████████████████████▌ | 884/3996 [1:06:14<3:40:59, 4.26s/it]
22%|████████████████████████▌ | 885/3996 [1:06:18<3:40:20, 4.25s/it]
22%|████████████████████████▌ | 886/3996 [1:06:23<3:39:34, 4.24s/it]
22%|████████████████████████▋ | 887/3996 [1:06:27<3:47:27, 4.39s/it]
22%|████████████████████████▋ | 888/3996 [1:06:32<3:45:49, 4.36s/it]
22%|████████████████████████▋ | 889/3996 [1:06:36<3:43:38, 4.32s/it]
22%|████████████████████████▋ | 890/3996 [1:06:40<3:41:54, 4.29s/it]
22%|████████████████████████▊ | 891/3996 [1:06:44<3:40:50, 4.27s/it]
22%|████████████████████████▊ | 892/3996 [1:06:48<3:40:09, 4.26s/it]
22%|████████████████████████▊ | 893/3996 [1:06:53<3:39:30, 4.24s/it]
22%|████████████████████████▊ | 894/3996 [1:06:57<3:47:24, 4.40s/it]
22%|████████████████████████▊ | 895/3996 [1:07:02<3:44:26, 4.34s/it]
22%|████████████████████████▉ | 896/3996 [1:07:06<3:42:19, 4.30s/it]
22%|████████████████████████▉ | 897/3996 [1:07:10<3:41:39, 4.29s/it]
22%|████████████████████████▉ | 898/3996 [1:07:14<3:40:32, 4.27s/it]
22%|████████████████████████▉ | 899/3996 [1:07:19<3:39:42, 4.26s/it]
23%|█████████████████████████ | 900/3996 [1:07:23<3:38:50, 4.24s/it]
{'loss': 0.564, 'grad_norm': 0.17479568719863892, 'learning_rate': 0.00017995297016182405, 'ppl': 1.7577, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4210.15, 'total_tokens': 17396453, 'epoch': 0.68}
23%|█████████████████████████ | 900/3996 [1:07:23<3:38:50, 4.24s/it]
23%|█████████████████████████ | 901/3996 [1:07:28<3:46:46, 4.40s/it]
23%|█████████████████████████ | 902/3996 [1:07:32<3:44:07, 4.35s/it]
23%|█████████████████████████ | 903/3996 [1:07:36<3:41:51, 4.30s/it]
23%|█████████████████████████ | 904/3996 [1:07:40<3:40:19, 4.28s/it]
23%|█████████████████████████▏ | 905/3996 [1:07:44<3:39:16, 4.26s/it]
23%|█████████████████████████▏ | 906/3996 [1:07:49<3:38:40, 4.25s/it]
23%|█████████████████████████▏ | 907/3996 [1:07:53<3:38:09, 4.24s/it]
23%|█████████████████████████▏ | 908/3996 [1:07:58<3:45:52, 4.39s/it]
23%|█████████████████████████▎ | 909/3996 [1:08:02<3:43:11, 4.34s/it]
23%|█████████████████████████▎ | 910/3996 [1:08:06<3:41:04, 4.30s/it]
23%|█████████████████████████▎ | 911/3996 [1:08:10<3:39:31, 4.27s/it]
23%|█████████████████████████▎ | 912/3996 [1:08:14<3:38:31, 4.25s/it]
23%|█████████████████████████▎ | 913/3996 [1:08:19<3:38:07, 4.25s/it]
23%|█████████████████████████▍ | 914/3996 [1:08:23<3:37:36, 4.24s/it]
23%|█████████████████████████▍ | 915/3996 [1:08:28<3:45:29, 4.39s/it]
23%|█████████████████████████▍ | 916/3996 [1:08:32<3:42:48, 4.34s/it]
23%|█████████████████████████▍ | 917/3996 [1:08:36<3:40:52, 4.30s/it]
23%|█████████████████████████▌ | 918/3996 [1:08:40<3:39:19, 4.28s/it]
23%|█████████████████████████▌ | 919/3996 [1:08:44<3:38:17, 4.26s/it]
23%|█████████████████████████▌ | 920/3996 [1:08:49<3:37:30, 4.24s/it]
23%|█████████████████████████▌ | 921/3996 [1:08:53<3:37:01, 4.23s/it]
23%|█████████████████████████▌ | 922/3996 [1:08:58<3:44:53, 4.39s/it]
23%|█████████████████████████▋ | 923/3996 [1:09:02<3:42:22, 4.34s/it]
23%|█████████████████████████▋ | 924/3996 [1:09:06<3:40:13, 4.30s/it]
23%|█████████████████████████▋ | 925/3996 [1:09:10<3:38:35, 4.27s/it]
{'loss': 0.5511, 'grad_norm': 0.1948954463005066, 'learning_rate': 0.0001787259982191692, 'ppl': 1.7352, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4237.98, 'total_tokens': 17841287, 'epoch': 0.69}
23%|█████████████████████████▋ | 925/3996 [1:09:10<3:38:35, 4.27s/it]
23%|█████████████████████████▋ | 926/3996 [1:09:15<3:37:32, 4.25s/it]
23%|█████████████████████████▊ | 927/3996 [1:09:19<3:36:59, 4.24s/it]
23%|█████████████████████████▊ | 928/3996 [1:09:23<3:36:47, 4.24s/it]
23%|█████████████████████████▊ | 929/3996 [1:09:28<3:44:38, 4.39s/it]
23%|█████████████████████████▊ | 930/3996 [1:09:32<3:42:12, 4.35s/it]
23%|█████████████████████████▊ | 931/3996 [1:09:36<3:39:54, 4.30s/it]
23%|█████████████████████████▉ | 932/3996 [1:09:40<3:38:19, 4.28s/it]
23%|█████████████████████████▉ | 933/3996 [1:09:45<3:37:05, 4.25s/it]
23%|█████████████████████████▉ | 934/3996 [1:09:49<3:36:14, 4.24s/it]
23%|█████████████████████████▉ | 935/3996 [1:09:53<3:35:57, 4.23s/it]
23%|██████████████████████████ | 936/3996 [1:09:58<3:43:47, 4.39s/it]
23%|██████████████████████████ | 937/3996 [1:10:02<3:41:12, 4.34s/it]
23%|██████████████████████████ | 938/3996 [1:10:06<3:39:00, 4.30s/it]
23%|██████████████████████████ | 939/3996 [1:10:10<3:37:27, 4.27s/it]
24%|██████████████████████████ | 940/3996 [1:10:15<3:36:37, 4.25s/it]
24%|██████████████████████████▏ | 941/3996 [1:10:19<3:36:00, 4.24s/it]
24%|██████████████████████████▏ | 942/3996 [1:10:23<3:35:17, 4.23s/it]
24%|██████████████████████████▏ | 943/3996 [1:10:28<3:42:57, 4.38s/it]
24%|██████████████████████████▏ | 944/3996 [1:10:32<3:40:29, 4.33s/it]
24%|██████████████████████████▎ | 945/3996 [1:10:36<3:38:33, 4.30s/it]
24%|██████████████████████████▎ | 946/3996 [1:10:40<3:37:16, 4.27s/it]
24%|██████████████████████████▎ | 947/3996 [1:10:45<3:36:08, 4.25s/it]
24%|██████████████████████████▎ | 948/3996 [1:10:49<3:35:22, 4.24s/it]
24%|██████████████████████████▎ | 949/3996 [1:10:53<3:34:42, 4.23s/it]
24%|██████████████████████████▍ | 950/3996 [1:10:58<3:42:35, 4.38s/it]
{'loss': 0.5532, 'grad_norm': 0.19541053473949432, 'learning_rate': 0.00017746703398601872, 'ppl': 1.7388, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 3725.33, 'total_tokens': 18283596, 'epoch': 0.71}
24%|██████████████████████████▍ | 950/3996 [1:10:58<3:42:35, 4.38s/it]
24%|██████████████████████████▍ | 951/3996 [1:11:02<3:39:49, 4.33s/it]
24%|██████████████████████████▍ | 952/3996 [1:11:06<3:37:42, 4.29s/it]
24%|██████████████████████████▍ | 953/3996 [1:11:10<3:36:02, 4.26s/it]
24%|██████████████████████████▌ | 954/3996 [1:11:15<3:35:10, 4.24s/it]
24%|██████████████████████████▌ | 955/3996 [1:11:19<3:34:27, 4.23s/it]
24%|██████████████████████████▌ | 956/3996 [1:11:23<3:34:00, 4.22s/it]
24%|██████████████████████████▌ | 957/3996 [1:11:28<3:41:31, 4.37s/it]
24%|██████████████████████████▌ | 958/3996 [1:11:32<3:38:49, 4.32s/it]
24%|██████████████████████████▋ | 959/3996 [1:11:36<3:36:42, 4.28s/it]
24%|██████████████████████████▋ | 960/3996 [1:11:40<3:35:23, 4.26s/it]
24%|██████████████████████████▋ | 961/3996 [1:11:44<3:34:42, 4.24s/it]
24%|██████████████████████████▋ | 962/3996 [1:11:49<3:34:12, 4.24s/it]
24%|██████████████████████████▊ | 963/3996 [1:11:53<3:33:35, 4.23s/it]
24%|██████████████████████████▊ | 964/3996 [1:11:58<3:48:17, 4.52s/it]
24%|██████████████████████████▊ | 965/3996 [1:12:02<3:43:25, 4.42s/it]
24%|██████████████████████████▊ | 966/3996 [1:12:07<3:40:05, 4.36s/it]
24%|██████████████████████████▊ | 967/3996 [1:12:11<3:37:33, 4.31s/it]
24%|██████████████████████████▉ | 968/3996 [1:12:15<3:35:58, 4.28s/it]
24%|██████████████████████████▉ | 969/3996 [1:12:19<3:34:36, 4.25s/it]
24%|██████████████████████████▉ | 970/3996 [1:12:23<3:33:52, 4.24s/it]
24%|██████████████████████████▉ | 971/3996 [1:12:28<3:41:11, 4.39s/it]
24%|███████████████████████████ | 972/3996 [1:12:32<3:38:31, 4.34s/it]
24%|███████████████████████████ | 973/3996 [1:12:36<3:36:30, 4.30s/it]
24%|███████████████████████████ | 974/3996 [1:12:41<3:34:57, 4.27s/it]
24%|███████████████████████████ | 975/3996 [1:12:45<3:34:00, 4.25s/it]
{'loss': 0.5521, 'grad_norm': 0.1818365603685379, 'learning_rate': 0.0001761765890741701, 'ppl': 1.7369, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4211.63, 'total_tokens': 18726722, 'epoch': 0.73}
24%|███████████████████████████ | 975/3996 [1:12:45<3:34:00, 4.25s/it]
24%|███████████████████████████ | 976/3996 [1:12:49<3:33:24, 4.24s/it]
24%|███████████████████████████▏ | 977/3996 [1:12:53<3:32:58, 4.23s/it]
24%|███████████████████████████▏ | 978/3996 [1:12:58<3:40:35, 4.39s/it]
24%|███████████████████████████▏ | 979/3996 [1:13:02<3:37:49, 4.33s/it]
25%|███████████████████████████▏ | 980/3996 [1:13:06<3:35:34, 4.29s/it]
25%|███████████████████████████▎ | 981/3996 [1:13:11<3:34:06, 4.26s/it]
25%|███████████████████████████▎ | 982/3996 [1:13:15<3:33:27, 4.25s/it]
25%|███████████████████████████▎ | 983/3996 [1:13:19<3:32:49, 4.24s/it]
25%|███████████████████████████▎ | 984/3996 [1:13:23<3:32:13, 4.23s/it]
25%|███████████████████████████▎ | 985/3996 [1:13:28<3:39:43, 4.38s/it]
25%|███████████████████████████▍ | 986/3996 [1:13:32<3:37:05, 4.33s/it]
25%|███████████████████████████▍ | 987/3996 [1:13:36<3:35:08, 4.29s/it]
25%|███████████████████████████▍ | 988/3996 [1:13:41<3:33:56, 4.27s/it]
25%|███████████████████████████▍ | 989/3996 [1:13:45<3:32:40, 4.24s/it]
25%|███████████████████████████▌ | 990/3996 [1:13:49<3:32:00, 4.23s/it]
25%|███████████████████████████▌ | 991/3996 [1:13:53<3:31:42, 4.23s/it]
25%|███████████████████████████▌ | 992/3996 [1:13:58<3:39:14, 4.38s/it]
25%|███████████████████████████▌ | 993/3996 [1:14:02<3:36:36, 4.33s/it]
25%|███████████████████████████▌ | 994/3996 [1:14:06<3:34:34, 4.29s/it]
25%|███████████████████████████▋ | 995/3996 [1:14:11<3:33:20, 4.27s/it]
25%|███████████████████████████▋ | 996/3996 [1:14:15<3:32:41, 4.25s/it]
25%|███████████████████████████▋ | 997/3996 [1:14:19<3:31:54, 4.24s/it]
25%|███████████████████████████▋ | 998/3996 [1:14:23<3:31:33, 4.23s/it]
25%|███████████████████████████▊ | 999/3996 [1:14:28<3:39:12, 4.39s/it]
25%|███████████████████████████▌ | 1000/3996 [1:14:32<3:40:01, 4.41s/it]
{'loss': 0.5511, 'grad_norm': 0.1838025599718094, 'learning_rate': 0.00017485518788838705, 'ppl': 1.7352, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 3962.4, 'total_tokens': 19167258, 'epoch': 0.75}
25%|███████████████████████████▌ | 1000/3996 [1:14:32<3:40:01, 4.41s/it][2025-12-29 04:04:18,203] [INFO] [axolotl.core.trainers.base.evaluate:388] [PID:3751] Running evaluation step...
[2025-12-29 04:04:19,132] [DEBUG] [axolotl.utils.samplers.multipack.__len__:462] [PID:3751] generate_batches time: 0.44579172134399414
[2025-12-29 04:04:19,560] [DEBUG] [axolotl.utils.samplers.multipack.__len__:462] [PID:3751] generate_batches time: 0.42780184745788574
[2025-12-29 04:04:19,955] [DEBUG] [axolotl.utils.samplers.multipack.__len__:462] [PID:3751] generate_batches time: 0.3948495388031006
[2025-12-29 04:04:20,352] [DEBUG] [axolotl.utils.samplers.multipack.__len__:462] [PID:3751] generate_batches time: 0.3962395191192627
[2025-12-29 04:04:20,352] [INFO] [axolotl.utils.samplers.multipack.calc_min_len:438] [PID:3751] gather_len_batches: [72]
0%| | 0/72 [00:00, ?it/s][A
3%|███▎ | 2/72 [00:02<01:19, 1.13s/it][A
4%|████▉ | 3/72 [00:04<01:40, 1.46s/it][A
6%|██████▌ | 4/72 [00:06<01:50, 1.62s/it][A
7%|████████▎ | 5/72 [00:07<01:54, 1.71s/it][A
8%|█████████▉ | 6/72 [00:09<01:56, 1.76s/it][A
10%|███████████▌ | 7/72 [00:11<01:58, 1.82s/it][A
11%|█████████████▏ | 8/72 [00:13<01:57, 1.84s/it][A
12%|██████████████▉ | 9/72 [00:15<01:57, 1.86s/it][A
14%|████████████████▍ | 10/72 [00:17<01:56, 1.87s/it][A
15%|██████████████████ | 11/72 [00:19<01:54, 1.88s/it][A
17%|███████████████████▋ | 12/72 [00:21<01:53, 1.89s/it][A
18%|█████████████████████▎ | 13/72 [00:23<01:51, 1.89s/it][A
19%|██████████████████████▉ | 14/72 [00:25<01:50, 1.90s/it][A
21%|████████████████████████▌ | 15/72 [00:26<01:48, 1.90s/it][A
22%|██████████████████████████▏ | 16/72 [00:28<01:45, 1.89s/it][A
24%|███████████████████████████▊ | 17/72 [00:30<01:43, 1.88s/it][A
25%|█████████████████████████████▌ | 18/72 [00:32<01:42, 1.89s/it][A
26%|███████████████████████████████▏ | 19/72 [00:34<01:40, 1.89s/it][A
28%|████████████████████████████████▊ | 20/72 [00:36<01:38, 1.90s/it][A
29%|██████████████████████████████████▍ | 21/72 [00:38<01:36, 1.90s/it][A
31%|████████████████████████████████████ | 22/72 [00:40<01:35, 1.90s/it][A
32%|█████████████████████████████████████▋ | 23/72 [00:42<01:33, 1.90s/it][A
33%|███████████████████████████████████████▎ | 24/72 [00:44<01:31, 1.90s/it][A
35%|████████████████████████████████████████▉ | 25/72 [00:45<01:29, 1.91s/it][A
36%|██████████████████████████████████████████▌ | 26/72 [00:47<01:27, 1.90s/it][A
38%|████████████████████████████████████████████▎ | 27/72 [00:49<01:25, 1.89s/it][A
39%|█████████████████████████████████████████████▉ | 28/72 [00:51<01:23, 1.89s/it][A
40%|███████████████████████████████████████████████▌ | 29/72 [00:53<01:21, 1.89s/it][A
42%|█████████████████████████████████████████████████▏ | 30/72 [00:55<01:20, 1.91s/it][A
43%|██████████████████████████████████████████████████▊ | 31/72 [00:57<01:18, 1.91s/it][A
44%|████████████████████████████████████████████████████▍ | 32/72 [00:59<01:17, 1.94s/it][A
46%|██████████████████████████████████████████████████████ | 33/72 [01:01<01:15, 1.93s/it][A
47%|███████████████████████████████████████████████████████▋ | 34/72 [01:03<01:13, 1.93s/it][A
49%|█████████████████████████████████████████████████████████▎ | 35/72 [01:05<01:11, 1.92s/it][A
50%|███████████████████████████████████████████████████████████ | 36/72 [01:07<01:08, 1.91s/it][A
51%|████████████████████████████████████████████████████████████▋ | 37/72 [01:08<01:06, 1.90s/it][A
53%|██████████████████████████████████████████████████████████████▎ | 38/72 [01:10<01:04, 1.89s/it][A
54%|███████████████████████████████████████████████████████████████▉ | 39/72 [01:12<01:02, 1.91s/it][A
56%|█████████████████████████████████████████████████████████████████▌ | 40/72 [01:15<01:06, 2.07s/it][A
57%|███████████████████████████████████████████████████████████████████▏ | 41/72 [01:17<01:02, 2.02s/it][A
58%|████████████████████████████████████████████████████████████████████▊ | 42/72 [01:18<00:59, 1.99s/it][A
60%|██████████████████████████████████████████████████████████████████████▍ | 43/72 [01:20<00:56, 1.96s/it][A
61%|████████████████████████████████████████████████████████████████████████ | 44/72 [01:22<00:54, 1.94s/it][A
62%|█████████████████████████████████████████████████████████████████████████▊ | 45/72 [01:24<00:52, 1.93s/it][A
64%|███████████████████████████████████████████████████████████████████████████▍ | 46/72 [01:26<00:50, 1.92s/it][A
65%|█████████████████████████████████████████████████████████████████████████████ | 47/72 [01:28<00:47, 1.91s/it][A
67%|██████████████████████████████████████████████████████████████████████████████▋ | 48/72 [01:30<00:45, 1.90s/it][A
68%|████████████████████████████████████████████████████████████████████████████████▎ | 49/72 [01:32<00:44, 1.93s/it][A
69%|█████████████████████████████████████████████████████████████████████████████████▉ | 50/72 [01:34<00:42, 1.92s/it][A
71%|███████████████████████████████████████████████████████████████████████████████████▌ | 51/72 [01:36<00:40, 1.91s/it][A
72%|█████████████████████████████████████████████████████████████████████████████████████▏ | 52/72 [01:38<00:38, 1.91s/it][A
74%|██████████████████████████████████████████████████████████████████████████████████████▊ | 53/72 [01:39<00:36, 1.91s/it][A
75%|████████████████████████████████████████████████████████████████████████████████████████▌ | 54/72 [01:41<00:34, 1.91s/it][A
76%|██████████████████████████████████████████████████████████████████████████████████████████▏ | 55/72 [01:43<00:32, 1.91s/it][A
78%|███████████████████████████████████████████████████████████████████████████████████████████▊ | 56/72 [01:45<00:30, 1.91s/it][A
79%|█████████████████████████████████████████████████████████████████████████████████████████████▍ | 57/72 [01:47<00:28, 1.90s/it][A
81%|███████████████████████████████████████████████████████████████████████████████████████████████ | 58/72 [01:49<00:26, 1.89s/it][A
82%|████████████████████████████████████████████████████████████████████████████████████████████████▋ | 59/72 [01:51<00:24, 1.89s/it][A
83%|██████████████████████████████████████████████████████████████████████████████████████████████████▎ | 60/72 [01:53<00:22, 1.89s/it][A
85%|███████████████████████████████████████████████████████████████████████████████████████████████████▉ | 61/72 [01:55<00:20, 1.89s/it][A
86%|█████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 62/72 [01:56<00:18, 1.90s/it][A
88%|███████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 63/72 [01:58<00:17, 1.90s/it][A
89%|████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 64/72 [02:00<00:15, 1.90s/it][A
90%|██████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 65/72 [02:02<00:13, 1.90s/it][A
92%|████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 66/72 [02:04<00:11, 1.90s/it][A
93%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 67/72 [02:06<00:09, 1.91s/it][A
94%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 68/72 [02:08<00:07, 1.90s/it][A
96%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████ | 69/72 [02:10<00:05, 1.90s/it][A
97%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 70/72 [02:12<00:03, 1.97s/it][A
99%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 71/72 [02:14<00:01, 1.97s/it][A
100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 72/72 [02:16<00:00, 1.99s/it][A
[A{'eval_loss': 0.540988564491272, 'eval_runtime': 138.0264, 'eval_samples_per_second': 5.289, 'eval_steps_per_second': 1.058, 'eval_ppl': 1.7177, 'memory/max_active (GiB)': 19.1, 'memory/max_allocated (GiB)': 19.1, 'memory/device_reserved (GiB)': 139.02, 'epoch': 0.75}
25%|███████████████████████████▌ | 1000/3996 [1:16:53<3:40:01, 4.41s/it]
100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 72/72 [02:16<00:00, 1.99s/it][A
[A[2025-12-29 04:06:38,383] [INFO] [axolotl.core.trainers.base._save:692] [PID:3751] Saving model checkpoint to ./outputs/luau-codellama-h200-fast/checkpoint-1000
25%|███████████████████████████▎ | 1001/3996 [1:16:57<38:35:51, 46.39s/it]
25%|███████████████████████████▎ | 1002/3996 [1:17:01<28:03:49, 33.74s/it]
25%|███████████████████████████▎ | 1003/3996 [1:17:06<20:49:21, 25.05s/it]
25%|███████████████████████████▍ | 1004/3996 [1:17:10<15:37:18, 18.80s/it]
25%|███████████████████████████▍ | 1005/3996 [1:17:14<11:58:44, 14.42s/it]
25%|███████████████████████████▋ | 1006/3996 [1:17:19<9:27:10, 11.38s/it]
25%|███████████████████████████▋ | 1007/3996 [1:17:23<7:39:59, 9.23s/it]
25%|███████████████████████████▋ | 1008/3996 [1:17:27<6:24:38, 7.72s/it]
25%|███████████████████████████▊ | 1009/3996 [1:17:31<5:31:55, 6.67s/it]
25%|███████████████████████████▊ | 1010/3996 [1:17:36<5:03:38, 6.10s/it]
25%|███████████████████████████▊ | 1011/3996 [1:17:40<4:35:23, 5.54s/it]
25%|███████████████████████████▊ | 1012/3996 [1:17:44<4:15:56, 5.15s/it]
25%|███████████████████████████▉ | 1013/3996 [1:17:49<4:01:47, 4.86s/it]
25%|███████████████████████████▉ | 1014/3996 [1:17:53<3:51:57, 4.67s/it]
25%|███████████████████████████▉ | 1015/3996 [1:17:57<3:44:59, 4.53s/it]
25%|███████████████████████████▉ | 1016/3996 [1:18:01<3:40:04, 4.43s/it]
25%|███████████████████████████▉ | 1017/3996 [1:18:06<3:44:43, 4.53s/it]
25%|████████████████████████████ | 1018/3996 [1:18:10<3:40:14, 4.44s/it]
26%|████████████████████████████ | 1019/3996 [1:18:14<3:36:42, 4.37s/it]
26%|████████████████████████████ | 1020/3996 [1:18:19<3:34:03, 4.32s/it]
26%|████████████████████████████ | 1021/3996 [1:18:23<3:32:21, 4.28s/it]
26%|████████████████████████████▏ | 1022/3996 [1:18:27<3:35:31, 4.35s/it]
26%|████████████████████████████▏ | 1023/3996 [1:18:31<3:33:12, 4.30s/it]
26%|████████████████████████████▏ | 1024/3996 [1:18:36<3:39:51, 4.44s/it]
26%|████████████████████████████▏ | 1025/3996 [1:18:40<3:36:16, 4.37s/it]
{'loss': 0.549, 'grad_norm': 0.2199818342924118, 'learning_rate': 0.00017350336741329413, 'ppl': 1.7315, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4129.73, 'total_tokens': 20870820, 'epoch': 0.77}
26%|████████████████████████████▏ | 1025/3996 [1:18:40<3:36:16, 4.37s/it]
26%|████████████████████████████▏ | 1026/3996 [1:18:45<3:33:50, 4.32s/it]
26%|████████████████████████████▎ | 1027/3996 [1:18:49<3:31:49, 4.28s/it]
26%|████████████████████████████▎ | 1028/3996 [1:18:53<3:30:46, 4.26s/it]
26%|████████████████████████████▎ | 1029/3996 [1:18:57<3:29:55, 4.25s/it]
26%|████████████████████████████▎ | 1030/3996 [1:19:01<3:29:29, 4.24s/it]
26%|████████████████████████████▍ | 1031/3996 [1:19:06<3:36:59, 4.39s/it]
26%|████████████████████████████▍ | 1032/3996 [1:19:10<3:34:25, 4.34s/it]
26%|████████████████████████████▍ | 1033/3996 [1:19:15<3:32:38, 4.31s/it]
26%|████████████████████████████▍ | 1034/3996 [1:19:19<3:31:06, 4.28s/it]
26%|████████████████████████████▍ | 1035/3996 [1:19:23<3:30:24, 4.26s/it]
26%|████████████████████████████▌ | 1036/3996 [1:19:27<3:29:45, 4.25s/it]
26%|████████████████████████████▌ | 1037/3996 [1:19:32<3:29:14, 4.24s/it]
26%|████████████████████████████▌ | 1038/3996 [1:19:36<3:36:45, 4.40s/it]
26%|████████████████████████████▌ | 1039/3996 [1:19:41<3:34:05, 4.34s/it]
26%|████████████████████████████▋ | 1040/3996 [1:19:45<3:35:13, 4.37s/it]
26%|████████████████████████████▋ | 1041/3996 [1:19:49<3:32:42, 4.32s/it]
26%|████████████████████████████▋ | 1042/3996 [1:19:53<3:31:23, 4.29s/it]
26%|████████████████████████████▋ | 1043/3996 [1:19:58<3:30:10, 4.27s/it]
26%|████████████████████████████▋ | 1044/3996 [1:20:02<3:29:38, 4.26s/it]
26%|████████████████████████████▊ | 1045/3996 [1:20:07<3:36:54, 4.41s/it]
26%|████████████████████████████▊ | 1046/3996 [1:20:11<3:34:08, 4.36s/it]
26%|████████████████████████████▊ | 1047/3996 [1:20:15<3:32:14, 4.32s/it]
26%|████████████████████████████▊ | 1048/3996 [1:20:19<3:30:34, 4.29s/it]
26%|████████████████████████████▉ | 1049/3996 [1:20:24<3:29:45, 4.27s/it]
26%|████████████████████████████▉ | 1050/3996 [1:20:28<3:28:52, 4.25s/it]
{'loss': 0.5615, 'grad_norm': 0.19783177971839905, 'learning_rate': 0.0001721216769951596, 'ppl': 1.7533, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4243.63, 'total_tokens': 21317982, 'epoch': 0.79}
26%|████████████████████████████▉ | 1050/3996 [1:20:28<3:28:52, 4.25s/it]
26%|████████████████████████████▉ | 1051/3996 [1:20:32<3:28:09, 4.24s/it]
26%|████████████████████████████▉ | 1052/3996 [1:20:37<3:36:40, 4.42s/it]
26%|████████████████████████████▉ | 1053/3996 [1:20:41<3:33:34, 4.35s/it]
26%|█████████████████████████████ | 1054/3996 [1:20:45<3:31:31, 4.31s/it]
26%|█████████████████████████████ | 1055/3996 [1:20:49<3:29:49, 4.28s/it]
26%|█████████████████████████████ | 1056/3996 [1:20:54<3:29:07, 4.27s/it]
26%|█████████████████████████████ | 1057/3996 [1:20:58<3:28:02, 4.25s/it]
26%|█████████████████████████████ | 1058/3996 [1:21:02<3:27:52, 4.25s/it]
27%|█████████████████████████████▏ | 1059/3996 [1:21:07<3:34:51, 4.39s/it]
27%|█████████████████████████████▏ | 1060/3996 [1:21:11<3:32:27, 4.34s/it]
27%|█████████████████████████████▏ | 1061/3996 [1:21:15<3:30:24, 4.30s/it]
27%|█████████████████████████████▏ | 1062/3996 [1:21:19<3:28:49, 4.27s/it]
27%|█████████████████████████████▎ | 1063/3996 [1:21:24<3:28:02, 4.26s/it]
27%|█████████████████████████████▎ | 1064/3996 [1:21:28<3:27:05, 4.24s/it]
27%|█████████████████████████████▎ | 1065/3996 [1:21:32<3:26:44, 4.23s/it]
27%|█████████████████████████████▎ | 1066/3996 [1:21:37<3:35:37, 4.42s/it]
27%|█████████████████████████████▎ | 1067/3996 [1:21:41<3:32:38, 4.36s/it]
27%|█████████████████████████████▍ | 1068/3996 [1:21:45<3:30:16, 4.31s/it]
27%|█████████████████████████████▍ | 1069/3996 [1:21:50<3:28:51, 4.28s/it]
27%|█████████████████████████████▍ | 1070/3996 [1:21:54<3:27:56, 4.26s/it]
27%|█████████████████████████████▍ | 1071/3996 [1:21:58<3:26:49, 4.24s/it]
27%|█████████████████████████████▌ | 1072/3996 [1:22:02<3:26:26, 4.24s/it]
27%|█████████████████████████████▌ | 1073/3996 [1:22:07<3:33:41, 4.39s/it]
27%|█████████████████████████████▌ | 1074/3996 [1:22:11<3:31:11, 4.34s/it]
27%|█████████████████████████████▌ | 1075/3996 [1:22:15<3:30:03, 4.31s/it]
{'loss': 0.5557, 'grad_norm': 0.1678430140018463, 'learning_rate': 0.00017071067811865476, 'ppl': 1.7432, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4092.04, 'total_tokens': 21754087, 'epoch': 0.81}
27%|█████████████████████████████▌ | 1075/3996 [1:22:15<3:30:03, 4.31s/it]
27%|█████████████████████████████▌ | 1076/3996 [1:22:21<3:42:22, 4.57s/it]
27%|█████████████████████████████▋ | 1077/3996 [1:22:25<3:37:09, 4.46s/it]
27%|█████████████████████████████▋ | 1078/3996 [1:22:29<3:33:13, 4.38s/it]
27%|█████████████████████████████▋ | 1079/3996 [1:22:33<3:30:35, 4.33s/it]
27%|█████████████████████████████▋ | 1080/3996 [1:22:38<3:36:23, 4.45s/it]
27%|█████████████████████████████▊ | 1081/3996 [1:22:42<3:33:04, 4.39s/it]
27%|█████████████████████████████▊ | 1082/3996 [1:22:46<3:30:23, 4.33s/it]
27%|█████████████████████████████▊ | 1083/3996 [1:22:51<3:28:31, 4.29s/it]
27%|█████████████████████████████▊ | 1084/3996 [1:22:55<3:27:16, 4.27s/it]
27%|█████████████████████████████▊ | 1085/3996 [1:22:59<3:26:15, 4.25s/it]
27%|█████████████████████████████▉ | 1086/3996 [1:23:03<3:25:29, 4.24s/it]
27%|█████████████████████████████▉ | 1087/3996 [1:23:08<3:32:34, 4.38s/it]
27%|█████████████████████████████▉ | 1088/3996 [1:23:12<3:30:08, 4.34s/it]
27%|█████████████████████████████▉ | 1089/3996 [1:23:16<3:28:03, 4.29s/it]
27%|██████████████████████████████ | 1090/3996 [1:23:21<3:32:28, 4.39s/it]
27%|██████████████████████████████ | 1091/3996 [1:23:25<3:29:59, 4.34s/it]
27%|██████████████████████████████ | 1092/3996 [1:23:29<3:28:00, 4.30s/it]
27%|██████████████████████████████ | 1093/3996 [1:23:34<3:26:41, 4.27s/it]
27%|██████████████████████████████ | 1094/3996 [1:23:39<3:38:31, 4.52s/it]
27%|██████████████████████████████▏ | 1095/3996 [1:23:43<3:34:02, 4.43s/it]
27%|██████████████████████████████▏ | 1096/3996 [1:23:47<3:30:51, 4.36s/it]
27%|██████████████████████████████▏ | 1097/3996 [1:23:51<3:28:33, 4.32s/it]
27%|██████████████████████████████▏ | 1098/3996 [1:23:56<3:27:10, 4.29s/it]
28%|██████████████████████████████▎ | 1099/3996 [1:24:00<3:25:59, 4.27s/it]
28%|██████████████████████████████▎ | 1100/3996 [1:24:04<3:25:40, 4.26s/it]
{'loss': 0.556, 'grad_norm': 0.16523879766464233, 'learning_rate': 0.00016927094417868048, 'ppl': 1.7437, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4187.02, 'total_tokens': 22198779, 'epoch': 0.83}
28%|██████████████████████████████▎ | 1100/3996 [1:24:04<3:25:40, 4.26s/it]
28%|██████████████████████████████▎ | 1101/3996 [1:24:09<3:32:40, 4.41s/it]
28%|██████████████████████████████▎ | 1102/3996 [1:24:13<3:29:52, 4.35s/it]
28%|██████████████████████████████▎ | 1103/3996 [1:24:17<3:28:31, 4.32s/it]
28%|██████████████████████████████▍ | 1104/3996 [1:24:21<3:26:38, 4.29s/it]
28%|██████████████████████████████▍ | 1105/3996 [1:24:26<3:25:37, 4.27s/it]
28%|██████████████████████████████▍ | 1106/3996 [1:24:30<3:24:48, 4.25s/it]
28%|██████████████████████████████▍ | 1107/3996 [1:24:34<3:24:31, 4.25s/it]
28%|██████████████████████████████▌ | 1108/3996 [1:24:39<3:31:57, 4.40s/it]
28%|██████████████████████████████▌ | 1109/3996 [1:24:43<3:29:23, 4.35s/it]
28%|██████████████████████████████▌ | 1110/3996 [1:24:47<3:27:09, 4.31s/it]
28%|██████████████████████████████▌ | 1111/3996 [1:24:52<3:25:30, 4.27s/it]
28%|██████████████████████████████▌ | 1112/3996 [1:24:56<3:27:52, 4.32s/it]
28%|██████████████████████████████▋ | 1113/3996 [1:25:00<3:26:14, 4.29s/it]
28%|██████████████████████████████▋ | 1114/3996 [1:25:04<3:24:47, 4.26s/it]
28%|██████████████████████████████▋ | 1115/3996 [1:25:09<3:31:34, 4.41s/it]
28%|██████████████████████████████▋ | 1116/3996 [1:25:13<3:28:52, 4.35s/it]
28%|██████████████████████████████▋ | 1117/3996 [1:25:18<3:26:46, 4.31s/it]
28%|██████████████████████████████▊ | 1118/3996 [1:25:22<3:25:07, 4.28s/it]
28%|██████████████████████████████▊ | 1119/3996 [1:25:26<3:23:57, 4.25s/it]
28%|██████████████████████████████▊ | 1120/3996 [1:25:30<3:23:18, 4.24s/it]
28%|██████████████████████████████▊ | 1121/3996 [1:25:34<3:22:55, 4.23s/it]
28%|██████████████████████████████▉ | 1122/3996 [1:25:39<3:30:26, 4.39s/it]
28%|██████████████████████████████▉ | 1123/3996 [1:25:43<3:27:50, 4.34s/it]
28%|██████████████████████████████▉ | 1124/3996 [1:25:48<3:26:00, 4.30s/it]
28%|██████████████████████████████▉ | 1125/3996 [1:25:52<3:24:28, 4.27s/it]
{'loss': 0.5468, 'grad_norm': 0.18177717924118042, 'learning_rate': 0.00016780306024735382, 'ppl': 1.7277, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4198.97, 'total_tokens': 22639769, 'epoch': 0.84}
28%|██████████████████████████████▉ | 1125/3996 [1:25:52<3:24:28, 4.27s/it]
28%|██████████████████████████████▉ | 1126/3996 [1:25:56<3:23:31, 4.25s/it]
28%|███████████████████████████████ | 1127/3996 [1:26:00<3:22:43, 4.24s/it]
28%|███████████████████████████████ | 1128/3996 [1:26:04<3:22:13, 4.23s/it]
28%|███████████████████████████████ | 1129/3996 [1:26:10<3:36:51, 4.54s/it]
28%|███████████████████████████████ | 1130/3996 [1:26:14<3:32:09, 4.44s/it]
28%|███████████████████████████████▏ | 1131/3996 [1:26:18<3:28:42, 4.37s/it]
28%|███████████████████████████████▏ | 1132/3996 [1:26:22<3:26:12, 4.32s/it]
28%|███████████████████████████████▏ | 1133/3996 [1:26:26<3:24:40, 4.29s/it]
28%|███████████████████████████████▏ | 1134/3996 [1:26:31<3:23:26, 4.27s/it]
28%|███████████████████████████████▏ | 1135/3996 [1:26:36<3:45:13, 4.72s/it]
28%|███████████████████████████████▎ | 1136/3996 [1:26:41<3:45:37, 4.73s/it]
28%|███████████████████████████████▎ | 1137/3996 [1:26:45<3:38:03, 4.58s/it]
28%|███████████████████████████████▎ | 1138/3996 [1:26:50<3:32:27, 4.46s/it]
29%|███████████████████████████████▎ | 1139/3996 [1:26:54<3:28:42, 4.38s/it]
29%|███████████████████████████████▍ | 1140/3996 [1:26:58<3:26:17, 4.33s/it]
29%|███████████████████████████████▍ | 1141/3996 [1:27:02<3:24:35, 4.30s/it]
29%|███████████████████████████████▍ | 1142/3996 [1:27:07<3:23:17, 4.27s/it]
29%|███████████████████████████████▍ | 1143/3996 [1:27:11<3:29:56, 4.42s/it]
29%|███████████████████████████████▍ | 1144/3996 [1:27:16<3:27:36, 4.37s/it]
29%|███████████████████████████████▌ | 1145/3996 [1:27:20<3:25:10, 4.32s/it]
29%|███████████████████████████████▌ | 1146/3996 [1:27:24<3:23:19, 4.28s/it]
29%|███████████████████████████████▌ | 1147/3996 [1:27:28<3:22:15, 4.26s/it]
29%|███████████████████████████████▌ | 1148/3996 [1:27:32<3:21:17, 4.24s/it]
29%|███████████████████████████████▋ | 1149/3996 [1:27:36<3:20:26, 4.22s/it]
29%|███████████████████████████████▋ | 1150/3996 [1:27:41<3:27:53, 4.38s/it]
{'loss': 0.554, 'grad_norm': 0.17299720644950867, 'learning_rate': 0.0001663076228362492, 'ppl': 1.7402, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 3762.13, 'total_tokens': 23086742, 'epoch': 0.86}
29%|███████████████████████████████▋ | 1150/3996 [1:27:41<3:27:53, 4.38s/it]
29%|███████████████████████████████▋ | 1151/3996 [1:27:45<3:25:21, 4.33s/it]
29%|███████████████████████████████▋ | 1152/3996 [1:27:50<3:23:19, 4.29s/it]
29%|███████████████████████████████▋ | 1153/3996 [1:27:54<3:21:54, 4.26s/it]
29%|███████████████████████████████▊ | 1154/3996 [1:27:58<3:21:15, 4.25s/it]
29%|███████████████████████████████▊ | 1155/3996 [1:28:02<3:20:32, 4.24s/it]
29%|███████████████████████████████▊ | 1156/3996 [1:28:06<3:19:56, 4.22s/it]
29%|███████████████████████████████▊ | 1157/3996 [1:28:11<3:27:09, 4.38s/it]
29%|███████████████████████████████▉ | 1158/3996 [1:28:15<3:24:37, 4.33s/it]
29%|███████████████████████████████▉ | 1159/3996 [1:28:20<3:22:45, 4.29s/it]
29%|███████████████████████████████▉ | 1160/3996 [1:28:24<3:21:10, 4.26s/it]
29%|███████████████████████████████▉ | 1161/3996 [1:28:28<3:20:28, 4.24s/it]
29%|███████████████████████████████▉ | 1162/3996 [1:28:32<3:19:48, 4.23s/it]
29%|████████████████████████████████ | 1163/3996 [1:28:36<3:19:19, 4.22s/it]
29%|████████████████████████████████ | 1164/3996 [1:28:41<3:26:54, 4.38s/it]
29%|████████████████████████████████ | 1165/3996 [1:28:45<3:24:16, 4.33s/it]
29%|████████████████████████████████ | 1166/3996 [1:28:50<3:22:02, 4.28s/it]
29%|████████████████████████████████ | 1167/3996 [1:28:54<3:20:37, 4.25s/it]
29%|████████████████████████████████▏ | 1168/3996 [1:28:58<3:19:48, 4.24s/it]
29%|████████████████████████████████▏ | 1169/3996 [1:29:02<3:19:14, 4.23s/it]
29%|████████████████████████████████▏ | 1170/3996 [1:29:06<3:18:40, 4.22s/it]
29%|████████████████████████████████▏ | 1171/3996 [1:29:11<3:25:55, 4.37s/it]
29%|████████████████████████████████▎ | 1172/3996 [1:29:15<3:23:39, 4.33s/it]
29%|████████████████████████████████▎ | 1173/3996 [1:29:19<3:21:52, 4.29s/it]
29%|████████████████████████████████▎ | 1174/3996 [1:29:24<3:20:27, 4.26s/it]
29%|████████████████████████████████▎ | 1175/3996 [1:29:28<3:19:29, 4.24s/it]
{'loss': 0.5434, 'grad_norm': 0.19112971425056458, 'learning_rate': 0.00016478523965399085, 'ppl': 1.7219, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4205.37, 'total_tokens': 23528106, 'epoch': 0.88}
29%|████████████████████████████████▎ | 1175/3996 [1:29:28<3:19:29, 4.24s/it]
29%|████████████████████████████████▎ | 1176/3996 [1:29:32<3:18:51, 4.23s/it]
29%|████████████████████████████████▍ | 1177/3996 [1:29:36<3:18:28, 4.22s/it]
29%|████████████████████████████████▍ | 1178/3996 [1:29:41<3:25:38, 4.38s/it]
30%|████████████████████████████████▍ | 1179/3996 [1:29:45<3:23:01, 4.32s/it]
30%|████████████████████████████████▍ | 1180/3996 [1:29:49<3:20:56, 4.28s/it]
30%|████████████████████████████████▌ | 1181/3996 [1:29:54<3:19:36, 4.25s/it]
30%|████████████████████████████████▌ | 1182/3996 [1:29:58<3:18:49, 4.24s/it]
30%|████████████████████████████████▌ | 1183/3996 [1:30:02<3:18:22, 4.23s/it]
30%|████████████████████████████████▌ | 1184/3996 [1:30:06<3:17:55, 4.22s/it]
30%|████████████████████████████████▌ | 1185/3996 [1:30:11<3:32:19, 4.53s/it]
30%|████████████████████████████████▋ | 1186/3996 [1:30:16<3:27:39, 4.43s/it]
30%|████████████████████████████████▋ | 1187/3996 [1:30:20<3:24:13, 4.36s/it]
30%|████████████████████████████████▋ | 1188/3996 [1:30:24<3:21:53, 4.31s/it]
30%|████████████████████████████████▋ | 1189/3996 [1:30:28<3:20:19, 4.28s/it]
30%|████████████████████████████████▊ | 1190/3996 [1:30:32<3:19:08, 4.26s/it]
30%|████████████████████████████████▊ | 1191/3996 [1:30:37<3:18:18, 4.24s/it]
30%|████████████████████████████████▊ | 1192/3996 [1:30:41<3:25:23, 4.39s/it]
30%|████████████████████████████████▊ | 1193/3996 [1:30:46<3:22:49, 4.34s/it]
30%|████████████████████████████████▊ | 1194/3996 [1:30:50<3:20:47, 4.30s/it]
30%|████████████████████████████████▉ | 1195/3996 [1:30:54<3:19:22, 4.27s/it]
30%|████████████████████████████████▉ | 1196/3996 [1:30:58<3:18:29, 4.25s/it]
30%|████████████████████████████████▉ | 1197/3996 [1:31:02<3:17:41, 4.24s/it]
30%|████████████████████████████████▉ | 1198/3996 [1:31:07<3:17:05, 4.23s/it]
30%|█████████████████████████████████ | 1199/3996 [1:31:11<3:24:12, 4.38s/it]
30%|█████████████████████████████████ | 1200/3996 [1:31:16<3:21:55, 4.33s/it]
{'loss': 0.5362, 'grad_norm': 0.17930163443088531, 'learning_rate': 0.00016323652935929536, 'ppl': 1.7095, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4228.83, 'total_tokens': 23974427, 'epoch': 0.9}
30%|█████████████████████████████████ | 1200/3996 [1:31:16<3:21:55, 4.33s/it]
30%|█████████████████████████████████ | 1201/3996 [1:31:20<3:19:54, 4.29s/it]
30%|█████████████████████████████████ | 1202/3996 [1:31:24<3:18:38, 4.27s/it]
30%|█████████████████████████████████ | 1203/3996 [1:31:28<3:17:55, 4.25s/it]
30%|█████████████████████████████████▏ | 1204/3996 [1:31:32<3:17:07, 4.24s/it]
30%|█████████████████████████████████▏ | 1205/3996 [1:31:37<3:16:32, 4.23s/it]
30%|█████████████████████████████████▏ | 1206/3996 [1:31:41<3:23:48, 4.38s/it]
30%|█████████████████████████████████▏ | 1207/3996 [1:31:46<3:21:11, 4.33s/it]
30%|█████████████████████████████████▎ | 1208/3996 [1:31:50<3:19:10, 4.29s/it]
30%|█████████████████████████████████▎ | 1209/3996 [1:31:54<3:17:52, 4.26s/it]
30%|█████████████████████████████████▎ | 1210/3996 [1:31:58<3:17:05, 4.24s/it]
30%|█████████████████████████████████▎ | 1211/3996 [1:32:02<3:16:27, 4.23s/it]
30%|█████████████████████████████████▎ | 1212/3996 [1:32:07<3:16:03, 4.23s/it]
30%|█████████████████████████████████▍ | 1213/3996 [1:32:11<3:23:09, 4.38s/it]
30%|█████████████████████████████████▍ | 1214/3996 [1:32:16<3:20:49, 4.33s/it]
30%|█████████████████████████████████▍ | 1215/3996 [1:32:20<3:18:51, 4.29s/it]
30%|█████████████████████████████████▍ | 1216/3996 [1:32:24<3:17:23, 4.26s/it]
30%|█████████████████████████████████▌ | 1217/3996 [1:32:28<3:16:39, 4.25s/it]
30%|█████████████████████████████████▌ | 1218/3996 [1:32:32<3:15:45, 4.23s/it]
31%|█████████████████████████████████▌ | 1219/3996 [1:32:37<3:15:16, 4.22s/it]
31%|█████████████████████████████████▌ | 1220/3996 [1:32:41<3:22:42, 4.38s/it]
31%|█████████████████████████████████▌ | 1221/3996 [1:32:46<3:20:24, 4.33s/it]
31%|█████████████████████████████████▋ | 1222/3996 [1:32:50<3:18:23, 4.29s/it]
31%|█████████████████████████████████▋ | 1223/3996 [1:32:54<3:17:06, 4.26s/it]
31%|█████████████████████████████████▋ | 1224/3996 [1:32:58<3:16:20, 4.25s/it]
31%|█████████████████████████████████▋ | 1225/3996 [1:33:02<3:15:29, 4.23s/it]
{'loss': 0.5533, 'grad_norm': 0.18718039989471436, 'learning_rate': 0.00016166212130956382, 'ppl': 1.739, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4211.64, 'total_tokens': 24415919, 'epoch': 0.92}
31%|█████████████████████████████████▋ | 1225/3996 [1:33:02<3:15:29, 4.23s/it]
31%|█████████████████████████████████▋ | 1226/3996 [1:33:07<3:14:55, 4.22s/it]
31%|█████████████████████████████████▊ | 1227/3996 [1:33:11<3:22:07, 4.38s/it]
31%|█████████████████████████████████▊ | 1228/3996 [1:33:16<3:19:43, 4.33s/it]
31%|█████████████████████████████████▊ | 1229/3996 [1:33:20<3:17:37, 4.29s/it]
31%|█████████████████████████████████▊ | 1230/3996 [1:33:24<3:16:05, 4.25s/it]
31%|█████████████████████████████████▉ | 1231/3996 [1:33:28<3:15:22, 4.24s/it]
31%|█████████████████████████████████▉ | 1232/3996 [1:33:32<3:14:38, 4.23s/it]
31%|█████████████████████████████████▉ | 1233/3996 [1:33:36<3:14:11, 4.22s/it]
31%|█████████████████████████████████▉ | 1234/3996 [1:33:41<3:21:24, 4.38s/it]
31%|█████████████████████████████████▉ | 1235/3996 [1:33:45<3:18:51, 4.32s/it]
31%|██████████████████████████████████ | 1236/3996 [1:33:50<3:17:08, 4.29s/it]
31%|██████████████████████████████████ | 1237/3996 [1:33:54<3:15:39, 4.26s/it]
31%|██████████████████████████████████ | 1238/3996 [1:33:58<3:14:53, 4.24s/it]
31%|██████████████████████████████████ | 1239/3996 [1:34:02<3:14:03, 4.22s/it]
31%|██████████████████████████████████▏ | 1240/3996 [1:34:06<3:13:33, 4.21s/it]
31%|██████████████████████████████████▏ | 1241/3996 [1:34:11<3:20:44, 4.37s/it]
31%|██████████████████████████████████▏ | 1242/3996 [1:34:15<3:18:30, 4.32s/it]
31%|██████████████████████████████████▏ | 1243/3996 [1:34:20<3:16:43, 4.29s/it]
31%|██████████████████████████████████▏ | 1244/3996 [1:34:24<3:15:21, 4.26s/it]
31%|██████████████████████████████████▎ | 1245/3996 [1:34:28<3:14:31, 4.24s/it]
31%|██████████████████████████████████▎ | 1246/3996 [1:34:32<3:13:41, 4.23s/it]
31%|██████████████████████████████████▎ | 1247/3996 [1:34:36<3:13:12, 4.22s/it]
31%|██████████████████████████████████▎ | 1248/3996 [1:34:41<3:20:30, 4.38s/it]
31%|██████████████████████████████████▍ | 1249/3996 [1:34:45<3:18:12, 4.33s/it]
31%|██████████████████████████████████▍ | 1250/3996 [1:34:49<3:16:15, 4.29s/it]
{'loss': 0.5492, 'grad_norm': 0.17105573415756226, 'learning_rate': 0.0001600626553051268, 'ppl': 1.7319, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4183.86, 'total_tokens': 24854345, 'epoch': 0.94}
31%|██████████████████████████████████▍ | 1250/3996 [1:34:49<3:16:15, 4.29s/it]
31%|██████████████████████████████████▍ | 1251/3996 [1:34:54<3:14:54, 4.26s/it]
31%|██████████████████████████████████▍ | 1252/3996 [1:34:58<3:14:08, 4.25s/it]
31%|██████████████████████████████████▍ | 1253/3996 [1:35:02<3:13:32, 4.23s/it]
31%|██████████████████████████████████▌ | 1254/3996 [1:35:06<3:12:53, 4.22s/it]
31%|██████████████████████████████████▌ | 1255/3996 [1:35:11<3:25:54, 4.51s/it]
31%|██████████████████████████████████▌ | 1256/3996 [1:35:16<3:21:37, 4.42s/it]
31%|██████████████████████████████████▌ | 1257/3996 [1:35:20<3:18:30, 4.35s/it]
31%|██████████████████████████████████▋ | 1258/3996 [1:35:24<3:16:02, 4.30s/it]
32%|██████████████████████████████████▋ | 1259/3996 [1:35:28<3:14:50, 4.27s/it]
32%|██████████████████████████████████▋ | 1260/3996 [1:35:32<3:13:34, 4.25s/it]
32%|██████████████████████████████████▋ | 1261/3996 [1:35:37<3:13:04, 4.24s/it]
32%|██████████████████████████████████▋ | 1262/3996 [1:35:41<3:19:50, 4.39s/it]
32%|██████████████████████████████████▊ | 1263/3996 [1:35:46<3:17:12, 4.33s/it]
32%|██████████████████████████████████▊ | 1264/3996 [1:35:50<3:15:07, 4.29s/it]
32%|██████████████████████████████████▊ | 1265/3996 [1:35:54<3:13:48, 4.26s/it]
32%|██████████████████████████████████▊ | 1266/3996 [1:35:58<3:13:03, 4.24s/it]
32%|██████████████████████████████████▉ | 1267/3996 [1:36:02<3:12:19, 4.23s/it]
32%|██████████████████████████████████▉ | 1268/3996 [1:36:07<3:11:43, 4.22s/it]
32%|██████████████████████████████████▉ | 1269/3996 [1:36:11<3:18:31, 4.37s/it]
32%|██████████████████████████████████▉ | 1270/3996 [1:36:15<3:16:08, 4.32s/it]
32%|██████████████████████████████████▉ | 1271/3996 [1:36:20<3:14:19, 4.28s/it]
32%|███████████████████████████████████ | 1272/3996 [1:36:24<3:12:47, 4.25s/it]
32%|███████████████████████████████████ | 1273/3996 [1:36:28<3:12:04, 4.23s/it]
32%|███████████████████████████████████ | 1274/3996 [1:36:32<3:11:19, 4.22s/it]
32%|███████████████████████████████████ | 1275/3996 [1:36:36<3:11:02, 4.21s/it]
{'loss': 0.5348, 'grad_norm': 0.1733955442905426, 'learning_rate': 0.0001584387813292454, 'ppl': 1.7071, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4172.93, 'total_tokens': 25292647, 'epoch': 0.96}
32%|███████████████████████████████████ | 1275/3996 [1:36:36<3:11:02, 4.21s/it]
32%|███████████████████████████████████▏ | 1276/3996 [1:36:41<3:18:12, 4.37s/it]
32%|███████████████████████████████████▏ | 1277/3996 [1:36:45<3:15:55, 4.32s/it]
32%|███████████████████████████████████▏ | 1278/3996 [1:36:50<3:14:04, 4.28s/it]
32%|███████████████████████████████████▏ | 1279/3996 [1:36:54<3:12:28, 4.25s/it]
32%|███████████████████████████████████▏ | 1280/3996 [1:36:58<3:11:55, 4.24s/it]
32%|███████████████████████████████████▎ | 1281/3996 [1:37:02<3:11:19, 4.23s/it]
32%|███████████████████████████████████▎ | 1282/3996 [1:37:06<3:10:46, 4.22s/it]
32%|███████████████████████████████████▎ | 1283/3996 [1:37:11<3:17:40, 4.37s/it]
32%|███████████████████████████████████▎ | 1284/3996 [1:37:15<3:15:15, 4.32s/it]
32%|███████████████████████████████████▎ | 1285/3996 [1:37:19<3:13:27, 4.28s/it]
32%|███████████████████████████████████▍ | 1286/3996 [1:37:24<3:12:00, 4.25s/it]
32%|███████████████████████████████████▍ | 1287/3996 [1:37:28<3:11:07, 4.23s/it]
32%|███████████████████████████████████▍ | 1288/3996 [1:37:32<3:10:23, 4.22s/it]
32%|███████████████████████████████████▍ | 1289/3996 [1:37:36<3:09:58, 4.21s/it]
32%|███████████████████████████████████▌ | 1290/3996 [1:37:41<3:16:55, 4.37s/it]
32%|███████████████████████████████████▌ | 1291/3996 [1:37:45<3:14:49, 4.32s/it]
32%|███████████████████████████████████▌ | 1292/3996 [1:37:49<3:12:46, 4.28s/it]
32%|███████████████████████████████████▌ | 1293/3996 [1:37:53<3:11:21, 4.25s/it]
32%|███████████████████████████████████▌ | 1294/3996 [1:37:58<3:10:40, 4.23s/it]
32%|███████████████████████████████████▋ | 1295/3996 [1:38:02<3:10:04, 4.22s/it]
32%|███████████████████████████████████▋ | 1296/3996 [1:38:06<3:09:44, 4.22s/it]
32%|███████████████████████████████████▋ | 1297/3996 [1:38:11<3:16:27, 4.37s/it]
32%|███████████████████████████████████▋ | 1298/3996 [1:38:15<3:14:08, 4.32s/it]
33%|███████████████████████████████████▊ | 1299/3996 [1:38:19<3:12:19, 4.28s/it]
33%|███████████████████████████████████▊ | 1300/3996 [1:38:23<3:10:50, 4.25s/it]
{'loss': 0.5527, 'grad_norm': 0.1858205944299698, 'learning_rate': 0.00015679115928397401, 'ppl': 1.7379, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4226.34, 'total_tokens': 25733591, 'epoch': 0.98}
33%|███████████████████████████████████▊ | 1300/3996 [1:38:23<3:10:50, 4.25s/it]
33%|███████████████████████████████████▊ | 1301/3996 [1:38:28<3:10:11, 4.23s/it]
33%|███████████████████████████████████▊ | 1302/3996 [1:38:32<3:09:18, 4.22s/it]
33%|███████████████████████████████████▊ | 1303/3996 [1:38:36<3:08:57, 4.21s/it]
33%|███████████████████████████████████▉ | 1304/3996 [1:38:41<3:15:50, 4.37s/it]
33%|███████████████████████████████████▉ | 1305/3996 [1:38:45<3:13:34, 4.32s/it]
33%|███████████████████████████████████▉ | 1306/3996 [1:38:49<3:11:38, 4.27s/it]
33%|███████████████████████████████████▉ | 1307/3996 [1:38:53<3:10:15, 4.25s/it]
33%|████████████████████████████████████ | 1308/3996 [1:38:57<3:09:36, 4.23s/it]
33%|████████████████████████████████████ | 1309/3996 [1:39:02<3:09:44, 4.24s/it]
33%|████████████████████████████████████ | 1310/3996 [1:39:06<3:13:39, 4.33s/it]
33%|████████████████████████████████████ | 1311/3996 [1:39:11<3:18:53, 4.44s/it]
33%|████████████████████████████████████ | 1312/3996 [1:39:15<3:15:28, 4.37s/it]
33%|████████████████████████████████████▏ | 1313/3996 [1:39:19<3:12:56, 4.31s/it]
33%|████████████████████████████████████▏ | 1314/3996 [1:39:23<3:11:00, 4.27s/it]
33%|████████████████████████████████████▏ | 1315/3996 [1:39:28<3:09:56, 4.25s/it]
33%|████████████████████████████████████▏ | 1316/3996 [1:39:32<3:08:55, 4.23s/it]
33%|████████████████████████████████████▎ | 1317/3996 [1:39:36<3:08:27, 4.22s/it]
33%|████████████████████████████████████▎ | 1318/3996 [1:39:41<3:15:13, 4.37s/it]
33%|████████████████████████████████████▎ | 1319/3996 [1:39:45<3:12:37, 4.32s/it]
33%|████████████████████████████████████▎ | 1320/3996 [1:39:49<3:10:43, 4.28s/it]
33%|████████████████████████████████████▎ | 1321/3996 [1:39:53<3:09:14, 4.24s/it]
33%|████████████████████████████████████▍ | 1322/3996 [1:39:58<3:08:30, 4.23s/it]
33%|████████████████████████████████████▍ | 1323/3996 [1:40:02<3:07:59, 4.22s/it]
33%|████████████████████████████████████▍ | 1324/3996 [1:40:06<3:07:33, 4.21s/it]
33%|████████████████████████████████████▍ | 1325/3996 [1:40:11<3:14:14, 4.36s/it]
{'loss': 0.5311, 'grad_norm': 0.1944192498922348, 'learning_rate': 0.00015512045872199276, 'ppl': 1.7008, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 3655.12, 'total_tokens': 26164528, 'epoch': 0.99}
33%|████████████████████████████████████▍ | 1325/3996 [1:40:11<3:14:14, 4.36s/it]
33%|████████████████████████████████████▌ | 1326/3996 [1:40:15<3:11:51, 4.31s/it]
33%|████████████████████████████████████▌ | 1327/3996 [1:40:19<3:10:03, 4.27s/it]
33%|████████████████████████████████████▌ | 1328/3996 [1:40:23<3:10:21, 4.28s/it]
33%|████████████████████████████████████▌ | 1329/3996 [1:40:28<3:09:15, 4.26s/it]
33%|████████████████████████████████████▌ | 1330/3996 [1:40:32<3:08:03, 4.23s/it]
33%|████████████████████████████████████▋ | 1331/3996 [1:40:36<3:07:28, 4.22s/it]
33%|████████████████████████████████████▋ | 1332/3996 [1:40:41<3:14:14, 4.37s/it]
33%|████████████████████████████████████▋ | 1333/3996 [1:40:45<3:12:31, 4.34s/it]
33%|████████████████████████████████████▋ | 1334/3996 [1:40:50<3:26:13, 4.65s/it]
33%|████████████████████████████████████▋ | 1335/3996 [1:40:54<3:20:02, 4.51s/it]
33%|████████████████████████████████████▊ | 1336/3996 [1:40:59<3:16:03, 4.42s/it]
33%|████████████████████████████████████▊ | 1337/3996 [1:41:03<3:13:02, 4.36s/it]
33%|████████████████████████████████████▊ | 1338/3996 [1:41:07<3:10:46, 4.31s/it]
34%|████████████████████████████████████▊ | 1339/3996 [1:41:12<3:16:23, 4.43s/it]
34%|████████████████████████████████████▉ | 1340/3996 [1:41:16<3:13:17, 4.37s/it]
34%|████████████████████████████████████▉ | 1341/3996 [1:41:20<3:10:59, 4.32s/it]
34%|████████████████████████████████████▉ | 1342/3996 [1:41:24<3:09:17, 4.28s/it]
34%|████████████████████████████████████▉ | 1343/3996 [1:41:29<3:08:15, 4.26s/it]
34%|████████████████████████████████████▉ | 1344/3996 [1:41:33<3:07:18, 4.24s/it]
34%|█████████████████████████████████████ | 1345/3996 [1:41:37<3:06:44, 4.23s/it]
34%|█████████████████████████████████████ | 1346/3996 [1:41:42<3:19:24, 4.51s/it]
34%|█████████████████████████████████████ | 1347/3996 [1:41:46<3:15:13, 4.42s/it]
34%|█████████████████████████████████████ | 1348/3996 [1:41:51<3:11:59, 4.35s/it]
34%|█████████████████████████████████████▏ | 1349/3996 [1:41:55<3:09:50, 4.30s/it]
34%|█████████████████████████████████████▏ | 1350/3996 [1:41:59<3:08:40, 4.28s/it]
{'loss': 0.5145, 'grad_norm': 0.18358173966407776, 'learning_rate': 0.00015342735857451777, 'ppl': 1.6728, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4227.25, 'total_tokens': 26610460, 'epoch': 1.01}
34%|█████████████████████████████████████▏ | 1350/3996 [1:41:59<3:08:40, 4.28s/it]
34%|█████████████████████████████████████▏ | 1351/3996 [1:42:03<3:07:23, 4.25s/it]
34%|█████████████████████████████████████▏ | 1352/3996 [1:42:07<3:06:42, 4.24s/it]
34%|█████████████████████████████████████▏ | 1353/3996 [1:42:12<3:13:00, 4.38s/it]
34%|█████████████████████████████████████▎ | 1354/3996 [1:42:16<3:10:31, 4.33s/it]
34%|█████████████████████████████████████▎ | 1355/3996 [1:42:20<3:08:51, 4.29s/it]
34%|█████████████████████████████████████▎ | 1356/3996 [1:42:25<3:07:29, 4.26s/it]
34%|█████████████████████████████████████▎ | 1357/3996 [1:42:29<3:06:46, 4.25s/it]
34%|█████████████████████████████████████▍ | 1358/3996 [1:42:33<3:06:06, 4.23s/it]
34%|█████████████████████████████████████▍ | 1359/3996 [1:42:37<3:05:42, 4.23s/it]
34%|█████████████████████████████████████▍ | 1360/3996 [1:42:42<3:12:26, 4.38s/it]
34%|█████████████████████████████████████▍ | 1361/3996 [1:42:46<3:10:06, 4.33s/it]
34%|█████████████████████████████████████▍ | 1362/3996 [1:42:50<3:08:08, 4.29s/it]
34%|█████████████████████████████████████▌ | 1363/3996 [1:42:55<3:06:49, 4.26s/it]
34%|█████████████████████████████████████▌ | 1364/3996 [1:42:59<3:11:07, 4.36s/it]
34%|█████████████████████████████████████▌ | 1365/3996 [1:43:03<3:08:58, 4.31s/it]
34%|█████████████████████████████████████▌ | 1366/3996 [1:43:08<3:07:38, 4.28s/it]
34%|█████████████████████████████████████▋ | 1367/3996 [1:43:12<3:13:35, 4.42s/it]
34%|█████████████████████████████████████▋ | 1368/3996 [1:43:17<3:10:34, 4.35s/it]
34%|█████████████████████████████████████▋ | 1369/3996 [1:43:21<3:08:28, 4.30s/it]
34%|█████████████████████████████████████▋ | 1370/3996 [1:43:25<3:06:50, 4.27s/it]
34%|█████████████████████████████████████▋ | 1371/3996 [1:43:29<3:05:56, 4.25s/it]
34%|█████████████████████████████████████▊ | 1372/3996 [1:43:33<3:05:04, 4.23s/it]
34%|█████████████████████████████████████▊ | 1373/3996 [1:43:38<3:04:39, 4.22s/it]
34%|█████████████████████████████████████▊ | 1374/3996 [1:43:42<3:11:21, 4.38s/it]
34%|█████████████████████████████████████▊ | 1375/3996 [1:43:46<3:08:57, 4.33s/it]
{'loss': 0.5081, 'grad_norm': 0.1853465735912323, 'learning_rate': 0.00015171254687540038, 'ppl': 1.6621, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4318.88, 'total_tokens': 27064008, 'epoch': 1.03}
34%|█████████████████████████████████████▊ | 1375/3996 [1:43:46<3:08:57, 4.33s/it]
34%|█████████████████████████████████████▉ | 1376/3996 [1:43:51<3:07:07, 4.29s/it]
34%|█████████████████████████████████████▉ | 1377/3996 [1:43:55<3:05:44, 4.26s/it]
34%|█████████████████████████████████████▉ | 1378/3996 [1:43:59<3:05:09, 4.24s/it]
35%|█████████████████████████████████████▉ | 1379/3996 [1:44:03<3:05:10, 4.25s/it]
35%|█████████████████████████████████████▉ | 1380/3996 [1:44:08<3:04:35, 4.23s/it]
35%|██████████████████████████████████████ | 1381/3996 [1:44:12<3:12:50, 4.42s/it]
35%|██████████████████████████████████████ | 1382/3996 [1:44:17<3:09:44, 4.36s/it]
35%|██████████████████████████████████████ | 1383/3996 [1:44:21<3:07:29, 4.31s/it]
35%|██████████████████████████████████████ | 1384/3996 [1:44:25<3:05:57, 4.27s/it]
35%|██████████████████████████████████████▏ | 1385/3996 [1:44:29<3:05:07, 4.25s/it]
35%|██████████████████████████████████████▏ | 1386/3996 [1:44:33<3:04:20, 4.24s/it]
35%|██████████████████████████████████████▏ | 1387/3996 [1:44:38<3:03:53, 4.23s/it]
35%|██████████████████████████████████████▏ | 1388/3996 [1:44:42<3:10:35, 4.38s/it]
35%|██████████████████████████████████████▏ | 1389/3996 [1:44:47<3:08:13, 4.33s/it]
35%|██████████████████████████████████████▎ | 1390/3996 [1:44:51<3:06:25, 4.29s/it]
35%|██████████████████████████████████████▎ | 1391/3996 [1:44:55<3:05:06, 4.26s/it]
35%|██████████████████████████████████████▎ | 1392/3996 [1:44:59<3:04:15, 4.25s/it]
35%|██████████████████████████████████████▎ | 1393/3996 [1:45:03<3:03:31, 4.23s/it]
35%|██████████████████████████████████████▎ | 1394/3996 [1:45:08<3:03:07, 4.22s/it]
35%|██████████████████████████████████████▍ | 1395/3996 [1:45:12<3:09:46, 4.38s/it]
35%|██████████████████████████████████████▍ | 1396/3996 [1:45:16<3:07:24, 4.32s/it]
35%|██████████████████████████████████████▍ | 1397/3996 [1:45:21<3:05:44, 4.29s/it]
35%|██████████████████████████████████████▍ | 1398/3996 [1:45:25<3:04:20, 4.26s/it]
35%|██████████████████████████████████████▌ | 1399/3996 [1:45:29<3:03:36, 4.24s/it]
35%|██████████████████████████████████████▌ | 1400/3996 [1:45:33<3:02:50, 4.23s/it]
{'loss': 0.5185, 'grad_norm': 0.18925060331821442, 'learning_rate': 0.0001499767204815273, 'ppl': 1.6795, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4324.01, 'total_tokens': 27516590, 'epoch': 1.05}
35%|██████████████████████████████████████▌ | 1400/3996 [1:45:33<3:02:50, 4.23s/it]
35%|██████████████████████████████████████▌ | 1401/3996 [1:45:37<3:02:25, 4.22s/it]
35%|██████████████████████████████████████▌ | 1402/3996 [1:45:42<3:09:12, 4.38s/it]
35%|██████████████████████████████████████▌ | 1403/3996 [1:45:46<3:07:30, 4.34s/it]
35%|██████████████████████████████████████▋ | 1404/3996 [1:45:51<3:05:18, 4.29s/it]
35%|██████████████████████████████████████▋ | 1405/3996 [1:45:55<3:03:56, 4.26s/it]
35%|██████████████████████████████████████▋ | 1406/3996 [1:45:59<3:03:17, 4.25s/it]
35%|██████████████████████████████████████▋ | 1407/3996 [1:46:03<3:02:28, 4.23s/it]
35%|██████████████████████████████████████▊ | 1408/3996 [1:46:07<3:01:55, 4.22s/it]
35%|██████████████████████████████████████▊ | 1409/3996 [1:46:12<3:08:19, 4.37s/it]
35%|██████████████████████████████████████▊ | 1410/3996 [1:46:16<3:06:06, 4.32s/it]
35%|██████████████████████████████████████▊ | 1411/3996 [1:46:21<3:04:27, 4.28s/it]
35%|██████████████████████████████████████▊ | 1412/3996 [1:46:25<3:03:10, 4.25s/it]
35%|██████████████████████████████████████▉ | 1413/3996 [1:46:29<3:02:35, 4.24s/it]
35%|██████████████████████████████████████▉ | 1414/3996 [1:46:33<3:01:47, 4.22s/it]
35%|██████████████████████████████████████▉ | 1415/3996 [1:46:37<3:01:23, 4.22s/it]
35%|██████████████████████████████████████▉ | 1416/3996 [1:46:42<3:08:04, 4.37s/it]
35%|███████████████████████████████████████ | 1417/3996 [1:46:46<3:05:53, 4.32s/it]
35%|███████████████████████████████████████ | 1418/3996 [1:46:51<3:05:40, 4.32s/it]
36%|███████████████████████████████████████ | 1419/3996 [1:46:55<3:03:47, 4.28s/it]
36%|███████████████████████████████████████ | 1420/3996 [1:46:59<3:02:43, 4.26s/it]
36%|███████████████████████████████████████ | 1421/3996 [1:47:03<3:02:04, 4.24s/it]
36%|███████████████████████████████████████▏ | 1422/3996 [1:47:07<3:01:27, 4.23s/it]
36%|███████████████████████████████████████▏ | 1423/3996 [1:47:12<3:07:57, 4.38s/it]
36%|███████████████████████████████████████▏ | 1424/3996 [1:47:16<3:05:40, 4.33s/it]
36%|███████████████████████████████████████▏ | 1425/3996 [1:47:21<3:03:54, 4.29s/it]
{'loss': 0.5234, 'grad_norm': 0.20961470901966095, 'learning_rate': 0.00014822058478963532, 'ppl': 1.6878, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4319.64, 'total_tokens': 27970075, 'epoch': 1.07}
36%|███████████████████████████████████████▏ | 1425/3996 [1:47:21<3:03:54, 4.29s/it]
36%|███████████████████████████████████████▎ | 1426/3996 [1:47:25<3:03:20, 4.28s/it]
36%|███████████████████████████████████████▎ | 1427/3996 [1:47:29<3:02:25, 4.26s/it]
36%|███████████████████████████████████████▎ | 1428/3996 [1:47:33<3:01:33, 4.24s/it]
36%|███████████████████████████████████████▎ | 1429/3996 [1:47:37<3:01:00, 4.23s/it]
36%|███████████████████████████████████████▎ | 1430/3996 [1:47:42<3:07:38, 4.39s/it]
36%|███████████████████████████████████████▍ | 1431/3996 [1:47:46<3:05:15, 4.33s/it]
36%|███████████████████████████████████████▍ | 1432/3996 [1:47:51<3:03:32, 4.30s/it]
36%|███████████████████████████████████████▍ | 1433/3996 [1:47:55<3:02:14, 4.27s/it]
36%|███████████████████████████████████████▍ | 1434/3996 [1:47:59<3:01:28, 4.25s/it]
36%|███████████████████████████████████████▌ | 1435/3996 [1:48:03<3:00:52, 4.24s/it]
36%|███████████████████████████████████████▌ | 1436/3996 [1:48:07<3:00:20, 4.23s/it]
36%|███████████████████████████████████████▌ | 1437/3996 [1:48:12<3:06:38, 4.38s/it]
36%|███████████████████████████████████████▌ | 1438/3996 [1:48:16<3:04:26, 4.33s/it]
36%|███████████████████████████████████████▌ | 1439/3996 [1:48:21<3:02:52, 4.29s/it]
36%|███████████████████████████████████████▋ | 1440/3996 [1:48:25<3:01:31, 4.26s/it]
36%|███████████████████████████████████████▋ | 1441/3996 [1:48:29<3:00:49, 4.25s/it]
36%|███████████████████████████████████████▋ | 1442/3996 [1:48:33<3:00:11, 4.23s/it]
36%|███████████████████████████████████████▋ | 1443/3996 [1:48:37<2:59:44, 4.22s/it]
36%|███████████████████████████████████████▋ | 1444/3996 [1:48:42<3:06:12, 4.38s/it]
36%|███████████████████████████████████████▊ | 1445/3996 [1:48:46<3:03:56, 4.33s/it]
36%|███████████████████████████████████████▊ | 1446/3996 [1:48:51<3:03:50, 4.33s/it]
36%|███████████████████████████████████████▊ | 1447/3996 [1:48:55<3:02:04, 4.29s/it]
36%|███████████████████████████████████████▊ | 1448/3996 [1:48:59<3:01:01, 4.26s/it]
36%|███████████████████████████████████████▉ | 1449/3996 [1:49:03<3:00:05, 4.24s/it]
36%|███████████████████████████████████████▉ | 1450/3996 [1:49:07<2:59:40, 4.23s/it]
{'loss': 0.5169, 'grad_norm': 0.1982697695493698, 'learning_rate': 0.0001464448534496555, 'ppl': 1.6768, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4267.88, 'total_tokens': 28419716, 'epoch': 1.09}
36%|███████████████████████████████████████▉ | 1450/3996 [1:49:07<2:59:40, 4.23s/it]
36%|███████████████████████████████████████▉ | 1451/3996 [1:49:12<3:05:57, 4.38s/it]
36%|███████████████████████████████████████▉ | 1452/3996 [1:49:16<3:03:39, 4.33s/it]
36%|███████████████████████████████████████▉ | 1453/3996 [1:49:21<3:01:58, 4.29s/it]
36%|████████████████████████████████████████ | 1454/3996 [1:49:25<3:04:13, 4.35s/it]
36%|████████████████████████████████████████ | 1455/3996 [1:49:29<3:02:19, 4.31s/it]
36%|████████████████████████████████████████ | 1456/3996 [1:49:33<3:00:52, 4.27s/it]
36%|████████████████████████████████████████ | 1457/3996 [1:49:38<2:59:54, 4.25s/it]
36%|████████████████████████████████████████▏ | 1458/3996 [1:49:42<3:06:09, 4.40s/it]
37%|████████████████████████████████████████▏ | 1459/3996 [1:49:47<3:03:37, 4.34s/it]
37%|████████████████████████████████████████▏ | 1460/3996 [1:49:51<3:02:10, 4.31s/it]
37%|████████████████████████████████████████▏ | 1461/3996 [1:49:55<3:02:15, 4.31s/it]
37%|████████████████████████████████████████▏ | 1462/3996 [1:49:59<3:00:47, 4.28s/it]
37%|████████████████████████████████████████▎ | 1463/3996 [1:50:04<2:59:45, 4.26s/it]
37%|████████████████████████████████████████▎ | 1464/3996 [1:50:08<2:59:04, 4.24s/it]
37%|████████████████████████████████████████▎ | 1465/3996 [1:50:13<3:05:16, 4.39s/it]
37%|████████████████████████████████████████▎ | 1466/3996 [1:50:17<3:02:50, 4.34s/it]
37%|████████████████████████████████████████▍ | 1467/3996 [1:50:21<3:01:03, 4.30s/it]
37%|████████████████████████████████████████▍ | 1468/3996 [1:50:25<2:59:46, 4.27s/it]
37%|████████████████████████████████████████▍ | 1469/3996 [1:50:29<2:58:50, 4.25s/it]
37%|████████████████████████████████████████▍ | 1470/3996 [1:50:34<2:57:58, 4.23s/it]
37%|████████████████████████████████████████▍ | 1471/3996 [1:50:38<2:57:33, 4.22s/it]
37%|████████████████████████████████████████▌ | 1472/3996 [1:50:42<3:04:16, 4.38s/it]
37%|████████████████████████████████████████▌ | 1473/3996 [1:50:47<3:02:09, 4.33s/it]
37%|████████████████████████████████████████▌ | 1474/3996 [1:50:51<3:00:28, 4.29s/it]
37%|████████████████████████████████████████▌ | 1475/3996 [1:50:55<2:59:05, 4.26s/it]
{'loss': 0.5197, 'grad_norm': 0.1925143301486969, 'learning_rate': 0.00014465024807470376, 'ppl': 1.6815, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4264.53, 'total_tokens': 28866312, 'epoch': 1.11}
37%|████████████████████████████████████████▌ | 1475/3996 [1:50:55<2:59:05, 4.26s/it]
37%|████████████████████████████████████████▋ | 1476/3996 [1:50:59<2:58:21, 4.25s/it]
37%|████████████████████████████████████████▋ | 1477/3996 [1:51:04<2:57:48, 4.24s/it]
37%|████████████████████████████████████████▋ | 1478/3996 [1:51:08<2:57:15, 4.22s/it]
37%|████████████████████████████████████████▋ | 1479/3996 [1:51:12<3:03:38, 4.38s/it]
37%|████████████████████████████████████████▋ | 1480/3996 [1:51:17<3:01:30, 4.33s/it]
37%|████████████████████████████████████████▊ | 1481/3996 [1:51:21<2:59:49, 4.29s/it]
37%|████████████████████████████████████████▊ | 1482/3996 [1:51:25<2:58:33, 4.26s/it]
37%|████████████████████████████████████████▊ | 1483/3996 [1:51:29<2:57:51, 4.25s/it]
37%|████████████████████████████████████████▊ | 1484/3996 [1:51:33<2:57:11, 4.23s/it]
37%|████████████████████████████████████████▉ | 1485/3996 [1:51:38<2:56:42, 4.22s/it]
37%|████████████████████████████████████████▉ | 1486/3996 [1:51:42<3:03:17, 4.38s/it]
37%|████████████████████████████████████████▉ | 1487/3996 [1:51:47<3:01:09, 4.33s/it]
37%|████████████████████████████████████████▉ | 1488/3996 [1:51:51<2:59:21, 4.29s/it]
37%|████████████████████████████████████████▉ | 1489/3996 [1:51:55<2:58:14, 4.27s/it]
37%|█████████████████████████████████████████ | 1490/3996 [1:51:59<2:57:25, 4.25s/it]
37%|█████████████████████████████████████████ | 1491/3996 [1:52:03<2:56:58, 4.24s/it]
37%|█████████████████████████████████████████ | 1492/3996 [1:52:08<2:56:25, 4.23s/it]
37%|█████████████████████████████████████████ | 1493/3996 [1:52:12<3:02:37, 4.38s/it]
37%|█████████████████████████████████████████▏ | 1494/3996 [1:52:17<3:00:30, 4.33s/it]
37%|█████████████████████████████████████████▏ | 1495/3996 [1:52:21<2:58:53, 4.29s/it]
37%|█████████████████████████████████████████▏ | 1496/3996 [1:52:25<2:57:36, 4.26s/it]
37%|█████████████████████████████████████████▏ | 1497/3996 [1:52:29<2:56:52, 4.25s/it]
37%|█████████████████████████████████████████▏ | 1498/3996 [1:52:33<2:56:14, 4.23s/it]
38%|█████████████████████████████████████████▎ | 1499/3996 [1:52:38<2:55:50, 4.23s/it]
38%|█████████████████████████████████████████▎ | 1500/3996 [1:52:42<3:02:26, 4.39s/it]
{'loss': 0.5204, 'grad_norm': 0.18788637220859528, 'learning_rate': 0.0001428374979478349, 'ppl': 1.6827, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 3779.33, 'total_tokens': 29315968, 'epoch': 1.13}
38%|█████████████████████████████████████████▎ | 1500/3996 [1:52:42<3:02:26, 4.39s/it]
38%|█████████████████████████████████████████▎ | 1501/3996 [1:52:47<3:00:15, 4.34s/it]
38%|█████████████████████████████████████████▎ | 1502/3996 [1:52:51<2:58:29, 4.29s/it]
38%|█████████████████████████████████████████▎ | 1503/3996 [1:52:55<2:57:05, 4.26s/it]
38%|█████████████████████████████████████████▍ | 1504/3996 [1:52:59<2:56:23, 4.25s/it]
38%|█████████████████████████████████████████▍ | 1505/3996 [1:53:03<2:55:40, 4.23s/it]
38%|█████████████████████████████████████████▍ | 1506/3996 [1:53:08<2:55:13, 4.22s/it]
38%|█████████████████████████████████████████▍ | 1507/3996 [1:53:12<3:01:34, 4.38s/it]
38%|█████████████████████████████████████████▌ | 1508/3996 [1:53:17<2:59:25, 4.33s/it]
38%|█████████████████████████████████████████▌ | 1509/3996 [1:53:21<2:57:53, 4.29s/it]
38%|█████████████████████████████████████████▌ | 1510/3996 [1:53:25<2:56:41, 4.26s/it]
38%|█████████████████████████████████████████▌ | 1511/3996 [1:53:29<2:55:56, 4.25s/it]
38%|█████████████████████████████████████████▌ | 1512/3996 [1:53:33<2:55:16, 4.23s/it]
38%|█████████████████████████████████████████▋ | 1513/3996 [1:53:38<2:54:46, 4.22s/it]
38%|█████████████████████████████████████████▋ | 1514/3996 [1:53:42<3:01:08, 4.38s/it]
38%|█████████████████████████████████████████▋ | 1515/3996 [1:53:47<2:59:05, 4.33s/it]
38%|█████████████████████████████████████████▋ | 1516/3996 [1:53:51<2:57:24, 4.29s/it]
38%|█████████████████████████████████████████▊ | 1517/3996 [1:53:55<2:56:06, 4.26s/it]
38%|█████████████████████████████████████████▊ | 1518/3996 [1:53:59<2:55:08, 4.24s/it]
38%|█████████████████████████████████████████▊ | 1519/3996 [1:54:03<2:54:37, 4.23s/it]
38%|█████████████████████████████████████████▊ | 1520/3996 [1:54:08<2:54:13, 4.22s/it]
38%|█████████████████████████████████████████▊ | 1521/3996 [1:54:12<3:00:30, 4.38s/it]
38%|█████████████████████████████████████████▉ | 1522/3996 [1:54:16<2:58:25, 4.33s/it]
38%|█████████████████████████████████████████▉ | 1523/3996 [1:54:21<3:02:46, 4.43s/it]
38%|█████████████████████████████████████████▉ | 1524/3996 [1:54:25<2:59:49, 4.36s/it]
38%|█████████████████████████████████████████▉ | 1525/3996 [1:54:30<2:57:51, 4.32s/it]
{'loss': 0.5164, 'grad_norm': 0.18954145908355713, 'learning_rate': 0.00014100733972568038, 'ppl': 1.676, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4282.57, 'total_tokens': 29766723, 'epoch': 1.14}
38%|█████████████████████████████████████████▉ | 1525/3996 [1:54:30<2:57:51, 4.32s/it]
38%|██████████████████████████████████████████ | 1526/3996 [1:54:34<3:00:23, 4.38s/it]
38%|██████████████████████████████████████████ | 1527/3996 [1:54:38<2:58:11, 4.33s/it]
38%|██████████████████████████████████████████ | 1528/3996 [1:54:43<3:03:19, 4.46s/it]
38%|██████████████████████████████████████████ | 1529/3996 [1:54:47<3:00:04, 4.38s/it]
38%|██████████████████████████████████████████ | 1530/3996 [1:54:51<2:57:39, 4.32s/it]
38%|██████████████████████████████████████████▏ | 1531/3996 [1:54:56<2:56:02, 4.28s/it]
38%|██████████████████████████████████████████▏ | 1532/3996 [1:55:00<2:55:03, 4.26s/it]
38%|██████████████████████████████████████████▏ | 1533/3996 [1:55:04<2:54:21, 4.25s/it]
38%|██████████████████████████████████████████▏ | 1534/3996 [1:55:08<2:53:40, 4.23s/it]
38%|██████████████████████████████████████████▎ | 1535/3996 [1:55:13<2:59:53, 4.39s/it]
38%|██████████████████████████████████████████▎ | 1536/3996 [1:55:17<2:57:34, 4.33s/it]
38%|██████████████████████████████████████████▎ | 1537/3996 [1:55:21<2:55:41, 4.29s/it]
38%|██████████████████████████████████████████▎ | 1538/3996 [1:55:26<2:54:17, 4.25s/it]
39%|██████████████████████████████████████████▎ | 1539/3996 [1:55:30<2:53:36, 4.24s/it]
39%|██████████████████████████████████████████▍ | 1540/3996 [1:55:34<2:52:55, 4.22s/it]
39%|██████████████████████████████████████████▍ | 1541/3996 [1:55:38<2:52:33, 4.22s/it]
39%|██████████████████████████████████████████▍ | 1542/3996 [1:55:43<2:58:51, 4.37s/it]
39%|██████████████████████████████████████████▍ | 1543/3996 [1:55:47<2:56:48, 4.32s/it]
39%|██████████████████████████████████████████▌ | 1544/3996 [1:55:52<3:00:32, 4.42s/it]
39%|██████████████████████████████████████████▌ | 1545/3996 [1:55:56<2:57:33, 4.35s/it]
39%|██████████████████████████████████████████▌ | 1546/3996 [1:56:00<2:55:55, 4.31s/it]
39%|██████████████████████████████████████████▌ | 1547/3996 [1:56:04<2:54:25, 4.27s/it]
39%|██████████████████████████████████████████▌ | 1548/3996 [1:56:09<2:53:35, 4.25s/it]
39%|██████████████████████████████████████████▋ | 1549/3996 [1:56:13<2:59:19, 4.40s/it]
39%|██████████████████████████████████████████▋ | 1550/3996 [1:56:17<2:56:59, 4.34s/it]
{'loss': 0.5095, 'grad_norm': 0.19003146886825562, 'learning_rate': 0.00013916051713908924, 'ppl': 1.6645, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4290.76, 'total_tokens': 30218573, 'epoch': 1.16}
39%|██████████████████████████████████████████▋ | 1550/3996 [1:56:17<2:56:59, 4.34s/it]
39%|██████████████████████████████████████████▋ | 1551/3996 [1:56:22<2:55:11, 4.30s/it]
39%|██████████████████████████████████████████▋ | 1552/3996 [1:56:26<2:53:48, 4.27s/it]
39%|██████████████████████████████████████████▊ | 1553/3996 [1:56:30<2:53:04, 4.25s/it]
39%|██████████████████████████████████████████▊ | 1554/3996 [1:56:34<2:52:19, 4.23s/it]
39%|██████████████████████████████████████████▊ | 1555/3996 [1:56:38<2:51:55, 4.23s/it]
39%|██████████████████████████████████████████▊ | 1556/3996 [1:56:43<2:58:12, 4.38s/it]
39%|██████████████████████████████████████████▊ | 1557/3996 [1:56:47<2:55:54, 4.33s/it]
39%|██████████████████████████████████████████▉ | 1558/3996 [1:56:52<2:54:14, 4.29s/it]
39%|██████████████████████████████████████████▉ | 1559/3996 [1:56:56<2:52:54, 4.26s/it]
39%|██████████████████████████████████████████▉ | 1560/3996 [1:57:00<2:52:12, 4.24s/it]
39%|██████████████████████████████████████████▉ | 1561/3996 [1:57:04<2:51:40, 4.23s/it]
39%|██████████████████████████████████████████▉ | 1562/3996 [1:57:08<2:51:12, 4.22s/it]
39%|███████████████████████████████████████████ | 1563/3996 [1:57:13<2:57:16, 4.37s/it]
39%|███████████████████████████████████████████ | 1564/3996 [1:57:17<2:55:08, 4.32s/it]
39%|███████████████████████████████████████████ | 1565/3996 [1:57:22<2:53:34, 4.28s/it]
39%|███████████████████████████████████████████ | 1566/3996 [1:57:26<2:52:36, 4.26s/it]
39%|███████████████████████████████████████████▏ | 1567/3996 [1:57:30<2:51:52, 4.25s/it]
39%|███████████████████████████████████████████▏ | 1568/3996 [1:57:34<2:51:08, 4.23s/it]
39%|███████████████████████████████████████████▏ | 1569/3996 [1:57:38<2:50:40, 4.22s/it]
39%|███████████████████████████████████████████▏ | 1570/3996 [1:57:43<2:56:51, 4.37s/it]
39%|███████████████████████████████████████████▏ | 1571/3996 [1:57:47<2:54:37, 4.32s/it]
39%|███████████████████████████████████████████▎ | 1572/3996 [1:57:51<2:53:12, 4.29s/it]
39%|███████████████████████████████████████████▎ | 1573/3996 [1:57:56<2:51:51, 4.26s/it]
39%|███████████████████████████████████████████▎ | 1574/3996 [1:58:00<2:51:20, 4.24s/it]
39%|███████████████████████████████████████████▎ | 1575/3996 [1:58:04<2:50:42, 4.23s/it]
{'loss': 0.522, 'grad_norm': 0.18279583752155304, 'learning_rate': 0.00013729778069089437, 'ppl': 1.6854, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4300.13, 'total_tokens': 30669810, 'epoch': 1.18}
39%|███████████████████████████████████████████▎ | 1575/3996 [1:58:04<2:50:42, 4.23s/it]
39%|███████████████████████████████████████████▍ | 1576/3996 [1:58:08<2:50:11, 4.22s/it]
39%|███████████████████████████████████████████▍ | 1577/3996 [1:58:13<2:56:14, 4.37s/it]
39%|███████████████████████████████████████████▍ | 1578/3996 [1:58:17<2:54:11, 4.32s/it]
40%|███████████████████████████████████████████▍ | 1579/3996 [1:58:21<2:52:47, 4.29s/it]
40%|███████████████████████████████████████████▍ | 1580/3996 [1:58:26<2:53:06, 4.30s/it]
40%|███████████████████████████████████████████▌ | 1581/3996 [1:58:30<2:51:57, 4.27s/it]
40%|███████████████████████████████████████████▌ | 1582/3996 [1:58:34<2:50:56, 4.25s/it]
40%|███████████████████████████████████████████▌ | 1583/3996 [1:58:38<2:50:20, 4.24s/it]
40%|███████████████████████████████████████████▌ | 1584/3996 [1:58:43<2:56:17, 4.39s/it]
40%|███████████████████████████████████████████▋ | 1585/3996 [1:58:47<2:54:03, 4.33s/it]
40%|███████████████████████████████████████████▋ | 1586/3996 [1:58:52<2:52:24, 4.29s/it]
40%|███████████████████████████████████████████▋ | 1587/3996 [1:58:56<2:51:00, 4.26s/it]
40%|███████████████████████████████████████████▋ | 1588/3996 [1:59:00<2:50:15, 4.24s/it]
40%|███████████████████████████████████████████▋ | 1589/3996 [1:59:04<2:49:33, 4.23s/it]
40%|███████████████████████████████████████████▊ | 1590/3996 [1:59:08<2:49:08, 4.22s/it]
40%|███████████████████████████████████████████▊ | 1591/3996 [1:59:13<2:55:13, 4.37s/it]
40%|███████████████████████████████████████████▊ | 1592/3996 [1:59:17<2:53:06, 4.32s/it]
40%|███████████████████████████████████████████▊ | 1593/3996 [1:59:21<2:51:34, 4.28s/it]
40%|███████████████████████████████████████████▉ | 1594/3996 [1:59:26<2:50:21, 4.26s/it]
40%|███████████████████████████████████████████▉ | 1595/3996 [1:59:30<2:49:50, 4.24s/it]
40%|███████████████████████████████████████████▉ | 1596/3996 [1:59:34<2:49:12, 4.23s/it]
40%|███████████████████████████████████████████▉ | 1597/3996 [1:59:38<2:48:58, 4.23s/it]
40%|███████████████████████████████████████████▉ | 1598/3996 [1:59:43<2:59:16, 4.49s/it]
40%|████████████████████████████████████████████ | 1599/3996 [1:59:48<2:55:45, 4.40s/it]
40%|████████████████████████████████████████████ | 1600/3996 [1:59:52<2:53:13, 4.34s/it]
{'loss': 0.5003, 'grad_norm': 0.18783092498779297, 'learning_rate': 0.00013541988735092672, 'ppl': 1.6492, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4271.27, 'total_tokens': 31117586, 'epoch': 1.2}
40%|████████████████████████████████████████████ | 1600/3996 [1:59:52<2:53:13, 4.34s/it]
40%|████████████████████████████████████████████ | 1601/3996 [1:59:56<2:51:24, 4.29s/it]
40%|████████████████████████████████████████████ | 1602/3996 [2:00:00<2:50:16, 4.27s/it]
40%|████████████████████████████████████████████▏ | 1603/3996 [2:00:04<2:49:25, 4.25s/it]
40%|████████████████████████████████████████████▏ | 1604/3996 [2:00:09<2:48:40, 4.23s/it]
40%|████████████████████████████████████████████▏ | 1605/3996 [2:00:13<2:54:32, 4.38s/it]
40%|████████████████████████████████████████████▏ | 1606/3996 [2:00:17<2:52:21, 4.33s/it]
40%|████████████████████████████████████████████▏ | 1607/3996 [2:00:22<2:50:38, 4.29s/it]
40%|████████████████████████████████████████████▎ | 1608/3996 [2:00:26<2:49:25, 4.26s/it]
40%|████████████████████████████████████████████▎ | 1609/3996 [2:00:30<2:48:49, 4.24s/it]
40%|████████████████████████████████████████████▎ | 1610/3996 [2:00:34<2:48:11, 4.23s/it]
40%|████████████████████████████████████████████▎ | 1611/3996 [2:00:38<2:47:50, 4.22s/it]
40%|████████████████████████████████████████████▎ | 1612/3996 [2:00:43<2:53:57, 4.38s/it]
40%|████████████████████████████████████████████▍ | 1613/3996 [2:00:47<2:52:29, 4.34s/it]
40%|████████████████████████████████████████████▍ | 1614/3996 [2:00:52<2:50:45, 4.30s/it]
40%|████████████████████████████████████████████▍ | 1615/3996 [2:00:56<2:49:15, 4.27s/it]
40%|████████████████████████████████████████████▍ | 1616/3996 [2:01:00<2:48:38, 4.25s/it]
40%|████████████████████████████████████████████▌ | 1617/3996 [2:01:04<2:47:50, 4.23s/it]
40%|████████████████████████████████████████████▌ | 1618/3996 [2:01:08<2:47:16, 4.22s/it]
41%|████████████████████████████████████████████▌ | 1619/3996 [2:01:13<2:53:20, 4.38s/it]
41%|████████████████████████████████████████████▌ | 1620/3996 [2:01:17<2:51:12, 4.32s/it]
41%|████████████████████████████████████████████▌ | 1621/3996 [2:01:22<2:49:43, 4.29s/it]
41%|████████████████████████████████████████████▋ | 1622/3996 [2:01:26<2:48:20, 4.25s/it]
41%|████████████████████████████████████████████▋ | 1623/3996 [2:01:30<2:47:46, 4.24s/it]
41%|████████████████████████████████████████████▋ | 1624/3996 [2:01:34<2:47:16, 4.23s/it]
41%|████████████████████████████████████████████▋ | 1625/3996 [2:01:38<2:46:40, 4.22s/it]
{'loss': 0.5115, 'grad_norm': 0.199558824300766, 'learning_rate': 0.00013352760024840175, 'ppl': 1.6678, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4248.14, 'total_tokens': 31562224, 'epoch': 1.22}
41%|████████████████████████████████████████████▋ | 1625/3996 [2:01:38<2:46:40, 4.22s/it]
41%|████████████████████████████████████████████▊ | 1626/3996 [2:01:43<2:52:51, 4.38s/it]
41%|████████████████████████████████████████████▊ | 1627/3996 [2:01:47<2:50:45, 4.32s/it]
41%|████████████████████████████████████████████▊ | 1628/3996 [2:01:51<2:49:04, 4.28s/it]
41%|████████████████████████████████████████████▊ | 1629/3996 [2:01:56<2:47:47, 4.25s/it]
41%|████████████████████████████████████████████▊ | 1630/3996 [2:02:00<2:47:09, 4.24s/it]
41%|████████████████████████████████████████████▉ | 1631/3996 [2:02:04<2:46:31, 4.22s/it]
41%|████████████████████████████████████████████▉ | 1632/3996 [2:02:08<2:46:08, 4.22s/it]
41%|████████████████████████████████████████████▉ | 1633/3996 [2:02:13<2:52:08, 4.37s/it]
41%|████████████████████████████████████████████▉ | 1634/3996 [2:02:17<2:51:55, 4.37s/it]
41%|█████████████████████████████████████████████ | 1635/3996 [2:02:22<2:49:48, 4.32s/it]
41%|█████████████████████████████████████████████ | 1636/3996 [2:02:26<2:48:12, 4.28s/it]
41%|█████████████████████████████████████████████ | 1637/3996 [2:02:30<2:47:21, 4.26s/it]
41%|█████████████████████████████████████████████ | 1638/3996 [2:02:34<2:46:30, 4.24s/it]
41%|█████████████████████████████████████████████ | 1639/3996 [2:02:38<2:45:55, 4.22s/it]
41%|█████████████████████████████████████████████▏ | 1640/3996 [2:02:43<2:51:59, 4.38s/it]
41%|█████████████████████████████████████████████▏ | 1641/3996 [2:02:47<2:49:54, 4.33s/it]
41%|█████████████████████████████████████████████▏ | 1642/3996 [2:02:51<2:48:15, 4.29s/it]
41%|█████████████████████████████████████████████▏ | 1643/3996 [2:02:56<2:47:02, 4.26s/it]
41%|█████████████████████████████████████████████▎ | 1644/3996 [2:03:00<2:46:20, 4.24s/it]
41%|█████████████████████████████████████████████▎ | 1645/3996 [2:03:04<2:45:41, 4.23s/it]
41%|█████████████████████████████████████████████▎ | 1646/3996 [2:03:08<2:45:19, 4.22s/it]
41%|█████████████████████████████████████████████▎ | 1647/3996 [2:03:13<2:51:21, 4.38s/it]
41%|█████████████████████████████████████████████▎ | 1648/3996 [2:03:17<2:49:19, 4.33s/it]
41%|█████████████████████████████████████████████▍ | 1649/3996 [2:03:21<2:47:47, 4.29s/it]
41%|█████████████████████████████████████████████▍ | 1650/3996 [2:03:26<2:46:33, 4.26s/it]
{'loss': 0.4967, 'grad_norm': 0.19465653598308563, 'learning_rate': 0.00013162168836180246, 'ppl': 1.6433, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4286.24, 'total_tokens': 32011071, 'epoch': 1.24}
41%|█████████████████████████████████████████████▍ | 1650/3996 [2:03:26<2:46:33, 4.26s/it]
41%|█████████████████████████████████████████████▍ | 1651/3996 [2:03:30<2:45:48, 4.24s/it]
41%|█████████████████████████████████████████████▍ | 1652/3996 [2:03:34<2:45:31, 4.24s/it]
41%|█████████████████████████████████████████████▌ | 1653/3996 [2:03:38<2:45:00, 4.23s/it]
41%|█████████████████████████████████████████████▌ | 1654/3996 [2:03:43<2:50:54, 4.38s/it]
41%|█████████████████████████████████████████████▌ | 1655/3996 [2:03:47<2:48:44, 4.32s/it]
41%|█████████████████████████████████████████████▌ | 1656/3996 [2:03:51<2:47:03, 4.28s/it]
41%|█████████████████████████████████████████████▌ | 1657/3996 [2:03:56<2:45:48, 4.25s/it]
41%|█████████████████████████████████████████████▋ | 1658/3996 [2:04:00<2:45:17, 4.24s/it]
42%|█████████████████████████████████████████████▋ | 1659/3996 [2:04:04<2:44:41, 4.23s/it]
42%|█████████████████████████████████████████████▋ | 1660/3996 [2:04:08<2:44:11, 4.22s/it]
42%|█████████████████████████████████████████████▋ | 1661/3996 [2:04:13<2:50:14, 4.37s/it]
42%|█████████████████████████████████████████████▊ | 1662/3996 [2:04:17<2:48:09, 4.32s/it]
42%|█████████████████████████████████████████████▊ | 1663/3996 [2:04:21<2:46:39, 4.29s/it]
42%|█████████████████████████████████████████████▊ | 1664/3996 [2:04:25<2:45:19, 4.25s/it]
42%|█████████████████████████████████████████████▊ | 1665/3996 [2:04:30<2:44:40, 4.24s/it]
42%|█████████████████████████████████████████████▊ | 1666/3996 [2:04:34<2:44:05, 4.23s/it]
42%|█████████████████████████████████████████████▉ | 1667/3996 [2:04:38<2:43:45, 4.22s/it]
42%|█████████████████████████████████████████████▉ | 1668/3996 [2:04:43<2:49:39, 4.37s/it]
42%|█████████████████████████████████████████████▉ | 1669/3996 [2:04:47<2:47:32, 4.32s/it]
42%|█████████████████████████████████████████████▉ | 1670/3996 [2:04:51<2:46:20, 4.29s/it]
42%|█████████████████████████████████████████████▉ | 1671/3996 [2:04:55<2:45:04, 4.26s/it]
42%|██████████████████████████████████████████████ | 1672/3996 [2:05:00<2:44:20, 4.24s/it]
42%|██████████████████████████████████████████████ | 1673/3996 [2:05:04<2:43:42, 4.23s/it]
42%|██████████████████████████████████████████████ | 1674/3996 [2:05:08<2:43:24, 4.22s/it]
42%|██████████████████████████████████████████████ | 1675/3996 [2:05:13<2:49:14, 4.37s/it]
{'loss': 0.5172, 'grad_norm': 0.2054641842842102, 'learning_rate': 0.00012970292620638574, 'ppl': 1.6773, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 3733.1, 'total_tokens': 32452490, 'epoch': 1.26}
42%|██████████████████████████████████████████████ | 1675/3996 [2:05:13<2:49:14, 4.37s/it]
42%|██████████████████████████████████████████████▏ | 1676/3996 [2:05:17<2:47:04, 4.32s/it]
42%|██████████████████████████████████████████████▏ | 1677/3996 [2:05:21<2:45:25, 4.28s/it]
42%|██████████████████████████████████████████████▏ | 1678/3996 [2:05:25<2:44:16, 4.25s/it]
42%|██████████████████████████████████████████████▏ | 1679/3996 [2:05:30<2:43:42, 4.24s/it]
42%|██████████████████████████████████████████████▏ | 1680/3996 [2:05:34<2:43:11, 4.23s/it]
42%|██████████████████████████████████████████████▎ | 1681/3996 [2:05:38<2:42:47, 4.22s/it]
42%|██████████████████████████████████████████████▎ | 1682/3996 [2:05:43<2:48:50, 4.38s/it]
42%|██████████████████████████████████████████████▎ | 1683/3996 [2:05:47<2:46:41, 4.32s/it]
42%|██████████████████████████████████████████████▎ | 1684/3996 [2:05:51<2:45:42, 4.30s/it]
42%|██████████████████████████████████████████████▍ | 1685/3996 [2:05:55<2:44:18, 4.27s/it]
42%|██████████████████████████████████████████████▍ | 1686/3996 [2:06:00<2:43:30, 4.25s/it]
42%|██████████████████████████████████████████████▍ | 1687/3996 [2:06:04<2:42:50, 4.23s/it]
42%|██████████████████████████████████████████████▍ | 1688/3996 [2:06:08<2:42:21, 4.22s/it]
42%|██████████████████████████████████████████████▍ | 1689/3996 [2:06:13<2:51:14, 4.45s/it]
42%|██████████████████████████████████████████████▌ | 1690/3996 [2:06:17<2:48:09, 4.38s/it]
42%|██████████████████████████████████████████████▌ | 1691/3996 [2:06:21<2:46:06, 4.32s/it]
42%|██████████████████████████████████████████████▌ | 1692/3996 [2:06:25<2:44:28, 4.28s/it]
42%|██████████████████████████████████████████████▌ | 1693/3996 [2:06:30<2:43:37, 4.26s/it]
42%|██████████████████████████████████████████████▋ | 1694/3996 [2:06:34<2:42:43, 4.24s/it]
42%|██████████████████████████████████████████████▋ | 1695/3996 [2:06:38<2:42:06, 4.23s/it]
42%|██████████████████████████████████████████████▋ | 1696/3996 [2:06:43<2:47:56, 4.38s/it]
42%|██████████████████████████████████████████████▋ | 1697/3996 [2:06:47<2:45:51, 4.33s/it]
42%|██████████████████████████████████████████████▋ | 1698/3996 [2:06:51<2:44:19, 4.29s/it]
43%|██████████████████████████████████████████████▊ | 1699/3996 [2:06:55<2:42:57, 4.26s/it]
43%|██████████████████████████████████████████████▊ | 1700/3996 [2:07:00<2:42:16, 4.24s/it]
{'loss': 0.5149, 'grad_norm': 0.19450411200523376, 'learning_rate': 0.00012777209351943862, 'ppl': 1.6735, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4251.33, 'total_tokens': 32899103, 'epoch': 1.28}
43%|██████████████████████████████████████████████▊ | 1700/3996 [2:07:00<2:42:16, 4.24s/it]
43%|██████████████████████████████████████████████▊ | 1701/3996 [2:07:04<2:41:50, 4.23s/it]
43%|██████████████████████████████████████████████▊ | 1702/3996 [2:07:08<2:41:21, 4.22s/it]
43%|██████████████████████████████████████████████▉ | 1703/3996 [2:07:13<2:47:09, 4.37s/it]
43%|██████████████████████████████████████████████▉ | 1704/3996 [2:07:17<2:45:05, 4.32s/it]
43%|██████████████████████████████████████████████▉ | 1705/3996 [2:07:21<2:43:38, 4.29s/it]
43%|██████████████████████████████████████████████▉ | 1706/3996 [2:07:25<2:42:21, 4.25s/it]
43%|██████████████████████████████████████████████▉ | 1707/3996 [2:07:30<2:45:34, 4.34s/it]
43%|███████████████████████████████████████████████ | 1708/3996 [2:07:34<2:43:51, 4.30s/it]
43%|███████████████████████████████████████████████ | 1709/3996 [2:07:38<2:42:31, 4.26s/it]
43%|███████████████████████████████████████████████ | 1710/3996 [2:07:43<2:47:53, 4.41s/it]
43%|███████████████████████████████████████████████ | 1711/3996 [2:07:47<2:45:27, 4.34s/it]
43%|███████████████████████████████████████████████▏ | 1712/3996 [2:07:51<2:43:32, 4.30s/it]
43%|███████████████████████████████████████████████▏ | 1713/3996 [2:07:56<2:42:11, 4.26s/it]
43%|███████████████████████████████████████████████▏ | 1714/3996 [2:08:00<2:41:29, 4.25s/it]
43%|███████████████████████████████████████████████▏ | 1715/3996 [2:08:04<2:40:55, 4.23s/it]
43%|███████████████████████████████████████████████▏ | 1716/3996 [2:08:08<2:40:29, 4.22s/it]
43%|███████████████████████████████████████████████▎ | 1717/3996 [2:08:13<2:46:12, 4.38s/it]
43%|███████████████████████████████████████████████▎ | 1718/3996 [2:08:17<2:44:11, 4.32s/it]
43%|███████████████████████████████████████████████▎ | 1719/3996 [2:08:21<2:42:41, 4.29s/it]
43%|███████████████████████████████████████████████▎ | 1720/3996 [2:08:25<2:41:35, 4.26s/it]
43%|███████████████████████████████████████████████▎ | 1721/3996 [2:08:30<2:40:53, 4.24s/it]
43%|███████████████████████████████████████████████▍ | 1722/3996 [2:08:34<2:40:05, 4.22s/it]
43%|███████████████████████████████████████████████▍ | 1723/3996 [2:08:38<2:39:37, 4.21s/it]
43%|███████████████████████████████████████████████▍ | 1724/3996 [2:08:43<2:46:06, 4.39s/it]
43%|███████████████████████████████████████████████▍ | 1725/3996 [2:08:47<2:43:56, 4.33s/it]
{'loss': 0.5205, 'grad_norm': 0.19844166934490204, 'learning_rate': 0.0001258299749434123, 'ppl': 1.6829, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4240.57, 'total_tokens': 33344569, 'epoch': 1.29}
43%|███████████████████████████████████████████████▍ | 1725/3996 [2:08:47<2:43:56, 4.33s/it]
43%|███████████████████████████████████████████████▌ | 1726/3996 [2:08:51<2:42:21, 4.29s/it]
43%|███████████████████████████████████████████████▌ | 1727/3996 [2:08:55<2:41:02, 4.26s/it]
43%|███████████████████████████████████████████████▌ | 1728/3996 [2:09:00<2:40:17, 4.24s/it]
43%|███████████████████████████████████████████████▌ | 1729/3996 [2:09:04<2:39:41, 4.23s/it]
43%|███████████████████████████████████████████████▌ | 1730/3996 [2:09:08<2:39:22, 4.22s/it]
43%|███████████████████████████████████████████████▋ | 1731/3996 [2:09:13<2:45:04, 4.37s/it]
43%|███████████████████████████████████████████████▋ | 1732/3996 [2:09:17<2:42:56, 4.32s/it]
43%|███████████████████████████████████████████████▋ | 1733/3996 [2:09:21<2:41:29, 4.28s/it]
43%|███████████████████████████████████████████████▋ | 1734/3996 [2:09:25<2:40:29, 4.26s/it]
43%|███████████████████████████████████████████████▊ | 1735/3996 [2:09:30<2:40:06, 4.25s/it]
43%|███████████████████████████████████████████████▊ | 1736/3996 [2:09:34<2:43:46, 4.35s/it]
43%|███████████████████████████████████████████████▊ | 1737/3996 [2:09:38<2:42:51, 4.33s/it]
43%|███████████████████████████████████████████████▊ | 1738/3996 [2:09:43<2:47:24, 4.45s/it]
44%|███████████████████████████████████████████████▊ | 1739/3996 [2:09:47<2:44:24, 4.37s/it]
44%|███████████████████████████████████████████████▉ | 1740/3996 [2:09:52<2:42:23, 4.32s/it]
44%|███████████████████████████████████████████████▉ | 1741/3996 [2:09:56<2:40:43, 4.28s/it]
44%|███████████████████████████████████████████████▉ | 1742/3996 [2:10:00<2:41:04, 4.29s/it]
44%|███████████████████████████████████████████████▉ | 1743/3996 [2:10:04<2:39:56, 4.26s/it]
44%|████████████████████████████████████████████████ | 1744/3996 [2:10:08<2:39:13, 4.24s/it]
44%|████████████████████████████████████████████████ | 1745/3996 [2:10:13<2:44:42, 4.39s/it]
44%|████████████████████████████████████████████████ | 1746/3996 [2:10:17<2:42:32, 4.33s/it]
44%|████████████████████████████████████████████████ | 1747/3996 [2:10:22<2:40:54, 4.29s/it]
44%|████████████████████████████████████████████████ | 1748/3996 [2:10:26<2:39:36, 4.26s/it]
44%|████████████████████████████████████████████████▏ | 1749/3996 [2:10:30<2:38:48, 4.24s/it]
44%|████████████████████████████████████████████████▏ | 1750/3996 [2:10:34<2:38:03, 4.22s/it]
{'loss': 0.5033, 'grad_norm': 0.19240470230579376, 'learning_rate': 0.00012387735970706312, 'ppl': 1.6542, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4267.65, 'total_tokens': 33790426, 'epoch': 1.31}
44%|████████████████████████████████████████████████▏ | 1750/3996 [2:10:34<2:38:03, 4.22s/it]
44%|████████████████████████████████████████████████▏ | 1751/3996 [2:10:38<2:37:29, 4.21s/it]
44%|████████████████████████████████████████████████▏ | 1752/3996 [2:10:43<2:43:17, 4.37s/it]
44%|████████████████████████████████████████████████▎ | 1753/3996 [2:10:47<2:41:18, 4.32s/it]
44%|████████████████████████████████████████████████▎ | 1754/3996 [2:10:51<2:39:53, 4.28s/it]
44%|████████████████████████████████████████████████▎ | 1755/3996 [2:10:56<2:38:43, 4.25s/it]
44%|████████████████████████████████████████████████▎ | 1756/3996 [2:11:00<2:38:00, 4.23s/it]
44%|████████████████████████████████████████████████▎ | 1757/3996 [2:11:04<2:37:30, 4.22s/it]
44%|████████████████████████████████████████████████▍ | 1758/3996 [2:11:08<2:37:05, 4.21s/it]
44%|████████████████████████████████████████████████▍ | 1759/3996 [2:11:13<2:42:51, 4.37s/it]
44%|████████████████████████████████████████████████▍ | 1760/3996 [2:11:17<2:40:45, 4.31s/it]
44%|████████████████████████████████████████████████▍ | 1761/3996 [2:11:21<2:39:20, 4.28s/it]
44%|████████████████████████████████████████████████▌ | 1762/3996 [2:11:25<2:38:11, 4.25s/it]
44%|████████████████████████████████████████████████▌ | 1763/3996 [2:11:30<2:37:30, 4.23s/it]
44%|████████████████████████████████████████████████▌ | 1764/3996 [2:11:34<2:36:59, 4.22s/it]
44%|████████████████████████████████████████████████▌ | 1765/3996 [2:11:38<2:36:31, 4.21s/it]
44%|████████████████████████████████████████████████▌ | 1766/3996 [2:11:43<2:42:11, 4.36s/it]
44%|████████████████████████████████████████████████▋ | 1767/3996 [2:11:47<2:40:16, 4.31s/it]
44%|████████████████████████████████████████████████▋ | 1768/3996 [2:11:51<2:38:58, 4.28s/it]
44%|████████████████████████████████████████████████▋ | 1769/3996 [2:11:55<2:37:49, 4.25s/it]
44%|████████████████████████████████████████████████▋ | 1770/3996 [2:12:00<2:37:04, 4.23s/it]
44%|████████████████████████████████████████████████▊ | 1771/3996 [2:12:04<2:36:35, 4.22s/it]
44%|████████████████████████████████████████████████▊ | 1772/3996 [2:12:08<2:36:13, 4.21s/it]
44%|████████████████████████████████████████████████▊ | 1773/3996 [2:12:13<2:41:53, 4.37s/it]
44%|████████████████████████████████████████████████▊ | 1774/3996 [2:12:17<2:39:47, 4.31s/it]
44%|████████████████████████████████████████████████▊ | 1775/3996 [2:12:21<2:38:18, 4.28s/it]
{'loss': 0.5103, 'grad_norm': 0.18220192193984985, 'learning_rate': 0.00012191504130472937, 'ppl': 1.6658, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4237.08, 'total_tokens': 34233908, 'epoch': 1.33}
44%|████████████████████████████████████████████████▊ | 1775/3996 [2:12:21<2:38:18, 4.28s/it]
44%|████████████████████████████████████████████████▉ | 1776/3996 [2:12:25<2:37:22, 4.25s/it]
44%|████████████████████████████████████████████████▉ | 1777/3996 [2:12:29<2:36:42, 4.24s/it]
44%|████████████████████████████████████████████████▉ | 1778/3996 [2:12:34<2:36:00, 4.22s/it]
45%|████████████████████████████████████████████████▉ | 1779/3996 [2:12:38<2:35:32, 4.21s/it]
45%|████████████████████████████████████████████████▉ | 1780/3996 [2:12:43<2:41:13, 4.37s/it]
45%|█████████████████████████████████████████████████ | 1781/3996 [2:12:47<2:39:09, 4.31s/it]
45%|█████████████████████████████████████████████████ | 1782/3996 [2:12:51<2:37:52, 4.28s/it]
45%|█████████████████████████████████████████████████ | 1783/3996 [2:12:55<2:36:50, 4.25s/it]
45%|█████████████████████████████████████████████████ | 1784/3996 [2:12:59<2:36:12, 4.24s/it]
45%|█████████████████████████████████████████████████▏ | 1785/3996 [2:13:04<2:35:46, 4.23s/it]
45%|█████████████████████████████████████████████████▏ | 1786/3996 [2:13:08<2:35:20, 4.22s/it]
45%|█████████████████████████████████████████████████▏ | 1787/3996 [2:13:12<2:41:00, 4.37s/it]
45%|█████████████████████████████████████████████████▏ | 1788/3996 [2:13:17<2:38:52, 4.32s/it]
45%|█████████████████████████████████████████████████▏ | 1789/3996 [2:13:21<2:37:21, 4.28s/it]
45%|█████████████████████████████████████████████████▎ | 1790/3996 [2:13:25<2:36:15, 4.25s/it]
45%|█████████████████████████████████████████████████▎ | 1791/3996 [2:13:29<2:35:45, 4.24s/it]
45%|█████████████████████████████████████████████████▎ | 1792/3996 [2:13:33<2:35:08, 4.22s/it]
45%|█████████████████████████████████████████████████▎ | 1793/3996 [2:13:38<2:34:48, 4.22s/it]
45%|█████████████████████████████████████████████████▍ | 1794/3996 [2:13:42<2:40:27, 4.37s/it]
45%|█████████████████████████████████████████████████▍ | 1795/3996 [2:13:47<2:38:25, 4.32s/it]
45%|█████████████████████████████████████████████████▍ | 1796/3996 [2:13:51<2:36:54, 4.28s/it]
45%|█████████████████████████████████████████████████▍ | 1797/3996 [2:13:55<2:40:41, 4.38s/it]
45%|█████████████████████████████████████████████████▍ | 1798/3996 [2:14:00<2:38:31, 4.33s/it]
45%|█████████████████████████████████████████████████▌ | 1799/3996 [2:14:04<2:36:55, 4.29s/it]
45%|█████████████████████████████████████████████████▌ | 1800/3996 [2:14:08<2:35:50, 4.26s/it]
{'loss': 0.5192, 'grad_norm': 0.20157551765441895, 'learning_rate': 0.00011994381717387514, 'ppl': 1.6807, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4244.09, 'total_tokens': 34678691, 'epoch': 1.35}
45%|█████████████████████████████████████████████████▌ | 1800/3996 [2:14:08<2:35:50, 4.26s/it]
45%|█████████████████████████████████████████████████▌ | 1801/3996 [2:14:13<2:40:55, 4.40s/it]
45%|█████████████████████████████████████████████████▌ | 1802/3996 [2:14:17<2:39:26, 4.36s/it]
45%|█████████████████████████████████████████████████▋ | 1803/3996 [2:14:21<2:37:33, 4.31s/it]
45%|█████████████████████████████████████████████████▋ | 1804/3996 [2:14:25<2:36:23, 4.28s/it]
45%|█████████████████████████████████████████████████▋ | 1805/3996 [2:14:30<2:36:03, 4.27s/it]
45%|█████████████████████████████████████████████████▋ | 1806/3996 [2:14:34<2:35:14, 4.25s/it]
45%|█████████████████████████████████████████████████▋ | 1807/3996 [2:14:38<2:34:32, 4.24s/it]
45%|█████████████████████████████████████████████████▊ | 1808/3996 [2:14:43<2:39:52, 4.38s/it]
45%|█████████████████████████████████████████████████▊ | 1809/3996 [2:14:47<2:37:47, 4.33s/it]
45%|█████████████████████████████████████████████████▊ | 1810/3996 [2:14:51<2:36:21, 4.29s/it]
45%|█████████████████████████████████████████████████▊ | 1811/3996 [2:14:55<2:35:01, 4.26s/it]
45%|█████████████████████████████████████████████████▉ | 1812/3996 [2:15:00<2:34:22, 4.24s/it]
45%|█████████████████████████████████████████████████▉ | 1813/3996 [2:15:04<2:33:46, 4.23s/it]
45%|█████████████████████████████████████████████████▉ | 1814/3996 [2:15:08<2:33:11, 4.21s/it]
45%|█████████████████████████████████████████████████▉ | 1815/3996 [2:15:13<2:38:45, 4.37s/it]
45%|█████████████████████████████████████████████████▉ | 1816/3996 [2:15:17<2:36:45, 4.31s/it]
45%|██████████████████████████████████████████████████ | 1817/3996 [2:15:21<2:35:18, 4.28s/it]
45%|██████████████████████████████████████████████████ | 1818/3996 [2:15:25<2:34:07, 4.25s/it]
46%|██████████████████████████████████████████████████ | 1819/3996 [2:15:29<2:33:23, 4.23s/it]
46%|██████████████████████████████████████████████████ | 1820/3996 [2:15:34<2:32:47, 4.21s/it]
46%|██████████████████████████████████████████████████▏ | 1821/3996 [2:15:38<2:32:23, 4.20s/it]
46%|██████████████████████████████████████████████████▏ | 1822/3996 [2:15:42<2:37:56, 4.36s/it]
46%|██████████████████████████████████████████████████▏ | 1823/3996 [2:15:47<2:36:03, 4.31s/it]
46%|██████████████████████████████████████████████████▏ | 1824/3996 [2:15:51<2:34:36, 4.27s/it]
46%|██████████████████████████████████████████████████▏ | 1825/3996 [2:15:55<2:33:33, 4.24s/it]
{'loss': 0.5011, 'grad_norm': 0.17189238965511322, 'learning_rate': 0.00011796448837103129, 'ppl': 1.6505, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4277.26, 'total_tokens': 35125624, 'epoch': 1.37}
46%|██████████████████████████████████████████████████▏ | 1825/3996 [2:15:55<2:33:33, 4.24s/it]
46%|██████████████████████████████████████████████████▎ | 1826/3996 [2:15:59<2:32:55, 4.23s/it]
46%|██████████████████████████████████████████████████▎ | 1827/3996 [2:16:03<2:32:12, 4.21s/it]
46%|██████████████████████████████████████████████████▎ | 1828/3996 [2:16:08<2:31:44, 4.20s/it]
46%|██████████████████████████████████████████████████▎ | 1829/3996 [2:16:12<2:37:12, 4.35s/it]
46%|██████████████████████████████████████████████████▍ | 1830/3996 [2:16:16<2:35:22, 4.30s/it]
46%|██████████████████████████████████████████████████▍ | 1831/3996 [2:16:21<2:33:55, 4.27s/it]
46%|██████████████████████████████████████████████████▍ | 1832/3996 [2:16:25<2:32:57, 4.24s/it]
46%|██████████████████████████████████████████████████▍ | 1833/3996 [2:16:29<2:32:13, 4.22s/it]
46%|██████████████████████████████████████████████████▍ | 1834/3996 [2:16:33<2:31:34, 4.21s/it]
46%|██████████████████████████████████████████████████▌ | 1835/3996 [2:16:37<2:31:20, 4.20s/it]
46%|██████████████████████████████████████████████████▌ | 1836/3996 [2:16:42<2:36:48, 4.36s/it]
46%|██████████████████████████████████████████████████▌ | 1837/3996 [2:16:46<2:34:42, 4.30s/it]
46%|██████████████████████████████████████████████████▌ | 1838/3996 [2:16:50<2:33:20, 4.26s/it]
46%|██████████████████████████████████████████████████▌ | 1839/3996 [2:16:55<2:32:07, 4.23s/it]
46%|██████████████████████████████████████████████████▋ | 1840/3996 [2:16:59<2:31:29, 4.22s/it]
46%|██████████████████████████████████████████████████▋ | 1841/3996 [2:17:03<2:31:10, 4.21s/it]
46%|██████████████████████████████████████████████████▋ | 1842/3996 [2:17:07<2:30:52, 4.20s/it]
46%|██████████████████████████████████████████████████▋ | 1843/3996 [2:17:12<2:36:19, 4.36s/it]
46%|██████████████████████████████████████████████████▊ | 1844/3996 [2:17:16<2:34:12, 4.30s/it]
46%|██████████████████████████████████████████████████▊ | 1845/3996 [2:17:20<2:32:42, 4.26s/it]
46%|██████████████████████████████████████████████████▊ | 1846/3996 [2:17:24<2:31:41, 4.23s/it]
46%|██████████████████████████████████████████████████▊ | 1847/3996 [2:17:29<2:31:06, 4.22s/it]
46%|██████████████████████████████████████████████████▊ | 1848/3996 [2:17:33<2:30:46, 4.21s/it]
46%|██████████████████████████████████████████████████▉ | 1849/3996 [2:17:37<2:30:24, 4.20s/it]
46%|██████████████████████████████████████████████████▉ | 1850/3996 [2:17:42<2:35:44, 4.35s/it]
{'loss': 0.4994, 'grad_norm': 0.19443106651306152, 'learning_rate': 0.00011597785924626616, 'ppl': 1.6477, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 3766.52, 'total_tokens': 35568850, 'epoch': 1.39}
46%|██████████████████████████████████████████████████▉ | 1850/3996 [2:17:42<2:35:44, 4.35s/it]
46%|██████████████████████████████████████████████████▉ | 1851/3996 [2:17:46<2:38:50, 4.44s/it]
46%|██████████████████████████████████████████████████▉ | 1852/3996 [2:17:50<2:35:48, 4.36s/it]
46%|███████████████████████████████████████████████████ | 1853/3996 [2:17:55<2:33:46, 4.31s/it]
46%|███████████████████████████████████████████████████ | 1854/3996 [2:17:59<2:32:18, 4.27s/it]
46%|███████████████████████████████████████████████████ | 1855/3996 [2:18:03<2:31:07, 4.24s/it]
46%|███████████████████████████████████████████████████ | 1856/3996 [2:18:07<2:30:25, 4.22s/it]
46%|███████████████████████████████████████████████████ | 1857/3996 [2:18:12<2:35:37, 4.37s/it]
46%|███████████████████████████████████████████████████▏ | 1858/3996 [2:18:16<2:33:41, 4.31s/it]
47%|███████████████████████████████████████████████████▏ | 1859/3996 [2:18:20<2:31:59, 4.27s/it]
47%|███████████████████████████████████████████████████▏ | 1860/3996 [2:18:24<2:30:57, 4.24s/it]
47%|███████████████████████████████████████████████████▏ | 1861/3996 [2:18:29<2:30:15, 4.22s/it]
47%|███████████████████████████████████████████████████▎ | 1862/3996 [2:18:33<2:29:32, 4.20s/it]
47%|███████████████████████████████████████████████████▎ | 1863/3996 [2:18:37<2:29:11, 4.20s/it]
47%|███████████████████████████████████████████████████▎ | 1864/3996 [2:18:42<2:34:37, 4.35s/it]
47%|███████████████████████████████████████████████████▎ | 1865/3996 [2:18:46<2:32:43, 4.30s/it]
47%|███████████████████████████████████████████████████▎ | 1866/3996 [2:18:50<2:31:18, 4.26s/it]
47%|███████████████████████████████████████████████████▍ | 1867/3996 [2:18:54<2:30:17, 4.24s/it]
47%|███████████████████████████████████████████████████▍ | 1868/3996 [2:18:58<2:29:51, 4.23s/it]
47%|███████████████████████████████████████████████████▍ | 1869/3996 [2:19:03<2:30:36, 4.25s/it]
47%|███████████████████████████████████████████████████▍ | 1870/3996 [2:19:07<2:30:38, 4.25s/it]
47%|███████████████████████████████████████████████████▌ | 1871/3996 [2:19:12<2:35:45, 4.40s/it]
47%|███████████████████████████████████████████████████▌ | 1872/3996 [2:19:16<2:33:21, 4.33s/it]
47%|███████████████████████████████████████████████████▌ | 1873/3996 [2:19:20<2:31:44, 4.29s/it]
47%|███████████████████████████████████████████████████▌ | 1874/3996 [2:19:24<2:31:32, 4.29s/it]
47%|███████████████████████████████████████████████████▌ | 1875/3996 [2:19:28<2:30:32, 4.26s/it]
{'loss': 0.5083, 'grad_norm': 0.1810811311006546, 'learning_rate': 0.00011398473711631764, 'ppl': 1.6625, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4204.76, 'total_tokens': 36009980, 'epoch': 1.41}
47%|███████████████████████████████████████████████████▌ | 1875/3996 [2:19:28<2:30:32, 4.26s/it]
47%|███████████████████████████████████████████████████▋ | 1876/3996 [2:19:33<2:29:25, 4.23s/it]
47%|███████████████████████████████████████████████████▋ | 1877/3996 [2:19:37<2:28:54, 4.22s/it]
47%|███████████████████████████████████████████████████▋ | 1878/3996 [2:19:42<2:34:13, 4.37s/it]
47%|███████████████████████████████████████████████████▋ | 1879/3996 [2:19:46<2:32:13, 4.31s/it]
47%|███████████████████████████████████████████████████▊ | 1880/3996 [2:19:50<2:30:46, 4.28s/it]
47%|███████████████████████████████████████████████████▊ | 1881/3996 [2:19:54<2:29:35, 4.24s/it]
47%|███████████████████████████████████████████████████▊ | 1882/3996 [2:19:58<2:28:57, 4.23s/it]
47%|███████████████████████████████████████████████████▊ | 1883/3996 [2:20:02<2:28:21, 4.21s/it]
47%|███████████████████████████████████████████████████▊ | 1884/3996 [2:20:07<2:28:07, 4.21s/it]
47%|███████████████████████████████████████████████████▉ | 1885/3996 [2:20:11<2:33:42, 4.37s/it]
47%|███████████████████████████████████████████████████▉ | 1886/3996 [2:20:16<2:31:43, 4.31s/it]
47%|███████████████████████████████████████████████████▉ | 1887/3996 [2:20:20<2:30:15, 4.27s/it]
47%|███████████████████████████████████████████████████▉ | 1888/3996 [2:20:24<2:29:13, 4.25s/it]
47%|███████████████████████████████████████████████████▉ | 1889/3996 [2:20:28<2:28:41, 4.23s/it]
47%|████████████████████████████████████████████████████ | 1890/3996 [2:20:32<2:28:13, 4.22s/it]
47%|████████████████████████████████████████████████████ | 1891/3996 [2:20:37<2:27:47, 4.21s/it]
47%|████████████████████████████████████████████████████ | 1892/3996 [2:20:41<2:32:58, 4.36s/it]
47%|████████████████████████████████████████████████████ | 1893/3996 [2:20:46<2:34:29, 4.41s/it]
47%|████████████████████████████████████████████████████▏ | 1894/3996 [2:20:50<2:32:02, 4.34s/it]
47%|████████████████████████████████████████████████████▏ | 1895/3996 [2:20:54<2:30:17, 4.29s/it]
47%|████████████████████████████████████████████████████▏ | 1896/3996 [2:20:58<2:30:57, 4.31s/it]
47%|████████████████████████████████████████████████████▏ | 1897/3996 [2:21:03<2:29:44, 4.28s/it]
47%|████████████████████████████████████████████████████▏ | 1898/3996 [2:21:07<2:28:40, 4.25s/it]
48%|████████████████████████████████████████████████████▎ | 1899/3996 [2:21:12<2:33:37, 4.40s/it]
48%|████████████████████████████████████████████████████▎ | 1900/3996 [2:21:16<2:31:22, 4.33s/it]
{'loss': 0.5141, 'grad_norm': 0.19805970788002014, 'learning_rate': 0.00011198593193651958, 'ppl': 1.6721, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4270.21, 'total_tokens': 36457032, 'epoch': 1.43}
48%|████████████████████████████████████████████████████▎ | 1900/3996 [2:21:16<2:31:22, 4.33s/it]
48%|████████████████████████████████████████████████████▎ | 1901/3996 [2:21:20<2:29:54, 4.29s/it]
48%|████████████████████████████████████████████████████▎ | 1902/3996 [2:21:24<2:28:46, 4.26s/it]
48%|████████████████████████████████████████████████████▍ | 1903/3996 [2:21:28<2:28:06, 4.25s/it]
48%|████████████████████████████████████████████████████▍ | 1904/3996 [2:21:33<2:27:31, 4.23s/it]
48%|████████████████████████████████████████████████████▍ | 1905/3996 [2:21:37<2:27:08, 4.22s/it]
48%|████████████████████████████████████████████████████▍ | 1906/3996 [2:21:42<2:36:35, 4.50s/it]
48%|████████████████████████████████████████████████████▍ | 1907/3996 [2:21:46<2:33:28, 4.41s/it]
48%|████████████████████████████████████████████████████▌ | 1908/3996 [2:21:50<2:31:12, 4.35s/it]
48%|████████████████████████████████████████████████████▌ | 1909/3996 [2:21:55<2:29:29, 4.30s/it]
48%|████████████████████████████████████████████████████▌ | 1910/3996 [2:21:59<2:28:26, 4.27s/it]
48%|████████████████████████████████████████████████████▌ | 1911/3996 [2:22:03<2:27:42, 4.25s/it]
48%|████████████████████████████████████████████████████▋ | 1912/3996 [2:22:07<2:27:10, 4.24s/it]
48%|████████████████████████████████████████████████████▋ | 1913/3996 [2:22:12<2:32:39, 4.40s/it]
48%|████████████████████████████████████████████████████▋ | 1914/3996 [2:22:16<2:30:25, 4.34s/it]
48%|████████████████████████████████████████████████████▋ | 1915/3996 [2:22:20<2:28:52, 4.29s/it]
48%|████████████████████████████████████████████████████▋ | 1916/3996 [2:22:24<2:27:31, 4.26s/it]
48%|████████████████████████████████████████████████████▊ | 1917/3996 [2:22:29<2:26:58, 4.24s/it]
48%|████████████████████████████████████████████████████▊ | 1918/3996 [2:22:33<2:26:21, 4.23s/it]
48%|████████████████████████████████████████████████████▊ | 1919/3996 [2:22:37<2:26:01, 4.22s/it]
48%|████████████████████████████████████████████████████▊ | 1920/3996 [2:22:42<2:31:15, 4.37s/it]
48%|████████████████████████████████████████████████████▉ | 1921/3996 [2:22:46<2:29:22, 4.32s/it]
48%|████████████████████████████████████████████████████▉ | 1922/3996 [2:22:50<2:27:50, 4.28s/it]
48%|████████████████████████████████████████████████████▉ | 1923/3996 [2:22:54<2:26:50, 4.25s/it]
48%|████████████████████████████████████████████████████▉ | 1924/3996 [2:22:59<2:29:51, 4.34s/it]
48%|████████████████████████████████████████████████████▉ | 1925/3996 [2:23:03<2:28:19, 4.30s/it]
{'loss': 0.5045, 'grad_norm': 0.1936168372631073, 'learning_rate': 0.00010998225597165628, 'ppl': 1.6562, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4275.24, 'total_tokens': 36905590, 'epoch': 1.44}
48%|████████████████████████████████████████████████████▉ | 1925/3996 [2:23:03<2:28:19, 4.30s/it]
48%|█████████████████████████████████████████████████████ | 1926/3996 [2:23:07<2:27:18, 4.27s/it]
48%|█████████████████████████████████████████████████████ | 1927/3996 [2:23:12<2:32:09, 4.41s/it]
48%|█████████████████████████████████████████████████████ | 1928/3996 [2:23:16<2:29:56, 4.35s/it]
48%|█████████████████████████████████████████████████████ | 1929/3996 [2:23:20<2:28:14, 4.30s/it]
48%|█████████████████████████████████████████████████████▏ | 1930/3996 [2:23:25<2:26:52, 4.27s/it]
48%|█████████████████████████████████████████████████████▏ | 1931/3996 [2:23:29<2:26:07, 4.25s/it]
48%|█████████████████████████████████████████████████████▏ | 1932/3996 [2:23:33<2:25:31, 4.23s/it]
48%|█████████████████████████████████████████████████████▏ | 1933/3996 [2:23:37<2:25:11, 4.22s/it]
48%|█████████████████████████████████████████████████████▏ | 1934/3996 [2:23:42<2:30:18, 4.37s/it]
48%|█████████████████████████████████████████████████████▎ | 1935/3996 [2:23:46<2:28:32, 4.32s/it]
48%|█████████████████████████████████████████████████████▎ | 1936/3996 [2:23:50<2:27:11, 4.29s/it]
48%|█████████████████████████████████████████████████████▎ | 1937/3996 [2:23:55<2:26:07, 4.26s/it]
48%|█████████████████████████████████████████████████████▎ | 1938/3996 [2:23:59<2:25:31, 4.24s/it]
49%|█████████████████████████████████████████████████████▍ | 1939/3996 [2:24:03<2:24:59, 4.23s/it]
49%|█████████████████████████████████████████████████████▍ | 1940/3996 [2:24:07<2:24:38, 4.22s/it]
49%|█████████████████████████████████████████████████████▍ | 1941/3996 [2:24:12<2:30:16, 4.39s/it]
49%|█████████████████████████████████████████████████████▍ | 1942/3996 [2:24:16<2:28:46, 4.35s/it]
49%|█████████████████████████████████████████████████████▍ | 1943/3996 [2:24:20<2:27:07, 4.30s/it]
49%|█████████████████████████████████████████████████████▌ | 1944/3996 [2:24:25<2:25:45, 4.26s/it]
49%|█████████████████████████████████████████████████████▌ | 1945/3996 [2:24:29<2:24:56, 4.24s/it]
49%|█████████████████████████████████████████████████████▌ | 1946/3996 [2:24:33<2:24:25, 4.23s/it]
49%|█████████████████████████████████████████████████████▌ | 1947/3996 [2:24:37<2:24:01, 4.22s/it]
49%|█████████████████████████████████████████████████████▌ | 1948/3996 [2:24:42<2:29:11, 4.37s/it]
49%|█████████████████████████████████████████████████████▋ | 1949/3996 [2:24:46<2:27:25, 4.32s/it]
49%|█████████████████████████████████████████████████████▋ | 1950/3996 [2:24:50<2:26:00, 4.28s/it]
{'loss': 0.5025, 'grad_norm': 0.19065748155117035, 'learning_rate': 0.00010797452346587798, 'ppl': 1.6528, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4285.81, 'total_tokens': 37354436, 'epoch': 1.46}
49%|█████████████████████████████████████████████████████▋ | 1950/3996 [2:24:50<2:26:00, 4.28s/it]
49%|█████████████████████████████████████████████████████▋ | 1951/3996 [2:24:54<2:24:51, 4.25s/it]
49%|█████████████████████████████████████████████████████▋ | 1952/3996 [2:24:59<2:24:13, 4.23s/it]
49%|█████████████████████████████████████████████████████▊ | 1953/3996 [2:25:03<2:23:31, 4.22s/it]
49%|█████████████████████████████████████████████████████▊ | 1954/3996 [2:25:07<2:23:09, 4.21s/it]
49%|█████████████████████████████████████████████████████▊ | 1955/3996 [2:25:12<2:28:26, 4.36s/it]
49%|█████████████████████████████████████████████████████▊ | 1956/3996 [2:25:16<2:26:46, 4.32s/it]
49%|█████████████████████████████████████████████████████▊ | 1957/3996 [2:25:20<2:25:23, 4.28s/it]
49%|█████████████████████████████████████████████████████▉ | 1958/3996 [2:25:24<2:24:14, 4.25s/it]
49%|█████████████████████████████████████████████████████▉ | 1959/3996 [2:25:28<2:23:42, 4.23s/it]
49%|█████████████████████████████████████████████████████▉ | 1960/3996 [2:25:33<2:24:03, 4.25s/it]
49%|█████████████████████████████████████████████████████▉ | 1961/3996 [2:25:37<2:23:29, 4.23s/it]
49%|██████████████████████████████████████████████████████ | 1962/3996 [2:25:42<2:28:30, 4.38s/it]
49%|██████████████████████████████████████████████████████ | 1963/3996 [2:25:46<2:26:32, 4.32s/it]
49%|██████████████████████████████████████████████████████ | 1964/3996 [2:25:50<2:25:02, 4.28s/it]
49%|██████████████████████████████████████████████████████ | 1965/3996 [2:25:54<2:23:53, 4.25s/it]
49%|██████████████████████████████████████████████████████ | 1966/3996 [2:25:58<2:23:15, 4.23s/it]
49%|██████████████████████████████████████████████████████▏ | 1967/3996 [2:26:03<2:22:43, 4.22s/it]
49%|██████████████████████████████████████████████████████▏ | 1968/3996 [2:26:07<2:22:18, 4.21s/it]
49%|██████████████████████████████████████████████████████▏ | 1969/3996 [2:26:12<2:27:29, 4.37s/it]
49%|██████████████████████████████████████████████████████▏ | 1970/3996 [2:26:16<2:25:45, 4.32s/it]
49%|██████████████████████████████████████████████████████▎ | 1971/3996 [2:26:20<2:24:29, 4.28s/it]
49%|██████████████████████████████████████████████████████▎ | 1972/3996 [2:26:24<2:23:25, 4.25s/it]
49%|██████████████████████████████████████████████████████▎ | 1973/3996 [2:26:28<2:22:46, 4.23s/it]
49%|██████████████████████████████████████████████████████▎ | 1974/3996 [2:26:32<2:22:14, 4.22s/it]
49%|██████████████████████████████████████████████████████▎ | 1975/3996 [2:26:37<2:21:56, 4.21s/it]
{'loss': 0.5102, 'grad_norm': 0.18647657334804535, 'learning_rate': 0.0001059635503118125, 'ppl': 1.6656, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4259.76, 'total_tokens': 37801500, 'epoch': 1.48}
49%|██████████████████████████████████████████████████████▎ | 1975/3996 [2:26:37<2:21:56, 4.21s/it]
49%|██████████████████████████████████████████████████████▍ | 1976/3996 [2:26:41<2:27:06, 4.37s/it]
49%|██████████████████████████████████████████████████████▍ | 1977/3996 [2:26:46<2:25:11, 4.31s/it]
49%|██████████████████████████████████████████████████████▍ | 1978/3996 [2:26:50<2:26:06, 4.34s/it]
50%|██████████████████████████████████████████████████████▍ | 1979/3996 [2:26:54<2:24:28, 4.30s/it]
50%|██████████████████████████████████████████████████████▌ | 1980/3996 [2:26:58<2:23:22, 4.27s/it]
50%|██████████████████████████████████████████████████████▌ | 1981/3996 [2:27:03<2:22:29, 4.24s/it]
50%|██████████████████████████████████████████████████████▌ | 1982/3996 [2:27:07<2:21:50, 4.23s/it]
50%|██████████████████████████████████████████████████████▌ | 1983/3996 [2:27:12<2:26:46, 4.37s/it]
50%|██████████████████████████████████████████████████████▌ | 1984/3996 [2:27:16<2:24:49, 4.32s/it]
50%|██████████████████████████████████████████████████████▋ | 1985/3996 [2:27:20<2:23:22, 4.28s/it]
50%|██████████████████████████████████████████████████████▋ | 1986/3996 [2:27:24<2:22:22, 4.25s/it]
50%|██████████████████████████████████████████████████████▋ | 1987/3996 [2:27:28<2:21:54, 4.24s/it]
50%|██████████████████████████████████████████████████████▋ | 1988/3996 [2:27:32<2:21:20, 4.22s/it]
50%|██████████████████████████████████████████████████████▊ | 1989/3996 [2:27:37<2:20:57, 4.21s/it]
50%|██████████████████████████████████████████████████████▊ | 1990/3996 [2:27:41<2:26:02, 4.37s/it]
50%|██████████████████████████████████████████████████████▊ | 1991/3996 [2:27:46<2:24:11, 4.32s/it]
50%|██████████████████████████████████████████████████████▊ | 1992/3996 [2:27:50<2:22:48, 4.28s/it]
50%|██████████████████████████████████████████████████████▊ | 1993/3996 [2:27:54<2:21:47, 4.25s/it]
50%|██████████████████████████████████████████████████████▉ | 1994/3996 [2:27:58<2:21:15, 4.23s/it]
50%|██████████████████████████████████████████████████████▉ | 1995/3996 [2:28:02<2:20:37, 4.22s/it]
50%|██████████████████████████████████████████████████████▉ | 1996/3996 [2:28:06<2:20:11, 4.21s/it]
50%|██████████████████████████████████████████████████████▉ | 1997/3996 [2:28:11<2:25:23, 4.36s/it]
50%|███████████████████████████████████████████████████████ | 1998/3996 [2:28:15<2:23:30, 4.31s/it]
50%|███████████████████████████████████████████████████████ | 1999/3996 [2:28:20<2:22:18, 4.28s/it]
50%|███████████████████████████████████████████████████████ | 2000/3996 [2:28:24<2:21:13, 4.25s/it]
{'loss': 0.5052, 'grad_norm': 0.21211788058280945, 'learning_rate': 0.00010395015371900663, 'ppl': 1.6573, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4250.7, 'total_tokens': 38244936, 'epoch': 1.5}
50%|███████████████████████████████████████████████████████ | 2000/3996 [2:28:24<2:21:13, 4.25s/it][2025-12-29 05:18:09,532] [INFO] [axolotl.core.trainers.base.evaluate:388] [PID:3751] Running evaluation step...
[2025-12-29 05:18:10,400] [DEBUG] [axolotl.utils.samplers.multipack.__len__:462] [PID:3751] generate_batches time: 0.39612317085266113
[2025-12-29 05:18:10,813] [DEBUG] [axolotl.utils.samplers.multipack.__len__:462] [PID:3751] generate_batches time: 0.41332387924194336
[2025-12-29 05:18:11,238] [DEBUG] [axolotl.utils.samplers.multipack.__len__:462] [PID:3751] generate_batches time: 0.4233283996582031
[2025-12-29 05:18:11,703] [DEBUG] [axolotl.utils.samplers.multipack.__len__:462] [PID:3751] generate_batches time: 0.46494436264038086
[2025-12-29 05:18:11,703] [INFO] [axolotl.utils.samplers.multipack.calc_min_len:438] [PID:3751] gather_len_batches: [72]
0%| | 0/72 [00:00, ?it/s][A
3%|███▎ | 2/72 [00:01<01:08, 1.03it/s][A
4%|████▉ | 3/72 [00:03<01:34, 1.37s/it][A
6%|██████▌ | 4/72 [00:05<01:47, 1.58s/it][A
7%|████████▎ | 5/72 [00:07<01:53, 1.69s/it][A
8%|█████████▉ | 6/72 [00:09<01:57, 1.77s/it][A
10%|███████████▌ | 7/72 [00:11<02:00, 1.85s/it][A
11%|█████████████▏ | 8/72 [00:13<02:00, 1.89s/it][A
12%|██████████████▉ | 9/72 [00:15<01:59, 1.90s/it][A
14%|████████████████▍ | 10/72 [00:17<01:57, 1.90s/it][A
15%|██████████████████ | 11/72 [00:19<01:56, 1.91s/it][A
17%|███████████████████▋ | 12/72 [00:21<01:54, 1.92s/it][A
18%|█████████████████████▎ | 13/72 [00:23<01:53, 1.92s/it][A
19%|██████████████████████▉ | 14/72 [00:25<01:51, 1.92s/it][A
21%|████████████████████████▌ | 15/72 [00:27<01:49, 1.93s/it][A
22%|██████████████████████████▏ | 16/72 [00:29<01:47, 1.93s/it][A
24%|███████████████████████████▊ | 17/72 [00:30<01:46, 1.93s/it][A
25%|█████████████████████████████▌ | 18/72 [00:32<01:44, 1.93s/it][A
26%|███████████████████████████████▏ | 19/72 [00:34<01:41, 1.92s/it][A
28%|████████████████████████████████▊ | 20/72 [00:36<01:39, 1.91s/it][A
29%|██████████████████████████████████▍ | 21/72 [00:38<01:37, 1.92s/it][A
31%|████████████████████████████████████ | 22/72 [00:40<01:36, 1.92s/it][A
32%|█████████████████████████████████████▋ | 23/72 [00:42<01:34, 1.92s/it][A
33%|███████████████████████████████████████▎ | 24/72 [00:45<01:41, 2.12s/it][A
35%|████████████████████████████████████████▉ | 25/72 [00:47<01:43, 2.21s/it][A
36%|██████████████████████████████████████████▌ | 26/72 [00:49<01:40, 2.19s/it][A
38%|████████████████████████████████████████████▎ | 27/72 [00:51<01:35, 2.11s/it][A
39%|█████████████████████████████████████████████▉ | 28/72 [00:53<01:30, 2.05s/it][A
40%|███████████████████████████████████████████████▌ | 29/72 [00:55<01:32, 2.16s/it][A
42%|█████████████████████████████████████████████████▏ | 30/72 [00:57<01:27, 2.08s/it][A
43%|██████████████████████████████████████████████████▊ | 31/72 [00:59<01:23, 2.03s/it][A
44%|████████████████████████████████████████████████████▍ | 32/72 [01:01<01:19, 2.00s/it][A
46%|██████████████████████████████████████████████████████ | 33/72 [01:03<01:16, 1.97s/it][A
47%|███████████████████████████████████████████████████████▋ | 34/72 [01:05<01:14, 1.96s/it][A
49%|█████████████████████████████████████████████████████████▎ | 35/72 [01:07<01:12, 1.95s/it][A
50%|███████████████████████████████████████████████████████████ | 36/72 [01:09<01:09, 1.94s/it][A
51%|████████████████████████████████████████████████████████████▋ | 37/72 [01:11<01:07, 1.94s/it][A
53%|██████████████████████████████████████████████████████████████▎ | 38/72 [01:13<01:05, 1.93s/it][A
54%|███████████████████████████████████████████████████████████████▉ | 39/72 [01:15<01:03, 1.92s/it][A
56%|█████████████████████████████████████████████████████████████████▌ | 40/72 [01:16<01:01, 1.91s/it][A
57%|███████████████████████████████████████████████████████████████████▏ | 41/72 [01:18<00:59, 1.92s/it][A
58%|████████████████████████████████████████████████████████████████████▊ | 42/72 [01:20<00:57, 1.92s/it][A
60%|██████████████████████████████████████████████████████████████████████▍ | 43/72 [01:22<00:55, 1.92s/it][A
61%|████████████████████████████████████████████████████████████████████████ | 44/72 [01:24<00:53, 1.92s/it][A
62%|█████████████████████████████████████████████████████████████████████████▊ | 45/72 [01:26<00:51, 1.92s/it][A
64%|███████████████████████████████████████████████████████████████████████████▍ | 46/72 [01:28<00:49, 1.92s/it][A
65%|█████████████████████████████████████████████████████████████████████████████ | 47/72 [01:30<00:48, 1.92s/it][A
67%|██████████████████████████████████████████████████████████████████████████████▋ | 48/72 [01:32<00:46, 1.93s/it][A
68%|████████████████████████████████████████████████████████████████████████████████▎ | 49/72 [01:34<00:44, 1.92s/it][A
69%|█████████████████████████████████████████████████████████████████████████████████▉ | 50/72 [01:36<00:42, 1.91s/it][A
71%|███████████████████████████████████████████████████████████████████████████████████▌ | 51/72 [01:38<00:40, 1.91s/it][A
72%|█████████████████████████████████████████████████████████████████████████████████████▏ | 52/72 [01:39<00:38, 1.91s/it][A
74%|██████████████████████████████████████████████████████████████████████████████████████▊ | 53/72 [01:41<00:36, 1.91s/it][A
75%|████████████████████████████████████████████████████████████████████████████████████████▌ | 54/72 [01:43<00:34, 1.91s/it][A
76%|██████████████████████████████████████████████████████████████████████████████████████████▏ | 55/72 [01:45<00:32, 1.92s/it][A
78%|███████████████████████████████████████████████████████████████████████████████████████████▊ | 56/72 [01:47<00:30, 1.92s/it][A
79%|█████████████████████████████████████████████████████████████████████████████████████████████▍ | 57/72 [01:49<00:28, 1.92s/it][A
81%|███████████████████████████████████████████████████████████████████████████████████████████████ | 58/72 [01:51<00:26, 1.92s/it][A
82%|████████████████████████████████████████████████████████████████████████████████████████████████▋ | 59/72 [01:53<00:25, 1.92s/it][A
83%|██████████████████████████████████████████████████████████████████████████████████████████████████▎ | 60/72 [01:55<00:22, 1.92s/it][A
85%|███████████████████████████████████████████████████████████████████████████████████████████████████▉ | 61/72 [01:57<00:21, 1.91s/it][A
86%|█████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 62/72 [01:59<00:19, 1.91s/it][A
88%|███████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 63/72 [02:01<00:17, 1.91s/it][A
89%|████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 64/72 [02:02<00:15, 1.92s/it][A
90%|██████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 65/72 [02:04<00:13, 1.92s/it][A
92%|████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 66/72 [02:06<00:11, 1.92s/it][A
93%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 67/72 [02:08<00:09, 1.92s/it][A
94%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 68/72 [02:10<00:07, 1.92s/it][A
96%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████ | 69/72 [02:13<00:06, 2.07s/it][A
97%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 70/72 [02:15<00:04, 2.02s/it][A
99%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 71/72 [02:16<00:01, 1.98s/it][A
100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 72/72 [02:18<00:00, 1.98s/it][A
[A{'eval_loss': 0.5063687562942505, 'eval_runtime': 141.112, 'eval_samples_per_second': 5.173, 'eval_steps_per_second': 1.035, 'eval_ppl': 1.6593, 'memory/max_active (GiB)': 19.1, 'memory/max_allocated (GiB)': 19.1, 'memory/device_reserved (GiB)': 139.06, 'epoch': 1.5}
50%|███████████████████████████████████████████████████████ | 2000/3996 [2:30:47<2:21:13, 4.25s/it]
100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 72/72 [02:19<00:00, 1.98s/it][A
[A[2025-12-29 05:20:32,819] [INFO] [axolotl.core.trainers.base._save:692] [PID:3751] Saving model checkpoint to ./outputs/luau-codellama-h200-fast/checkpoint-2000
50%|██████████████████████████████████████████████████████▌ | 2001/3996 [2:30:51<26:11:28, 47.26s/it]
50%|██████████████████████████████████████████████████████▌ | 2002/3996 [2:30:56<19:01:20, 34.34s/it]
50%|██████████████████████████████████████████████████████▋ | 2003/3996 [2:31:00<14:05:39, 25.46s/it]
50%|██████████████████████████████████████████████████████▋ | 2004/3996 [2:31:05<10:33:08, 19.07s/it]
50%|███████████████████████████████████████████████████████▏ | 2005/3996 [2:31:09<8:04:36, 14.60s/it]
50%|███████████████████████████████████████████████████████▏ | 2006/3996 [2:31:13<6:20:41, 11.48s/it]
50%|███████████████████████████████████████████████████████▏ | 2007/3996 [2:31:17<5:08:09, 9.30s/it]
50%|███████████████████████████████████████████████████████▎ | 2008/3996 [2:31:21<4:17:15, 7.76s/it]
50%|███████████████████████████████████████████████████████▎ | 2009/3996 [2:31:25<3:41:44, 6.70s/it]
50%|███████████████████████████████████████████████████████▎ | 2010/3996 [2:31:30<3:22:07, 6.11s/it]
50%|███████████████████████████████████████████████████████▎ | 2011/3996 [2:31:34<3:02:58, 5.53s/it]
50%|███████████████████████████████████████████████████████▍ | 2012/3996 [2:31:39<2:49:31, 5.13s/it]
50%|███████████████████████████████████████████████████████▍ | 2013/3996 [2:31:43<2:40:02, 4.84s/it]
50%|███████████████████████████████████████████████████████▍ | 2014/3996 [2:31:47<2:33:31, 4.65s/it]
50%|███████████████████████████████████████████████████████▍ | 2015/3996 [2:31:51<2:28:54, 4.51s/it]
50%|███████████████████████████████████████████████████████▍ | 2016/3996 [2:31:55<2:25:42, 4.42s/it]
50%|███████████████████████████████████████████████████████▌ | 2017/3996 [2:32:00<2:28:50, 4.51s/it]
51%|███████████████████████████████████████████████████████▌ | 2018/3996 [2:32:04<2:25:25, 4.41s/it]
51%|███████████████████████████████████████████████████████▌ | 2019/3996 [2:32:08<2:23:09, 4.34s/it]
51%|███████████████████████████████████████████████████████▌ | 2020/3996 [2:32:13<2:21:32, 4.30s/it]
51%|███████████████████████████████████████████████████████▋ | 2021/3996 [2:32:17<2:20:37, 4.27s/it]
51%|███████████████████████████████████████████████████████▋ | 2022/3996 [2:32:21<2:19:42, 4.25s/it]
51%|███████████████████████████████████████████████████████▋ | 2023/3996 [2:32:25<2:19:11, 4.23s/it]
51%|███████████████████████████████████████████████████████▋ | 2024/3996 [2:32:30<2:24:06, 4.38s/it]
51%|███████████████████████████████████████████████████████▋ | 2025/3996 [2:32:34<2:22:09, 4.33s/it]
{'loss': 0.4892, 'grad_norm': 0.20089760422706604, 'learning_rate': 0.00010193515188183245, 'ppl': 1.631, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4246.58, 'total_tokens': 39959888, 'epoch': 1.52}
51%|███████████████████████████████████████████████████████▋ | 2025/3996 [2:32:34<2:22:09, 4.33s/it]
51%|███████████████████████████████████████████████████████▊ | 2026/3996 [2:32:38<2:20:50, 4.29s/it]
51%|███████████████████████████████████████████████████████▊ | 2027/3996 [2:32:43<2:19:48, 4.26s/it]
51%|███████████████████████████████████████████████████████▊ | 2028/3996 [2:32:47<2:19:10, 4.24s/it]
51%|███████████████████████████████████████████████████████▊ | 2029/3996 [2:32:51<2:18:36, 4.23s/it]
51%|███████████████████████████████████████████████████████▉ | 2030/3996 [2:32:55<2:18:18, 4.22s/it]
51%|███████████████████████████████████████████████████████▉ | 2031/3996 [2:33:00<2:23:17, 4.38s/it]
51%|███████████████████████████████████████████████████████▉ | 2032/3996 [2:33:04<2:21:34, 4.32s/it]
51%|███████████████████████████████████████████████████████▉ | 2033/3996 [2:33:08<2:20:03, 4.28s/it]
51%|███████████████████████████████████████████████████████▉ | 2034/3996 [2:33:12<2:19:02, 4.25s/it]
51%|████████████████████████████████████████████████████████ | 2035/3996 [2:33:17<2:18:28, 4.24s/it]
51%|████████████████████████████████████████████████████████ | 2036/3996 [2:33:21<2:18:01, 4.23s/it]
51%|████████████████████████████████████████████████████████ | 2037/3996 [2:33:25<2:17:37, 4.22s/it]
51%|████████████████████████████████████████████████████████ | 2038/3996 [2:33:30<2:22:35, 4.37s/it]
51%|████████████████████████████████████████████████████████▏ | 2039/3996 [2:33:34<2:20:50, 4.32s/it]
51%|████████████████████████████████████████████████████████▏ | 2040/3996 [2:33:38<2:19:34, 4.28s/it]
51%|████████████████████████████████████████████████████████▏ | 2041/3996 [2:33:42<2:18:29, 4.25s/it]
51%|████████████████████████████████████████████████████████▏ | 2042/3996 [2:33:47<2:17:48, 4.23s/it]
51%|████████████████████████████████████████████████████████▏ | 2043/3996 [2:33:51<2:17:29, 4.22s/it]
51%|████████████████████████████████████████████████████████▎ | 2044/3996 [2:33:55<2:17:15, 4.22s/it]
51%|████████████████████████████████████████████████████████▎ | 2045/3996 [2:34:00<2:22:13, 4.37s/it]
51%|████████████████████████████████████████████████████████▎ | 2046/3996 [2:34:04<2:20:20, 4.32s/it]
51%|████████████████████████████████████████████████████████▎ | 2047/3996 [2:34:08<2:18:58, 4.28s/it]
51%|████████████████████████████████████████████████████████▍ | 2048/3996 [2:34:12<2:18:00, 4.25s/it]
51%|████████████████████████████████████████████████████████▍ | 2049/3996 [2:34:16<2:17:29, 4.24s/it]
51%|████████████████████████████████████████████████████████▍ | 2050/3996 [2:34:21<2:16:55, 4.22s/it]
{'loss': 0.503, 'grad_norm': 0.19840118288993835, 'learning_rate': 9.991936364699348e-05, 'ppl': 1.6537, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4320.38, 'total_tokens': 40411902, 'epoch': 1.54}
51%|████████████████████████████████████████████████████████▍ | 2050/3996 [2:34:21<2:16:55, 4.22s/it]
51%|████████████████████████████████████████████████████████▍ | 2051/3996 [2:34:25<2:16:36, 4.21s/it]
51%|████████████████████████████████████████████████████████▍ | 2052/3996 [2:34:30<2:21:38, 4.37s/it]
51%|████████████████████████████████████████████████████████▌ | 2053/3996 [2:34:34<2:19:57, 4.32s/it]
51%|████████████████████████████████████████████████████████▌ | 2054/3996 [2:34:38<2:18:41, 4.29s/it]
51%|████████████████████████████████████████████████████████▌ | 2055/3996 [2:34:42<2:17:36, 4.25s/it]
51%|████████████████████████████████████████████████████████▌ | 2056/3996 [2:34:46<2:17:03, 4.24s/it]
51%|████████████████████████████████████████████████████████▌ | 2057/3996 [2:34:51<2:16:38, 4.23s/it]
52%|████████████████████████████████████████████████████████▋ | 2058/3996 [2:34:55<2:16:21, 4.22s/it]
52%|████████████████████████████████████████████████████████▋ | 2059/3996 [2:35:00<2:21:17, 4.38s/it]
52%|████████████████████████████████████████████████████████▋ | 2060/3996 [2:35:04<2:19:31, 4.32s/it]
52%|████████████████████████████████████████████████████████▋ | 2061/3996 [2:35:08<2:18:08, 4.28s/it]
52%|████████████████████████████████████████████████████████▊ | 2062/3996 [2:35:12<2:17:04, 4.25s/it]
52%|████████████████████████████████████████████████████████▊ | 2063/3996 [2:35:16<2:16:27, 4.24s/it]
52%|████████████████████████████████████████████████████████▊ | 2064/3996 [2:35:20<2:16:06, 4.23s/it]
52%|████████████████████████████████████████████████████████▊ | 2065/3996 [2:35:25<2:15:44, 4.22s/it]
52%|████████████████████████████████████████████████████████▊ | 2066/3996 [2:35:29<2:20:38, 4.37s/it]
52%|████████████████████████████████████████████████████████▉ | 2067/3996 [2:35:34<2:18:50, 4.32s/it]
52%|████████████████████████████████████████████████████████▉ | 2068/3996 [2:35:38<2:17:37, 4.28s/it]
52%|████████████████████████████████████████████████████████▉ | 2069/3996 [2:35:42<2:16:27, 4.25s/it]
52%|████████████████████████████████████████████████████████▉ | 2070/3996 [2:35:46<2:15:53, 4.23s/it]
52%|█████████████████████████████████████████████████████████ | 2071/3996 [2:35:50<2:15:21, 4.22s/it]
52%|█████████████████████████████████████████████████████████ | 2072/3996 [2:35:55<2:15:05, 4.21s/it]
52%|█████████████████████████████████████████████████████████ | 2073/3996 [2:35:59<2:20:33, 4.39s/it]
52%|█████████████████████████████████████████████████████████ | 2074/3996 [2:36:04<2:18:36, 4.33s/it]
52%|█████████████████████████████████████████████████████████ | 2075/3996 [2:36:08<2:17:07, 4.28s/it]
{'loss': 0.5127, 'grad_norm': 0.20045842230319977, 'learning_rate': 9.790360818076577e-05, 'ppl': 1.6698, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4245.02, 'total_tokens': 40855384, 'epoch': 1.56}
52%|█████████████████████████████████████████████████████████ | 2075/3996 [2:36:08<2:17:07, 4.28s/it]
52%|█████████████████████████████████████████████████████████▏ | 2076/3996 [2:36:12<2:16:11, 4.26s/it]
52%|█████████████████████████████████████████████████████████▏ | 2077/3996 [2:36:16<2:15:35, 4.24s/it]
52%|█████████████████████████████████████████████████████████▏ | 2078/3996 [2:36:20<2:15:04, 4.23s/it]
52%|█████████████████████████████████████████████████████████▏ | 2079/3996 [2:36:24<2:14:43, 4.22s/it]
52%|█████████████████████████████████████████████████████████▎ | 2080/3996 [2:36:29<2:19:32, 4.37s/it]
52%|█████████████████████████████████████████████████████████▎ | 2081/3996 [2:36:33<2:17:43, 4.32s/it]
52%|█████████████████████████████████████████████████████████▎ | 2082/3996 [2:36:38<2:16:26, 4.28s/it]
52%|█████████████████████████████████████████████████████████▎ | 2083/3996 [2:36:42<2:15:22, 4.25s/it]
52%|█████████████████████████████████████████████████████████▎ | 2084/3996 [2:36:46<2:14:56, 4.23s/it]
52%|█████████████████████████████████████████████████████████▍ | 2085/3996 [2:36:50<2:14:19, 4.22s/it]
52%|█████████████████████████████████████████████████████████▍ | 2086/3996 [2:36:54<2:14:02, 4.21s/it]
52%|█████████████████████████████████████████████████████████▍ | 2087/3996 [2:36:59<2:18:55, 4.37s/it]
52%|█████████████████████████████████████████████████████████▍ | 2088/3996 [2:37:03<2:17:08, 4.31s/it]
52%|█████████████████████████████████████████████████████████▌ | 2089/3996 [2:37:07<2:15:46, 4.27s/it]
52%|█████████████████████████████████████████████████████████▌ | 2090/3996 [2:37:12<2:14:50, 4.24s/it]
52%|█████████████████████████████████████████████████████████▌ | 2091/3996 [2:37:16<2:14:14, 4.23s/it]
52%|█████████████████████████████████████████████████████████▌ | 2092/3996 [2:37:20<2:13:37, 4.21s/it]
52%|█████████████████████████████████████████████████████████▌ | 2093/3996 [2:37:24<2:13:22, 4.21s/it]
52%|█████████████████████████████████████████████████████████▋ | 2094/3996 [2:37:29<2:18:18, 4.36s/it]
52%|█████████████████████████████████████████████████████████▋ | 2095/3996 [2:37:33<2:16:42, 4.32s/it]
52%|█████████████████████████████████████████████████████████▋ | 2096/3996 [2:37:37<2:15:22, 4.27s/it]
52%|█████████████████████████████████████████████████████████▋ | 2097/3996 [2:37:41<2:14:21, 4.25s/it]
53%|█████████████████████████████████████████████████████████▊ | 2098/3996 [2:37:46<2:13:42, 4.23s/it]
53%|█████████████████████████████████████████████████████████▊ | 2099/3996 [2:37:50<2:13:22, 4.22s/it]
53%|█████████████████████████████████████████████████████████▊ | 2100/3996 [2:37:54<2:13:07, 4.21s/it]
{'loss': 0.4994, 'grad_norm': 0.19669026136398315, 'learning_rate': 9.588870463610893e-05, 'ppl': 1.6477, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4174.18, 'total_tokens': 41293525, 'epoch': 1.58}
53%|█████████████████████████████████████████████████████████▊ | 2100/3996 [2:37:54<2:13:07, 4.21s/it]
53%|█████████████████████████████████████████████████████████▊ | 2101/3996 [2:37:59<2:17:58, 4.37s/it]
53%|█████████████████████████████████████████████████████████▊ | 2102/3996 [2:38:03<2:16:10, 4.31s/it]
53%|█████████████████████████████████████████████████████████▉ | 2103/3996 [2:38:07<2:14:52, 4.27s/it]
53%|█████████████████████████████████████████████████████████▉ | 2104/3996 [2:38:11<2:13:55, 4.25s/it]
53%|█████████████████████████████████████████████████████████▉ | 2105/3996 [2:38:16<2:13:31, 4.24s/it]
53%|█████████████████████████████████████████████████████████▉ | 2106/3996 [2:38:20<2:12:58, 4.22s/it]
53%|██████████████████████████████████████████████████████████ | 2107/3996 [2:38:24<2:13:01, 4.23s/it]
53%|██████████████████████████████████████████████████████████ | 2108/3996 [2:38:29<2:17:50, 4.38s/it]
53%|██████████████████████████████████████████████████████████ | 2109/3996 [2:38:33<2:16:04, 4.33s/it]
53%|██████████████████████████████████████████████████████████ | 2110/3996 [2:38:37<2:14:47, 4.29s/it]
53%|██████████████████████████████████████████████████████████ | 2111/3996 [2:38:41<2:13:41, 4.26s/it]
53%|██████████████████████████████████████████████████████████▏ | 2112/3996 [2:38:45<2:13:05, 4.24s/it]
53%|██████████████████████████████████████████████████████████▏ | 2113/3996 [2:38:50<2:12:37, 4.23s/it]
53%|██████████████████████████████████████████████████████████▏ | 2114/3996 [2:38:54<2:12:11, 4.21s/it]
53%|██████████████████████████████████████████████████████████▏ | 2115/3996 [2:38:59<2:16:58, 4.37s/it]
53%|██████████████████████████████████████████████████████████▏ | 2116/3996 [2:39:03<2:16:40, 4.36s/it]
53%|██████████████████████████████████████████████████████████▎ | 2117/3996 [2:39:07<2:18:18, 4.42s/it]
53%|██████████████████████████████████████████████████████████▎ | 2118/3996 [2:39:12<2:16:11, 4.35s/it]
53%|██████████████████████████████████████████████████████████▎ | 2119/3996 [2:39:16<2:14:50, 4.31s/it]
53%|██████████████████████████████████████████████████████████▎ | 2120/3996 [2:39:20<2:13:40, 4.28s/it]
53%|██████████████████████████████████████████████████████████▍ | 2121/3996 [2:39:24<2:12:49, 4.25s/it]
53%|██████████████████████████████████████████████████████████▍ | 2122/3996 [2:39:29<2:17:24, 4.40s/it]
53%|██████████████████████████████████████████████████████████▍ | 2123/3996 [2:39:33<2:15:26, 4.34s/it]
53%|██████████████████████████████████████████████████████████▍ | 2124/3996 [2:39:37<2:13:57, 4.29s/it]
53%|██████████████████████████████████████████████████████████▍ | 2125/3996 [2:39:42<2:13:18, 4.27s/it]
{'loss': 0.5009, 'grad_norm': 0.19754259288311005, 'learning_rate': 9.387547181978291e-05, 'ppl': 1.6502, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4200.06, 'total_tokens': 41737747, 'epoch': 1.59}
53%|██████████████████████████████████████████████████████████▍ | 2125/3996 [2:39:42<2:13:18, 4.27s/it]
53%|██████████████████████████████████████████████████████████▌ | 2126/3996 [2:39:46<2:12:27, 4.25s/it]
53%|██████████████████████████████████████████████████████████▌ | 2127/3996 [2:39:50<2:11:49, 4.23s/it]
53%|██████████████████████████████████████████████████████████▌ | 2128/3996 [2:39:54<2:11:24, 4.22s/it]
53%|██████████████████████████████████████████████████████████▌ | 2129/3996 [2:39:59<2:16:14, 4.38s/it]
53%|██████████████████████████████████████████████████████████▋ | 2130/3996 [2:40:03<2:14:32, 4.33s/it]
53%|██████████████████████████████████████████████████████████▋ | 2131/3996 [2:40:07<2:13:12, 4.29s/it]
53%|██████████████████████████████████████████████████████████▋ | 2132/3996 [2:40:12<2:12:10, 4.25s/it]
53%|██████████████████████████████████████████████████████████▋ | 2133/3996 [2:40:16<2:11:34, 4.24s/it]
53%|██████████████████████████████████████████████████████████▋ | 2134/3996 [2:40:20<2:10:59, 4.22s/it]
53%|██████████████████████████████████████████████████████████▊ | 2135/3996 [2:40:24<2:10:40, 4.21s/it]
53%|██████████████████████████████████████████████████████████▊ | 2136/3996 [2:40:29<2:15:35, 4.37s/it]
53%|██████████████████████████████████████████████████████████▊ | 2137/3996 [2:40:33<2:13:48, 4.32s/it]
54%|██████████████████████████████████████████████████████████▊ | 2138/3996 [2:40:37<2:12:38, 4.28s/it]
54%|██████████████████████████████████████████████████████████▉ | 2139/3996 [2:40:41<2:11:39, 4.25s/it]
54%|██████████████████████████████████████████████████████████▉ | 2140/3996 [2:40:46<2:11:04, 4.24s/it]
54%|██████████████████████████████████████████████████████████▉ | 2141/3996 [2:40:50<2:10:29, 4.22s/it]
54%|██████████████████████████████████████████████████████████▉ | 2142/3996 [2:40:54<2:10:12, 4.21s/it]
54%|██████████████████████████████████████████████████████████▉ | 2143/3996 [2:40:59<2:19:14, 4.51s/it]
54%|███████████████████████████████████████████████████████████ | 2144/3996 [2:41:03<2:16:19, 4.42s/it]
54%|███████████████████████████████████████████████████████████ | 2145/3996 [2:41:08<2:14:11, 4.35s/it]
54%|███████████████████████████████████████████████████████████ | 2146/3996 [2:41:12<2:12:37, 4.30s/it]
54%|███████████████████████████████████████████████████████████ | 2147/3996 [2:41:16<2:11:45, 4.28s/it]
54%|███████████████████████████████████████████████████████████▏ | 2148/3996 [2:41:20<2:10:55, 4.25s/it]
54%|███████████████████████████████████████████████████████████▏ | 2149/3996 [2:41:24<2:10:20, 4.23s/it]
54%|███████████████████████████████████████████████████████████▏ | 2150/3996 [2:41:29<2:14:58, 4.39s/it]
{'loss': 0.5002, 'grad_norm': 0.19482502341270447, 'learning_rate': 9.186472785960507e-05, 'ppl': 1.6491, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 3696.76, 'total_tokens': 42176082, 'epoch': 1.61}
54%|███████████████████████████████████████████████████████████▏ | 2150/3996 [2:41:29<2:14:58, 4.39s/it]
54%|███████████████████████████████████████████████████████████▏ | 2151/3996 [2:41:33<2:13:08, 4.33s/it]
54%|███████████████████████████████████████████████████████████▏ | 2152/3996 [2:41:38<2:11:51, 4.29s/it]
54%|███████████████████████████████████████████████████████████▎ | 2153/3996 [2:41:42<2:10:43, 4.26s/it]
54%|███████████████████████████████████████████████████████████▎ | 2154/3996 [2:41:46<2:10:11, 4.24s/it]
54%|███████████████████████████████████████████████████████████▎ | 2155/3996 [2:41:50<2:09:48, 4.23s/it]
54%|███████████████████████████████████████████████████████████▎ | 2156/3996 [2:41:54<2:09:30, 4.22s/it]
54%|███████████████████████████████████████████████████████████▍ | 2157/3996 [2:41:59<2:14:21, 4.38s/it]
54%|███████████████████████████████████████████████████████████▍ | 2158/3996 [2:42:03<2:12:38, 4.33s/it]
54%|███████████████████████████████████████████████████████████▍ | 2159/3996 [2:42:07<2:11:12, 4.29s/it]
54%|███████████████████████████████████████████████████████████▍ | 2160/3996 [2:42:12<2:10:09, 4.25s/it]
54%|███████████████████████████████████████████████████████████▍ | 2161/3996 [2:42:16<2:09:42, 4.24s/it]
54%|███████████████████████████████████████████████████████████▌ | 2162/3996 [2:42:20<2:09:16, 4.23s/it]
54%|███████████████████████████████████████████████████████████▌ | 2163/3996 [2:42:24<2:09:01, 4.22s/it]
54%|███████████████████████████████████████████████████████████▌ | 2164/3996 [2:42:29<2:13:41, 4.38s/it]
54%|███████████████████████████████████████████████████████████▌ | 2165/3996 [2:42:33<2:11:55, 4.32s/it]
54%|███████████████████████████████████████████████████████████▌ | 2166/3996 [2:42:37<2:10:36, 4.28s/it]
54%|███████████████████████████████████████████████████████████▋ | 2167/3996 [2:42:42<2:09:41, 4.25s/it]
54%|███████████████████████████████████████████████████████████▋ | 2168/3996 [2:42:46<2:08:59, 4.23s/it]
54%|███████████████████████████████████████████████████████████▋ | 2169/3996 [2:42:50<2:08:24, 4.22s/it]
54%|███████████████████████████████████████████████████████████▋ | 2170/3996 [2:42:54<2:08:14, 4.21s/it]
54%|███████████████████████████████████████████████████████████▊ | 2171/3996 [2:42:59<2:13:01, 4.37s/it]
54%|███████████████████████████████████████████████████████████▊ | 2172/3996 [2:43:03<2:11:18, 4.32s/it]
54%|███████████████████████████████████████████████████████████▊ | 2173/3996 [2:43:07<2:09:57, 4.28s/it]
54%|███████████████████████████████████████████████████████████▊ | 2174/3996 [2:43:11<2:08:59, 4.25s/it]
54%|███████████████████████████████████████████████████████████▊ | 2175/3996 [2:43:16<2:08:29, 4.23s/it]
{'loss': 0.4959, 'grad_norm': 0.21606561541557312, 'learning_rate': 8.985728987198352e-05, 'ppl': 1.642, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4192.5, 'total_tokens': 42616372, 'epoch': 1.63}
54%|███████████████████████████████████████████████████████████▊ | 2175/3996 [2:43:16<2:08:29, 4.23s/it]
54%|███████████████████████████████████████████████████████████▉ | 2176/3996 [2:43:20<2:08:06, 4.22s/it]
54%|███████████████████████████████████████████████████████████▉ | 2177/3996 [2:43:24<2:07:53, 4.22s/it]
55%|███████████████████████████████████████████████████████████▉ | 2178/3996 [2:43:29<2:12:30, 4.37s/it]
55%|███████████████████████████████████████████████████████████▉ | 2179/3996 [2:43:33<2:10:53, 4.32s/it]
55%|████████████████████████████████████████████████████████████ | 2180/3996 [2:43:37<2:09:41, 4.29s/it]
55%|████████████████████████████████████████████████████████████ | 2181/3996 [2:43:41<2:08:43, 4.26s/it]
55%|████████████████████████████████████████████████████████████ | 2182/3996 [2:43:46<2:08:03, 4.24s/it]
55%|████████████████████████████████████████████████████████████ | 2183/3996 [2:43:50<2:07:31, 4.22s/it]
55%|████████████████████████████████████████████████████████████ | 2184/3996 [2:43:54<2:07:12, 4.21s/it]
55%|████████████████████████████████████████████████████████████▏ | 2185/3996 [2:43:59<2:12:03, 4.38s/it]
55%|████████████████████████████████████████████████████████████▏ | 2186/3996 [2:44:03<2:10:24, 4.32s/it]
55%|████████████████████████████████████████████████████████████▏ | 2187/3996 [2:44:07<2:09:07, 4.28s/it]
55%|████████████████████████████████████████████████████████████▏ | 2188/3996 [2:44:11<2:08:05, 4.25s/it]
55%|████████████████████████████████████████████████████████████▎ | 2189/3996 [2:44:15<2:07:35, 4.24s/it]
55%|████████████████████████████████████████████████████████████▎ | 2190/3996 [2:44:20<2:07:02, 4.22s/it]
55%|████████████████████████████████████████████████████████████▎ | 2191/3996 [2:44:24<2:06:47, 4.21s/it]
55%|████████████████████████████████████████████████████████████▎ | 2192/3996 [2:44:29<2:11:26, 4.37s/it]
55%|████████████████████████████████████████████████████████████▎ | 2193/3996 [2:44:33<2:09:53, 4.32s/it]
55%|████████████████████████████████████████████████████████████▍ | 2194/3996 [2:44:37<2:08:44, 4.29s/it]
55%|████████████████████████████████████████████████████████████▍ | 2195/3996 [2:44:41<2:07:47, 4.26s/it]
55%|████████████████████████████████████████████████████████████▍ | 2196/3996 [2:44:45<2:07:08, 4.24s/it]
55%|████████████████████████████████████████████████████████████▍ | 2197/3996 [2:44:50<2:06:34, 4.22s/it]
55%|████████████████████████████████████████████████████████████▌ | 2198/3996 [2:44:54<2:10:31, 4.36s/it]
55%|████████████████████████████████████████████████████████████▌ | 2199/3996 [2:44:59<2:13:56, 4.47s/it]
55%|████████████████████████████████████████████████████████████▌ | 2200/3996 [2:45:03<2:11:24, 4.39s/it]
{'loss': 0.5031, 'grad_norm': 0.1979638934135437, 'learning_rate': 8.785397362986114e-05, 'ppl': 1.6538, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4211.67, 'total_tokens': 43058315, 'epoch': 1.65}
55%|████████████████████████████████████████████████████████████▌ | 2200/3996 [2:45:03<2:11:24, 4.39s/it]
55%|████████████████████████████████████████████████████████████▌ | 2201/3996 [2:45:07<2:09:21, 4.32s/it]
55%|████████████████████████████████████████████████████████████▌ | 2202/3996 [2:45:12<2:08:05, 4.28s/it]
55%|████████████████████████████████████████████████████████████▋ | 2203/3996 [2:45:16<2:07:19, 4.26s/it]
55%|████████████████████████████████████████████████████████████▋ | 2204/3996 [2:45:20<2:06:36, 4.24s/it]
55%|████████████████████████████████████████████████████████████▋ | 2205/3996 [2:45:24<2:06:16, 4.23s/it]
55%|████████████████████████████████████████████████████████████▋ | 2206/3996 [2:45:29<2:10:45, 4.38s/it]
55%|████████████████████████████████████████████████████████████▊ | 2207/3996 [2:45:33<2:09:03, 4.33s/it]
55%|████████████████████████████████████████████████████████████▊ | 2208/3996 [2:45:37<2:07:49, 4.29s/it]
55%|████████████████████████████████████████████████████████████▊ | 2209/3996 [2:45:41<2:06:48, 4.26s/it]
55%|████████████████████████████████████████████████████████████▊ | 2210/3996 [2:45:46<2:06:13, 4.24s/it]
55%|████████████████████████████████████████████████████████████▊ | 2211/3996 [2:45:50<2:05:38, 4.22s/it]
55%|████████████████████████████████████████████████████████████▉ | 2212/3996 [2:45:54<2:05:19, 4.22s/it]
55%|████████████████████████████████████████████████████████████▉ | 2213/3996 [2:45:59<2:09:58, 4.37s/it]
55%|████████████████████████████████████████████████████████████▉ | 2214/3996 [2:46:03<2:08:17, 4.32s/it]
55%|████████████████████████████████████████████████████████████▉ | 2215/3996 [2:46:07<2:07:04, 4.28s/it]
55%|█████████████████████████████████████████████████████████████ | 2216/3996 [2:46:11<2:06:11, 4.25s/it]
55%|█████████████████████████████████████████████████████████████ | 2217/3996 [2:46:16<2:05:46, 4.24s/it]
56%|█████████████████████████████████████████████████████████████ | 2218/3996 [2:46:20<2:05:18, 4.23s/it]
56%|█████████████████████████████████████████████████████████████ | 2219/3996 [2:46:24<2:05:03, 4.22s/it]
56%|█████████████████████████████████████████████████████████████ | 2220/3996 [2:46:29<2:09:33, 4.38s/it]
56%|█████████████████████████████████████████████████████████████▏ | 2221/3996 [2:46:33<2:07:56, 4.32s/it]
56%|█████████████████████████████████████████████████████████████▏ | 2222/3996 [2:46:37<2:06:35, 4.28s/it]
56%|█████████████████████████████████████████████████████████████▏ | 2223/3996 [2:46:41<2:05:35, 4.25s/it]
56%|█████████████████████████████████████████████████████████████▏ | 2224/3996 [2:46:46<2:05:03, 4.23s/it]
56%|█████████████████████████████████████████████████████████████▏ | 2225/3996 [2:46:50<2:04:32, 4.22s/it]
{'loss': 0.4986, 'grad_norm': 0.20717743039131165, 'learning_rate': 8.58555932312059e-05, 'ppl': 1.6464, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4242.04, 'total_tokens': 43501960, 'epoch': 1.67}
56%|█████████████████████████████████████████████████████████████▏ | 2225/3996 [2:46:50<2:04:32, 4.22s/it]
56%|█████████████████████████████████████████████████████████████▎ | 2226/3996 [2:46:54<2:04:17, 4.21s/it]
56%|█████████████████████████████████████████████████████████████▎ | 2227/3996 [2:46:59<2:08:49, 4.37s/it]
56%|█████████████████████████████████████████████████████████████▎ | 2228/3996 [2:47:03<2:07:13, 4.32s/it]
56%|█████████████████████████████████████████████████████████████▎ | 2229/3996 [2:47:07<2:05:53, 4.27s/it]
56%|█████████████████████████████████████████████████████████████▍ | 2230/3996 [2:47:11<2:04:58, 4.25s/it]
56%|█████████████████████████████████████████████████████████████▍ | 2231/3996 [2:47:15<2:04:36, 4.24s/it]
56%|█████████████████████████████████████████████████████████████▍ | 2232/3996 [2:47:20<2:04:13, 4.23s/it]
56%|█████████████████████████████████████████████████████████████▍ | 2233/3996 [2:47:24<2:03:57, 4.22s/it]
56%|█████████████████████████████████████████████████████████████▍ | 2234/3996 [2:47:29<2:08:29, 4.38s/it]
56%|█████████████████████████████████████████████████████████████▌ | 2235/3996 [2:47:33<2:06:51, 4.32s/it]
56%|█████████████████████████████████████████████████████████████▌ | 2236/3996 [2:47:37<2:05:36, 4.28s/it]
56%|█████████████████████████████████████████████████████████████▌ | 2237/3996 [2:47:41<2:04:47, 4.26s/it]
56%|█████████████████████████████████████████████████████████████▌ | 2238/3996 [2:47:45<2:04:12, 4.24s/it]
56%|█████████████████████████████████████████████████████████████▋ | 2239/3996 [2:47:50<2:03:42, 4.22s/it]
56%|█████████████████████████████████████████████████████████████▋ | 2240/3996 [2:47:54<2:03:21, 4.21s/it]
56%|█████████████████████████████████████████████████████████████▋ | 2241/3996 [2:47:58<2:07:58, 4.38s/it]
56%|█████████████████████████████████████████████████████████████▋ | 2242/3996 [2:48:03<2:06:26, 4.33s/it]
56%|█████████████████████████████████████████████████████████████▋ | 2243/3996 [2:48:07<2:05:10, 4.28s/it]
56%|█████████████████████████████████████████████████████████████▊ | 2244/3996 [2:48:11<2:04:23, 4.26s/it]
56%|█████████████████████████████████████████████████████████████▊ | 2245/3996 [2:48:15<2:03:48, 4.24s/it]
56%|█████████████████████████████████████████████████████████████▊ | 2246/3996 [2:48:19<2:03:21, 4.23s/it]
56%|█████████████████████████████████████████████████████████████▊ | 2247/3996 [2:48:24<2:03:04, 4.22s/it]
56%|█████████████████████████████████████████████████████████████▉ | 2248/3996 [2:48:28<2:07:32, 4.38s/it]
56%|█████████████████████████████████████████████████████████████▉ | 2249/3996 [2:48:33<2:06:01, 4.33s/it]
56%|█████████████████████████████████████████████████████████████▉ | 2250/3996 [2:48:37<2:04:53, 4.29s/it]
{'loss': 0.4898, 'grad_norm': 0.18736609816551208, 'learning_rate': 8.38629607681815e-05, 'ppl': 1.632, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4235.21, 'total_tokens': 43947235, 'epoch': 1.69}
56%|█████████████████████████████████████████████████████████████▉ | 2250/3996 [2:48:37<2:04:53, 4.29s/it]
56%|█████████████████████████████████████████████████████████████▉ | 2251/3996 [2:48:41<2:03:58, 4.26s/it]
56%|█████████████████████████████████████████████████████████████▉ | 2252/3996 [2:48:45<2:03:20, 4.24s/it]
56%|██████████████████████████████████████████████████████████████ | 2253/3996 [2:48:49<2:02:46, 4.23s/it]
56%|██████████████████████████████████████████████████████████████ | 2254/3996 [2:48:54<2:02:35, 4.22s/it]
56%|██████████████████████████████████████████████████████████████ | 2255/3996 [2:48:59<2:10:13, 4.49s/it]
56%|██████████████████████████████████████████████████████████████ | 2256/3996 [2:49:03<2:07:47, 4.41s/it]
56%|██████████████████████████████████████████████████████████████▏ | 2257/3996 [2:49:07<2:05:45, 4.34s/it]
57%|██████████████████████████████████████████████████████████████▏ | 2258/3996 [2:49:11<2:04:30, 4.30s/it]
57%|██████████████████████████████████████████████████████████████▏ | 2259/3996 [2:49:16<2:04:38, 4.31s/it]
57%|██████████████████████████████████████████████████████████████▏ | 2260/3996 [2:49:20<2:03:34, 4.27s/it]
57%|██████████████████████████████████████████████████████████████▏ | 2261/3996 [2:49:24<2:02:46, 4.25s/it]
57%|██████████████████████████████████████████████████████████████▎ | 2262/3996 [2:49:29<2:07:02, 4.40s/it]
57%|██████████████████████████████████████████████████████████████▎ | 2263/3996 [2:49:33<2:05:12, 4.34s/it]
57%|██████████████████████████████████████████████████████████████▎ | 2264/3996 [2:49:37<2:03:57, 4.29s/it]
57%|██████████████████████████████████████████████████████████████▎ | 2265/3996 [2:49:41<2:02:56, 4.26s/it]
57%|██████████████████████████████████████████████████████████████▍ | 2266/3996 [2:49:46<2:02:22, 4.24s/it]
57%|██████████████████████████████████████████████████████████████▍ | 2267/3996 [2:49:50<2:01:54, 4.23s/it]
57%|██████████████████████████████████████████████████████████████▍ | 2268/3996 [2:49:54<2:01:33, 4.22s/it]
57%|██████████████████████████████████████████████████████████████▍ | 2269/3996 [2:49:59<2:05:54, 4.37s/it]
57%|██████████████████████████████████████████████████████████████▍ | 2270/3996 [2:50:03<2:04:20, 4.32s/it]
57%|██████████████████████████████████████████████████████████████▌ | 2271/3996 [2:50:07<2:03:06, 4.28s/it]
57%|██████████████████████████████████████████████████████████████▌ | 2272/3996 [2:50:11<2:02:15, 4.26s/it]
57%|██████████████████████████████████████████████████████████████▌ | 2273/3996 [2:50:15<2:01:45, 4.24s/it]
57%|██████████████████████████████████████████████████████████████▌ | 2274/3996 [2:50:20<2:01:23, 4.23s/it]
57%|██████████████████████████████████████████████████████████████▋ | 2275/3996 [2:50:24<2:01:00, 4.22s/it]
{'loss': 0.4925, 'grad_norm': 0.2056591659784317, 'learning_rate': 8.187688599713333e-05, 'ppl': 1.6364, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4256.41, 'total_tokens': 44393451, 'epoch': 1.71}
57%|██████████████████████████████████████████████████████████████▋ | 2275/3996 [2:50:24<2:01:00, 4.22s/it]
57%|██████████████████████████████████████████████████████████████▋ | 2276/3996 [2:50:29<2:05:28, 4.38s/it]
57%|██████████████████████████████████████████████████████████████▋ | 2277/3996 [2:50:33<2:03:58, 4.33s/it]
57%|██████████████████████████████████████████████████████████████▋ | 2278/3996 [2:50:37<2:02:41, 4.29s/it]
57%|██████████████████████████████████████████████████████████████▋ | 2279/3996 [2:50:41<2:01:49, 4.26s/it]
57%|██████████████████████████████████████████████████████████████▊ | 2280/3996 [2:50:45<2:01:16, 4.24s/it]
57%|██████████████████████████████████████████████████████████████▊ | 2281/3996 [2:50:50<2:00:45, 4.23s/it]
57%|██████████████████████████████████████████████████████████████▊ | 2282/3996 [2:50:54<2:00:30, 4.22s/it]
57%|██████████████████████████████████████████████████████████████▊ | 2283/3996 [2:50:59<2:04:57, 4.38s/it]
57%|██████████████████████████████████████████████████████████████▊ | 2284/3996 [2:51:03<2:03:29, 4.33s/it]
57%|██████████████████████████████████████████████████████████████▉ | 2285/3996 [2:51:07<2:02:44, 4.30s/it]
57%|██████████████████████████████████████████████████████████████▉ | 2286/3996 [2:51:11<2:01:45, 4.27s/it]
57%|██████████████████████████████████████████████████████████████▉ | 2287/3996 [2:51:15<2:01:07, 4.25s/it]
57%|██████████████████████████████████████████████████████████████▉ | 2288/3996 [2:51:20<2:07:25, 4.48s/it]
57%|███████████████████████████████████████████████████████████████ | 2289/3996 [2:51:25<2:05:00, 4.39s/it]
57%|███████████████████████████████████████████████████████████████ | 2290/3996 [2:51:29<2:07:52, 4.50s/it]
57%|███████████████████████████████████████████████████████████████ | 2291/3996 [2:51:34<2:05:15, 4.41s/it]
57%|███████████████████████████████████████████████████████████████ | 2292/3996 [2:51:38<2:03:18, 4.34s/it]
57%|███████████████████████████████████████████████████████████████ | 2293/3996 [2:51:42<2:01:51, 4.29s/it]
57%|███████████████████████████████████████████████████████████████▏ | 2294/3996 [2:51:46<2:00:54, 4.26s/it]
57%|███████████████████████████████████████████████████████████████▏ | 2295/3996 [2:51:50<2:00:11, 4.24s/it]
57%|███████████████████████████████████████████████████████████████▏ | 2296/3996 [2:51:54<1:59:44, 4.23s/it]
57%|███████████████████████████████████████████████████████████████▏ | 2297/3996 [2:51:59<2:03:55, 4.38s/it]
58%|███████████████████████████████████████████████████████████████▎ | 2298/3996 [2:52:03<2:02:16, 4.32s/it]
58%|███████████████████████████████████████████████████████████████▎ | 2299/3996 [2:52:08<2:01:00, 4.28s/it]
58%|███████████████████████████████████████████████████████████████▎ | 2300/3996 [2:52:12<2:00:14, 4.25s/it]
{'loss': 0.4952, 'grad_norm': 0.19774597883224487, 'learning_rate': 7.989817600952376e-05, 'ppl': 1.6408, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4224.5, 'total_tokens': 44836590, 'epoch': 1.73}
58%|███████████████████████████████████████████████████████████████▎ | 2300/3996 [2:52:12<2:00:14, 4.25s/it]
58%|███████████████████████████████████████████████████████████████▎ | 2301/3996 [2:52:16<1:59:48, 4.24s/it]
58%|███████████████████████████████████████████████████████████████▎ | 2302/3996 [2:52:20<1:59:11, 4.22s/it]
58%|███████████████████████████████████████████████████████████████▍ | 2303/3996 [2:52:24<1:59:01, 4.22s/it]
58%|███████████████████████████████████████████████████████████████▍ | 2304/3996 [2:52:29<2:03:15, 4.37s/it]
58%|███████████████████████████████████████████████████████████████▍ | 2305/3996 [2:52:33<2:01:51, 4.32s/it]
58%|███████████████████████████████████████████████████████████████▍ | 2306/3996 [2:52:38<2:02:30, 4.35s/it]
58%|███████████████████████████████████████████████████████████████▌ | 2307/3996 [2:52:42<2:01:00, 4.30s/it]
58%|███████████████████████████████████████████████████████████████▌ | 2308/3996 [2:52:46<2:00:10, 4.27s/it]
58%|███████████████████████████████████████████████████████████████▌ | 2309/3996 [2:52:50<1:59:30, 4.25s/it]
58%|███████████████████████████████████████████████████████████████▌ | 2310/3996 [2:52:55<1:59:02, 4.24s/it]
58%|███████████████████████████████████████████████████████████████▌ | 2311/3996 [2:52:59<2:03:09, 4.39s/it]
58%|███████████████████████████████████████████████████████████████▋ | 2312/3996 [2:53:03<2:01:26, 4.33s/it]
58%|███████████████████████████████████████████████████████████████▋ | 2313/3996 [2:53:08<2:00:06, 4.28s/it]
58%|███████████████████████████████████████████████████████████████▋ | 2314/3996 [2:53:12<1:59:14, 4.25s/it]
58%|███████████████████████████████████████████████████████████████▋ | 2315/3996 [2:53:16<1:58:44, 4.24s/it]
58%|███████████████████████████████████████████████████████████████▊ | 2316/3996 [2:53:20<1:58:10, 4.22s/it]
58%|███████████████████████████████████████████████████████████████▊ | 2317/3996 [2:53:24<1:57:55, 4.21s/it]
58%|███████████████████████████████████████████████████████████████▊ | 2318/3996 [2:53:29<2:02:11, 4.37s/it]
58%|███████████████████████████████████████████████████████████████▊ | 2319/3996 [2:53:33<2:00:37, 4.32s/it]
58%|███████████████████████████████████████████████████████████████▊ | 2320/3996 [2:53:37<1:59:22, 4.27s/it]
58%|███████████████████████████████████████████████████████████████▉ | 2321/3996 [2:53:42<1:58:39, 4.25s/it]
58%|███████████████████████████████████████████████████████████████▉ | 2322/3996 [2:53:46<1:58:06, 4.23s/it]
58%|███████████████████████████████████████████████████████████████▉ | 2323/3996 [2:53:50<1:57:39, 4.22s/it]
58%|███████████████████████████████████████████████████████████████▉ | 2324/3996 [2:53:54<1:57:25, 4.21s/it]
58%|████████████████████████████████████████████████████████████████ | 2325/3996 [2:53:59<2:01:44, 4.37s/it]
{'loss': 0.4977, 'grad_norm': 0.19662383198738098, 'learning_rate': 7.792763490394984e-05, 'ppl': 1.6449, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 3741.52, 'total_tokens': 45279799, 'epoch': 1.74}
58%|████████████████████████████████████████████████████████████████ | 2325/3996 [2:53:59<2:01:44, 4.37s/it]
58%|████████████████████████████████████████████████████████████████ | 2326/3996 [2:54:03<2:00:11, 4.32s/it]
58%|████████████████████████████████████████████████████████████████ | 2327/3996 [2:54:07<1:59:00, 4.28s/it]
58%|████████████████████████████████████████████████████████████████ | 2328/3996 [2:54:12<1:58:07, 4.25s/it]
58%|████████████████████████████████████████████████████████████████ | 2329/3996 [2:54:16<1:57:43, 4.24s/it]
58%|████████████████████████████████████████████████████████████████▏ | 2330/3996 [2:54:20<1:57:18, 4.22s/it]
58%|████████████████████████████████████████████████████████████████▏ | 2331/3996 [2:54:24<1:57:07, 4.22s/it]
58%|████████████████████████████████████████████████████████████████▏ | 2332/3996 [2:54:29<2:01:18, 4.37s/it]
58%|████████████████████████████████████████████████████████████████▏ | 2333/3996 [2:54:33<1:59:43, 4.32s/it]
58%|████████████████████████████████████████████████████████████████▏ | 2334/3996 [2:54:37<1:58:33, 4.28s/it]
58%|████████████████████████████████████████████████████████████████▎ | 2335/3996 [2:54:41<1:57:45, 4.25s/it]
58%|████████████████████████████████████████████████████████████████▎ | 2336/3996 [2:54:46<1:57:12, 4.24s/it]
58%|████████████████████████████████████████████████████████████████▎ | 2337/3996 [2:54:50<1:56:44, 4.22s/it]
59%|████████████████████████████████████████████████████████████████▎ | 2338/3996 [2:54:54<1:56:34, 4.22s/it]
59%|████████████████████████████████████████████████████████████████▍ | 2339/3996 [2:54:59<2:00:46, 4.37s/it]
59%|████████████████████████████████████████████████████████████████▍ | 2340/3996 [2:55:03<1:59:10, 4.32s/it]
59%|████████████████████████████████████████████████████████████████▍ | 2341/3996 [2:55:07<1:57:52, 4.27s/it]
59%|████████████████████████████████████████████████████████████████▍ | 2342/3996 [2:55:12<1:59:26, 4.33s/it]
59%|████████████████████████████████████████████████████████████████▍ | 2343/3996 [2:55:16<1:58:19, 4.29s/it]
59%|████████████████████████████████████████████████████████████████▌ | 2344/3996 [2:55:20<1:57:29, 4.27s/it]
59%|████████████████████████████████████████████████████████████████▌ | 2345/3996 [2:55:24<1:56:49, 4.25s/it]
59%|████████████████████████████████████████████████████████████████▌ | 2346/3996 [2:55:29<2:00:52, 4.40s/it]
59%|████████████████████████████████████████████████████████████████▌ | 2347/3996 [2:55:33<1:59:06, 4.33s/it]
59%|████████████████████████████████████████████████████████████████▋ | 2348/3996 [2:55:37<1:57:51, 4.29s/it]
59%|████████████████████████████████████████████████████████████████▋ | 2349/3996 [2:55:42<1:56:53, 4.26s/it]
59%|████████████████████████████████████████████████████████████████▋ | 2350/3996 [2:55:46<1:56:19, 4.24s/it]
{'loss': 0.4965, 'grad_norm': 0.19400179386138916, 'learning_rate': 7.596606345937812e-05, 'ppl': 1.643, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4248.51, 'total_tokens': 45725602, 'epoch': 1.76}
59%|████████████████████████████████████████████████████████████████▋ | 2350/3996 [2:55:46<1:56:19, 4.24s/it]
59%|████████████████████████████████████████████████████████████████▋ | 2351/3996 [2:55:50<1:55:42, 4.22s/it]
59%|████████████████████████████████████████████████████████████████▋ | 2352/3996 [2:55:54<1:55:30, 4.22s/it]
59%|████████████████████████████████████████████████████████████████▊ | 2353/3996 [2:55:59<1:59:45, 4.37s/it]
59%|████████████████████████████████████████████████████████████████▊ | 2354/3996 [2:56:03<1:58:09, 4.32s/it]
59%|████████████████████████████████████████████████████████████████▊ | 2355/3996 [2:56:07<1:57:02, 4.28s/it]
59%|████████████████████████████████████████████████████████████████▊ | 2356/3996 [2:56:11<1:56:06, 4.25s/it]
59%|████████████████████████████████████████████████████████████████▉ | 2357/3996 [2:56:16<1:55:36, 4.23s/it]
59%|████████████████████████████████████████████████████████████████▉ | 2358/3996 [2:56:20<1:55:07, 4.22s/it]
59%|████████████████████████████████████████████████████████████████▉ | 2359/3996 [2:56:24<1:54:58, 4.21s/it]
59%|████████████████████████████████████████████████████████████████▉ | 2360/3996 [2:56:29<1:59:08, 4.37s/it]
59%|████████████████████████████████████████████████████████████████▉ | 2361/3996 [2:56:33<1:57:36, 4.32s/it]
59%|█████████████████████████████████████████████████████████████████ | 2362/3996 [2:56:37<1:56:25, 4.28s/it]
59%|█████████████████████████████████████████████████████████████████ | 2363/3996 [2:56:41<1:55:30, 4.24s/it]
59%|█████████████████████████████████████████████████████████████████ | 2364/3996 [2:56:45<1:55:12, 4.24s/it]
59%|█████████████████████████████████████████████████████████████████ | 2365/3996 [2:56:50<1:54:39, 4.22s/it]
59%|█████████████████████████████████████████████████████████████████▏ | 2366/3996 [2:56:54<1:54:31, 4.22s/it]
59%|█████████████████████████████████████████████████████████████████▏ | 2367/3996 [2:56:59<1:58:44, 4.37s/it]
59%|█████████████████████████████████████████████████████████████████▏ | 2368/3996 [2:57:03<1:57:18, 4.32s/it]
59%|█████████████████████████████████████████████████████████████████▏ | 2369/3996 [2:57:07<1:55:59, 4.28s/it]
59%|█████████████████████████████████████████████████████████████████▏ | 2370/3996 [2:57:11<1:55:10, 4.25s/it]
59%|█████████████████████████████████████████████████████████████████▎ | 2371/3996 [2:57:15<1:54:44, 4.24s/it]
59%|█████████████████████████████████████████████████████████████████▎ | 2372/3996 [2:57:20<1:54:13, 4.22s/it]
59%|█████████████████████████████████████████████████████████████████▎ | 2373/3996 [2:57:24<1:54:01, 4.22s/it]
59%|█████████████████████████████████████████████████████████████████▎ | 2374/3996 [2:57:29<1:58:07, 4.37s/it]
59%|█████████████████████████████████████████████████████████████████▍ | 2375/3996 [2:57:33<1:56:38, 4.32s/it]
{'loss': 0.5014, 'grad_norm': 0.20261766016483307, 'learning_rate': 7.401425880972742e-05, 'ppl': 1.651, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4216.2, 'total_tokens': 46167730, 'epoch': 1.78}
59%|█████████████████████████████████████████████████████████████████▍ | 2375/3996 [2:57:33<1:56:38, 4.32s/it]
59%|█████████████████████████████████████████████████████████████████▍ | 2376/3996 [2:57:37<1:55:32, 4.28s/it]
59%|█████████████████████████████████████████████████████████████████▍ | 2377/3996 [2:57:41<1:54:33, 4.25s/it]
60%|█████████████████████████████████████████████████████████████████▍ | 2378/3996 [2:57:45<1:54:10, 4.23s/it]
60%|█████████████████████████████████████████████████████████████████▍ | 2379/3996 [2:57:49<1:53:45, 4.22s/it]
60%|█████████████████████████████████████████████████████████████████▌ | 2380/3996 [2:57:54<1:53:21, 4.21s/it]
60%|█████████████████████████████████████████████████████████████████▌ | 2381/3996 [2:57:58<1:57:33, 4.37s/it]
60%|█████████████████████████████████████████████████████████████████▌ | 2382/3996 [2:58:03<1:56:02, 4.31s/it]
60%|█████████████████████████████████████████████████████████████████▌ | 2383/3996 [2:58:07<1:55:00, 4.28s/it]
60%|█████████████████████████████████████████████████████████████████▋ | 2384/3996 [2:58:11<1:54:04, 4.25s/it]
60%|█████████████████████████████████████████████████████████████████▋ | 2385/3996 [2:58:15<1:53:40, 4.23s/it]
60%|█████████████████████████████████████████████████████████████████▋ | 2386/3996 [2:58:19<1:53:13, 4.22s/it]
60%|█████████████████████████████████████████████████████████████████▋ | 2387/3996 [2:58:24<1:52:59, 4.21s/it]
60%|█████████████████████████████████████████████████████████████████▋ | 2388/3996 [2:58:28<1:57:07, 4.37s/it]
60%|█████████████████████████████████████████████████████████████████▊ | 2389/3996 [2:58:32<1:55:41, 4.32s/it]
60%|█████████████████████████████████████████████████████████████████▊ | 2390/3996 [2:58:37<1:54:30, 4.28s/it]
60%|█████████████████████████████████████████████████████████████████▊ | 2391/3996 [2:58:41<1:53:38, 4.25s/it]
60%|█████████████████████████████████████████████████████████████████▊ | 2392/3996 [2:58:45<1:53:10, 4.23s/it]
60%|█████████████████████████████████████████████████████████████████▊ | 2393/3996 [2:58:50<1:55:34, 4.33s/it]
60%|█████████████████████████████████████████████████████████████████▉ | 2394/3996 [2:58:54<1:54:34, 4.29s/it]
60%|█████████████████████████████████████████████████████████████████▉ | 2395/3996 [2:58:59<1:58:10, 4.43s/it]
60%|█████████████████████████████████████████████████████████████████▉ | 2396/3996 [2:59:03<1:58:07, 4.43s/it]
60%|█████████████████████████████████████████████████████████████████▉ | 2397/3996 [2:59:07<1:55:57, 4.35s/it]
60%|██████████████████████████████████████████████████████████████████ | 2398/3996 [2:59:11<1:54:36, 4.30s/it]
60%|██████████████████████████████████████████████████████████████████ | 2399/3996 [2:59:16<1:53:50, 4.28s/it]
60%|██████████████████████████████████████████████████████████████████ | 2400/3996 [2:59:20<1:57:36, 4.42s/it]
{'loss': 0.4901, 'grad_norm': 0.20447255671024323, 'learning_rate': 7.207301411993387e-05, 'ppl': 1.6325, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 3727.37, 'total_tokens': 46611126, 'epoch': 1.8}
60%|██████████████████████████████████████████████████████████████████ | 2400/3996 [2:59:20<1:57:36, 4.42s/it]
60%|██████████████████████████████████████████████████████████████████ | 2401/3996 [2:59:24<1:55:41, 4.35s/it]
60%|██████████████████████████████████████████████████████████████████ | 2402/3996 [2:59:29<1:58:32, 4.46s/it]
60%|██████████████████████████████████████████████████████████████████▏ | 2403/3996 [2:59:33<1:56:15, 4.38s/it]
60%|██████████████████████████████████████████████████████████████████▏ | 2404/3996 [2:59:38<1:54:44, 4.32s/it]
60%|██████████████████████████████████████████████████████████████████▏ | 2405/3996 [2:59:42<1:53:31, 4.28s/it]
60%|██████████████████████████████████████████████████████████████████▏ | 2406/3996 [2:59:46<1:52:48, 4.26s/it]
60%|██████████████████████████████████████████████████████████████████▎ | 2407/3996 [2:59:50<1:52:08, 4.23s/it]
60%|██████████████████████████████████████████████████████████████████▎ | 2408/3996 [2:59:54<1:51:44, 4.22s/it]
60%|██████████████████████████████████████████████████████████████████▎ | 2409/3996 [2:59:59<1:55:42, 4.37s/it]
60%|██████████████████████████████████████████████████████████████████▎ | 2410/3996 [3:00:03<1:54:17, 4.32s/it]
60%|██████████████████████████████████████████████████████████████████▎ | 2411/3996 [3:00:07<1:53:01, 4.28s/it]
60%|██████████████████████████████████████████████████████████████████▍ | 2412/3996 [3:00:12<1:52:17, 4.25s/it]
60%|██████████████████████████████████████████████████████████████████▍ | 2413/3996 [3:00:16<1:51:49, 4.24s/it]
60%|██████████████████████████████████████████████████████████████████▍ | 2414/3996 [3:00:20<1:51:19, 4.22s/it]
60%|██████████████████████████████████████████████████████████████████▍ | 2415/3996 [3:00:24<1:51:03, 4.21s/it]
60%|██████████████████████████████████████████████████████████████████▌ | 2416/3996 [3:00:29<1:55:02, 4.37s/it]
60%|██████████████████████████████████████████████████████████████████▌ | 2417/3996 [3:00:33<1:53:37, 4.32s/it]
61%|██████████████████████████████████████████████████████████████████▌ | 2418/3996 [3:00:37<1:52:37, 4.28s/it]
61%|██████████████████████████████████████████████████████████████████▌ | 2419/3996 [3:00:42<1:51:53, 4.26s/it]
61%|██████████████████████████████████████████████████████████████████▌ | 2420/3996 [3:00:46<1:51:23, 4.24s/it]
61%|██████████████████████████████████████████████████████████████████▋ | 2421/3996 [3:00:50<1:50:50, 4.22s/it]
61%|██████████████████████████████████████████████████████████████████▋ | 2422/3996 [3:00:54<1:50:32, 4.21s/it]
61%|██████████████████████████████████████████████████████████████████▋ | 2423/3996 [3:00:59<1:54:36, 4.37s/it]
61%|██████████████████████████████████████████████████████████████████▋ | 2424/3996 [3:01:03<1:53:08, 4.32s/it]
61%|██████████████████████████████████████████████████████████████████▊ | 2425/3996 [3:01:07<1:52:01, 4.28s/it]
{'loss': 0.4925, 'grad_norm': 0.19921696186065674, 'learning_rate': 7.014311826362804e-05, 'ppl': 1.6364, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4202.19, 'total_tokens': 47050763, 'epoch': 1.82}
61%|██████████████████████████████████████████████████████████████████▊ | 2425/3996 [3:01:07<1:52:01, 4.28s/it]
61%|██████████████████████████████████████████████████████████████████▊ | 2426/3996 [3:01:11<1:51:10, 4.25s/it]
61%|██████████████████████████████████████████████████████████████████▊ | 2427/3996 [3:01:16<1:50:37, 4.23s/it]
61%|██████████████████████████████████████████████████████████████████▊ | 2428/3996 [3:01:20<1:50:16, 4.22s/it]
61%|██████████████████████████████████████████████████████████████████▊ | 2429/3996 [3:01:24<1:50:01, 4.21s/it]
61%|██████████████████████████████████████████████████████████████████▉ | 2430/3996 [3:01:29<1:53:56, 4.37s/it]
61%|██████████████████████████████████████████████████████████████████▉ | 2431/3996 [3:01:33<1:52:35, 4.32s/it]
61%|██████████████████████████████████████████████████████████████████▉ | 2432/3996 [3:01:37<1:51:30, 4.28s/it]
61%|██████████████████████████████████████████████████████████████████▉ | 2433/3996 [3:01:41<1:50:44, 4.25s/it]
61%|███████████████████████████████████████████████████████████████████ | 2434/3996 [3:01:46<1:50:20, 4.24s/it]
61%|███████████████████████████████████████████████████████████████████ | 2435/3996 [3:01:50<1:49:51, 4.22s/it]
61%|███████████████████████████████████████████████████████████████████ | 2436/3996 [3:01:54<1:49:39, 4.22s/it]
61%|███████████████████████████████████████████████████████████████████ | 2437/3996 [3:01:59<1:53:40, 4.37s/it]
61%|███████████████████████████████████████████████████████████████████ | 2438/3996 [3:02:03<1:52:16, 4.32s/it]
61%|███████████████████████████████████████████████████████████████████▏ | 2439/3996 [3:02:07<1:51:02, 4.28s/it]
61%|███████████████████████████████████████████████████████████████████▏ | 2440/3996 [3:02:11<1:50:14, 4.25s/it]
61%|███████████████████████████████████████████████████████████████████▏ | 2441/3996 [3:02:15<1:49:46, 4.24s/it]
61%|███████████████████████████████████████████████████████████████████▏ | 2442/3996 [3:02:20<1:49:22, 4.22s/it]
61%|███████████████████████████████████████████████████████████████████▏ | 2443/3996 [3:02:24<1:49:08, 4.22s/it]
61%|███████████████████████████████████████████████████████████████████▎ | 2444/3996 [3:02:29<1:53:10, 4.38s/it]
61%|███████████████████████████████████████████████████████████████████▎ | 2445/3996 [3:02:33<1:51:50, 4.33s/it]
61%|███████████████████████████████████████████████████████████████████▎ | 2446/3996 [3:02:37<1:50:48, 4.29s/it]
61%|███████████████████████████████████████████████████████████████████▎ | 2447/3996 [3:02:41<1:49:53, 4.26s/it]
61%|███████████████████████████████████████████████████████████████████▍ | 2448/3996 [3:02:45<1:49:22, 4.24s/it]
61%|███████████████████████████████████████████████████████████████████▍ | 2449/3996 [3:02:50<1:48:50, 4.22s/it]
61%|███████████████████████████████████████████████████████████████████▍ | 2450/3996 [3:02:54<1:48:45, 4.22s/it]
{'loss': 0.494, 'grad_norm': 0.20095540583133698, 'learning_rate': 6.822535550255652e-05, 'ppl': 1.6389, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4230.16, 'total_tokens': 47496926, 'epoch': 1.84}
61%|███████████████████████████████████████████████████████████████████▍ | 2450/3996 [3:02:54<1:48:45, 4.22s/it]
61%|███████████████████████████████████████████████████████████████████▍ | 2451/3996 [3:02:59<1:53:02, 4.39s/it]
61%|███████████████████████████████████████████████████████████████████▍ | 2452/3996 [3:03:03<1:51:29, 4.33s/it]
61%|███████████████████████████████████████████████████████████████████▌ | 2453/3996 [3:03:07<1:50:13, 4.29s/it]
61%|███████████████████████████████████████████████████████████████████▌ | 2454/3996 [3:03:11<1:49:22, 4.26s/it]
61%|███████████████████████████████████████████████████████████████████▌ | 2455/3996 [3:03:15<1:48:52, 4.24s/it]
61%|███████████████████████████████████████████████████████████████████▌ | 2456/3996 [3:03:19<1:48:28, 4.23s/it]
61%|███████████████████████████████████████████████████████████████████▋ | 2457/3996 [3:03:24<1:48:10, 4.22s/it]
62%|███████████████████████████████████████████████████████████████████▋ | 2458/3996 [3:03:28<1:52:05, 4.37s/it]
62%|███████████████████████████████████████████████████████████████████▋ | 2459/3996 [3:03:33<1:50:42, 4.32s/it]
62%|███████████████████████████████████████████████████████████████████▋ | 2460/3996 [3:03:37<1:49:40, 4.28s/it]
62%|███████████████████████████████████████████████████████████████████▋ | 2461/3996 [3:03:41<1:48:47, 4.25s/it]
62%|███████████████████████████████████████████████████████████████████▊ | 2462/3996 [3:03:45<1:48:22, 4.24s/it]
62%|███████████████████████████████████████████████████████████████████▊ | 2463/3996 [3:03:49<1:47:50, 4.22s/it]
62%|███████████████████████████████████████████████████████████████████▊ | 2464/3996 [3:03:54<1:47:36, 4.21s/it]
62%|███████████████████████████████████████████████████████████████████▊ | 2465/3996 [3:03:58<1:51:29, 4.37s/it]
62%|███████████████████████████████████████████████████████████████████▉ | 2466/3996 [3:04:03<1:50:10, 4.32s/it]
62%|███████████████████████████████████████████████████████████████████▉ | 2467/3996 [3:04:07<1:49:02, 4.28s/it]
62%|███████████████████████████████████████████████████████████████████▉ | 2468/3996 [3:04:11<1:48:23, 4.26s/it]
62%|███████████████████████████████████████████████████████████████████▉ | 2469/3996 [3:04:15<1:49:59, 4.32s/it]
62%|███████████████████████████████████████████████████████████████████▉ | 2470/3996 [3:04:20<1:48:53, 4.28s/it]
62%|████████████████████████████████████████████████████████████████████ | 2471/3996 [3:04:24<1:48:17, 4.26s/it]
62%|████████████████████████████████████████████████████████████████████ | 2472/3996 [3:04:29<1:51:51, 4.40s/it]
62%|████████████████████████████████████████████████████████████████████ | 2473/3996 [3:04:33<1:50:14, 4.34s/it]
62%|████████████████████████████████████████████████████████████████████ | 2474/3996 [3:04:37<1:49:06, 4.30s/it]
62%|████████████████████████████████████████████████████████████████████▏ | 2475/3996 [3:04:41<1:48:05, 4.26s/it]
{'loss': 0.5036, 'grad_norm': 0.20210741460323334, 'learning_rate': 6.632050516787719e-05, 'ppl': 1.6547, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4256.1, 'total_tokens': 47941250, 'epoch': 1.86}
62%|████████████████████████████████████████████████████████████████████▏ | 2475/3996 [3:04:41<1:48:05, 4.26s/it]
62%|████████████████████████████████████████████████████████████████████▏ | 2476/3996 [3:04:45<1:47:31, 4.24s/it]
62%|████████████████████████████████████████████████████████████████████▏ | 2477/3996 [3:04:49<1:47:00, 4.23s/it]
62%|████████████████████████████████████████████████████████████████████▏ | 2478/3996 [3:04:54<1:46:40, 4.22s/it]
62%|████████████████████████████████████████████████████████████████████▏ | 2479/3996 [3:04:58<1:50:33, 4.37s/it]
62%|████████████████████████████████████████████████████████████████████▎ | 2480/3996 [3:05:03<1:49:11, 4.32s/it]
62%|████████████████████████████████████████████████████████████████████▎ | 2481/3996 [3:05:07<1:48:02, 4.28s/it]
62%|████████████████████████████████████████████████████████████████████▎ | 2482/3996 [3:05:11<1:47:14, 4.25s/it]
62%|████████████████████████████████████████████████████████████████████▎ | 2483/3996 [3:05:15<1:46:50, 4.24s/it]
62%|████████████████████████████████████████████████████████████████████▍ | 2484/3996 [3:05:19<1:46:29, 4.23s/it]
62%|████████████████████████████████████████████████████████████████████▍ | 2485/3996 [3:05:24<1:46:15, 4.22s/it]
62%|████████████████████████████████████████████████████████████████████▍ | 2486/3996 [3:05:28<1:51:15, 4.42s/it]
62%|████████████████████████████████████████████████████████████████████▍ | 2487/3996 [3:05:33<1:49:31, 4.36s/it]
62%|████████████████████████████████████████████████████████████████████▍ | 2488/3996 [3:05:37<1:48:16, 4.31s/it]
62%|████████████████████████████████████████████████████████████████████▌ | 2489/3996 [3:05:41<1:47:15, 4.27s/it]
62%|████████████████████████████████████████████████████████████████████▌ | 2490/3996 [3:05:45<1:46:38, 4.25s/it]
62%|████████████████████████████████████████████████████████████████████▌ | 2491/3996 [3:05:49<1:46:05, 4.23s/it]
62%|████████████████████████████████████████████████████████████████████▌ | 2492/3996 [3:05:54<1:45:46, 4.22s/it]
62%|████████████████████████████████████████████████████████████████████▋ | 2493/3996 [3:05:58<1:49:32, 4.37s/it]
62%|████████████████████████████████████████████████████████████████████▋ | 2494/3996 [3:06:03<1:48:06, 4.32s/it]
62%|████████████████████████████████████████████████████████████████████▋ | 2495/3996 [3:06:07<1:47:06, 4.28s/it]
62%|████████████████████████████████████████████████████████████████████▋ | 2496/3996 [3:06:11<1:46:24, 4.26s/it]
62%|████████████████████████████████████████████████████████████████████▋ | 2497/3996 [3:06:15<1:45:58, 4.24s/it]
63%|████████████████████████████████████████████████████████████████████▊ | 2498/3996 [3:06:19<1:45:28, 4.22s/it]
63%|████████████████████████████████████████████████████████████████████▊ | 2499/3996 [3:06:24<1:45:10, 4.22s/it]
63%|████████████████████████████████████████████████████████████████████▊ | 2500/3996 [3:06:28<1:49:03, 4.37s/it]
{'loss': 0.5019, 'grad_norm': 0.21025419235229492, 'learning_rate': 6.442934134345871e-05, 'ppl': 1.6519, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 3728.09, 'total_tokens': 48383306, 'epoch': 1.88}
63%|████████████████████████████████████████████████████████████████████▊ | 2500/3996 [3:06:28<1:49:03, 4.37s/it]
63%|████████████████████████████████████████████████████████████████████▊ | 2501/3996 [3:06:32<1:47:40, 4.32s/it]
63%|████████████████████████████████████████████████████████████████████▊ | 2502/3996 [3:06:37<1:46:36, 4.28s/it]
63%|████████████████████████████████████████████████████████████████████▉ | 2503/3996 [3:06:41<1:45:43, 4.25s/it]
63%|████████████████████████████████████████████████████████████████████▉ | 2504/3996 [3:06:45<1:45:20, 4.24s/it]
63%|████████████████████████████████████████████████████████████████████▉ | 2505/3996 [3:06:49<1:44:56, 4.22s/it]
63%|████████████████████████████████████████████████████████████████████▉ | 2506/3996 [3:06:53<1:44:43, 4.22s/it]
63%|█████████████████████████████████████████████████████████████████████ | 2507/3996 [3:06:58<1:48:28, 4.37s/it]
63%|█████████████████████████████████████████████████████████████████████ | 2508/3996 [3:07:02<1:47:17, 4.33s/it]
63%|█████████████████████████████████████████████████████████████████████ | 2509/3996 [3:07:07<1:46:09, 4.28s/it]
63%|█████████████████████████████████████████████████████████████████████ | 2510/3996 [3:07:11<1:45:20, 4.25s/it]
63%|█████████████████████████████████████████████████████████████████████ | 2511/3996 [3:07:15<1:44:57, 4.24s/it]
63%|█████████████████████████████████████████████████████████████████████▏ | 2512/3996 [3:07:19<1:44:39, 4.23s/it]
63%|█████████████████████████████████████████████████████████████████████▏ | 2513/3996 [3:07:23<1:44:18, 4.22s/it]
63%|█████████████████████████████████████████████████████████████████████▏ | 2514/3996 [3:07:28<1:48:03, 4.37s/it]
63%|█████████████████████████████████████████████████████████████████████▏ | 2515/3996 [3:07:32<1:46:40, 4.32s/it]
63%|█████████████████████████████████████████████████████████████████████▎ | 2516/3996 [3:07:37<1:45:38, 4.28s/it]
63%|█████████████████████████████████████████████████████████████████████▎ | 2517/3996 [3:07:41<1:44:50, 4.25s/it]
63%|█████████████████████████████████████████████████████████████████████▎ | 2518/3996 [3:07:45<1:44:21, 4.24s/it]
63%|█████████████████████████████████████████████████████████████████████▎ | 2519/3996 [3:07:49<1:43:57, 4.22s/it]
63%|█████████████████████████████████████████████████████████████████████▎ | 2520/3996 [3:07:53<1:43:41, 4.22s/it]
63%|█████████████████████████████████████████████████████████████████████▍ | 2521/3996 [3:07:58<1:47:31, 4.37s/it]
63%|█████████████████████████████████████████████████████████████████████▍ | 2522/3996 [3:08:02<1:46:04, 4.32s/it]
63%|█████████████████████████████████████████████████████████████████████▍ | 2523/3996 [3:08:06<1:45:10, 4.28s/it]
63%|█████████████████████████████████████████████████████████████████████▍ | 2524/3996 [3:08:11<1:44:16, 4.25s/it]
63%|█████████████████████████████████████████████████████████████████████▌ | 2525/3996 [3:08:15<1:43:49, 4.23s/it]
{'loss': 0.5022, 'grad_norm': 0.20130059123039246, 'learning_rate': 6.255263255131172e-05, 'ppl': 1.6524, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4178.95, 'total_tokens': 48821862, 'epoch': 1.89}
63%|█████████████████████████████████████████████████████████████████████▌ | 2525/3996 [3:08:15<1:43:49, 4.23s/it]
63%|█████████████████████████████████████████████████████████████████████▌ | 2526/3996 [3:08:19<1:43:27, 4.22s/it]
63%|█████████████████████████████████████████████████████████████████████▌ | 2527/3996 [3:08:23<1:43:08, 4.21s/it]
63%|█████████████████████████████████████████████████████████████████████▌ | 2528/3996 [3:08:28<1:46:48, 4.37s/it]
63%|█████████████████████████████████████████████████████████████████████▌ | 2529/3996 [3:08:32<1:45:29, 4.31s/it]
63%|█████████████████████████████████████████████████████████████████████▋ | 2530/3996 [3:08:36<1:44:26, 4.27s/it]
63%|█████████████████████████████████████████████████████████████████████▋ | 2531/3996 [3:08:40<1:43:39, 4.25s/it]
63%|█████████████████████████████████████████████████████████████████████▋ | 2532/3996 [3:08:45<1:43:15, 4.23s/it]
63%|█████████████████████████████████████████████████████████████████████▋ | 2533/3996 [3:08:49<1:43:41, 4.25s/it]
63%|█████████████████████████████████████████████████████████████████████▊ | 2534/3996 [3:08:53<1:43:21, 4.24s/it]
63%|█████████████████████████████████████████████████████████████████████▊ | 2535/3996 [3:08:58<1:46:58, 4.39s/it]
63%|█████████████████████████████████████████████████████████████████████▊ | 2536/3996 [3:09:02<1:45:27, 4.33s/it]
63%|█████████████████████████████████████████████████████████████████████▊ | 2537/3996 [3:09:06<1:44:20, 4.29s/it]
64%|█████████████████████████████████████████████████████████████████████▊ | 2538/3996 [3:09:10<1:43:24, 4.26s/it]
64%|█████████████████████████████████████████████████████████████████████▉ | 2539/3996 [3:09:15<1:43:01, 4.24s/it]
64%|█████████████████████████████████████████████████████████████████████▉ | 2540/3996 [3:09:19<1:42:37, 4.23s/it]
64%|█████████████████████████████████████████████████████████████████████▉ | 2541/3996 [3:09:23<1:42:18, 4.22s/it]
64%|█████████████████████████████████████████████████████████████████████▉ | 2542/3996 [3:09:28<1:46:03, 4.38s/it]
64%|██████████████████████████████████████████████████████████████████████ | 2543/3996 [3:09:32<1:45:03, 4.34s/it]
64%|██████████████████████████████████████████████████████████████████████ | 2544/3996 [3:09:36<1:43:53, 4.29s/it]
64%|██████████████████████████████████████████████████████████████████████ | 2545/3996 [3:09:40<1:43:06, 4.26s/it]
64%|██████████████████████████████████████████████████████████████████████ | 2546/3996 [3:09:45<1:42:36, 4.25s/it]
64%|██████████████████████████████████████████████████████████████████████ | 2547/3996 [3:09:49<1:42:25, 4.24s/it]
64%|██████████████████████████████████████████████████████████████████████▏ | 2548/3996 [3:09:53<1:42:01, 4.23s/it]
64%|██████████████████████████████████████████████████████████████████████▏ | 2549/3996 [3:09:58<1:45:39, 4.38s/it]
64%|██████████████████████████████████████████████████████████████████████▏ | 2550/3996 [3:10:02<1:45:46, 4.39s/it]
{'loss': 0.4876, 'grad_norm': 0.19601669907569885, 'learning_rate': 6.0691141439280785e-05, 'ppl': 1.6284, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 3998.52, 'total_tokens': 49262344, 'epoch': 1.91}
64%|██████████████████████████████████████████████████████████████████████▏ | 2550/3996 [3:10:02<1:45:46, 4.39s/it]
64%|██████████████████████████████████████████████████████████████████████▏ | 2551/3996 [3:10:06<1:44:12, 4.33s/it]
64%|██████████████████████████████████████████████████████████████████████▎ | 2552/3996 [3:10:11<1:43:05, 4.28s/it]
64%|██████████████████████████████████████████████████████████████████████▎ | 2553/3996 [3:10:15<1:42:57, 4.28s/it]
64%|██████████████████████████████████████████████████████████████████████▎ | 2554/3996 [3:10:19<1:42:19, 4.26s/it]
64%|██████████████████████████████████████████████████████████████████████▎ | 2555/3996 [3:10:23<1:41:54, 4.24s/it]
64%|██████████████████████████████████████████████████████████████████████▎ | 2556/3996 [3:10:28<1:45:21, 4.39s/it]
64%|██████████████████████████████████████████████████████████████████████▍ | 2557/3996 [3:10:32<1:43:56, 4.33s/it]
64%|██████████████████████████████████████████████████████████████████████▍ | 2558/3996 [3:10:36<1:42:55, 4.29s/it]
64%|██████████████████████████████████████████████████████████████████████▍ | 2559/3996 [3:10:41<1:44:23, 4.36s/it]
64%|██████████████████████████████████████████████████████████████████████▍ | 2560/3996 [3:10:45<1:43:19, 4.32s/it]
64%|██████████████████████████████████████████████████████████████████████▍ | 2561/3996 [3:10:49<1:42:16, 4.28s/it]
64%|██████████████████████████████████████████████████████████████████████▌ | 2562/3996 [3:10:54<1:41:37, 4.25s/it]
64%|██████████████████████████████████████████████████████████████████████▌ | 2563/3996 [3:10:58<1:45:00, 4.40s/it]
64%|██████████████████████████████████████████████████████████████████████▌ | 2564/3996 [3:11:02<1:43:36, 4.34s/it]
64%|██████████████████████████████████████████████████████████████████████▌ | 2565/3996 [3:11:07<1:42:29, 4.30s/it]
64%|██████████████████████████████████████████████████████████████████████▋ | 2566/3996 [3:11:11<1:41:38, 4.26s/it]
64%|██████████████████████████████████████████████████████████████████████▋ | 2567/3996 [3:11:15<1:41:11, 4.25s/it]
64%|██████████████████████████████████████████████████████████████████████▋ | 2568/3996 [3:11:19<1:40:39, 4.23s/it]
64%|██████████████████████████████████████████████████████████████████████▋ | 2569/3996 [3:11:23<1:40:23, 4.22s/it]
64%|██████████████████████████████████████████████████████████████████████▋ | 2570/3996 [3:11:28<1:43:55, 4.37s/it]
64%|██████████████████████████████████████████████████████████████████████▊ | 2571/3996 [3:11:32<1:42:41, 4.32s/it]
64%|██████████████████████████████████████████████████████████████████████▊ | 2572/3996 [3:11:37<1:41:42, 4.29s/it]
64%|██████████████████████████████████████████████████████████████████████▊ | 2573/3996 [3:11:41<1:40:55, 4.26s/it]
64%|██████████████████████████████████████████████████████████████████████▊ | 2574/3996 [3:11:45<1:40:33, 4.24s/it]
64%|██████████████████████████████████████████████████████████████████████▉ | 2575/3996 [3:11:49<1:40:10, 4.23s/it]
{'loss': 0.4796, 'grad_norm': 0.20538586378097534, 'learning_rate': 5.884562447112331e-05, 'ppl': 1.6154, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4192.8, 'total_tokens': 49702209, 'epoch': 1.93}
64%|██████████████████████████████████████████████████████████████████████▉ | 2575/3996 [3:11:49<1:40:10, 4.23s/it]
64%|██████████████████████████████████████████████████████████████████████▉ | 2576/3996 [3:11:53<1:39:53, 4.22s/it]
64%|██████████████████████████████████████████████████████████████████████▉ | 2577/3996 [3:11:58<1:45:06, 4.44s/it]
65%|██████████████████████████████████████████████████████████████████████▉ | 2578/3996 [3:12:03<1:43:17, 4.37s/it]
65%|██████████████████████████████████████████████████████████████████████▉ | 2579/3996 [3:12:07<1:41:56, 4.32s/it]
65%|███████████████████████████████████████████████████████████████████████ | 2580/3996 [3:12:11<1:41:09, 4.29s/it]
65%|███████████████████████████████████████████████████████████████████████ | 2581/3996 [3:12:15<1:41:52, 4.32s/it]
65%|███████████████████████████████████████████████████████████████████████ | 2582/3996 [3:12:20<1:40:50, 4.28s/it]
65%|███████████████████████████████████████████████████████████████████████ | 2583/3996 [3:12:24<1:40:14, 4.26s/it]
65%|███████████████████████████████████████████████████████████████████████▏ | 2584/3996 [3:12:29<1:43:49, 4.41s/it]
65%|███████████████████████████████████████████████████████████████████████▏ | 2585/3996 [3:12:33<1:42:13, 4.35s/it]
65%|███████████████████████████████████████████████████████████████████████▏ | 2586/3996 [3:12:37<1:41:07, 4.30s/it]
65%|███████████████████████████████████████████████████████████████████████▏ | 2587/3996 [3:12:41<1:40:19, 4.27s/it]
65%|███████████████████████████████████████████████████████████████████████▏ | 2588/3996 [3:12:45<1:39:47, 4.25s/it]
65%|███████████████████████████████████████████████████████████████████████▎ | 2589/3996 [3:12:50<1:39:17, 4.23s/it]
65%|███████████████████████████████████████████████████████████████████████▎ | 2590/3996 [3:12:54<1:39:03, 4.23s/it]
65%|███████████████████████████████████████████████████████████████████████▎ | 2591/3996 [3:12:58<1:42:35, 4.38s/it]
65%|███████████████████████████████████████████████████████████████████████▎ | 2592/3996 [3:13:03<1:41:10, 4.32s/it]
65%|███████████████████████████████████████████████████████████████████████▍ | 2593/3996 [3:13:07<1:40:11, 4.28s/it]
65%|███████████████████████████████████████████████████████████████████████▍ | 2594/3996 [3:13:11<1:39:24, 4.25s/it]
65%|███████████████████████████████████████████████████████████████████████▍ | 2595/3996 [3:13:15<1:38:58, 4.24s/it]
65%|███████████████████████████████████████████████████████████████████████▍ | 2596/3996 [3:13:19<1:38:37, 4.23s/it]
65%|███████████████████████████████████████████████████████████████████████▍ | 2597/3996 [3:13:24<1:38:17, 4.22s/it]
65%|███████████████████████████████████████████████████████████████████████▌ | 2598/3996 [3:13:28<1:41:55, 4.37s/it]
65%|███████████████████████████████████████████████████████████████████████▌ | 2599/3996 [3:13:33<1:40:40, 4.32s/it]
65%|███████████████████████████████████████████████████████████████████████▌ | 2600/3996 [3:13:37<1:39:43, 4.29s/it]
{'loss': 0.5017, 'grad_norm': 0.19957959651947021, 'learning_rate': 5.701683161910115e-05, 'ppl': 1.6515, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4244.94, 'total_tokens': 50147673, 'epoch': 1.95}
65%|███████████████████████████████████████████████████████████████████████▌ | 2600/3996 [3:13:37<1:39:43, 4.29s/it]
65%|███████████████████████████████████████████████████████████████████████▌ | 2601/3996 [3:13:41<1:38:56, 4.26s/it]
65%|███████████████████████████████████████████████████████████████████████▋ | 2602/3996 [3:13:45<1:38:32, 4.24s/it]
65%|███████████████████████████████████████████████████████████████████████▋ | 2603/3996 [3:13:49<1:37:59, 4.22s/it]
65%|███████████████████████████████████████████████████████████████████████▋ | 2604/3996 [3:13:54<1:37:45, 4.21s/it]
65%|███████████████████████████████████████████████████████████████████████▋ | 2605/3996 [3:13:58<1:41:20, 4.37s/it]
65%|███████████████████████████████████████████████████████████████████████▋ | 2606/3996 [3:14:02<1:40:06, 4.32s/it]
65%|███████████████████████████████████████████████████████████████████████▊ | 2607/3996 [3:14:07<1:40:40, 4.35s/it]
65%|███████████████████████████████████████████████████████████████████████▊ | 2608/3996 [3:14:11<1:39:32, 4.30s/it]
65%|███████████████████████████████████████████████████████████████████████▊ | 2609/3996 [3:14:15<1:38:42, 4.27s/it]
65%|███████████████████████████████████████████████████████████████████████▊ | 2610/3996 [3:14:20<1:42:46, 4.45s/it]
65%|███████████████████████████████████████████████████████████████████████▊ | 2611/3996 [3:14:24<1:41:00, 4.38s/it]
65%|███████████████████████████████████████████████████████████████████████▉ | 2612/3996 [3:14:29<1:43:33, 4.49s/it]
65%|███████████████████████████████████████████████████████████████████████▉ | 2613/3996 [3:14:33<1:41:32, 4.41s/it]
65%|███████████████████████████████████████████████████████████████████████▉ | 2614/3996 [3:14:38<1:40:04, 4.34s/it]
65%|███████████████████████████████████████████████████████████████████████▉ | 2615/3996 [3:14:42<1:38:49, 4.29s/it]
65%|████████████████████████████████████████████████████████████████████████ | 2616/3996 [3:14:46<1:38:02, 4.26s/it]
65%|████████████████████████████████████████████████████████████████████████ | 2617/3996 [3:14:50<1:37:29, 4.24s/it]
66%|████████████████████████████████████████████████████████████████████████ | 2618/3996 [3:14:54<1:37:06, 4.23s/it]
66%|████████████████████████████████████████████████████████████████████████ | 2619/3996 [3:14:59<1:40:32, 4.38s/it]
66%|████████████████████████████████████████████████████████████████████████ | 2620/3996 [3:15:03<1:39:14, 4.33s/it]
66%|████████████████████████████████████████████████████████████████████████▏ | 2621/3996 [3:15:07<1:38:05, 4.28s/it]
66%|████████████████████████████████████████████████████████████████████████▏ | 2622/3996 [3:15:12<1:37:24, 4.25s/it]
66%|████████████████████████████████████████████████████████████████████████▏ | 2623/3996 [3:15:16<1:36:58, 4.24s/it]
66%|████████████████████████████████████████████████████████████████████████▏ | 2624/3996 [3:15:20<1:36:34, 4.22s/it]
66%|████████████████████████████████████████████████████████████████████████▎ | 2625/3996 [3:15:24<1:36:21, 4.22s/it]
{'loss': 0.5024, 'grad_norm': 0.20284536480903625, 'learning_rate': 5.520550605921091e-05, 'ppl': 1.6527, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4205.45, 'total_tokens': 50589478, 'epoch': 1.97}
66%|████████████████████████████████████████████████████████████████████████▎ | 2625/3996 [3:15:24<1:36:21, 4.22s/it]
66%|████████████████████████████████████████████████████████████████████████▎ | 2626/3996 [3:15:29<1:39:43, 4.37s/it]
66%|████████████████████████████████████████████████████████████████████████▎ | 2627/3996 [3:15:33<1:38:32, 4.32s/it]
66%|████████████████████████████████████████████████████████████████████████▎ | 2628/3996 [3:15:37<1:37:33, 4.28s/it]
66%|████████████████████████████████████████████████████████████████████████▎ | 2629/3996 [3:15:41<1:36:47, 4.25s/it]
66%|████████████████████████████████████████████████████████████████████████▍ | 2630/3996 [3:15:46<1:36:27, 4.24s/it]
66%|████████████████████████████████████████████████████████████████████████▍ | 2631/3996 [3:15:50<1:39:14, 4.36s/it]
66%|████████████████████████████████████████████████████████████████████████▍ | 2632/3996 [3:15:55<1:38:02, 4.31s/it]
66%|████████████████████████████████████████████████████████████████████████▍ | 2633/3996 [3:15:59<1:40:45, 4.44s/it]
66%|████████████████████████████████████████████████████████████████████████▌ | 2634/3996 [3:16:03<1:39:04, 4.36s/it]
66%|████████████████████████████████████████████████████████████████████████▌ | 2635/3996 [3:16:08<1:37:48, 4.31s/it]
66%|████████████████████████████████████████████████████████████████████████▌ | 2636/3996 [3:16:12<1:36:47, 4.27s/it]
66%|████████████████████████████████████████████████████████████████████████▌ | 2637/3996 [3:16:16<1:36:16, 4.25s/it]
66%|████████████████████████████████████████████████████████████████████████▌ | 2638/3996 [3:16:21<1:38:42, 4.36s/it]
66%|████████████████████████████████████████████████████████████████████████▋ | 2639/3996 [3:16:25<1:37:30, 4.31s/it]
66%|████████████████████████████████████████████████████████████████████████▋ | 2640/3996 [3:16:30<1:44:53, 4.64s/it]
66%|████████████████████████████████████████████████████████████████████████▋ | 2641/3996 [3:16:34<1:41:49, 4.51s/it]
66%|████████████████████████████████████████████████████████████████████████▋ | 2642/3996 [3:16:39<1:39:32, 4.41s/it]
66%|████████████████████████████████████████████████████████████████████████▊ | 2643/3996 [3:16:43<1:37:53, 4.34s/it]
66%|████████████████████████████████████████████████████████████████████████▊ | 2644/3996 [3:16:47<1:36:47, 4.30s/it]
66%|████████████████████████████████████████████████████████████████████████▊ | 2645/3996 [3:16:51<1:35:55, 4.26s/it]
66%|████████████████████████████████████████████████████████████████████████▊ | 2646/3996 [3:16:55<1:35:22, 4.24s/it]
66%|████████████████████████████████████████████████████████████████████████▊ | 2647/3996 [3:17:00<1:38:28, 4.38s/it]
66%|████████████████████████████████████████████████████████████████████████▉ | 2648/3996 [3:17:04<1:37:09, 4.32s/it]
66%|████████████████████████████████████████████████████████████████████████▉ | 2649/3996 [3:17:08<1:36:13, 4.29s/it]
66%|████████████████████████████████████████████████████████████████████████▉ | 2650/3996 [3:17:13<1:35:22, 4.25s/it]
{'loss': 0.4967, 'grad_norm': 0.2044789344072342, 'learning_rate': 5.34123838691753e-05, 'ppl': 1.6433, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4204.9, 'total_tokens': 51027800, 'epoch': 1.99}
66%|████████████████████████████████████████████████████████████████████████▉ | 2650/3996 [3:17:13<1:35:22, 4.25s/it]
66%|████████████████████████████████████████████████████████████████████████▉ | 2651/3996 [3:17:17<1:34:59, 4.24s/it]
66%|█████████████████████████████████████████████████████████████████████████ | 2652/3996 [3:17:21<1:34:34, 4.22s/it]
66%|█████████████████████████████████████████████████████████████████████████ | 2653/3996 [3:17:25<1:34:13, 4.21s/it]
66%|█████████████████████████████████████████████████████████████████████████ | 2654/3996 [3:17:30<1:37:37, 4.36s/it]
66%|█████████████████████████████████████████████████████████████████████████ | 2655/3996 [3:17:34<1:36:25, 4.31s/it]
66%|█████████████████████████████████████████████████████████████████████████ | 2656/3996 [3:17:38<1:35:20, 4.27s/it]
66%|█████████████████████████████████████████████████████████████████████████▏ | 2657/3996 [3:17:42<1:34:41, 4.24s/it]
67%|█████████████████████████████████████████████████████████████████████████▏ | 2658/3996 [3:17:47<1:34:14, 4.23s/it]
67%|█████████████████████████████████████████████████████████████████████████▏ | 2659/3996 [3:17:51<1:33:52, 4.21s/it]
67%|█████████████████████████████████████████████████████████████████████████▏ | 2660/3996 [3:17:55<1:33:35, 4.20s/it]
67%|█████████████████████████████████████████████████████████████████████████▎ | 2661/3996 [3:18:00<1:36:53, 4.35s/it]
67%|█████████████████████████████████████████████████████████████████████████▎ | 2662/3996 [3:18:04<1:35:42, 4.30s/it]
67%|█████████████████████████████████████████████████████████████████████████▎ | 2663/3996 [3:18:08<1:34:49, 4.27s/it]
67%|█████████████████████████████████████████████████████████████████████████▎ | 2664/3996 [3:18:12<1:34:06, 4.24s/it]
67%|█████████████████████████████████████████████████████████████████████████▎ | 2665/3996 [3:18:16<1:33:40, 4.22s/it]
67%|█████████████████████████████████████████████████████████████████████████▍ | 2666/3996 [3:18:21<1:33:41, 4.23s/it]
67%|█████████████████████████████████████████████████████████████████████████▍ | 2667/3996 [3:18:26<1:43:59, 4.69s/it]
67%|█████████████████████████████████████████████████████████████████████████▍ | 2668/3996 [3:18:32<1:46:26, 4.81s/it]
67%|█████████████████████████████████████████████████████████████████████████▍ | 2669/3996 [3:18:36<1:42:33, 4.64s/it]
67%|█████████████████████████████████████████████████████████████████████████▍ | 2670/3996 [3:18:40<1:39:31, 4.50s/it]
67%|█████████████████████████████████████████████████████████████████████████▌ | 2671/3996 [3:18:44<1:37:16, 4.41s/it]
67%|█████████████████████████████████████████████████████████████████████████▌ | 2672/3996 [3:18:48<1:35:51, 4.34s/it]
67%|█████████████████████████████████████████████████████████████████████████▌ | 2673/3996 [3:18:53<1:34:51, 4.30s/it]
67%|█████████████████████████████████████████████████████████████████████████▌ | 2674/3996 [3:18:57<1:34:02, 4.27s/it]
67%|█████████████████████████████████████████████████████████████████████████▋ | 2675/3996 [3:19:01<1:36:58, 4.40s/it]
{'loss': 0.4862, 'grad_norm': 0.2125943899154663, 'learning_rate': 5.163819372931979e-05, 'ppl': 1.6261, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 3745.54, 'total_tokens': 51469941, 'epoch': 2.01}
67%|█████████████████████████████████████████████████████████████████████████▋ | 2675/3996 [3:19:01<1:36:58, 4.40s/it]
67%|█████████████████████████████████████████████████████████████████████████▋ | 2676/3996 [3:19:06<1:35:32, 4.34s/it]
67%|█████████████████████████████████████████████████████████████████████████▋ | 2677/3996 [3:19:10<1:34:26, 4.30s/it]
67%|█████████████████████████████████████████████████████████████████████████▋ | 2678/3996 [3:19:14<1:33:37, 4.26s/it]
67%|█████████████████████████████████████████████████████████████████████████▋ | 2679/3996 [3:19:18<1:33:05, 4.24s/it]
67%|█████████████████████████████████████████████████████████████████████████▊ | 2680/3996 [3:19:23<1:34:09, 4.29s/it]
67%|█████████████████████████████████████████████████████████████████████████▊ | 2681/3996 [3:19:27<1:33:22, 4.26s/it]
67%|█████████████████████████████████████████████████████████████████████████▊ | 2682/3996 [3:19:32<1:36:26, 4.40s/it]
67%|█████████████████████████████████████████████████████████████████████████▊ | 2683/3996 [3:19:36<1:37:39, 4.46s/it]
67%|█████████████████████████████████████████████████████████████████████████▉ | 2684/3996 [3:19:40<1:36:05, 4.39s/it]
67%|█████████████████████████████████████████████████████████████████████████▉ | 2685/3996 [3:19:45<1:34:43, 4.34s/it]
67%|█████████████████████████████████████████████████████████████████████████▉ | 2686/3996 [3:19:49<1:33:50, 4.30s/it]
67%|█████████████████████████████████████████████████████████████████████████▉ | 2687/3996 [3:19:53<1:33:13, 4.27s/it]
67%|█████████████████████████████████████████████████████████████████████████▉ | 2688/3996 [3:19:57<1:32:43, 4.25s/it]
67%|██████████████████████████████████████████████████████████████████████████ | 2689/3996 [3:20:02<1:35:49, 4.40s/it]
67%|██████████████████████████████████████████████████████████████████████████ | 2690/3996 [3:20:06<1:34:28, 4.34s/it]
67%|██████████████████████████████████████████████████████████████████████████ | 2691/3996 [3:20:10<1:33:32, 4.30s/it]
67%|██████████████████████████████████████████████████████████████████████████ | 2692/3996 [3:20:15<1:32:42, 4.27s/it]
67%|██████████████████████████████████████████████████████████████████████████▏ | 2693/3996 [3:20:19<1:32:12, 4.25s/it]
67%|██████████████████████████████████████████████████████████████████████████▏ | 2694/3996 [3:20:23<1:31:49, 4.23s/it]
67%|██████████████████████████████████████████████████████████████████████████▏ | 2695/3996 [3:20:27<1:33:34, 4.32s/it]
67%|██████████████████████████████████████████████████████████████████████████▏ | 2696/3996 [3:20:32<1:36:20, 4.45s/it]
67%|██████████████████████████████████████████████████████████████████████████▏ | 2697/3996 [3:20:36<1:34:47, 4.38s/it]
68%|██████████████████████████████████████████████████████████████████████████▎ | 2698/3996 [3:20:41<1:33:35, 4.33s/it]
68%|██████████████████████████████████████████████████████████████████████████▎ | 2699/3996 [3:20:45<1:32:39, 4.29s/it]
68%|██████████████████████████████████████████████████████████████████████████▎ | 2700/3996 [3:20:49<1:32:09, 4.27s/it]
{'loss': 0.4782, 'grad_norm': 0.2312517911195755, 'learning_rate': 4.9883656626454724e-05, 'ppl': 1.6132, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4275.5, 'total_tokens': 51921057, 'epoch': 2.03}
68%|██████████████████████████████████████████████████████████████████████████▎ | 2700/3996 [3:20:49<1:32:09, 4.27s/it]
68%|██████████████████████████████████████████████████████████████████████████▎ | 2701/3996 [3:20:53<1:31:36, 4.24s/it]
68%|██████████████████████████████████████████████████████████████████████████▍ | 2702/3996 [3:20:57<1:31:15, 4.23s/it]
68%|██████████████████████████████████████████████████████████████████████████▍ | 2703/3996 [3:21:02<1:34:32, 4.39s/it]
68%|██████████████████████████████████████████████████████████████████████████▍ | 2704/3996 [3:21:06<1:33:21, 4.34s/it]
68%|██████████████████████████████████████████████████████████████████████████▍ | 2705/3996 [3:21:11<1:32:18, 4.29s/it]
68%|██████████████████████████████████████████████████████████████████████████▍ | 2706/3996 [3:21:15<1:31:34, 4.26s/it]
68%|██████████████████████████████████████████████████████████████████████████▌ | 2707/3996 [3:21:19<1:31:35, 4.26s/it]
68%|██████████████████████████████████████████████████████████████████████████▌ | 2708/3996 [3:21:23<1:31:09, 4.25s/it]
68%|██████████████████████████████████████████████████████████████████████████▌ | 2709/3996 [3:21:27<1:30:50, 4.24s/it]
68%|██████████████████████████████████████████████████████████████████████████▌ | 2710/3996 [3:21:32<1:34:06, 4.39s/it]
68%|██████████████████████████████████████████████████████████████████████████▋ | 2711/3996 [3:21:36<1:32:57, 4.34s/it]
68%|██████████████████████████████████████████████████████████████████████████▋ | 2712/3996 [3:21:41<1:32:02, 4.30s/it]
68%|██████████████████████████████████████████████████████████████████████████▋ | 2713/3996 [3:21:45<1:31:20, 4.27s/it]
68%|██████████████████████████████████████████████████████████████████████████▋ | 2714/3996 [3:21:49<1:30:52, 4.25s/it]
68%|██████████████████████████████████████████████████████████████████████████▋ | 2715/3996 [3:21:53<1:30:29, 4.24s/it]
68%|██████████████████████████████████████████████████████████████████████████▊ | 2716/3996 [3:21:57<1:30:09, 4.23s/it]
68%|██████████████████████████████████████████████████████████████████████████▊ | 2717/3996 [3:22:02<1:33:22, 4.38s/it]
68%|██████████████████████████████████████████████████████████████████████████▊ | 2718/3996 [3:22:06<1:32:10, 4.33s/it]
68%|██████████████████████████████████████████████████████████████████████████▊ | 2719/3996 [3:22:11<1:31:17, 4.29s/it]
68%|██████████████████████████████████████████████████████████████████████████▊ | 2720/3996 [3:22:15<1:30:33, 4.26s/it]
68%|██████████████████████████████████████████████████████████████████████████▉ | 2721/3996 [3:22:19<1:31:11, 4.29s/it]
68%|██████████████████████████████████████████████████████████████████████████▉ | 2722/3996 [3:22:23<1:30:33, 4.26s/it]
68%|██████████████████████████████████████████████████████████████████████████▉ | 2723/3996 [3:22:28<1:30:05, 4.25s/it]
68%|██████████████████████████████████████████████████████████████████████████▉ | 2724/3996 [3:22:32<1:33:11, 4.40s/it]
68%|███████████████████████████████████████████████████████████████████████████ | 2725/3996 [3:22:37<1:31:56, 4.34s/it]
{'loss': 0.4717, 'grad_norm': 0.19745635986328125, 'learning_rate': 4.81494855608843e-05, 'ppl': 1.6027, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4290.88, 'total_tokens': 52372623, 'epoch': 2.04}
68%|███████████████████████████████████████████████████████████████████████████ | 2725/3996 [3:22:37<1:31:56, 4.34s/it]
68%|███████████████████████████████████████████████████████████████████████████ | 2726/3996 [3:22:41<1:30:58, 4.30s/it]
68%|███████████████████████████████████████████████████████████████████████████ | 2727/3996 [3:22:45<1:30:15, 4.27s/it]
68%|███████████████████████████████████████████████████████████████████████████ | 2728/3996 [3:22:49<1:29:48, 4.25s/it]
68%|███████████████████████████████████████████████████████████████████████████ | 2729/3996 [3:22:53<1:29:22, 4.23s/it]
68%|███████████████████████████████████████████████████████████████████████████▏ | 2730/3996 [3:22:58<1:29:06, 4.22s/it]
68%|███████████████████████████████████████████████████████████████████████████▏ | 2731/3996 [3:23:02<1:32:17, 4.38s/it]
68%|███████████████████████████████████████████████████████████████████████████▏ | 2732/3996 [3:23:06<1:31:13, 4.33s/it]
68%|███████████████████████████████████████████████████████████████████████████▏ | 2733/3996 [3:23:11<1:30:15, 4.29s/it]
68%|███████████████████████████████████████████████████████████████████████████▎ | 2734/3996 [3:23:15<1:29:30, 4.26s/it]
68%|███████████████████████████████████████████████████████████████████████████▎ | 2735/3996 [3:23:19<1:29:07, 4.24s/it]
68%|███████████████████████████████████████████████████████████████████████████▎ | 2736/3996 [3:23:23<1:28:45, 4.23s/it]
68%|███████████████████████████████████████████████████████████████████████████▎ | 2737/3996 [3:23:27<1:28:35, 4.22s/it]
69%|███████████████████████████████████████████████████████████████████████████▎ | 2738/3996 [3:23:33<1:34:51, 4.52s/it]
69%|███████████████████████████████████████████████████████████████████████████▍ | 2739/3996 [3:23:37<1:32:49, 4.43s/it]
69%|███████████████████████████████████████████████████████████████████████████▍ | 2740/3996 [3:23:41<1:31:17, 4.36s/it]
69%|███████████████████████████████████████████████████████████████████████████▍ | 2741/3996 [3:23:45<1:30:11, 4.31s/it]
69%|███████████████████████████████████████████████████████████████████████████▍ | 2742/3996 [3:23:50<1:29:31, 4.28s/it]
69%|███████████████████████████████████████████████████████████████████████████▌ | 2743/3996 [3:23:54<1:28:52, 4.26s/it]
69%|███████████████████████████████████████████████████████████████████████████▌ | 2744/3996 [3:23:58<1:28:26, 4.24s/it]
69%|███████████████████████████████████████████████████████████████████████████▌ | 2745/3996 [3:24:03<1:31:30, 4.39s/it]
69%|███████████████████████████████████████████████████████████████████████████▌ | 2746/3996 [3:24:07<1:30:21, 4.34s/it]
69%|███████████████████████████████████████████████████████████████████████████▌ | 2747/3996 [3:24:11<1:29:21, 4.29s/it]
69%|███████████████████████████████████████████████████████████████████████████▋ | 2748/3996 [3:24:15<1:28:33, 4.26s/it]
69%|███████████████████████████████████████████████████████████████████████████▋ | 2749/3996 [3:24:19<1:28:15, 4.25s/it]
69%|███████████████████████████████████████████████████████████████████████████▋ | 2750/3996 [3:24:24<1:27:53, 4.23s/it]
{'loss': 0.4817, 'grad_norm': 0.22817276418209076, 'learning_rate': 4.643638525666095e-05, 'ppl': 1.6188, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4292.31, 'total_tokens': 52823263, 'epoch': 2.06}
69%|███████████████████████████████████████████████████████████████████████████▋ | 2750/3996 [3:24:24<1:27:53, 4.23s/it]
69%|███████████████████████████████████████████████████████████████████████████▋ | 2751/3996 [3:24:28<1:27:37, 4.22s/it]
69%|███████████████████████████████████████████████████████████████████████████▊ | 2752/3996 [3:24:33<1:30:43, 4.38s/it]
69%|███████████████████████████████████████████████████████████████████████████▊ | 2753/3996 [3:24:37<1:29:35, 4.32s/it]
69%|███████████████████████████████████████████████████████████████████████████▊ | 2754/3996 [3:24:41<1:28:44, 4.29s/it]
69%|███████████████████████████████████████████████████████████████████████████▊ | 2755/3996 [3:24:45<1:28:06, 4.26s/it]
69%|███████████████████████████████████████████████████████████████████████████▊ | 2756/3996 [3:24:49<1:27:46, 4.25s/it]
69%|███████████████████████████████████████████████████████████████████████████▉ | 2757/3996 [3:24:54<1:27:25, 4.23s/it]
69%|███████████████████████████████████████████████████████████████████████████▉ | 2758/3996 [3:24:58<1:27:04, 4.22s/it]
69%|███████████████████████████████████████████████████████████████████████████▉ | 2759/3996 [3:25:03<1:30:17, 4.38s/it]
69%|███████████████████████████████████████████████████████████████████████████▉ | 2760/3996 [3:25:07<1:29:10, 4.33s/it]
69%|████████████████████████████████████████████████████████████████████████████ | 2761/3996 [3:25:11<1:28:18, 4.29s/it]
69%|████████████████████████████████████████████████████████████████████████████ | 2762/3996 [3:25:15<1:27:34, 4.26s/it]
69%|████████████████████████████████████████████████████████████████████████████ | 2763/3996 [3:25:19<1:27:11, 4.24s/it]
69%|████████████████████████████████████████████████████████████████████████████ | 2764/3996 [3:25:24<1:26:49, 4.23s/it]
69%|████████████████████████████████████████████████████████████████████████████ | 2765/3996 [3:25:28<1:26:33, 4.22s/it]
69%|████████████████████████████████████████████████████████████████████████████▏ | 2766/3996 [3:25:32<1:29:39, 4.37s/it]
69%|████████████████████████████████████████████████████████████████████████████▏ | 2767/3996 [3:25:37<1:28:34, 4.32s/it]
69%|████████████████████████████████████████████████████████████████████████████▏ | 2768/3996 [3:25:41<1:27:40, 4.28s/it]
69%|████████████████████████████████████████████████████████████████████████████▏ | 2769/3996 [3:25:45<1:27:04, 4.26s/it]
69%|████████████████████████████████████████████████████████████████████████████▎ | 2770/3996 [3:25:49<1:26:41, 4.24s/it]
69%|████████████████████████████████████████████████████████████████████████████▎ | 2771/3996 [3:25:53<1:26:13, 4.22s/it]
69%|████████████████████████████████████████████████████████████████████████████▎ | 2772/3996 [3:25:58<1:25:59, 4.22s/it]
69%|████████████████████████████████████████████████████████████████████████████▎ | 2773/3996 [3:26:02<1:29:10, 4.38s/it]
69%|████████████████████████████████████████████████████████████████████████████▎ | 2774/3996 [3:26:07<1:28:05, 4.33s/it]
69%|████████████████████████████████████████████████████████████████████████████▍ | 2775/3996 [3:26:11<1:27:13, 4.29s/it]
{'loss': 0.4774, 'grad_norm': 0.20878754556179047, 'learning_rate': 4.4745051875203134e-05, 'ppl': 1.6119, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4287.12, 'total_tokens': 53272669, 'epoch': 2.08}
69%|████████████████████████████████████████████████████████████████████████████▍ | 2775/3996 [3:26:11<1:27:13, 4.29s/it]
69%|████████████████████████████████████████████████████████████████████████████▍ | 2776/3996 [3:26:15<1:26:32, 4.26s/it]
69%|████████████████████████████████████████████████████████████████████████████▍ | 2777/3996 [3:26:19<1:26:09, 4.24s/it]
70%|████████████████████████████████████████████████████████████████████████████▍ | 2778/3996 [3:26:23<1:25:48, 4.23s/it]
70%|████████████████████████████████████████████████████████████████████████████▍ | 2779/3996 [3:26:28<1:25:35, 4.22s/it]
70%|████████████████████████████████████████████████████████████████████████████▌ | 2780/3996 [3:26:32<1:28:39, 4.37s/it]
70%|████████████████████████████████████████████████████████████████████████████▌ | 2781/3996 [3:26:37<1:27:33, 4.32s/it]
70%|████████████████████████████████████████████████████████████████████████████▌ | 2782/3996 [3:26:41<1:26:42, 4.29s/it]
70%|████████████████████████████████████████████████████████████████████████████▌ | 2783/3996 [3:26:45<1:26:03, 4.26s/it]
70%|████████████████████████████████████████████████████████████████████████████▋ | 2784/3996 [3:26:49<1:25:42, 4.24s/it]
70%|████████████████████████████████████████████████████████████████████████████▋ | 2785/3996 [3:26:53<1:25:20, 4.23s/it]
70%|████████████████████████████████████████████████████████████████████████████▋ | 2786/3996 [3:26:58<1:25:05, 4.22s/it]
70%|████████████████████████████████████████████████████████████████████████████▋ | 2787/3996 [3:27:02<1:28:13, 4.38s/it]
70%|████████████████████████████████████████████████████████████████████████████▋ | 2788/3996 [3:27:06<1:27:04, 4.32s/it]
70%|████████████████████████████████████████████████████████████████████████████▊ | 2789/3996 [3:27:11<1:26:15, 4.29s/it]
70%|████████████████████████████████████████████████████████████████████████████▊ | 2790/3996 [3:27:15<1:25:37, 4.26s/it]
70%|████████████████████████████████████████████████████████████████████████████▊ | 2791/3996 [3:27:19<1:25:15, 4.25s/it]
70%|████████████████████████████████████████████████████████████████████████████▊ | 2792/3996 [3:27:23<1:24:57, 4.23s/it]
70%|████████████████████████████████████████████████████████████████████████████▉ | 2793/3996 [3:27:28<1:27:04, 4.34s/it]
70%|████████████████████████████████████████████████████████████████████████████▉ | 2794/3996 [3:27:33<1:29:23, 4.46s/it]
70%|████████████████████████████████████████████████████████████████████████████▉ | 2795/3996 [3:27:37<1:27:44, 4.38s/it]
70%|████████████████████████████████████████████████████████████████████████████▉ | 2796/3996 [3:27:41<1:26:33, 4.33s/it]
70%|████████████████████████████████████████████████████████████████████████████▉ | 2797/3996 [3:27:45<1:25:39, 4.29s/it]
70%|█████████████████████████████████████████████████████████████████████████████ | 2798/3996 [3:27:49<1:25:10, 4.27s/it]
70%|█████████████████████████████████████████████████████████████████████████████ | 2799/3996 [3:27:54<1:24:38, 4.24s/it]
70%|█████████████████████████████████████████████████████████████████████████████ | 2800/3996 [3:27:58<1:24:19, 4.23s/it]
{'loss': 0.4824, 'grad_norm': 0.18676196038722992, 'learning_rate': 4.307617273239226e-05, 'ppl': 1.62, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4304.14, 'total_tokens': 53724750, 'epoch': 2.1}
70%|█████████████████████████████████████████████████████████████████████████████ | 2800/3996 [3:27:58<1:24:19, 4.23s/it]
70%|█████████████████████████████████████████████████████████████████████████████ | 2801/3996 [3:28:03<1:27:17, 4.38s/it]
70%|█████████████████████████████████████████████████████████████████████████████▏ | 2802/3996 [3:28:07<1:26:08, 4.33s/it]
70%|█████████████████████████████████████████████████████████████████████████████▏ | 2803/3996 [3:28:11<1:25:15, 4.29s/it]
70%|█████████████████████████████████████████████████████████████████████████████▏ | 2804/3996 [3:28:15<1:24:37, 4.26s/it]
70%|█████████████████████████████████████████████████████████████████████████████▏ | 2805/3996 [3:28:19<1:24:14, 4.24s/it]
70%|█████████████████████████████████████████████████████████████████████████████▏ | 2806/3996 [3:28:24<1:24:27, 4.26s/it]
70%|█████████████████████████████████████████████████████████████████████████████▎ | 2807/3996 [3:28:28<1:24:06, 4.24s/it]
70%|█████████████████████████████████████████████████████████████████████████████▎ | 2808/3996 [3:28:33<1:27:00, 4.39s/it]
70%|█████████████████████████████████████████████████████████████████████████████▎ | 2809/3996 [3:28:37<1:25:49, 4.34s/it]
70%|█████████████████████████████████████████████████████████████████████████████▎ | 2810/3996 [3:28:41<1:24:53, 4.29s/it]
70%|█████████████████████████████████████████████████████████████████████████████▍ | 2811/3996 [3:28:45<1:24:06, 4.26s/it]
70%|█████████████████████████████████████████████████████████████████████████████▍ | 2812/3996 [3:28:49<1:23:47, 4.25s/it]
70%|█████████████████████████████████████████████████████████████████████████████▍ | 2813/3996 [3:28:54<1:23:20, 4.23s/it]
70%|█████████████████████████████████████████████████████████████████████████████▍ | 2814/3996 [3:28:58<1:23:06, 4.22s/it]
70%|█████████████████████████████████████████████████████████████████████████████▍ | 2815/3996 [3:29:03<1:26:08, 4.38s/it]
70%|█████████████████████████████████████████████████████████████████████████████▌ | 2816/3996 [3:29:07<1:25:00, 4.32s/it]
70%|█████████████████████████████████████████████████████████████████████████████▌ | 2817/3996 [3:29:11<1:24:13, 4.29s/it]
71%|█████████████████████████████████████████████████████████████████████████████▌ | 2818/3996 [3:29:15<1:23:31, 4.25s/it]
71%|█████████████████████████████████████████████████████████████████████████████▌ | 2819/3996 [3:29:19<1:24:10, 4.29s/it]
71%|█████████████████████████████████████████████████████████████████████████████▋ | 2820/3996 [3:29:24<1:23:34, 4.26s/it]
71%|█████████████████████████████████████████████████████████████████████████████▋ | 2821/3996 [3:29:28<1:23:11, 4.25s/it]
71%|█████████████████████████████████████████████████████████████████████████████▋ | 2822/3996 [3:29:33<1:25:59, 4.39s/it]
71%|█████████████████████████████████████████████████████████████████████████████▋ | 2823/3996 [3:29:37<1:24:46, 4.34s/it]
71%|█████████████████████████████████████████████████████████████████████████████▋ | 2824/3996 [3:29:41<1:24:12, 4.31s/it]
71%|█████████████████████████████████████████████████████████████████████████████▊ | 2825/3996 [3:29:45<1:23:23, 4.27s/it]
{'loss': 0.4701, 'grad_norm': 0.20670537650585175, 'learning_rate': 4.1430426019264924e-05, 'ppl': 1.6002, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4283.76, 'total_tokens': 54172957, 'epoch': 2.12}
71%|█████████████████████████████████████████████████████████████████████████████▊ | 2825/3996 [3:29:45<1:23:23, 4.27s/it]
71%|█████████████████████████████████████████████████████████████████████████████▊ | 2826/3996 [3:29:49<1:22:58, 4.26s/it]
71%|█████████████████████████████████████████████████████████████████████████████▊ | 2827/3996 [3:29:54<1:22:29, 4.23s/it]
71%|█████████████████████████████████████████████████████████████████████████████▊ | 2828/3996 [3:29:58<1:22:12, 4.22s/it]
71%|█████████████████████████████████████████████████████████████████████████████▉ | 2829/3996 [3:30:03<1:25:52, 4.42s/it]
71%|█████████████████████████████████████████████████████████████████████████████▉ | 2830/3996 [3:30:07<1:24:37, 4.35s/it]
71%|█████████████████████████████████████████████████████████████████████████████▉ | 2831/3996 [3:30:11<1:23:40, 4.31s/it]
71%|█████████████████████████████████████████████████████████████████████████████▉ | 2832/3996 [3:30:15<1:22:58, 4.28s/it]
71%|█████████████████████████████████████████████████████████████████████████████▉ | 2833/3996 [3:30:20<1:22:28, 4.26s/it]
71%|██████████████████████████████████████████████████████████████████████████████ | 2834/3996 [3:30:24<1:22:07, 4.24s/it]
71%|██████████████████████████████████████████████████████████████████████████████ | 2835/3996 [3:30:28<1:21:49, 4.23s/it]
71%|██████████████████████████████████████████████████████████████████████████████ | 2836/3996 [3:30:33<1:24:49, 4.39s/it]
71%|██████████████████████████████████████████████████████████████████████████████ | 2837/3996 [3:30:37<1:23:43, 4.33s/it]
71%|██████████████████████████████████████████████████████████████████████████████ | 2838/3996 [3:30:41<1:22:51, 4.29s/it]
71%|██████████████████████████████████████████████████████████████████████████████▏ | 2839/3996 [3:30:45<1:22:10, 4.26s/it]
71%|██████████████████████████████████████████████████████████████████████████████▏ | 2840/3996 [3:30:50<1:21:48, 4.25s/it]
71%|██████████████████████████████████████████████████████████████████████████████▏ | 2841/3996 [3:30:54<1:21:29, 4.23s/it]
71%|██████████████████████████████████████████████████████████████████████████████▏ | 2842/3996 [3:30:58<1:21:15, 4.23s/it]
71%|██████████████████████████████████████████████████████████████████████████████▎ | 2843/3996 [3:31:03<1:24:13, 4.38s/it]
71%|██████████████████████████████████████████████████████████████████████████████▎ | 2844/3996 [3:31:07<1:23:06, 4.33s/it]
71%|██████████████████████████████████████████████████████████████████████████████▎ | 2845/3996 [3:31:11<1:22:18, 4.29s/it]
71%|██████████████████████████████████████████████████████████████████████████████▎ | 2846/3996 [3:31:15<1:21:40, 4.26s/it]
71%|██████████████████████████████████████████████████████████████████████████████▎ | 2847/3996 [3:31:20<1:22:46, 4.32s/it]
71%|██████████████████████████████████████████████████████████████████████████████▍ | 2848/3996 [3:31:24<1:22:03, 4.29s/it]
71%|██████████████████████████████████████████████████████████████████████████████▍ | 2849/3996 [3:31:28<1:21:31, 4.26s/it]
71%|██████████████████████████████████████████████████████████████████████████████▍ | 2850/3996 [3:31:33<1:24:33, 4.43s/it]
{'loss': 0.4772, 'grad_norm': 0.21445906162261963, 'learning_rate': 3.980848052641286e-05, 'ppl': 1.6116, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 3768.93, 'total_tokens': 54625827, 'epoch': 2.14}
71%|██████████████████████████████████████████████████████████████████████████████▍ | 2850/3996 [3:31:33<1:24:33, 4.43s/it]
71%|██████████████████████████████████████████████████████████████████████████████▍ | 2851/3996 [3:31:37<1:23:17, 4.36s/it]
71%|██████████████████████████████████████████████████████████████████████████████▌ | 2852/3996 [3:31:41<1:22:16, 4.32s/it]
71%|██████████████████████████████████████████████████████████████████████████████▌ | 2853/3996 [3:31:46<1:21:28, 4.28s/it]
71%|██████████████████████████████████████████████████████████████████████████████▌ | 2854/3996 [3:31:50<1:20:56, 4.25s/it]
71%|██████████████████████████████████████████████████████████████████████████████▌ | 2855/3996 [3:31:54<1:20:36, 4.24s/it]
71%|██████████████████████████████████████████████████████████████████████████████▌ | 2856/3996 [3:31:58<1:20:21, 4.23s/it]
71%|██████████████████████████████████████████████████████████████████████████████▋ | 2857/3996 [3:32:03<1:23:17, 4.39s/it]
72%|██████████████████████████████████████████████████████████████████████████████▋ | 2858/3996 [3:32:07<1:22:15, 4.34s/it]
72%|██████████████████████████████████████████████████████████████████████████████▋ | 2859/3996 [3:32:11<1:21:19, 4.29s/it]
72%|██████████████████████████████████████████████████████████████████████████████▋ | 2860/3996 [3:32:16<1:20:43, 4.26s/it]
72%|██████████████████████████████████████████████████████████████████████████████▊ | 2861/3996 [3:32:20<1:20:19, 4.25s/it]
72%|██████████████████████████████████████████████████████████████████████████████▊ | 2862/3996 [3:32:24<1:20:02, 4.23s/it]
72%|██████████████████████████████████████████████████████████████████████████████▊ | 2863/3996 [3:32:28<1:19:46, 4.22s/it]
72%|██████████████████████████████████████████████████████████████████████████████▊ | 2864/3996 [3:32:33<1:22:44, 4.39s/it]
72%|██████████████████████████████████████████████████████████████████████████████▊ | 2865/3996 [3:32:37<1:21:38, 4.33s/it]
72%|██████████████████████████████████████████████████████████████████████████████▉ | 2866/3996 [3:32:41<1:20:45, 4.29s/it]
72%|██████████████████████████████████████████████████████████████████████████████▉ | 2867/3996 [3:32:45<1:20:06, 4.26s/it]
72%|██████████████████████████████████████████████████████████████████████████████▉ | 2868/3996 [3:32:50<1:19:44, 4.24s/it]
72%|██████████████████████████████████████████████████████████████████████████████▉ | 2869/3996 [3:32:54<1:19:27, 4.23s/it]
72%|███████████████████████████████████████████████████████████████████████████████ | 2870/3996 [3:32:58<1:19:09, 4.22s/it]
72%|███████████████████████████████████████████████████████████████████████████████ | 2871/3996 [3:33:03<1:22:05, 4.38s/it]
72%|███████████████████████████████████████████████████████████████████████████████ | 2872/3996 [3:33:07<1:21:07, 4.33s/it]
72%|███████████████████████████████████████████████████████████████████████████████ | 2873/3996 [3:33:11<1:20:19, 4.29s/it]
72%|███████████████████████████████████████████████████████████████████████████████ | 2874/3996 [3:33:15<1:19:44, 4.26s/it]
72%|███████████████████████████████████████████████████████████████████████████████▏ | 2875/3996 [3:33:20<1:19:19, 4.25s/it]
{'loss': 0.471, 'grad_norm': 0.21021129190921783, 'learning_rate': 3.8210995372202896e-05, 'ppl': 1.6016, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4286.55, 'total_tokens': 55076031, 'epoch': 2.16}
72%|███████████████████████████████████████████████████████████████████████████████▏ | 2875/3996 [3:33:20<1:19:19, 4.25s/it]
72%|███████████████████████████████████████████████████████████████████████████████▏ | 2876/3996 [3:33:24<1:19:02, 4.23s/it]
72%|███████████████████████████████████████████████████████████████████████████████▏ | 2877/3996 [3:33:28<1:18:49, 4.23s/it]
72%|███████████████████████████████████████████████████████████████████████████████▏ | 2878/3996 [3:33:33<1:21:41, 4.38s/it]
72%|███████████████████████████████████████████████████████████████████████████████▎ | 2879/3996 [3:33:37<1:20:38, 4.33s/it]
72%|███████████████████████████████████████████████████████████████████████████████▎ | 2880/3996 [3:33:41<1:19:53, 4.30s/it]
72%|███████████████████████████████████████████████████████████████████████████████▎ | 2881/3996 [3:33:45<1:19:14, 4.26s/it]
72%|███████████████████████████████████████████████████████████████████████████████▎ | 2882/3996 [3:33:50<1:18:50, 4.25s/it]
72%|███████████████████████████████████████████████████████████████████████████████▎ | 2883/3996 [3:33:54<1:20:11, 4.32s/it]
72%|███████████████████████████████████████████████████████████████████████████████▍ | 2884/3996 [3:33:58<1:19:21, 4.28s/it]
72%|███████████████████████████████████████████████████████████████████████████████▍ | 2885/3996 [3:34:03<1:21:52, 4.42s/it]
72%|███████████████████████████████████████████████████████████████████████████████▍ | 2886/3996 [3:34:07<1:20:46, 4.37s/it]
72%|███████████████████████████████████████████████████████████████████████████████▍ | 2887/3996 [3:34:12<1:19:47, 4.32s/it]
72%|███████████████████████████████████████████████████████████████████████████████▍ | 2888/3996 [3:34:16<1:19:03, 4.28s/it]
72%|███████████████████████████████████████████████████████████████████████████████▌ | 2889/3996 [3:34:20<1:18:36, 4.26s/it]
72%|███████████████████████████████████████████████████████████████████████████████▌ | 2890/3996 [3:34:24<1:18:12, 4.24s/it]
72%|███████████████████████████████████████████████████████████████████████████████▌ | 2891/3996 [3:34:28<1:17:58, 4.23s/it]
72%|███████████████████████████████████████████████████████████████████████████████▌ | 2892/3996 [3:34:33<1:20:39, 4.38s/it]
72%|███████████████████████████████████████████████████████████████████████████████▋ | 2893/3996 [3:34:37<1:19:34, 4.33s/it]
72%|███████████████████████████████████████████████████████████████████████████████▋ | 2894/3996 [3:34:41<1:18:48, 4.29s/it]
72%|███████████████████████████████████████████████████████████████████████████████▋ | 2895/3996 [3:34:46<1:18:14, 4.26s/it]
72%|███████████████████████████████████████████████████████████████████████████████▋ | 2896/3996 [3:34:50<1:17:54, 4.25s/it]
72%|███████████████████████████████████████████████████████████████████████████████▋ | 2897/3996 [3:34:54<1:17:32, 4.23s/it]
73%|███████████████████████████████████████████████████████████████████████████████▊ | 2898/3996 [3:34:58<1:17:12, 4.22s/it]
73%|███████████████████████████████████████████████████████████████████████████████▊ | 2899/3996 [3:35:03<1:20:02, 4.38s/it]
73%|███████████████████████████████████████████████████████████████████████████████▊ | 2900/3996 [3:35:07<1:19:03, 4.33s/it]
{'loss': 0.4722, 'grad_norm': 0.23069453239440918, 'learning_rate': 3.663861973492776e-05, 'ppl': 1.6035, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4291.53, 'total_tokens': 55527864, 'epoch': 2.18}
73%|███████████████████████████████████████████████████████████████████████████████▊ | 2900/3996 [3:35:07<1:19:03, 4.33s/it]
73%|███████████████████████████████████████████████████████████████████████████████▊ | 2901/3996 [3:35:12<1:19:24, 4.35s/it]
73%|███████████████████████████████████████████████████████████████████████████████▉ | 2902/3996 [3:35:16<1:18:26, 4.30s/it]
73%|███████████████████████████████████████████████████████████████████████████████▉ | 2903/3996 [3:35:20<1:17:51, 4.27s/it]
73%|███████████████████████████████████████████████████████████████████████████████▉ | 2904/3996 [3:35:24<1:17:17, 4.25s/it]
73%|███████████████████████████████████████████████████████████████████████████████▉ | 2905/3996 [3:35:28<1:17:02, 4.24s/it]
73%|███████████████████████████████████████████████████████████████████████████████▉ | 2906/3996 [3:35:33<1:19:43, 4.39s/it]
73%|████████████████████████████████████████████████████████████████████████████████ | 2907/3996 [3:35:37<1:18:39, 4.33s/it]
73%|████████████████████████████████████████████████████████████████████████████████ | 2908/3996 [3:35:42<1:17:52, 4.29s/it]
73%|████████████████████████████████████████████████████████████████████████████████ | 2909/3996 [3:35:46<1:17:20, 4.27s/it]
73%|████████████████████████████████████████████████████████████████████████████████ | 2910/3996 [3:35:50<1:16:54, 4.25s/it]
73%|████████████████████████████████████████████████████████████████████████████████▏ | 2911/3996 [3:35:54<1:16:33, 4.23s/it]
73%|████████████████████████████████████████████████████████████████████████████████▏ | 2912/3996 [3:35:58<1:16:18, 4.22s/it]
73%|████████████████████████████████████████████████████████████████████████████████▏ | 2913/3996 [3:36:03<1:19:01, 4.38s/it]
73%|████████████████████████████████████████████████████████████████████████████████▏ | 2914/3996 [3:36:07<1:18:00, 4.33s/it]
73%|████████████████████████████████████████████████████████████████████████████████▏ | 2915/3996 [3:36:12<1:17:13, 4.29s/it]
73%|████████████████████████████████████████████████████████████████████████████████▎ | 2916/3996 [3:36:16<1:16:36, 4.26s/it]
73%|████████████████████████████████████████████████████████████████████████████████▎ | 2917/3996 [3:36:20<1:16:12, 4.24s/it]
73%|████████████████████████████████████████████████████████████████████████████████▎ | 2918/3996 [3:36:24<1:15:57, 4.23s/it]
73%|████████████████████████████████████████████████████████████████████████████████▎ | 2919/3996 [3:36:28<1:15:44, 4.22s/it]
73%|████████████████████████████████████████████████████████████████████████████████▍ | 2920/3996 [3:36:33<1:18:33, 4.38s/it]
73%|████████████████████████████████████████████████████████████████████████████████▍ | 2921/3996 [3:36:37<1:17:30, 4.33s/it]
73%|████████████████████████████████████████████████████████████████████████████████▍ | 2922/3996 [3:36:41<1:16:49, 4.29s/it]
73%|████████████████████████████████████████████████████████████████████████████████▍ | 2923/3996 [3:36:46<1:16:13, 4.26s/it]
73%|████████████████████████████████████████████████████████████████████████████████▍ | 2924/3996 [3:36:50<1:15:50, 4.24s/it]
73%|████████████████████████████████████████████████████████████████████████████████▌ | 2925/3996 [3:36:54<1:15:34, 4.23s/it]
{'loss': 0.474, 'grad_norm': 0.22328485548496246, 'learning_rate': 3.509199258899603e-05, 'ppl': 1.6064, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4262.17, 'total_tokens': 55976245, 'epoch': 2.19}
73%|████████████████████████████████████████████████████████████████████████████████▌ | 2925/3996 [3:36:54<1:15:34, 4.23s/it]
73%|████████████████████████████████████████████████████████████████████████████████▌ | 2926/3996 [3:36:58<1:15:18, 4.22s/it]
73%|████████████████████████████████████████████████████████████████████████████████▌ | 2927/3996 [3:37:03<1:18:03, 4.38s/it]
73%|████████████████████████████████████████████████████████████████████████████████▌ | 2928/3996 [3:37:07<1:17:05, 4.33s/it]
73%|████████████████████████████████████████████████████████████████████████████████▋ | 2929/3996 [3:37:11<1:16:21, 4.29s/it]
73%|████████████████████████████████████████████████████████████████████████████████▋ | 2930/3996 [3:37:16<1:15:45, 4.26s/it]
73%|████████████████████████████████████████████████████████████████████████████████▋ | 2931/3996 [3:37:20<1:15:21, 4.25s/it]
73%|████████████████████████████████████████████████████████████████████████████████▋ | 2932/3996 [3:37:24<1:15:03, 4.23s/it]
73%|████████████████████████████████████████████████████████████████████████████████▋ | 2933/3996 [3:37:28<1:14:50, 4.22s/it]
73%|████████████████████████████████████████████████████████████████████████████████▊ | 2934/3996 [3:37:33<1:17:32, 4.38s/it]
73%|████████████████████████████████████████████████████████████████████████████████▊ | 2935/3996 [3:37:37<1:16:33, 4.33s/it]
73%|████████████████████████████████████████████████████████████████████████████████▊ | 2936/3996 [3:37:41<1:15:51, 4.29s/it]
73%|████████████████████████████████████████████████████████████████████████████████▊ | 2937/3996 [3:37:46<1:16:08, 4.31s/it]
74%|████████████████████████████████████████████████████████████████████████████████▉ | 2938/3996 [3:37:50<1:15:30, 4.28s/it]
74%|████████████████████████████████████████████████████████████████████████████████▉ | 2939/3996 [3:37:54<1:15:04, 4.26s/it]
74%|████████████████████████████████████████████████████████████████████████████████▉ | 2940/3996 [3:37:58<1:14:41, 4.24s/it]
74%|████████████████████████████████████████████████████████████████████████████████▉ | 2941/3996 [3:38:03<1:17:20, 4.40s/it]
74%|████████████████████████████████████████████████████████████████████████████████▉ | 2942/3996 [3:38:07<1:16:13, 4.34s/it]
74%|█████████████████████████████████████████████████████████████████████████████████ | 2943/3996 [3:38:12<1:17:42, 4.43s/it]
74%|█████████████████████████████████████████████████████████████████████████████████ | 2944/3996 [3:38:16<1:16:35, 4.37s/it]
74%|█████████████████████████████████████████████████████████████████████████████████ | 2945/3996 [3:38:20<1:15:43, 4.32s/it]
74%|█████████████████████████████████████████████████████████████████████████████████ | 2946/3996 [3:38:25<1:15:01, 4.29s/it]
74%|█████████████████████████████████████████████████████████████████████████████████ | 2947/3996 [3:38:29<1:14:30, 4.26s/it]
74%|█████████████████████████████████████████████████████████████████████████████████▏ | 2948/3996 [3:38:34<1:17:00, 4.41s/it]
74%|█████████████████████████████████████████████████████████████████████████████████▏ | 2949/3996 [3:38:38<1:15:51, 4.35s/it]
74%|█████████████████████████████████████████████████████████████████████████████████▏ | 2950/3996 [3:38:42<1:14:56, 4.30s/it]
{'loss': 0.4721, 'grad_norm': 0.20422938466072083, 'learning_rate': 3.3571742445268995e-05, 'ppl': 1.6034, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4339.03, 'total_tokens': 56430293, 'epoch': 2.21}
74%|█████████████████████████████████████████████████████████████████████████████████▏ | 2950/3996 [3:38:42<1:14:56, 4.30s/it]
74%|█████████████████████████████████████████████████████████████████████████████████▏ | 2951/3996 [3:38:46<1:14:20, 4.27s/it]
74%|█████████████████████████████████████████████████████████████████████████████████▎ | 2952/3996 [3:38:50<1:13:56, 4.25s/it]
74%|█████████████████████████████████████████████████████████████████████████████████▎ | 2953/3996 [3:38:55<1:13:37, 4.23s/it]
74%|█████████████████████████████████████████████████████████████████████████████████▎ | 2954/3996 [3:38:59<1:13:23, 4.23s/it]
74%|█████████████████████████████████████████████████████████████████████████████████▎ | 2955/3996 [3:39:04<1:15:58, 4.38s/it]
74%|█████████████████████████████████████████████████████████████████████████████████▎ | 2956/3996 [3:39:08<1:15:01, 4.33s/it]
74%|█████████████████████████████████████████████████████████████████████████████████▍ | 2957/3996 [3:39:12<1:14:16, 4.29s/it]
74%|█████████████████████████████████████████████████████████████████████████████████▍ | 2958/3996 [3:39:16<1:13:42, 4.26s/it]
74%|█████████████████████████████████████████████████████████████████████████████████▍ | 2959/3996 [3:39:20<1:13:22, 4.25s/it]
74%|█████████████████████████████████████████████████████████████████████████████████▍ | 2960/3996 [3:39:25<1:13:08, 4.24s/it]
74%|█████████████████████████████████████████████████████████████████████████████████▌ | 2961/3996 [3:39:29<1:12:56, 4.23s/it]
74%|█████████████████████████████████████████████████████████████████████████████████▌ | 2962/3996 [3:39:34<1:15:32, 4.38s/it]
74%|█████████████████████████████████████████████████████████████████████████████████▌ | 2963/3996 [3:39:38<1:14:30, 4.33s/it]
74%|█████████████████████████████████████████████████████████████████████████████████▌ | 2964/3996 [3:39:42<1:13:44, 4.29s/it]
74%|█████████████████████████████████████████████████████████████████████████████████▌ | 2965/3996 [3:39:46<1:13:11, 4.26s/it]
74%|█████████████████████████████████████████████████████████████████████████████████▋ | 2966/3996 [3:39:50<1:12:46, 4.24s/it]
74%|█████████████████████████████████████████████████████████████████████████████████▋ | 2967/3996 [3:39:55<1:12:32, 4.23s/it]
74%|█████████████████████████████████████████████████████████████████████████████████▋ | 2968/3996 [3:39:59<1:12:16, 4.22s/it]
74%|█████████████████████████████████████████████████████████████████████████████████▋ | 2969/3996 [3:40:03<1:14:53, 4.38s/it]
74%|█████████████████████████████████████████████████████████████████████████████████▊ | 2970/3996 [3:40:08<1:13:57, 4.33s/it]
74%|█████████████████████████████████████████████████████████████████████████████████▊ | 2971/3996 [3:40:12<1:13:17, 4.29s/it]
74%|█████████████████████████████████████████████████████████████████████████████████▊ | 2972/3996 [3:40:16<1:12:43, 4.26s/it]
74%|█████████████████████████████████████████████████████████████████████████████████▊ | 2973/3996 [3:40:20<1:12:21, 4.24s/it]
74%|█████████████████████████████████████████████████████████████████████████████████▊ | 2974/3996 [3:40:24<1:12:07, 4.23s/it]
74%|█████████████████████████████████████████████████████████████████████████████████▉ | 2975/3996 [3:40:29<1:11:55, 4.23s/it]
{'loss': 0.4798, 'grad_norm': 0.21462033689022064, 'learning_rate': 3.2078487095649236e-05, 'ppl': 1.6158, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4274.93, 'total_tokens': 56879796, 'epoch': 2.23}
74%|█████████████████████████████████████████████████████████████████████████████████▉ | 2975/3996 [3:40:29<1:11:55, 4.23s/it]
74%|█████████████████████████████████████████████████████████████████████████████████▉ | 2976/3996 [3:40:33<1:14:32, 4.38s/it]
74%|█████████████████████████████████████████████████████████████████████████████████▉ | 2977/3996 [3:40:38<1:13:33, 4.33s/it]
75%|█████████████████████████████████████████████████████████████████████████████████▉ | 2978/3996 [3:40:42<1:12:50, 4.29s/it]
75%|██████████████████████████████████████████████████████████████████████████████████ | 2979/3996 [3:40:46<1:12:16, 4.26s/it]
75%|██████████████████████████████████████████████████████████████████████████████████ | 2980/3996 [3:40:50<1:11:55, 4.25s/it]
75%|██████████████████████████████████████████████████████████████████████████████████ | 2981/3996 [3:40:54<1:11:36, 4.23s/it]
75%|██████████████████████████████████████████████████████████████████████████████████ | 2982/3996 [3:40:59<1:11:18, 4.22s/it]
75%|██████████████████████████████████████████████████████████████████████████████████ | 2983/3996 [3:41:03<1:13:53, 4.38s/it]
75%|██████████████████████████████████████████████████████████████████████████████████▏ | 2984/3996 [3:41:08<1:13:00, 4.33s/it]
75%|██████████████████████████████████████████████████████████████████████████████████▏ | 2985/3996 [3:41:12<1:12:18, 4.29s/it]
75%|██████████████████████████████████████████████████████████████████████████████████▏ | 2986/3996 [3:41:16<1:11:44, 4.26s/it]
75%|██████████████████████████████████████████████████████████████████████████████████▏ | 2987/3996 [3:41:20<1:11:18, 4.24s/it]
75%|██████████████████████████████████████████████████████████████████████████████████▎ | 2988/3996 [3:41:24<1:11:04, 4.23s/it]
75%|██████████████████████████████████████████████████████████████████████████████████▎ | 2989/3996 [3:41:29<1:10:52, 4.22s/it]
75%|██████████████████████████████████████████████████████████████████████████████████▎ | 2990/3996 [3:41:33<1:13:24, 4.38s/it]
75%|██████████████████████████████████████████████████████████████████████████████████▎ | 2991/3996 [3:41:38<1:12:26, 4.32s/it]
75%|██████████████████████████████████████████████████████████████████████████████████▎ | 2992/3996 [3:41:42<1:11:43, 4.29s/it]
75%|██████████████████████████████████████████████████████████████████████████████████▍ | 2993/3996 [3:41:46<1:11:10, 4.26s/it]
75%|██████████████████████████████████████████████████████████████████████████████████▍ | 2994/3996 [3:41:50<1:10:48, 4.24s/it]
75%|██████████████████████████████████████████████████████████████████████████████████▍ | 2995/3996 [3:41:54<1:10:33, 4.23s/it]
75%|██████████████████████████████████████████████████████████████████████████████████▍ | 2996/3996 [3:41:59<1:10:20, 4.22s/it]
75%|██████████████████████████████████████████████████████████████████████████████████▌ | 2997/3996 [3:42:03<1:12:56, 4.38s/it]
75%|██████████████████████████████████████████████████████████████████████████████████▌ | 2998/3996 [3:42:07<1:12:02, 4.33s/it]
75%|██████████████████████████████████████████████████████████████████████████████████▌ | 2999/3996 [3:42:12<1:11:16, 4.29s/it]
75%|██████████████████████████████████████████████████████████████████████████████████▌ | 3000/3996 [3:42:16<1:10:44, 4.26s/it]
{'loss': 0.4733, 'grad_norm': 0.21800526976585388, 'learning_rate': 3.061283336202545e-05, 'ppl': 1.6053, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4290.7, 'total_tokens': 57329902, 'epoch': 2.25}
75%|██████████████████████████████████████████████████████████████████████████████████▌ | 3000/3996 [3:42:16<1:10:44, 4.26s/it][2025-12-29 06:32:01,639] [INFO] [axolotl.core.trainers.base.evaluate:388] [PID:3751] Running evaluation step...
[2025-12-29 06:32:02,487] [DEBUG] [axolotl.utils.samplers.multipack.__len__:462] [PID:3751] generate_batches time: 0.3769509792327881
[2025-12-29 06:32:02,864] [DEBUG] [axolotl.utils.samplers.multipack.__len__:462] [PID:3751] generate_batches time: 0.37727856636047363
[2025-12-29 06:32:03,281] [DEBUG] [axolotl.utils.samplers.multipack.__len__:462] [PID:3751] generate_batches time: 0.41676878929138184
[2025-12-29 06:32:03,705] [DEBUG] [axolotl.utils.samplers.multipack.__len__:462] [PID:3751] generate_batches time: 0.4234030246734619
[2025-12-29 06:32:03,706] [INFO] [axolotl.utils.samplers.multipack.calc_min_len:438] [PID:3751] gather_len_batches: [72]
0%| | 0/72 [00:00, ?it/s][A
3%|███▎ | 2/72 [00:01<01:08, 1.02it/s][A
4%|████▉ | 3/72 [00:03<01:34, 1.37s/it][A
6%|██████▌ | 4/72 [00:05<01:47, 1.58s/it][A
7%|████████▎ | 5/72 [00:07<01:53, 1.70s/it][A
8%|█████████▉ | 6/72 [00:09<01:56, 1.77s/it][A
10%|███████████▌ | 7/72 [00:11<01:58, 1.82s/it][A
11%|█████████████▏ | 8/72 [00:13<01:58, 1.85s/it][A
12%|██████████████▉ | 9/72 [00:15<01:57, 1.86s/it][A
14%|████████████████▍ | 10/72 [00:17<01:56, 1.87s/it][A
15%|██████████████████ | 11/72 [00:19<01:54, 1.88s/it][A
17%|███████████████████▋ | 12/72 [00:21<01:53, 1.89s/it][A
18%|█████████████████████▎ | 13/72 [00:23<01:52, 1.90s/it][A
19%|██████████████████████▉ | 14/72 [00:24<01:50, 1.91s/it][A
21%|████████████████████████▌ | 15/72 [00:26<01:48, 1.91s/it][A
22%|██████████████████████████▏ | 16/72 [00:28<01:47, 1.92s/it][A
24%|███████████████████████████▊ | 17/72 [00:30<01:45, 1.92s/it][A
25%|█████████████████████████████▌ | 18/72 [00:32<01:43, 1.92s/it][A
26%|███████████████████████████████▏ | 19/72 [00:35<01:50, 2.08s/it][A
28%|████████████████████████████████▊ | 20/72 [00:36<01:45, 2.02s/it][A
29%|██████████████████████████████████▍ | 21/72 [00:38<01:41, 1.99s/it][A
31%|████████████████████████████████████ | 22/72 [00:40<01:38, 1.97s/it][A
32%|█████████████████████████████████████▋ | 23/72 [00:42<01:35, 1.95s/it][A
33%|███████████████████████████████████████▎ | 24/72 [00:44<01:33, 1.96s/it][A
35%|████████████████████████████████████████▉ | 25/72 [00:46<01:31, 1.95s/it][A
36%|██████████████████████████████████████████▌ | 26/72 [00:48<01:29, 1.94s/it][A
38%|████████████████████████████████████████████▎ | 27/72 [00:50<01:26, 1.93s/it][A
39%|█████████████████████████████████████████████▉ | 28/72 [00:52<01:24, 1.93s/it][A
40%|███████████████████████████████████████████████▌ | 29/72 [00:54<01:22, 1.92s/it][A
42%|█████████████████████████████████████████████████▏ | 30/72 [00:56<01:20, 1.91s/it][A
43%|██████████████████████████████████████████████████▊ | 31/72 [00:58<01:18, 1.90s/it][A
44%|████████████████████████████████████████████████████▍ | 32/72 [00:59<01:16, 1.91s/it][A
46%|██████████████████████████████████████████████████████ | 33/72 [01:01<01:14, 1.91s/it][A
47%|███████████████████████████████████████████████████████▋ | 34/72 [01:03<01:12, 1.91s/it][A
49%|█████████████████████████████████████████████████████████▎ | 35/72 [01:05<01:10, 1.91s/it][A
50%|███████████████████████████████████████████████████████████ | 36/72 [01:07<01:08, 1.92s/it][A
51%|████████████████████████████████████████████████████████████▋ | 37/72 [01:09<01:07, 1.92s/it][A
53%|██████████████████████████████████████████████████████████████▎ | 38/72 [01:11<01:05, 1.92s/it][A
54%|███████████████████████████████████████████████████████████████▉ | 39/72 [01:13<01:03, 1.92s/it][A
56%|█████████████████████████████████████████████████████████████████▌ | 40/72 [01:15<01:02, 1.94s/it][A
57%|███████████████████████████████████████████████████████████████████▏ | 41/72 [01:17<00:59, 1.93s/it][A
58%|████████████████████████████████████████████████████████████████████▊ | 42/72 [01:19<00:57, 1.92s/it][A
60%|██████████████████████████████████████████████████████████████████████▍ | 43/72 [01:21<00:55, 1.92s/it][A
61%|████████████████████████████████████████████████████████████████████████ | 44/72 [01:22<00:53, 1.92s/it][A
62%|█████████████████████████████████████████████████████████████████████████▊ | 45/72 [01:24<00:51, 1.92s/it][A
64%|███████████████████████████████████████████████████████████████████████████▍ | 46/72 [01:26<00:49, 1.92s/it][A
65%|█████████████████████████████████████████████████████████████████████████████ | 47/72 [01:28<00:47, 1.92s/it][A
67%|██████████████████████████████████████████████████████████████████████████████▋ | 48/72 [01:30<00:46, 1.92s/it][A
68%|████████████████████████████████████████████████████████████████████████████████▎ | 49/72 [01:32<00:44, 1.92s/it][A
69%|█████████████████████████████████████████████████████████████████████████████████▉ | 50/72 [01:34<00:42, 1.92s/it][A
71%|███████████████████████████████████████████████████████████████████████████████████▌ | 51/72 [01:36<00:40, 1.91s/it][A
72%|█████████████████████████████████████████████████████████████████████████████████████▏ | 52/72 [01:38<00:38, 1.91s/it][A
74%|██████████████████████████████████████████████████████████████████████████████████████▊ | 53/72 [01:40<00:36, 1.91s/it][A
75%|████████████████████████████████████████████████████████████████████████████████████████▌ | 54/72 [01:42<00:34, 1.91s/it][A
76%|██████████████████████████████████████████████████████████████████████████████████████████▏ | 55/72 [01:44<00:32, 1.91s/it][A
78%|███████████████████████████████████████████████████████████████████████████████████████████▊ | 56/72 [01:45<00:30, 1.92s/it][A
79%|█████████████████████████████████████████████████████████████████████████████████████████████▍ | 57/72 [01:47<00:28, 1.92s/it][A
81%|███████████████████████████████████████████████████████████████████████████████████████████████ | 58/72 [01:49<00:26, 1.92s/it][A
82%|████████████████████████████████████████████████████████████████████████████████████████████████▋ | 59/72 [01:52<00:26, 2.07s/it][A
83%|██████████████████████████████████████████████████████████████████████████████████████████████████▎ | 60/72 [01:54<00:24, 2.03s/it][A
85%|███████████████████████████████████████████████████████████████████████████████████████████████████▉ | 61/72 [01:56<00:21, 1.99s/it][A
86%|█████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 62/72 [01:57<00:19, 1.96s/it][A
88%|███████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 63/72 [01:59<00:17, 1.94s/it][A
89%|████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 64/72 [02:01<00:15, 1.93s/it][A
90%|██████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 65/72 [02:03<00:13, 1.93s/it][A
92%|████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 66/72 [02:05<00:11, 1.93s/it][A
93%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 67/72 [02:07<00:09, 1.92s/it][A
94%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 68/72 [02:09<00:07, 1.92s/it][A
96%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████ | 69/72 [02:11<00:05, 1.92s/it][A
97%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 70/72 [02:13<00:03, 1.92s/it][A
99%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 71/72 [02:15<00:01, 1.92s/it][A
100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 72/72 [02:17<00:00, 1.93s/it][A
[A{'eval_loss': 0.49272674322128296, 'eval_runtime': 139.4189, 'eval_samples_per_second': 5.236, 'eval_steps_per_second': 1.047, 'eval_ppl': 1.6368, 'memory/max_active (GiB)': 19.1, 'memory/max_allocated (GiB)': 19.1, 'memory/device_reserved (GiB)': 139.06, 'epoch': 2.25}
75%|██████████████████████████████████████████████████████████████████████████████████▌ | 3000/3996 [3:44:37<1:10:44, 4.26s/it]
100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 72/72 [02:17<00:00, 1.93s/it][A
[A[2025-12-29 06:34:23,129] [INFO] [axolotl.core.trainers.base._save:692] [PID:3751] Saving model checkpoint to ./outputs/luau-codellama-h200-fast/checkpoint-3000
75%|█████████████████████████████████████████████████████████████████████████████████▊ | 3001/3996 [3:44:42<12:54:00, 46.67s/it]
75%|██████████████████████████████████████████████████████████████████████████████████▋ | 3002/3996 [3:44:46<9:22:05, 33.93s/it]
75%|██████████████████████████████████████████████████████████████████████████████████▋ | 3003/3996 [3:44:50<6:56:39, 25.18s/it]
75%|██████████████████████████████████████████████████████████████████████████████████▋ | 3004/3996 [3:44:55<5:12:14, 18.89s/it]
75%|██████████████████████████████████████████████████████████████████████████████████▋ | 3005/3996 [3:44:59<3:59:07, 14.48s/it]
75%|██████████████████████████████████████████████████████████████████████████████████▋ | 3006/3996 [3:45:03<3:07:57, 11.39s/it]
75%|██████████████████████████████████████████████████████████████████████████████████▊ | 3007/3996 [3:45:07<2:32:15, 9.24s/it]
75%|██████████████████████████████████████████████████████████████████████████████████▊ | 3008/3996 [3:45:11<2:07:14, 7.73s/it]
75%|██████████████████████████████████████████████████████████████████████████████████▊ | 3009/3996 [3:45:16<1:49:41, 6.67s/it]
75%|██████████████████████████████████████████████████████████████████████████████████▊ | 3010/3996 [3:45:20<1:40:02, 6.09s/it]
75%|██████████████████████████████████████████████████████████████████████████████████▉ | 3011/3996 [3:45:25<1:30:43, 5.53s/it]
75%|██████████████████████████████████████████████████████████████████████████████████▉ | 3012/3996 [3:45:29<1:24:06, 5.13s/it]
75%|██████████████████████████████████████████████████████████████████████████████████▉ | 3013/3996 [3:45:33<1:19:22, 4.84s/it]
75%|██████████████████████████████████████████████████████████████████████████████████▉ | 3014/3996 [3:45:37<1:16:07, 4.65s/it]
75%|██████████████████████████████████████████████████████████████████████████████████▉ | 3015/3996 [3:45:41<1:13:52, 4.52s/it]
75%|███████████████████████████████████████████████████████████████████████████████████ | 3016/3996 [3:45:46<1:12:16, 4.42s/it]
76%|███████████████████████████████████████████████████████████████████████████████████ | 3017/3996 [3:45:50<1:13:45, 4.52s/it]
76%|███████████████████████████████████████████████████████████████████████████████████ | 3018/3996 [3:45:55<1:12:11, 4.43s/it]
76%|███████████████████████████████████████████████████████████████████████████████████ | 3019/3996 [3:45:59<1:10:58, 4.36s/it]
76%|███████████████████████████████████████████████████████████████████████████████████▏ | 3020/3996 [3:46:03<1:10:08, 4.31s/it]
76%|███████████████████████████████████████████████████████████████████████████████████▏ | 3021/3996 [3:46:07<1:09:33, 4.28s/it]
76%|███████████████████████████████████████████████████████████████████████████████████▏ | 3022/3996 [3:46:11<1:09:04, 4.26s/it]
76%|███████████████████████████████████████████████████████████████████████████████████▏ | 3023/3996 [3:46:16<1:08:41, 4.24s/it]
76%|███████████████████████████████████████████████████████████████████████████████████▏ | 3024/3996 [3:46:20<1:11:03, 4.39s/it]
76%|███████████████████████████████████████████████████████████████████████████████████▎ | 3025/3996 [3:46:24<1:10:02, 4.33s/it]
{'loss': 0.4705, 'grad_norm': 0.23463094234466553, 'learning_rate': 2.9175376849675073e-05, 'ppl': 1.6008, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4276.0, 'total_tokens': 59047769, 'epoch': 2.27}
76%|███████████████████████████████████████████████████████████████████████████████████▎ | 3025/3996 [3:46:24<1:10:02, 4.33s/it]
76%|███████████████████████████████████████████████████████████████████████████████████▎ | 3026/3996 [3:46:29<1:09:21, 4.29s/it]
76%|███████████████████████████████████████████████████████████████████████████████████▎ | 3027/3996 [3:46:33<1:08:45, 4.26s/it]
76%|███████████████████████████████████████████████████████████████████████████████████▎ | 3028/3996 [3:46:37<1:08:26, 4.24s/it]
76%|███████████████████████████████████████████████████████████████████████████████████▍ | 3029/3996 [3:46:41<1:08:04, 4.22s/it]
76%|███████████████████████████████████████████████████████████████████████████████████▍ | 3030/3996 [3:46:45<1:07:51, 4.21s/it]
76%|███████████████████████████████████████████████████████████████████████████████████▍ | 3031/3996 [3:46:50<1:11:40, 4.46s/it]
76%|███████████████████████████████████████████████████████████████████████████████████▍ | 3032/3996 [3:46:55<1:10:25, 4.38s/it]
76%|███████████████████████████████████████████████████████████████████████████████████▍ | 3033/3996 [3:46:59<1:09:25, 4.33s/it]
76%|███████████████████████████████████████████████████████████████████████████████████▌ | 3034/3996 [3:47:03<1:08:44, 4.29s/it]
76%|███████████████████████████████████████████████████████████████████████████████████▌ | 3035/3996 [3:47:07<1:08:17, 4.26s/it]
76%|███████████████████████████████████████████████████████████████████████████████████▌ | 3036/3996 [3:47:11<1:07:53, 4.24s/it]
76%|███████████████████████████████████████████████████████████████████████████████████▌ | 3037/3996 [3:47:16<1:07:36, 4.23s/it]
76%|███████████████████████████████████████████████████████████████████████████████████▋ | 3038/3996 [3:47:20<1:10:03, 4.39s/it]
76%|███████████████████████████████████████████████████████████████████████████████████▋ | 3039/3996 [3:47:25<1:09:09, 4.34s/it]
76%|███████████████████████████████████████████████████████████████████████████████████▋ | 3040/3996 [3:47:29<1:08:26, 4.30s/it]
76%|███████████████████████████████████████████████████████████████████████████████████▋ | 3041/3996 [3:47:33<1:07:53, 4.27s/it]
76%|███████████████████████████████████████████████████████████████████████████████████▋ | 3042/3996 [3:47:37<1:07:31, 4.25s/it]
76%|███████████████████████████████████████████████████████████████████████████████████▊ | 3043/3996 [3:47:41<1:07:13, 4.23s/it]
76%|███████████████████████████████████████████████████████████████████████████████████▊ | 3044/3996 [3:47:46<1:06:58, 4.22s/it]
76%|███████████████████████████████████████████████████████████████████████████████████▊ | 3045/3996 [3:47:50<1:09:18, 4.37s/it]
76%|███████████████████████████████████████████████████████████████████████████████████▊ | 3046/3996 [3:47:55<1:08:30, 4.33s/it]
76%|███████████████████████████████████████████████████████████████████████████████████▉ | 3047/3996 [3:47:59<1:07:46, 4.28s/it]
76%|███████████████████████████████████████████████████████████████████████████████████▉ | 3048/3996 [3:48:03<1:09:20, 4.39s/it]
76%|███████████████████████████████████████████████████████████████████████████████████▉ | 3049/3996 [3:48:08<1:09:23, 4.40s/it]
76%|███████████████████████████████████████████████████████████████████████████████████▉ | 3050/3996 [3:48:12<1:08:24, 4.34s/it]
{'loss': 0.4761, 'grad_norm': 0.2144247442483902, 'learning_rate': 2.7766701705225194e-05, 'ppl': 1.6098, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4257.17, 'total_tokens': 59495040, 'epoch': 2.29}
76%|███████████████████████████████████████████████████████████████████████████████████▉ | 3050/3996 [3:48:12<1:08:24, 4.34s/it]
76%|███████████████████████████████████████████████████████████████████████████████████▉ | 3051/3996 [3:48:16<1:07:42, 4.30s/it]
76%|████████████████████████████████████████████████████████████████████████████████████ | 3052/3996 [3:48:21<1:09:42, 4.43s/it]
76%|████████████████████████████████████████████████████████████████████████████████████ | 3053/3996 [3:48:25<1:08:38, 4.37s/it]
76%|████████████████████████████████████████████████████████████████████████████████████ | 3054/3996 [3:48:29<1:07:44, 4.31s/it]
76%|████████████████████████████████████████████████████████████████████████████████████ | 3055/3996 [3:48:34<1:07:09, 4.28s/it]
76%|████████████████████████████████████████████████████████████████████████████████████ | 3056/3996 [3:48:38<1:06:42, 4.26s/it]
77%|████████████████████████████████████████████████████████████████████████████████████▏ | 3057/3996 [3:48:42<1:06:17, 4.24s/it]
77%|████████████████████████████████████████████████████████████████████████████████████▏ | 3058/3996 [3:48:46<1:05:59, 4.22s/it]
77%|████████████████████████████████████████████████████████████████████████████████████▏ | 3059/3996 [3:48:51<1:08:23, 4.38s/it]
77%|████████████████████████████████████████████████████████████████████████████████████▏ | 3060/3996 [3:48:55<1:07:34, 4.33s/it]
77%|████████████████████████████████████████████████████████████████████████████████████▎ | 3061/3996 [3:48:59<1:06:48, 4.29s/it]
77%|████████████████████████████████████████████████████████████████████████████████████▎ | 3062/3996 [3:49:04<1:06:17, 4.26s/it]
77%|████████████████████████████████████████████████████████████████████████████████████▎ | 3063/3996 [3:49:08<1:06:03, 4.25s/it]
77%|████████████████████████████████████████████████████████████████████████████████████▎ | 3064/3996 [3:49:12<1:05:46, 4.23s/it]
77%|████████████████████████████████████████████████████████████████████████████████████▎ | 3065/3996 [3:49:16<1:05:30, 4.22s/it]
77%|████████████████████████████████████████████████████████████████████████████████████▍ | 3066/3996 [3:49:21<1:09:46, 4.50s/it]
77%|████████████████████████████████████████████████████████████████████████████████████▍ | 3067/3996 [3:49:25<1:08:21, 4.41s/it]
77%|████████████████████████████████████████████████████████████████████████████████████▍ | 3068/3996 [3:49:30<1:07:18, 4.35s/it]
77%|████████████████████████████████████████████████████████████████████████████████████▍ | 3069/3996 [3:49:34<1:06:28, 4.30s/it]
77%|████████████████████████████████████████████████████████████████████████████████████▌ | 3070/3996 [3:49:38<1:05:59, 4.28s/it]
77%|████████████████████████████████████████████████████████████████████████████████████▌ | 3071/3996 [3:49:42<1:05:28, 4.25s/it]
77%|████████████████████████████████████████████████████████████████████████████████████▌ | 3072/3996 [3:49:46<1:05:10, 4.23s/it]
77%|████████████████████████████████████████████████████████████████████████████████████▌ | 3073/3996 [3:49:51<1:07:32, 4.39s/it]
77%|████████████████████████████████████████████████████████████████████████████████████▌ | 3074/3996 [3:49:55<1:06:35, 4.33s/it]
77%|████████████████████████████████████████████████████████████████████████████████████▋ | 3075/3996 [3:50:00<1:05:48, 4.29s/it]
{'loss': 0.4576, 'grad_norm': 0.21562626957893372, 'learning_rate': 2.6387380379269623e-05, 'ppl': 1.5803, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4276.33, 'total_tokens': 59941839, 'epoch': 2.31}
77%|████████████████████████████████████████████████████████████████████████████████████▋ | 3075/3996 [3:50:00<1:05:48, 4.29s/it]
77%|████████████████████████████████████████████████████████████████████████████████████▋ | 3076/3996 [3:50:04<1:05:17, 4.26s/it]
77%|████████████████████████████████████████████████████████████████████████████████████▋ | 3077/3996 [3:50:08<1:04:55, 4.24s/it]
77%|████████████████████████████████████████████████████████████████████████████████████▋ | 3078/3996 [3:50:12<1:04:39, 4.23s/it]
77%|████████████████████████████████████████████████████████████████████████████████████▊ | 3079/3996 [3:50:16<1:04:27, 4.22s/it]
77%|████████████████████████████████████████████████████████████████████████████████████▊ | 3080/3996 [3:50:21<1:06:49, 4.38s/it]
77%|████████████████████████████████████████████████████████████████████████████████████▊ | 3081/3996 [3:50:25<1:05:59, 4.33s/it]
77%|████████████████████████████████████████████████████████████████████████████████████▊ | 3082/3996 [3:50:30<1:05:19, 4.29s/it]
77%|████████████████████████████████████████████████████████████████████████████████████▊ | 3083/3996 [3:50:34<1:04:48, 4.26s/it]
77%|████████████████████████████████████████████████████████████████████████████████████▉ | 3084/3996 [3:50:38<1:04:32, 4.25s/it]
77%|████████████████████████████████████████████████████████████████████████████████████▉ | 3085/3996 [3:50:42<1:04:15, 4.23s/it]
77%|████████████████████████████████████████████████████████████████████████████████████▉ | 3086/3996 [3:50:46<1:04:02, 4.22s/it]
77%|████████████████████████████████████████████████████████████████████████████████████▉ | 3087/3996 [3:50:51<1:06:20, 4.38s/it]
77%|█████████████████████████████████████████████████████████████████████████████████████ | 3088/3996 [3:50:55<1:05:31, 4.33s/it]
77%|█████████████████████████████████████████████████████████████████████████████████████ | 3089/3996 [3:51:00<1:04:48, 4.29s/it]
77%|█████████████████████████████████████████████████████████████████████████████████████ | 3090/3996 [3:51:04<1:04:15, 4.26s/it]
77%|█████████████████████████████████████████████████████████████████████████████████████ | 3091/3996 [3:51:08<1:03:53, 4.24s/it]
77%|█████████████████████████████████████████████████████████████████████████████████████ | 3092/3996 [3:51:12<1:03:40, 4.23s/it]
77%|█████████████████████████████████████████████████████████████████████████████████████▏ | 3093/3996 [3:51:16<1:03:30, 4.22s/it]
77%|█████████████████████████████████████████████████████████████████████████████████████▏ | 3094/3996 [3:51:21<1:05:43, 4.37s/it]
77%|█████████████████████████████████████████████████████████████████████████████████████▏ | 3095/3996 [3:51:25<1:04:54, 4.32s/it]
77%|█████████████████████████████████████████████████████████████████████████████████████▏ | 3096/3996 [3:51:29<1:04:17, 4.29s/it]
78%|█████████████████████████████████████████████████████████████████████████████████████▎ | 3097/3996 [3:51:34<1:03:49, 4.26s/it]
78%|█████████████████████████████████████████████████████████████████████████████████████▎ | 3098/3996 [3:51:38<1:03:29, 4.24s/it]
78%|█████████████████████████████████████████████████████████████████████████████████████▎ | 3099/3996 [3:51:42<1:03:13, 4.23s/it]
78%|█████████████████████████████████████████████████████████████████████████████████████▎ | 3100/3996 [3:51:46<1:03:03, 4.22s/it]
{'loss': 0.4578, 'grad_norm': 0.2173856496810913, 'learning_rate': 2.5037973393739433e-05, 'ppl': 1.5806, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4284.31, 'total_tokens': 60392267, 'epoch': 2.33}
78%|█████████████████████████████████████████████████████████████████████████████████████▎ | 3100/3996 [3:51:46<1:03:03, 4.22s/it]
78%|█████████████████████████████████████████████████████████████████████████████████████▎ | 3101/3996 [3:51:51<1:05:21, 4.38s/it]
78%|█████████████████████████████████████████████████████████████████████████████████████▍ | 3102/3996 [3:51:55<1:04:29, 4.33s/it]
78%|█████████████████████████████████████████████████████████████████████████████████████▍ | 3103/3996 [3:51:59<1:03:49, 4.29s/it]
78%|█████████████████████████████████████████████████████████████████████████████████████▍ | 3104/3996 [3:52:04<1:03:18, 4.26s/it]
78%|█████████████████████████████████████████████████████████████████████████████████████▍ | 3105/3996 [3:52:08<1:03:01, 4.24s/it]
78%|█████████████████████████████████████████████████████████████████████████████████████▌ | 3106/3996 [3:52:12<1:02:43, 4.23s/it]
78%|█████████████████████████████████████████████████████████████████████████████████████▌ | 3107/3996 [3:52:16<1:02:33, 4.22s/it]
78%|█████████████████████████████████████████████████████████████████████████████████████▌ | 3108/3996 [3:52:21<1:04:46, 4.38s/it]
78%|█████████████████████████████████████████████████████████████████████████████████████▌ | 3109/3996 [3:52:25<1:03:51, 4.32s/it]
78%|█████████████████████████████████████████████████████████████████████████████████████▌ | 3110/3996 [3:52:29<1:03:15, 4.28s/it]
78%|█████████████████████████████████████████████████████████████████████████████████████▋ | 3111/3996 [3:52:34<1:02:51, 4.26s/it]
78%|█████████████████████████████████████████████████████████████████████████████████████▋ | 3112/3996 [3:52:38<1:02:33, 4.25s/it]
78%|█████████████████████████████████████████████████████████████████████████████████████▋ | 3113/3996 [3:52:42<1:02:15, 4.23s/it]
78%|█████████████████████████████████████████████████████████████████████████████████████▋ | 3114/3996 [3:52:46<1:02:02, 4.22s/it]
78%|█████████████████████████████████████████████████████████████████████████████████████▋ | 3115/3996 [3:52:51<1:04:19, 4.38s/it]
78%|█████████████████████████████████████████████████████████████████████████████████████▊ | 3116/3996 [3:52:55<1:03:30, 4.33s/it]
78%|█████████████████████████████████████████████████████████████████████████████████████▊ | 3117/3996 [3:52:59<1:02:50, 4.29s/it]
78%|█████████████████████████████████████████████████████████████████████████████████████▊ | 3118/3996 [3:53:03<1:02:19, 4.26s/it]
78%|█████████████████████████████████████████████████████████████████████████████████████▊ | 3119/3996 [3:53:08<1:02:03, 4.25s/it]
78%|█████████████████████████████████████████████████████████████████████████████████████▉ | 3120/3996 [3:53:12<1:01:47, 4.23s/it]
78%|█████████████████████████████████████████████████████████████████████████████████████▉ | 3121/3996 [3:53:16<1:03:14, 4.34s/it]
78%|█████████████████████████████████████████████████████████████████████████████████████▉ | 3122/3996 [3:53:21<1:04:58, 4.46s/it]
78%|█████████████████████████████████████████████████████████████████████████████████████▉ | 3123/3996 [3:53:25<1:03:44, 4.38s/it]
78%|█████████████████████████████████████████████████████████████████████████████████████▉ | 3124/3996 [3:53:30<1:02:49, 4.32s/it]
78%|██████████████████████████████████████████████████████████████████████████████████████ | 3125/3996 [3:53:34<1:02:07, 4.28s/it]
{'loss': 0.4652, 'grad_norm': 0.21864096820354462, 'learning_rate': 2.3719029114120716e-05, 'ppl': 1.5923, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4250.05, 'total_tokens': 60836393, 'epoch': 2.34}
78%|██████████████████████████████████████████████████████████████████████████████████████ | 3125/3996 [3:53:34<1:02:07, 4.28s/it]
78%|██████████████████████████████████████████████████████████████████████████████████████ | 3126/3996 [3:53:38<1:01:43, 4.26s/it]
78%|██████████████████████████████████████████████████████████████████████████████████████ | 3127/3996 [3:53:42<1:01:23, 4.24s/it]
78%|██████████████████████████████████████████████████████████████████████████████████████ | 3128/3996 [3:53:46<1:01:07, 4.23s/it]
78%|██████████████████████████████████████████████████████████████████████████████████████▏ | 3129/3996 [3:53:51<1:03:17, 4.38s/it]
78%|██████████████████████████████████████████████████████████████████████████████████████▏ | 3130/3996 [3:53:55<1:02:29, 4.33s/it]
78%|██████████████████████████████████████████████████████████████████████████████████████▏ | 3131/3996 [3:54:00<1:01:49, 4.29s/it]
78%|██████████████████████████████████████████████████████████████████████████████████████▏ | 3132/3996 [3:54:04<1:01:15, 4.25s/it]
78%|██████████████████████████████████████████████████████████████████████████████████████▏ | 3133/3996 [3:54:08<1:01:01, 4.24s/it]
78%|██████████████████████████████████████████████████████████████████████████████████████▎ | 3134/3996 [3:54:12<1:00:45, 4.23s/it]
78%|██████████████████████████████████████████████████████████████████████████████████████▎ | 3135/3996 [3:54:16<1:00:31, 4.22s/it]
78%|██████████████████████████████████████████████████████████████████████████████████████▎ | 3136/3996 [3:54:21<1:02:41, 4.37s/it]
79%|██████████████████████████████████████████████████████████████████████████████████████▎ | 3137/3996 [3:54:25<1:01:56, 4.33s/it]
79%|██████████████████████████████████████████████████████████████████████████████████████▍ | 3138/3996 [3:54:29<1:01:24, 4.29s/it]
79%|██████████████████████████████████████████████████████████████████████████████████████▍ | 3139/3996 [3:54:34<1:00:55, 4.27s/it]
79%|██████████████████████████████████████████████████████████████████████████████████████▍ | 3140/3996 [3:54:38<1:00:37, 4.25s/it]
79%|██████████████████████████████████████████████████████████████████████████████████████▍ | 3141/3996 [3:54:42<1:00:18, 4.23s/it]
79%|██████████████████████████████████████████████████████████████████████████████████████▍ | 3142/3996 [3:54:46<1:00:07, 4.22s/it]
79%|██████████████████████████████████████████████████████████████████████████████████████▌ | 3143/3996 [3:54:51<1:02:15, 4.38s/it]
79%|██████████████████████████████████████████████████████████████████████████████████████▌ | 3144/3996 [3:54:55<1:01:30, 4.33s/it]
79%|██████████████████████████████████████████████████████████████████████████████████████▌ | 3145/3996 [3:54:59<1:00:51, 4.29s/it]
79%|██████████████████████████████████████████████████████████████████████████████████████▌ | 3146/3996 [3:55:04<1:00:20, 4.26s/it]
79%|██████████████████████████████████████████████████████████████████████████████████████▋ | 3147/3996 [3:55:08<1:00:00, 4.24s/it]
79%|████████████████████████████████████████████████████████████████████████████████████████▏ | 3148/3996 [3:55:12<59:44, 4.23s/it]
79%|████████████████████████████████████████████████████████████████████████████████████████▎ | 3149/3996 [3:55:16<59:34, 4.22s/it]
79%|██████████████████████████████████████████████████████████████████████████████████████▋ | 3150/3996 [3:55:21<1:01:39, 4.37s/it]
{'loss': 0.4721, 'grad_norm': 0.22768662869930267, 'learning_rate': 2.2431083526612373e-05, 'ppl': 1.6034, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 3777.63, 'total_tokens': 61282878, 'epoch': 2.36}
79%|██████████████████████████████████████████████████████████████████████████████████████▋ | 3150/3996 [3:55:21<1:01:39, 4.37s/it]
79%|██████████████████████████████████████████████████████████████████████████████████████▋ | 3151/3996 [3:55:25<1:00:54, 4.33s/it]
79%|██████████████████████████████████████████████████████████████████████████████████████▊ | 3152/3996 [3:55:29<1:00:15, 4.28s/it]
79%|████████████████████████████████████████████████████████████████████████████████████████▎ | 3153/3996 [3:55:34<59:48, 4.26s/it]
79%|████████████████████████████████████████████████████████████████████████████████████████▍ | 3154/3996 [3:55:38<59:33, 4.24s/it]
79%|████████████████████████████████████████████████████████████████████████████████████████▍ | 3155/3996 [3:55:42<59:16, 4.23s/it]
79%|████████████████████████████████████████████████████████████████████████████████████████▍ | 3156/3996 [3:55:46<59:04, 4.22s/it]
79%|██████████████████████████████████████████████████████████████████████████████████████▉ | 3157/3996 [3:55:51<1:01:12, 4.38s/it]
79%|██████████████████████████████████████████████████████████████████████████████████████▉ | 3158/3996 [3:55:55<1:00:23, 4.32s/it]
79%|████████████████████████████████████████████████████████████████████████████████████████▌ | 3159/3996 [3:55:59<59:46, 4.29s/it]
79%|████████████████████████████████████████████████████████████████████████████████████████▌ | 3160/3996 [3:56:03<59:19, 4.26s/it]
79%|████████████████████████████████████████████████████████████████████████████████████████▌ | 3161/3996 [3:56:08<59:03, 4.24s/it]
79%|████████████████████████████████████████████████████████████████████████████████████████▌ | 3162/3996 [3:56:12<58:48, 4.23s/it]
79%|████████████████████████████████████████████████████████████████████████████████████████▋ | 3163/3996 [3:56:16<58:37, 4.22s/it]
79%|███████████████████████████████████████████████████████████████████████████████████████ | 3164/3996 [3:56:21<1:00:39, 4.37s/it]
79%|████████████████████████████████████████████████████████████████████████████████████████▋ | 3165/3996 [3:56:25<59:52, 4.32s/it]
79%|████████████████████████████████████████████████████████████████████████████████████████▋ | 3166/3996 [3:56:29<59:16, 4.29s/it]
79%|████████████████████████████████████████████████████████████████████████████████████████▊ | 3167/3996 [3:56:33<58:51, 4.26s/it]
79%|████████████████████████████████████████████████████████████████████████████████████████▊ | 3168/3996 [3:56:38<58:36, 4.25s/it]
79%|████████████████████████████████████████████████████████████████████████████████████████▊ | 3169/3996 [3:56:42<58:18, 4.23s/it]
79%|████████████████████████████████████████████████████████████████████████████████████████▊ | 3170/3996 [3:56:46<58:08, 4.22s/it]
79%|███████████████████████████████████████████████████████████████████████████████████████▎ | 3171/3996 [3:56:51<1:00:12, 4.38s/it]
79%|████████████████████████████████████████████████████████████████████████████████████████▉ | 3172/3996 [3:56:55<59:26, 4.33s/it]
79%|████████████████████████████████████████████████████████████████████████████████████████▉ | 3173/3996 [3:56:59<58:50, 4.29s/it]
79%|████████████████████████████████████████████████████████████████████████████████████████▉ | 3174/3996 [3:57:03<58:22, 4.26s/it]
79%|████████████████████████████████████████████████████████████████████████████████████████▉ | 3175/3996 [3:57:08<58:00, 4.24s/it]
{'loss': 0.486, 'grad_norm': 0.20161285996437073, 'learning_rate': 2.1174660020314696e-05, 'ppl': 1.6258, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4279.7, 'total_tokens': 61731262, 'epoch': 2.38}
79%|████████████████████████████████████████████████████████████████████████████████████████▉ | 3175/3996 [3:57:08<58:00, 4.24s/it]
79%|█████████████████████████████████████████████████████████████████████████████████████████ | 3176/3996 [3:57:12<57:47, 4.23s/it]
80%|█████████████████████████████████████████████████████████████████████████████████████████ | 3177/3996 [3:57:16<57:38, 4.22s/it]
80%|█████████████████████████████████████████████████████████████████████████████████████████ | 3178/3996 [3:57:21<59:38, 4.37s/it]
80%|█████████████████████████████████████████████████████████████████████████████████████████ | 3179/3996 [3:57:25<58:54, 4.33s/it]
80%|█████████████████████████████████████████████████████████████████████████████████████████▏ | 3180/3996 [3:57:29<58:15, 4.28s/it]
80%|█████████████████████████████████████████████████████████████████████████████████████████▏ | 3181/3996 [3:57:33<57:46, 4.25s/it]
80%|█████████████████████████████████████████████████████████████████████████████████████████▏ | 3182/3996 [3:57:37<57:28, 4.24s/it]
80%|█████████████████████████████████████████████████████████████████████████████████████████▏ | 3183/3996 [3:57:42<57:14, 4.22s/it]
80%|█████████████████████████████████████████████████████████████████████████████████████████▏ | 3184/3996 [3:57:46<57:00, 4.21s/it]
80%|█████████████████████████████████████████████████████████████████████████████████████████▎ | 3185/3996 [3:57:51<59:06, 4.37s/it]
80%|█████████████████████████████████████████████████████████████████████████████████████████▎ | 3186/3996 [3:57:55<58:45, 4.35s/it]
80%|█████████████████████████████████████████████████████████████████████████████████████████▎ | 3187/3996 [3:57:59<58:04, 4.31s/it]
80%|█████████████████████████████████████████████████████████████████████████████████████████▎ | 3188/3996 [3:58:03<57:33, 4.27s/it]
80%|█████████████████████████████████████████████████████████████████████████████████████████▍ | 3189/3996 [3:58:08<57:14, 4.26s/it]
80%|█████████████████████████████████████████████████████████████████████████████████████████▍ | 3190/3996 [3:58:12<56:57, 4.24s/it]
80%|█████████████████████████████████████████████████████████████████████████████████████████▍ | 3191/3996 [3:58:16<56:45, 4.23s/it]
80%|█████████████████████████████████████████████████████████████████████████████████████████▍ | 3192/3996 [3:58:21<58:42, 4.38s/it]
80%|█████████████████████████████████████████████████████████████████████████████████████████▍ | 3193/3996 [3:58:25<57:57, 4.33s/it]
80%|█████████████████████████████████████████████████████████████████████████████████████████▌ | 3194/3996 [3:58:29<57:21, 4.29s/it]
80%|█████████████████████████████████████████████████████████████████████████████████████████▌ | 3195/3996 [3:58:33<56:55, 4.26s/it]
80%|█████████████████████████████████████████████████████████████████████████████████████████▌ | 3196/3996 [3:58:37<56:37, 4.25s/it]
80%|█████████████████████████████████████████████████████████████████████████████████████████▌ | 3197/3996 [3:58:42<56:46, 4.26s/it]
80%|█████████████████████████████████████████████████████████████████████████████████████████▋ | 3198/3996 [3:58:46<56:25, 4.24s/it]
80%|█████████████████████████████████████████████████████████████████████████████████████████▋ | 3199/3996 [3:58:51<58:22, 4.40s/it]
80%|█████████████████████████████████████████████████████████████████████████████████████████▋ | 3200/3996 [3:58:55<57:36, 4.34s/it]
{'loss': 0.4822, 'grad_norm': 0.2132490575313568, 'learning_rate': 1.9950269174537007e-05, 'ppl': 1.6196, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4245.52, 'total_tokens': 62179118, 'epoch': 2.4}
80%|█████████████████████████████████████████████████████████████████████████████████████████▋ | 3200/3996 [3:58:55<57:36, 4.34s/it]
80%|█████████████████████████████████████████████████████████████████████████████████████████▋ | 3201/3996 [3:58:59<56:59, 4.30s/it]
80%|█████████████████████████████████████████████████████████████████████████████████████████▋ | 3202/3996 [3:59:03<56:30, 4.27s/it]
80%|█████████████████████████████████████████████████████████████████████████████████████████▊ | 3203/3996 [3:59:08<56:10, 4.25s/it]
80%|█████████████████████████████████████████████████████████████████████████████████████████▊ | 3204/3996 [3:59:12<55:55, 4.24s/it]
80%|█████████████████████████████████████████████████████████████████████████████████████████▊ | 3205/3996 [3:59:16<55:44, 4.23s/it]
80%|█████████████████████████████████████████████████████████████████████████████████████████▊ | 3206/3996 [3:59:21<57:40, 4.38s/it]
80%|█████████████████████████████████████████████████████████████████████████████████████████▉ | 3207/3996 [3:59:25<56:59, 4.33s/it]
80%|█████████████████████████████████████████████████████████████████████████████████████████▉ | 3208/3996 [3:59:29<56:35, 4.31s/it]
80%|█████████████████████████████████████████████████████████████████████████████████████████▉ | 3209/3996 [3:59:33<56:07, 4.28s/it]
80%|█████████████████████████████████████████████████████████████████████████████████████████▉ | 3210/3996 [3:59:38<57:04, 4.36s/it]
80%|█████████████████████████████████████████████████████████████████████████████████████████▉ | 3211/3996 [3:59:43<58:04, 4.44s/it]
80%|██████████████████████████████████████████████████████████████████████████████████████████ | 3212/3996 [3:59:47<57:03, 4.37s/it]
80%|██████████████████████████████████████████████████████████████████████████████████████████ | 3213/3996 [3:59:52<58:32, 4.49s/it]
80%|██████████████████████████████████████████████████████████████████████████████████████████ | 3214/3996 [3:59:56<57:24, 4.40s/it]
80%|██████████████████████████████████████████████████████████████████████████████████████████ | 3215/3996 [4:00:00<56:30, 4.34s/it]
80%|██████████████████████████████████████████████████████████████████████████████████████████▏ | 3216/3996 [4:00:04<55:50, 4.30s/it]
81%|██████████████████████████████████████████████████████████████████████████████████████████▏ | 3217/3996 [4:00:08<55:26, 4.27s/it]
81%|██████████████████████████████████████████████████████████████████████████████████████████▏ | 3218/3996 [4:00:13<55:02, 4.25s/it]
81%|██████████████████████████████████████████████████████████████████████████████████████████▏ | 3219/3996 [4:00:17<54:47, 4.23s/it]
81%|██████████████████████████████████████████████████████████████████████████████████████████▎ | 3220/3996 [4:00:21<56:41, 4.38s/it]
81%|██████████████████████████████████████████████████████████████████████████████████████████▎ | 3221/3996 [4:00:26<55:58, 4.33s/it]
81%|██████████████████████████████████████████████████████████████████████████████████████████▎ | 3222/3996 [4:00:30<55:25, 4.30s/it]
81%|██████████████████████████████████████████████████████████████████████████████████████████▎ | 3223/3996 [4:00:34<54:57, 4.27s/it]
81%|██████████████████████████████████████████████████████████████████████████████████████████▎ | 3224/3996 [4:00:38<54:38, 4.25s/it]
81%|██████████████████████████████████████████████████████████████████████████████████████████▍ | 3225/3996 [4:00:42<54:23, 4.23s/it]
{'loss': 0.49, 'grad_norm': 0.24689531326293945, 'learning_rate': 1.8758408551311047e-05, 'ppl': 1.6323, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4237.8, 'total_tokens': 62624159, 'epoch': 2.42}
81%|██████████████████████████████████████████████████████████████████████████████████████████▍ | 3225/3996 [4:00:42<54:23, 4.23s/it]
81%|██████████████████████████████████████████████████████████████████████████████████████████▍ | 3226/3996 [4:00:47<54:12, 4.22s/it]
81%|██████████████████████████████████████████████████████████████████████████████████████████▍ | 3227/3996 [4:00:51<56:07, 4.38s/it]
81%|██████████████████████████████████████████████████████████████████████████████████████████▍ | 3228/3996 [4:00:56<55:23, 4.33s/it]
81%|██████████████████████████████████████████████████████████████████████████████████████████▌ | 3229/3996 [4:01:00<56:01, 4.38s/it]
81%|██████████████████████████████████████████████████████████████████████████████████████████▌ | 3230/3996 [4:01:04<55:12, 4.32s/it]
81%|██████████████████████████████████████████████████████████████████████████████████████████▌ | 3231/3996 [4:01:09<54:38, 4.29s/it]
81%|██████████████████████████████████████████████████████████████████████████████████████████▌ | 3232/3996 [4:01:13<54:15, 4.26s/it]
81%|██████████████████████████████████████████████████████████████████████████████████████████▌ | 3233/3996 [4:01:17<53:54, 4.24s/it]
81%|██████████████████████████████████████████████████████████████████████████████████████████▋ | 3234/3996 [4:01:22<56:03, 4.41s/it]
81%|██████████████████████████████████████████████████████████████████████████████████████████▋ | 3235/3996 [4:01:26<55:14, 4.36s/it]
81%|██████████████████████████████████████████████████████████████████████████████████████████▋ | 3236/3996 [4:01:30<55:17, 4.37s/it]
81%|██████████████████████████████████████████████████████████████████████████████████████████▋ | 3237/3996 [4:01:35<54:51, 4.34s/it]
81%|██████████████████████████████████████████████████████████████████████████████████████████▊ | 3238/3996 [4:01:39<54:16, 4.30s/it]
81%|██████████████████████████████████████████████████████████████████████████████████████████▊ | 3239/3996 [4:01:43<54:05, 4.29s/it]
81%|██████████████████████████████████████████████████████████████████████████████████████████▊ | 3240/3996 [4:01:47<53:48, 4.27s/it]
81%|██████████████████████████████████████████████████████████████████████████████████████████▊ | 3241/3996 [4:01:52<55:34, 4.42s/it]
81%|██████████████████████████████████████████████████████████████████████████████████████████▊ | 3242/3996 [4:01:56<54:46, 4.36s/it]
81%|██████████████████████████████████████████████████████████████████████████████████████████▉ | 3243/3996 [4:02:01<54:06, 4.31s/it]
81%|██████████████████████████████████████████████████████████████████████████████████████████▉ | 3244/3996 [4:02:05<53:36, 4.28s/it]
81%|██████████████████████████████████████████████████████████████████████████████████████████▉ | 3245/3996 [4:02:09<53:17, 4.26s/it]
81%|██████████████████████████████████████████████████████████████████████████████████████████▉ | 3246/3996 [4:02:13<53:01, 4.24s/it]
81%|███████████████████████████████████████████████████████████████████████████████████████████ | 3247/3996 [4:02:17<52:47, 4.23s/it]
81%|███████████████████████████████████████████████████████████████████████████████████████████ | 3248/3996 [4:02:22<54:35, 4.38s/it]
81%|███████████████████████████████████████████████████████████████████████████████████████████ | 3249/3996 [4:02:26<53:54, 4.33s/it]
81%|███████████████████████████████████████████████████████████████████████████████████████████ | 3250/3996 [4:02:30<53:23, 4.29s/it]
{'loss': 0.4654, 'grad_norm': 0.2103738784790039, 'learning_rate': 1.7599562493193867e-05, 'ppl': 1.5927, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4234.16, 'total_tokens': 63069936, 'epoch': 2.44}
81%|███████████████████████████████████████████████████████████████████████████████████████████ | 3250/3996 [4:02:30<53:23, 4.29s/it]
81%|███████████████████████████████████████████████████████████████████████████████████████████ | 3251/3996 [4:02:35<52:58, 4.27s/it]
81%|███████████████████████████████████████████████████████████████████████████████████████████▏ | 3252/3996 [4:02:39<52:39, 4.25s/it]
81%|███████████████████████████████████████████████████████████████████████████████████████████▏ | 3253/3996 [4:02:43<52:26, 4.23s/it]
81%|███████████████████████████████████████████████████████████████████████████████████████████▏ | 3254/3996 [4:02:47<52:12, 4.22s/it]
81%|███████████████████████████████████████████████████████████████████████████████████████████▏ | 3255/3996 [4:02:52<54:02, 4.38s/it]
81%|███████████████████████████████████████████████████████████████████████████████████████████▎ | 3256/3996 [4:02:56<53:20, 4.33s/it]
82%|███████████████████████████████████████████████████████████████████████████████████████████▎ | 3257/3996 [4:03:00<52:46, 4.28s/it]
82%|███████████████████████████████████████████████████████████████████████████████████████████▎ | 3258/3996 [4:03:05<52:19, 4.25s/it]
82%|███████████████████████████████████████████████████████████████████████████████████████████▎ | 3259/3996 [4:03:09<52:02, 4.24s/it]
82%|███████████████████████████████████████████████████████████████████████████████████████████▎ | 3260/3996 [4:03:13<51:49, 4.23s/it]
82%|███████████████████████████████████████████████████████████████████████████████████████████▍ | 3261/3996 [4:03:18<53:18, 4.35s/it]
82%|███████████████████████████████████████████████████████████████████████████████████████████▍ | 3262/3996 [4:03:22<54:41, 4.47s/it]
82%|███████████████████████████████████████████████████████████████████████████████████████████▍ | 3263/3996 [4:03:27<55:45, 4.56s/it]
82%|███████████████████████████████████████████████████████████████████████████████████████████▍ | 3264/3996 [4:03:31<54:22, 4.46s/it]
82%|███████████████████████████████████████████████████████████████████████████████████████████▌ | 3265/3996 [4:03:36<53:16, 4.37s/it]
82%|███████████████████████████████████████████████████████████████████████████████████████████▌ | 3266/3996 [4:03:40<52:37, 4.33s/it]
82%|███████████████████████████████████████████████████████████████████████████████████████████▌ | 3267/3996 [4:03:44<52:03, 4.29s/it]
82%|███████████████████████████████████████████████████████████████████████████████████████████▌ | 3268/3996 [4:03:48<51:42, 4.26s/it]
82%|███████████████████████████████████████████████████████████████████████████████████████████▌ | 3269/3996 [4:03:53<53:20, 4.40s/it]
82%|███████████████████████████████████████████████████████████████████████████████████████████▋ | 3270/3996 [4:03:57<52:33, 4.34s/it]
82%|███████████████████████████████████████████████████████████████████████████████████████████▋ | 3271/3996 [4:04:01<51:56, 4.30s/it]
82%|███████████████████████████████████████████████████████████████████████████████████████████▋ | 3272/3996 [4:04:05<51:27, 4.26s/it]
82%|███████████████████████████████████████████████████████████████████████████████████████████▋ | 3273/3996 [4:04:10<51:07, 4.24s/it]
82%|███████████████████████████████████████████████████████████████████████████████████████████▊ | 3274/3996 [4:04:14<50:53, 4.23s/it]
82%|███████████████████████████████████████████████████████████████████████████████████████████▊ | 3275/3996 [4:04:18<50:46, 4.23s/it]
{'loss': 0.4575, 'grad_norm': 0.2107544094324112, 'learning_rate': 1.6474201926443267e-05, 'ppl': 1.5801, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4198.5, 'total_tokens': 63512282, 'epoch': 2.46}
82%|███████████████████████████████████████████████████████████████████████████████████████████▊ | 3275/3996 [4:04:18<50:46, 4.23s/it]
82%|███████████████████████████████████████████████████████████████████████████████████████████▊ | 3276/3996 [4:04:23<52:31, 4.38s/it]
82%|███████████████████████████████████████████████████████████████████████████████████████████▊ | 3277/3996 [4:04:27<51:51, 4.33s/it]
82%|███████████████████████████████████████████████████████████████████████████████████████████▉ | 3278/3996 [4:04:31<51:20, 4.29s/it]
82%|███████████████████████████████████████████████████████████████████████████████████████████▉ | 3279/3996 [4:04:35<50:52, 4.26s/it]
82%|███████████████████████████████████████████████████████████████████████████████████████████▉ | 3280/3996 [4:04:40<50:36, 4.24s/it]
82%|███████████████████████████████████████████████████████████████████████████████████████████▉ | 3281/3996 [4:04:44<50:44, 4.26s/it]
82%|███████████████████████████████████████████████████████████████████████████████████████████▉ | 3282/3996 [4:04:48<50:27, 4.24s/it]
82%|████████████████████████████████████████████████████████████████████████████████████████████ | 3283/3996 [4:04:53<52:11, 4.39s/it]
82%|████████████████████████████████████████████████████████████████████████████████████████████ | 3284/3996 [4:04:57<51:27, 4.34s/it]
82%|████████████████████████████████████████████████████████████████████████████████████████████ | 3285/3996 [4:05:01<50:52, 4.29s/it]
82%|████████████████████████████████████████████████████████████████████████████████████████████ | 3286/3996 [4:05:05<50:27, 4.26s/it]
82%|████████████████████████████████████████████████████████████████████████████████████████████▏ | 3287/3996 [4:05:10<50:11, 4.25s/it]
82%|████████████████████████████████████████████████████████████████████████████████████████████▏ | 3288/3996 [4:05:14<49:58, 4.24s/it]
82%|████████████████████████████████████████████████████████████████████████████████████████████▏ | 3289/3996 [4:05:18<49:43, 4.22s/it]
82%|████████████████████████████████████████████████████████████████████████████████████████████▏ | 3290/3996 [4:05:23<51:55, 4.41s/it]
82%|████████████████████████████████████████████████████████████████████████████████████████████▏ | 3291/3996 [4:05:27<51:22, 4.37s/it]
82%|████████████████████████████████████████████████████████████████████████████████████████████▎ | 3292/3996 [4:05:31<50:51, 4.33s/it]
82%|████████████████████████████████████████████████████████████████████████████████████████████▎ | 3293/3996 [4:05:36<50:27, 4.31s/it]
82%|████████████████████████████████████████████████████████████████████████████████████████████▎ | 3294/3996 [4:05:40<50:04, 4.28s/it]
82%|████████████████████████████████████████████████████████████████████████████████████████████▎ | 3295/3996 [4:05:44<49:54, 4.27s/it]
82%|████████████████████████████████████████████████████████████████████████████████████████████▍ | 3296/3996 [4:05:48<49:34, 4.25s/it]
83%|████████████████████████████████████████████████████████████████████████████████████████████▍ | 3297/3996 [4:05:53<51:11, 4.39s/it]
83%|████████████████████████████████████████████████████████████████████████████████████████████▍ | 3298/3996 [4:05:57<50:28, 4.34s/it]
83%|████████████████████████████████████████████████████████████████████████████████████████████▍ | 3299/3996 [4:06:01<49:53, 4.30s/it]
83%|████████████████████████████████████████████████████████████████████████████████████████████▍ | 3300/3996 [4:06:06<49:27, 4.26s/it]
{'loss': 0.4654, 'grad_norm': 0.211527019739151, 'learning_rate': 1.5382784169644925e-05, 'ppl': 1.5927, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4266.77, 'total_tokens': 63959153, 'epoch': 2.48}
83%|████████████████████████████████████████████████████████████████████████████████████████████▍ | 3300/3996 [4:06:06<49:27, 4.26s/it]
83%|████████████████████████████████████████████████████████████████████████████████████████████▌ | 3301/3996 [4:06:10<49:39, 4.29s/it]
83%|████████████████████████████████████████████████████████████████████████████████████████████▌ | 3302/3996 [4:06:14<49:19, 4.26s/it]
83%|████████████████████████████████████████████████████████████████████████████████████████████▌ | 3303/3996 [4:06:18<48:59, 4.24s/it]
83%|████████████████████████████████████████████████████████████████████████████████████████████▌ | 3304/3996 [4:06:23<50:35, 4.39s/it]
83%|████████████████████████████████████████████████████████████████████████████████████████████▋ | 3305/3996 [4:06:27<49:51, 4.33s/it]
83%|████████████████████████████████████████████████████████████████████████████████████████████▋ | 3306/3996 [4:06:32<49:18, 4.29s/it]
83%|████████████████████████████████████████████████████████████████████████████████████████████▋ | 3307/3996 [4:06:36<48:52, 4.26s/it]
83%|████████████████████████████████████████████████████████████████████████████████████████████▋ | 3308/3996 [4:06:40<48:38, 4.24s/it]
83%|████████████████████████████████████████████████████████████████████████████████████████████▋ | 3309/3996 [4:06:44<48:24, 4.23s/it]
83%|████████████████████████████████████████████████████████████████████████████████████████████▊ | 3310/3996 [4:06:48<48:11, 4.21s/it]
83%|████████████████████████████████████████████████████████████████████████████████████████████▊ | 3311/3996 [4:06:53<49:53, 4.37s/it]
83%|████████████████████████████████████████████████████████████████████████████████████████████▊ | 3312/3996 [4:06:57<49:13, 4.32s/it]
83%|████████████████████████████████████████████████████████████████████████████████████████████▊ | 3313/3996 [4:07:01<48:42, 4.28s/it]
83%|████████████████████████████████████████████████████████████████████████████████████████████▉ | 3314/3996 [4:07:06<48:18, 4.25s/it]
83%|████████████████████████████████████████████████████████████████████████████████████████████▉ | 3315/3996 [4:07:10<48:03, 4.23s/it]
83%|████████████████████████████████████████████████████████████████████████████████████████████▉ | 3316/3996 [4:07:14<47:50, 4.22s/it]
83%|████████████████████████████████████████████████████████████████████████████████████████████▉ | 3317/3996 [4:07:18<47:39, 4.21s/it]
83%|████████████████████████████████████████████████████████████████████████████████████████████▉ | 3318/3996 [4:07:23<49:21, 4.37s/it]
83%|█████████████████████████████████████████████████████████████████████████████████████████████ | 3319/3996 [4:07:27<48:43, 4.32s/it]
83%|█████████████████████████████████████████████████████████████████████████████████████████████ | 3320/3996 [4:07:31<48:12, 4.28s/it]
83%|█████████████████████████████████████████████████████████████████████████████████████████████ | 3321/3996 [4:07:35<47:50, 4.25s/it]
83%|█████████████████████████████████████████████████████████████████████████████████████████████ | 3322/3996 [4:07:40<47:34, 4.24s/it]
83%|█████████████████████████████████████████████████████████████████████████████████████████████▏ | 3323/3996 [4:07:44<47:20, 4.22s/it]
83%|█████████████████████████████████████████████████████████████████████████████████████████████▏ | 3324/3996 [4:07:48<48:29, 4.33s/it]
83%|█████████████████████████████████████████████████████████████████████████████████████████████▏ | 3325/3996 [4:07:53<49:42, 4.44s/it]
{'loss': 0.4601, 'grad_norm': 0.22054381668567657, 'learning_rate': 1.4325752747869626e-05, 'ppl': 1.5842, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 3810.76, 'total_tokens': 64408084, 'epoch': 2.49}
83%|█████████████████████████████████████████████████████████████████████████████████████████████▏ | 3325/3996 [4:07:53<49:42, 4.44s/it]
83%|█████████████████████████████████████████████████████████████████████████████████████████████▏ | 3326/3996 [4:07:57<48:48, 4.37s/it]
83%|█████████████████████████████████████████████████████████████████████████████████████████████▏ | 3327/3996 [4:08:02<48:03, 4.31s/it]
83%|█████████████████████████████████████████████████████████████████████████████████████████████▎ | 3328/3996 [4:08:06<47:34, 4.27s/it]
83%|█████████████████████████████████████████████████████████████████████████████████████████████▎ | 3329/3996 [4:08:10<47:13, 4.25s/it]
83%|█████████████████████████████████████████████████████████████████████████████████████████████▎ | 3330/3996 [4:08:14<47:01, 4.24s/it]
83%|█████████████████████████████████████████████████████████████████████████████████████████████▎ | 3331/3996 [4:08:18<46:48, 4.22s/it]
83%|█████████████████████████████████████████████████████████████████████████████████████████████▍ | 3332/3996 [4:08:23<48:22, 4.37s/it]
83%|█████████████████████████████████████████████████████████████████████████████████████████████▍ | 3333/3996 [4:08:27<47:44, 4.32s/it]
83%|█████████████████████████████████████████████████████████████████████████████████████████████▍ | 3334/3996 [4:08:31<47:14, 4.28s/it]
83%|█████████████████████████████████████████████████████████████████████████████████████████████▍ | 3335/3996 [4:08:36<46:47, 4.25s/it]
83%|█████████████████████████████████████████████████████████████████████████████████████████████▌ | 3336/3996 [4:08:40<46:27, 4.22s/it]
84%|█████████████████████████████████████████████████████████████████████████████████████████████▌ | 3337/3996 [4:08:44<47:41, 4.34s/it]
84%|█████████████████████████████████████████████████████████████████████████████████████████████▌ | 3338/3996 [4:08:49<47:07, 4.30s/it]
84%|█████████████████████████████████████████████████████████████████████████████████████████████▌ | 3339/3996 [4:08:53<48:26, 4.42s/it]
84%|█████████████████████████████████████████████████████████████████████████████████████████████▌ | 3340/3996 [4:08:57<47:35, 4.35s/it]
84%|█████████████████████████████████████████████████████████████████████████████████████████████▋ | 3341/3996 [4:09:02<46:58, 4.30s/it]
84%|█████████████████████████████████████████████████████████████████████████████████████████████▋ | 3342/3996 [4:09:06<46:29, 4.26s/it]
84%|█████████████████████████████████████████████████████████████████████████████████████████████▋ | 3343/3996 [4:09:10<46:08, 4.24s/it]
84%|█████████████████████████████████████████████████████████████████████████████████████████████▋ | 3344/3996 [4:09:14<45:53, 4.22s/it]
84%|█████████████████████████████████████████████████████████████████████████████████████████████▊ | 3345/3996 [4:09:18<45:41, 4.21s/it]
84%|█████████████████████████████████████████████████████████████████████████████████████████████▊ | 3346/3996 [4:09:23<47:17, 4.37s/it]
84%|█████████████████████████████████████████████████████████████████████████████████████████████▊ | 3347/3996 [4:09:27<46:40, 4.31s/it]
84%|█████████████████████████████████████████████████████████████████████████████████████████████▊ | 3348/3996 [4:09:31<46:10, 4.28s/it]
84%|█████████████████████████████████████████████████████████████████████████████████████████████▊ | 3349/3996 [4:09:36<45:47, 4.25s/it]
84%|█████████████████████████████████████████████████████████████████████████████████████████████▉ | 3350/3996 [4:09:40<45:47, 4.25s/it]
{'loss': 0.4594, 'grad_norm': 0.21859121322631836, 'learning_rate': 1.3303537212435469e-05, 'ppl': 1.5831, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4141.07, 'total_tokens': 64850022, 'epoch': 2.51}
84%|█████████████████████████████████████████████████████████████████████████████████████████████▉ | 3350/3996 [4:09:40<45:47, 4.25s/it]
84%|█████████████████████████████████████████████████████████████████████████████████████████████▉ | 3351/3996 [4:09:44<45:33, 4.24s/it]
84%|█████████████████████████████████████████████████████████████████████████████████████████████▉ | 3352/3996 [4:09:48<45:21, 4.23s/it]
84%|█████████████████████████████████████████████████████████████████████████████████████████████▉ | 3353/3996 [4:09:53<47:14, 4.41s/it]
84%|██████████████████████████████████████████████████████████████████████████████████████████████ | 3354/3996 [4:09:57<46:34, 4.35s/it]
84%|██████████████████████████████████████████████████████████████████████████████████████████████ | 3355/3996 [4:10:02<47:39, 4.46s/it]
84%|██████████████████████████████████████████████████████████████████████████████████████████████ | 3356/3996 [4:10:06<46:44, 4.38s/it]
84%|██████████████████████████████████████████████████████████████████████████████████████████████ | 3357/3996 [4:10:11<46:22, 4.35s/it]
84%|██████████████████████████████████████████████████████████████████████████████████████████████ | 3358/3996 [4:10:15<45:49, 4.31s/it]
84%|██████████████████████████████████████████████████████████████████████████████████████████████▏ | 3359/3996 [4:10:19<45:22, 4.27s/it]
84%|██████████████████████████████████████████████████████████████████████████████████████████████▏ | 3360/3996 [4:10:24<46:47, 4.41s/it]
84%|██████████████████████████████████████████████████████████████████████████████████████████████▏ | 3361/3996 [4:10:28<46:02, 4.35s/it]
84%|██████████████████████████████████████████████████████████████████████████████████████████████▏ | 3362/3996 [4:10:32<45:27, 4.30s/it]
84%|██████████████████████████████████████████████████████████████████████████████████████████████▎ | 3363/3996 [4:10:36<44:59, 4.26s/it]
84%|██████████████████████████████████████████████████████████████████████████████████████████████▎ | 3364/3996 [4:10:41<44:47, 4.25s/it]
84%|██████████████████████████████████████████████████████████████████████████████████████████████▎ | 3365/3996 [4:10:45<44:31, 4.23s/it]
84%|██████████████████████████████████████████████████████████████████████████████████████████████▎ | 3366/3996 [4:10:49<44:18, 4.22s/it]
84%|██████████████████████████████████████████████████████████████████████████████████████████████▎ | 3367/3996 [4:10:54<45:54, 4.38s/it]
84%|██████████████████████████████████████████████████████████████████████████████████████████████▍ | 3368/3996 [4:10:58<45:16, 4.33s/it]
84%|██████████████████████████████████████████████████████████████████████████████████████████████▍ | 3369/3996 [4:11:02<45:52, 4.39s/it]
84%|██████████████████████████████████████████████████████████████████████████████████████████████▍ | 3370/3996 [4:11:07<45:08, 4.33s/it]
84%|██████████████████████████████████████████████████████████████████████████████████████████████▍ | 3371/3996 [4:11:11<44:48, 4.30s/it]
84%|██████████████████████████████████████████████████████████████████████████████████████████████▌ | 3372/3996 [4:11:15<44:24, 4.27s/it]
84%|██████████████████████████████████████████████████████████████████████████████████████████████▌ | 3373/3996 [4:11:19<44:13, 4.26s/it]
84%|██████████████████████████████████████████████████████████████████████████████████████████████▌ | 3374/3996 [4:11:24<45:38, 4.40s/it]
84%|██████████████████████████████████████████████████████████████████████████████████████████████▌ | 3375/3996 [4:11:28<44:56, 4.34s/it]
{'loss': 0.4635, 'grad_norm': 0.22012574970722198, 'learning_rate': 1.231655296634906e-05, 'ppl': 1.5896, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4210.83, 'total_tokens': 65292271, 'epoch': 2.53}
84%|██████████████████████████████████████████████████████████████████████████████████████████████▌ | 3375/3996 [4:11:28<44:56, 4.34s/it]
84%|██████████████████████████████████████████████████████████████████████████████████████████████▌ | 3376/3996 [4:11:32<44:23, 4.30s/it]
85%|██████████████████████████████████████████████████████████████████████████████████████████████▋ | 3377/3996 [4:11:37<43:59, 4.26s/it]
85%|██████████████████████████████████████████████████████████████████████████████████████████████▋ | 3378/3996 [4:11:41<43:43, 4.25s/it]
85%|██████████████████████████████████████████████████████████████████████████████████████████████▋ | 3379/3996 [4:11:45<43:29, 4.23s/it]
85%|██████████████████████████████████████████████████████████████████████████████████████████████▋ | 3380/3996 [4:11:49<43:19, 4.22s/it]
85%|██████████████████████████████████████████████████████████████████████████████████████████████▊ | 3381/3996 [4:11:54<44:48, 4.37s/it]
85%|██████████████████████████████████████████████████████████████████████████████████████████████▊ | 3382/3996 [4:11:58<44:11, 4.32s/it]
85%|██████████████████████████████████████████████████████████████████████████████████████████████▊ | 3383/3996 [4:12:02<43:41, 4.28s/it]
85%|██████████████████████████████████████████████████████████████████████████████████████████████▊ | 3384/3996 [4:12:06<43:22, 4.25s/it]
85%|██████████████████████████████████████████████████████████████████████████████████████████████▊ | 3385/3996 [4:12:11<43:12, 4.24s/it]
85%|██████████████████████████████████████████████████████████████████████████████████████████████▉ | 3386/3996 [4:12:15<43:02, 4.23s/it]
85%|██████████████████████████████████████████████████████████████████████████████████████████████▉ | 3387/3996 [4:12:19<42:50, 4.22s/it]
85%|██████████████████████████████████████████████████████████████████████████████████████████████▉ | 3388/3996 [4:12:24<44:20, 4.38s/it]
85%|██████████████████████████████████████████████████████████████████████████████████████████████▉ | 3389/3996 [4:12:28<43:47, 4.33s/it]
85%|███████████████████████████████████████████████████████████████████████████████████████████████ | 3390/3996 [4:12:32<43:17, 4.29s/it]
85%|███████████████████████████████████████████████████████████████████████████████████████████████ | 3391/3996 [4:12:37<43:58, 4.36s/it]
85%|███████████████████████████████████████████████████████████████████████████████████████████████ | 3392/3996 [4:12:41<43:24, 4.31s/it]
85%|███████████████████████████████████████████████████████████████████████████████████████████████ | 3393/3996 [4:12:45<42:59, 4.28s/it]
85%|███████████████████████████████████████████████████████████████████████████████████████████████▏ | 3394/3996 [4:12:49<42:39, 4.25s/it]
85%|███████████████████████████████████████████████████████████████████████████████████████████████▏ | 3395/3996 [4:12:54<44:00, 4.39s/it]
85%|███████████████████████████████████████████████████████████████████████████████████████████████▏ | 3396/3996 [4:12:58<43:22, 4.34s/it]
85%|███████████████████████████████████████████████████████████████████████████████████████████████▏ | 3397/3996 [4:13:02<42:52, 4.29s/it]
85%|███████████████████████████████████████████████████████████████████████████████████████████████▏ | 3398/3996 [4:13:07<42:26, 4.26s/it]
85%|███████████████████████████████████████████████████████████████████████████████████████████████▎ | 3399/3996 [4:13:11<42:10, 4.24s/it]
85%|███████████████████████████████████████████████████████████████████████████████████████████████▎ | 3400/3996 [4:13:15<41:56, 4.22s/it]
{'loss': 0.4809, 'grad_norm': 0.21981129050254822, 'learning_rate': 1.1365201095496048e-05, 'ppl': 1.6175, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4233.11, 'total_tokens': 65735025, 'epoch': 2.55}
85%|███████████████████████████████████████████████████████████████████████████████████████████████▎ | 3400/3996 [4:13:15<41:56, 4.22s/it]
85%|███████████████████████████████████████████████████████████████████████████████████████████████▎ | 3401/3996 [4:13:19<41:48, 4.22s/it]
85%|███████████████████████████████████████████████████████████████████████████████████████████████▎ | 3402/3996 [4:13:24<43:15, 4.37s/it]
85%|███████████████████████████████████████████████████████████████████████████████████████████████▍ | 3403/3996 [4:13:28<42:38, 4.32s/it]
85%|███████████████████████████████████████████████████████████████████████████████████████████████▍ | 3404/3996 [4:13:32<42:13, 4.28s/it]
85%|███████████████████████████████████████████████████████████████████████████████████████████████▍ | 3405/3996 [4:13:37<41:51, 4.25s/it]
85%|███████████████████████████████████████████████████████████████████████████████████████████████▍ | 3406/3996 [4:13:41<41:39, 4.24s/it]
85%|███████████████████████████████████████████████████████████████████████████████████████████████▍ | 3407/3996 [4:13:45<41:28, 4.22s/it]
85%|███████████████████████████████████████████████████████████████████████████████████████████████▌ | 3408/3996 [4:13:49<41:18, 4.21s/it]
85%|███████████████████████████████████████████████████████████████████████████████████████████████▌ | 3409/3996 [4:13:54<42:43, 4.37s/it]
85%|███████████████████████████████████████████████████████████████████████████████████████████████▌ | 3410/3996 [4:13:58<42:08, 4.32s/it]
85%|███████████████████████████████████████████████████████████████████████████████████████████████▌ | 3411/3996 [4:14:02<41:40, 4.27s/it]
85%|███████████████████████████████████████████████████████████████████████████████████████████████▋ | 3412/3996 [4:14:06<41:20, 4.25s/it]
85%|███████████████████████████████████████████████████████████████████████████████████████████████▋ | 3413/3996 [4:14:11<41:06, 4.23s/it]
85%|███████████████████████████████████████████████████████████████████████████████████████████████▋ | 3414/3996 [4:14:15<40:53, 4.22s/it]
85%|███████████████████████████████████████████████████████████████████████████████████████████████▋ | 3415/3996 [4:14:19<40:46, 4.21s/it]
85%|███████████████████████████████████████████████████████████████████████████████████████████████▋ | 3416/3996 [4:14:24<42:12, 4.37s/it]
86%|███████████████████████████████████████████████████████████████████████████████████████████████▊ | 3417/3996 [4:14:28<41:35, 4.31s/it]
86%|███████████████████████████████████████████████████████████████████████████████████████████████▊ | 3418/3996 [4:14:32<41:09, 4.27s/it]
86%|███████████████████████████████████████████████████████████████████████████████████████████████▊ | 3419/3996 [4:14:36<40:50, 4.25s/it]
86%|███████████████████████████████████████████████████████████████████████████████████████████████▊ | 3420/3996 [4:14:40<40:38, 4.23s/it]
86%|███████████████████████████████████████████████████████████████████████████████████████████████▉ | 3421/3996 [4:14:45<40:25, 4.22s/it]
86%|███████████████████████████████████████████████████████████████████████████████████████████████▉ | 3422/3996 [4:14:49<40:18, 4.21s/it]
86%|███████████████████████████████████████████████████████████████████████████████████████████████▉ | 3423/3996 [4:14:54<41:43, 4.37s/it]
86%|███████████████████████████████████████████████████████████████████████████████████████████████▉ | 3424/3996 [4:14:58<41:10, 4.32s/it]
86%|███████████████████████████████████████████████████████████████████████████████████████████████▉ | 3425/3996 [4:15:02<40:45, 4.28s/it]
{'loss': 0.4605, 'grad_norm': 0.22363677620887756, 'learning_rate': 1.0449868205649649e-05, 'ppl': 1.5849, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4245.88, 'total_tokens': 66180426, 'epoch': 2.57}
86%|███████████████████████████████████████████████████████████████████████████████████████████████▉ | 3425/3996 [4:15:02<40:45, 4.28s/it]
86%|████████████████████████████████████████████████████████████████████████████████████████████████ | 3426/3996 [4:15:06<40:25, 4.25s/it]
86%|████████████████████████████████████████████████████████████████████████████████████████████████ | 3427/3996 [4:15:10<40:12, 4.24s/it]
86%|████████████████████████████████████████████████████████████████████████████████████████████████ | 3428/3996 [4:15:15<40:00, 4.23s/it]
86%|████████████████████████████████████████████████████████████████████████████████████████████████ | 3429/3996 [4:15:19<39:51, 4.22s/it]
86%|████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3430/3996 [4:15:23<41:14, 4.37s/it]
86%|████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3431/3996 [4:15:28<40:40, 4.32s/it]
86%|████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3432/3996 [4:15:32<40:15, 4.28s/it]
86%|████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3433/3996 [4:15:36<39:55, 4.25s/it]
86%|████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3434/3996 [4:15:40<39:43, 4.24s/it]
86%|████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3435/3996 [4:15:44<39:31, 4.23s/it]
86%|████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3436/3996 [4:15:49<39:22, 4.22s/it]
86%|████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3437/3996 [4:15:53<40:46, 4.38s/it]
86%|████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3438/3996 [4:15:58<40:12, 4.32s/it]
86%|████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3439/3996 [4:16:02<39:45, 4.28s/it]
86%|████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3440/3996 [4:16:06<39:25, 4.25s/it]
86%|████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3441/3996 [4:16:10<39:11, 4.24s/it]
86%|████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3442/3996 [4:16:14<39:00, 4.22s/it]
86%|████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3443/3996 [4:16:19<38:49, 4.21s/it]
86%|████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3444/3996 [4:16:23<40:14, 4.37s/it]
86%|████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3445/3996 [4:16:27<39:38, 4.32s/it]
86%|████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3446/3996 [4:16:32<39:15, 4.28s/it]
86%|████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3447/3996 [4:16:36<38:55, 4.25s/it]
86%|████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3448/3996 [4:16:40<38:44, 4.24s/it]
86%|████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3449/3996 [4:16:44<38:33, 4.23s/it]
86%|████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3450/3996 [4:16:48<38:24, 4.22s/it]
{'loss': 0.4661, 'grad_norm': 0.21145139634609222, 'learning_rate': 9.570926265363789e-06, 'ppl': 1.5938, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4280.85, 'total_tokens': 66629602, 'epoch': 2.59}
86%|████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3450/3996 [4:16:48<38:24, 4.22s/it]
86%|████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3451/3996 [4:16:53<39:42, 4.37s/it]
86%|████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3452/3996 [4:16:57<39:10, 4.32s/it]
86%|████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3453/3996 [4:17:02<38:42, 4.28s/it]
86%|████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3454/3996 [4:17:06<38:23, 4.25s/it]
86%|████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3455/3996 [4:17:10<38:11, 4.24s/it]
86%|████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3456/3996 [4:17:14<37:59, 4.22s/it]
87%|████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3457/3996 [4:17:18<37:50, 4.21s/it]
87%|████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3458/3996 [4:17:23<39:09, 4.37s/it]
87%|████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3459/3996 [4:17:27<38:38, 4.32s/it]
87%|████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3460/3996 [4:17:31<38:13, 4.28s/it]
87%|█████████████████████████████████████████████████████████████████████████████████████████████████ | 3461/3996 [4:17:36<39:00, 4.38s/it]
87%|█████████████████████████████████████████████████████████████████████████████████████████████████ | 3462/3996 [4:17:40<38:33, 4.33s/it]
87%|█████████████████████████████████████████████████████████████████████████████████████████████████ | 3463/3996 [4:17:45<38:08, 4.29s/it]
87%|█████████████████████████████████████████████████████████████████████████████████████████████████ | 3464/3996 [4:17:49<37:47, 4.26s/it]
87%|█████████████████████████████████████████████████████████████████████████████████████████████████ | 3465/3996 [4:17:53<38:59, 4.41s/it]
87%|█████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3466/3996 [4:17:58<38:21, 4.34s/it]
87%|█████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3467/3996 [4:18:02<37:54, 4.30s/it]
87%|█████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3468/3996 [4:18:06<37:31, 4.26s/it]
87%|█████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3469/3996 [4:18:10<37:15, 4.24s/it]
87%|█████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3470/3996 [4:18:14<37:03, 4.23s/it]
87%|█████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3471/3996 [4:18:19<37:02, 4.23s/it]
87%|█████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3472/3996 [4:18:23<38:16, 4.38s/it]
87%|█████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3473/3996 [4:18:28<37:40, 4.32s/it]
87%|█████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3474/3996 [4:18:32<37:16, 4.29s/it]
87%|█████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3475/3996 [4:18:36<36:57, 4.26s/it]
{'loss': 0.46, 'grad_norm': 0.2377360314130783, 'learning_rate': 8.728732454814203e-06, 'ppl': 1.5841, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4258.29, 'total_tokens': 67075180, 'epoch': 2.61}
87%|█████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3475/3996 [4:18:36<36:57, 4.26s/it]
87%|█████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3476/3996 [4:18:40<36:44, 4.24s/it]
87%|█████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3477/3996 [4:18:44<36:32, 4.22s/it]
87%|█████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3478/3996 [4:18:49<36:25, 4.22s/it]
87%|█████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3479/3996 [4:18:53<37:40, 4.37s/it]
87%|█████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3480/3996 [4:18:57<37:09, 4.32s/it]
87%|█████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3481/3996 [4:19:02<36:45, 4.28s/it]
87%|█████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3482/3996 [4:19:06<36:27, 4.25s/it]
87%|█████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3483/3996 [4:19:10<36:14, 4.24s/it]
87%|█████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3484/3996 [4:19:14<36:03, 4.23s/it]
87%|█████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3485/3996 [4:19:19<36:53, 4.33s/it]
87%|█████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3486/3996 [4:19:24<37:49, 4.45s/it]
87%|█████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3487/3996 [4:19:28<37:05, 4.37s/it]
87%|█████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3488/3996 [4:19:32<36:31, 4.31s/it]
87%|█████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3489/3996 [4:19:36<36:06, 4.27s/it]
87%|█████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3490/3996 [4:19:40<35:51, 4.25s/it]
87%|█████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3491/3996 [4:19:44<35:36, 4.23s/it]
87%|█████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3492/3996 [4:19:49<35:24, 4.21s/it]
87%|█████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3493/3996 [4:19:53<36:35, 4.36s/it]
87%|█████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3494/3996 [4:19:58<36:05, 4.31s/it]
87%|█████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3495/3996 [4:20:02<35:40, 4.27s/it]
87%|█████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3496/3996 [4:20:06<35:22, 4.24s/it]
88%|██████████████████████████████████████████████████████████████████████████████████████████████████ | 3497/3996 [4:20:10<35:08, 4.23s/it]
88%|██████████████████████████████████████████████████████████████████████████████████████████████████ | 3498/3996 [4:20:14<34:57, 4.21s/it]
88%|██████████████████████████████████████████████████████████████████████████████████████████████████ | 3499/3996 [4:20:18<34:48, 4.20s/it]
88%|██████████████████████████████████████████████████████████████████████████████████████████████████ | 3500/3996 [4:20:23<36:07, 4.37s/it]
{'loss': 0.4734, 'grad_norm': 0.22640903294086456, 'learning_rate': 7.923629020649448e-06, 'ppl': 1.6054, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 3732.79, 'total_tokens': 67519655, 'epoch': 2.63}
88%|██████████████████████████████████████████████████████████████████████████████████████████████████ | 3500/3996 [4:20:23<36:07, 4.37s/it]
88%|██████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3501/3996 [4:20:27<35:35, 4.31s/it]
88%|██████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3502/3996 [4:20:32<35:09, 4.27s/it]
88%|██████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3503/3996 [4:20:36<34:50, 4.24s/it]
88%|██████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3504/3996 [4:20:40<34:38, 4.22s/it]
88%|██████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3505/3996 [4:20:44<34:26, 4.21s/it]
88%|██████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3506/3996 [4:20:48<34:20, 4.20s/it]
88%|██████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3507/3996 [4:20:53<35:30, 4.36s/it]
88%|██████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3508/3996 [4:20:57<35:01, 4.31s/it]
88%|██████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3509/3996 [4:21:01<34:39, 4.27s/it]
88%|██████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3510/3996 [4:21:06<34:21, 4.24s/it]
88%|██████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3511/3996 [4:21:10<34:10, 4.23s/it]
88%|██████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3512/3996 [4:21:14<33:57, 4.21s/it]
88%|██████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3513/3996 [4:21:18<33:51, 4.21s/it]
88%|██████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3514/3996 [4:21:24<36:38, 4.56s/it]
88%|██████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3515/3996 [4:21:28<35:37, 4.44s/it]
88%|██████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3516/3996 [4:21:32<34:55, 4.37s/it]
88%|██████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3517/3996 [4:21:36<34:27, 4.32s/it]
88%|██████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3518/3996 [4:21:40<34:08, 4.29s/it]
88%|██████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3519/3996 [4:21:44<33:49, 4.25s/it]
88%|██████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3520/3996 [4:21:49<33:37, 4.24s/it]
88%|██████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3521/3996 [4:21:53<34:42, 4.38s/it]
88%|██████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3522/3996 [4:21:58<34:12, 4.33s/it]
88%|██████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3523/3996 [4:22:02<33:46, 4.29s/it]
88%|██████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3524/3996 [4:22:06<33:27, 4.25s/it]
88%|██████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3525/3996 [4:22:10<33:14, 4.24s/it]
{'loss': 0.4701, 'grad_norm': 0.2617396414279938, 'learning_rate': 7.155943136910193e-06, 'ppl': 1.6002, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4208.25, 'total_tokens': 67960790, 'epoch': 2.64}
88%|██████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3525/3996 [4:22:10<33:14, 4.24s/it]
88%|██████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3526/3996 [4:22:14<33:04, 4.22s/it]
88%|██████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3527/3996 [4:22:19<32:56, 4.21s/it]
88%|██████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3528/3996 [4:22:23<34:03, 4.37s/it]
88%|██████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3529/3996 [4:22:27<33:34, 4.31s/it]
88%|██████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3530/3996 [4:22:32<33:10, 4.27s/it]
88%|██████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3531/3996 [4:22:36<32:54, 4.25s/it]
88%|██████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3532/3996 [4:22:40<32:43, 4.23s/it]
88%|███████████████████████████████████████████████████████████████████████████████████████████████████ | 3533/3996 [4:22:44<32:33, 4.22s/it]
88%|███████████████████████████████████████████████████████████████████████████████████████████████████ | 3534/3996 [4:22:48<32:24, 4.21s/it]
88%|███████████████████████████████████████████████████████████████████████████████████████████████████ | 3535/3996 [4:22:54<34:33, 4.50s/it]
88%|███████████████████████████████████████████████████████████████████████████████████████████████████ | 3536/3996 [4:22:58<33:47, 4.41s/it]
89%|███████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3537/3996 [4:23:02<33:11, 4.34s/it]
89%|███████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3538/3996 [4:23:06<32:46, 4.29s/it]
89%|███████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3539/3996 [4:23:10<32:28, 4.26s/it]
89%|███████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3540/3996 [4:23:15<32:14, 4.24s/it]
89%|███████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3541/3996 [4:23:19<32:05, 4.23s/it]
89%|███████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3542/3996 [4:23:23<33:09, 4.38s/it]
89%|███████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3543/3996 [4:23:28<32:38, 4.32s/it]
89%|███████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3544/3996 [4:23:32<32:16, 4.28s/it]
89%|███████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3545/3996 [4:23:36<31:59, 4.26s/it]
89%|███████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3546/3996 [4:23:40<31:46, 4.24s/it]
89%|███████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3547/3996 [4:23:44<31:35, 4.22s/it]
89%|███████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3548/3996 [4:23:49<31:28, 4.22s/it]
89%|███████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3549/3996 [4:23:53<32:32, 4.37s/it]
89%|███████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3550/3996 [4:23:58<32:06, 4.32s/it]
{'loss': 0.4754, 'grad_norm': 0.2119966447353363, 'learning_rate': 6.425986772073922e-06, 'ppl': 1.6087, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4238.47, 'total_tokens': 68405914, 'epoch': 2.66}
89%|███████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3550/3996 [4:23:58<32:06, 4.32s/it]
89%|███████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3551/3996 [4:24:02<31:45, 4.28s/it]
89%|███████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3552/3996 [4:24:06<31:29, 4.25s/it]
89%|███████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3553/3996 [4:24:10<31:17, 4.24s/it]
89%|███████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3554/3996 [4:24:14<31:07, 4.22s/it]
89%|███████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3555/3996 [4:24:19<30:59, 4.22s/it]
89%|███████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3556/3996 [4:24:23<32:03, 4.37s/it]
89%|███████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3557/3996 [4:24:27<31:35, 4.32s/it]
89%|███████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3558/3996 [4:24:32<31:13, 4.28s/it]
89%|███████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3559/3996 [4:24:36<30:56, 4.25s/it]
89%|███████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3560/3996 [4:24:40<30:43, 4.23s/it]
89%|███████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3561/3996 [4:24:44<30:32, 4.21s/it]
89%|███████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3562/3996 [4:24:48<30:26, 4.21s/it]
89%|███████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3563/3996 [4:24:53<31:32, 4.37s/it]
89%|███████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3564/3996 [4:24:57<31:06, 4.32s/it]
89%|███████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3565/3996 [4:25:01<30:45, 4.28s/it]
89%|███████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3566/3996 [4:25:06<30:27, 4.25s/it]
89%|███████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3567/3996 [4:25:10<30:17, 4.24s/it]
89%|████████████████████████████████████████████████████████████████████████████████████████████████████ | 3568/3996 [4:25:14<30:06, 4.22s/it]
89%|████████████████████████████████████████████████████████████████████████████████████████████████████ | 3569/3996 [4:25:18<29:58, 4.21s/it]
89%|████████████████████████████████████████████████████████████████████████████████████████████████████ | 3570/3996 [4:25:23<31:00, 4.37s/it]
89%|████████████████████████████████████████████████████████████████████████████████████████████████████ | 3571/3996 [4:25:27<30:33, 4.31s/it]
89%|████████████████████████████████████████████████████████████████████████████████████████████████████ | 3572/3996 [4:25:31<30:09, 4.27s/it]
89%|████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3573/3996 [4:25:35<29:52, 4.24s/it]
89%|████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3574/3996 [4:25:40<29:43, 4.23s/it]
89%|████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3575/3996 [4:25:44<29:32, 4.21s/it]
{'loss': 0.4536, 'grad_norm': 0.21404898166656494, 'learning_rate': 5.734056562278634e-06, 'ppl': 1.574, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4293.79, 'total_tokens': 68854437, 'epoch': 2.68}
89%|████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3575/3996 [4:25:44<29:32, 4.21s/it]
89%|████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3576/3996 [4:25:48<29:27, 4.21s/it]
90%|████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3577/3996 [4:25:53<30:29, 4.37s/it]
90%|████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3578/3996 [4:25:57<30:03, 4.31s/it]
90%|████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3579/3996 [4:26:01<29:42, 4.28s/it]
90%|████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3580/3996 [4:26:05<29:26, 4.25s/it]
90%|████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3581/3996 [4:26:10<29:14, 4.23s/it]
90%|████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3582/3996 [4:26:14<29:02, 4.21s/it]
90%|████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3583/3996 [4:26:18<28:54, 4.20s/it]
90%|████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3584/3996 [4:26:23<29:55, 4.36s/it]
90%|████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3585/3996 [4:26:27<29:30, 4.31s/it]
90%|████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3586/3996 [4:26:31<29:06, 4.26s/it]
90%|████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3587/3996 [4:26:35<28:49, 4.23s/it]
90%|████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3588/3996 [4:26:39<28:41, 4.22s/it]
90%|████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3589/3996 [4:26:43<28:32, 4.21s/it]
90%|████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3590/3996 [4:26:48<28:26, 4.20s/it]
90%|████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3591/3996 [4:26:52<29:23, 4.36s/it]
90%|████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3592/3996 [4:26:57<28:58, 4.30s/it]
90%|████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3593/3996 [4:27:01<28:39, 4.27s/it]
90%|████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3594/3996 [4:27:05<28:23, 4.24s/it]
90%|████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3595/3996 [4:27:09<28:12, 4.22s/it]
90%|████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3596/3996 [4:27:13<28:04, 4.21s/it]
90%|████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3597/3996 [4:27:17<27:56, 4.20s/it]
90%|████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3598/3996 [4:27:22<28:55, 4.36s/it]
90%|████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3599/3996 [4:27:27<28:51, 4.36s/it]
90%|████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3600/3996 [4:27:31<28:36, 4.33s/it]
{'loss': 0.4726, 'grad_norm': 0.207435742020607, 'learning_rate': 5.080433690777353e-06, 'ppl': 1.6042, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4137.98, 'total_tokens': 69296241, 'epoch': 2.7}
90%|████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3600/3996 [4:27:31<28:36, 4.33s/it]
90%|████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3601/3996 [4:27:35<28:12, 4.28s/it]
90%|████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3602/3996 [4:27:39<27:58, 4.26s/it]
90%|████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3603/3996 [4:27:43<27:45, 4.24s/it]
90%|█████████████████████████████████████████████████████████████████████████████████████████████████████ | 3604/3996 [4:27:48<27:35, 4.22s/it]
90%|█████████████████████████████████████████████████████████████████████████████████████████████████████ | 3605/3996 [4:27:52<28:28, 4.37s/it]
90%|█████████████████████████████████████████████████████████████████████████████████████████████████████ | 3606/3996 [4:27:56<28:03, 4.32s/it]
90%|█████████████████████████████████████████████████████████████████████████████████████████████████████ | 3607/3996 [4:28:01<27:43, 4.28s/it]
90%|█████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3608/3996 [4:28:05<28:19, 4.38s/it]
90%|█████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3609/3996 [4:28:09<27:53, 4.32s/it]
90%|█████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3610/3996 [4:28:14<27:33, 4.28s/it]
90%|█████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3611/3996 [4:28:18<27:17, 4.25s/it]
90%|█████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3612/3996 [4:28:23<28:14, 4.41s/it]
90%|█████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3613/3996 [4:28:27<27:44, 4.35s/it]
90%|█████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3614/3996 [4:28:31<27:20, 4.30s/it]
90%|█████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3615/3996 [4:28:35<27:03, 4.26s/it]
90%|█████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3616/3996 [4:28:39<26:50, 4.24s/it]
91%|█████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3617/3996 [4:28:44<26:40, 4.22s/it]
91%|█████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3618/3996 [4:28:48<26:32, 4.21s/it]
91%|█████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3619/3996 [4:28:52<27:24, 4.36s/it]
91%|█████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3620/3996 [4:28:57<27:00, 4.31s/it]
91%|█████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3621/3996 [4:29:01<26:41, 4.27s/it]
91%|█████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3622/3996 [4:29:05<26:27, 4.24s/it]
91%|█████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3623/3996 [4:29:09<26:17, 4.23s/it]
91%|█████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3624/3996 [4:29:13<26:10, 4.22s/it]
91%|█████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3625/3996 [4:29:18<26:03, 4.21s/it]
{'loss': 0.4626, 'grad_norm': 0.23212255537509918, 'learning_rate': 4.465383773672127e-06, 'ppl': 1.5882, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4195.93, 'total_tokens': 69736200, 'epoch': 2.72}
91%|█████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3625/3996 [4:29:18<26:03, 4.21s/it]
91%|█████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3626/3996 [4:29:22<26:56, 4.37s/it]
91%|█████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3627/3996 [4:29:27<26:32, 4.32s/it]
91%|█████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3628/3996 [4:29:31<26:13, 4.27s/it]
91%|█████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3629/3996 [4:29:35<25:58, 4.25s/it]
91%|█████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3630/3996 [4:29:39<25:49, 4.23s/it]
91%|█████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3631/3996 [4:29:43<25:41, 4.22s/it]
91%|█████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3632/3996 [4:29:48<25:35, 4.22s/it]
91%|█████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3633/3996 [4:29:52<26:27, 4.37s/it]
91%|█████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3634/3996 [4:29:56<26:03, 4.32s/it]
91%|█████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3635/3996 [4:30:01<25:45, 4.28s/it]
91%|█████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3636/3996 [4:30:05<25:31, 4.25s/it]
91%|█████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3637/3996 [4:30:09<25:21, 4.24s/it]
91%|█████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3638/3996 [4:30:13<25:10, 4.22s/it]
91%|█████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3639/3996 [4:30:17<25:04, 4.21s/it]
91%|██████████████████████████████████████████████████████████████████████████████████████████████████████ | 3640/3996 [4:30:22<25:55, 4.37s/it]
91%|██████████████████████████████████████████████████████████████████████████████████████████████████████ | 3641/3996 [4:30:26<25:32, 4.32s/it]
91%|██████████████████████████████████████████████████████████████████████████████████████████████████████ | 3642/3996 [4:30:31<25:14, 4.28s/it]
91%|██████████████████████████████████████████████████████████████████████████████████████████████████████ | 3643/3996 [4:30:35<25:00, 4.25s/it]
91%|██████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3644/3996 [4:30:39<24:51, 4.24s/it]
91%|██████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3645/3996 [4:30:43<24:42, 4.22s/it]
91%|██████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3646/3996 [4:30:47<24:36, 4.22s/it]
91%|██████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3647/3996 [4:30:52<25:25, 4.37s/it]
91%|██████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3648/3996 [4:30:56<25:02, 4.32s/it]
91%|██████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3649/3996 [4:31:00<24:45, 4.28s/it]
91%|██████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3650/3996 [4:31:05<24:30, 4.25s/it]
{'loss': 0.4652, 'grad_norm': 0.24078768491744995, 'learning_rate': 3.889156751974343e-06, 'ppl': 1.5923, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4260.72, 'total_tokens': 70181446, 'epoch': 2.74}
91%|██████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3650/3996 [4:31:05<24:30, 4.25s/it]
91%|██████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3651/3996 [4:31:09<24:21, 4.24s/it]
91%|██████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3652/3996 [4:31:13<24:12, 4.22s/it]
91%|██████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3653/3996 [4:31:17<24:05, 4.21s/it]
91%|██████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3654/3996 [4:31:22<24:53, 4.37s/it]
91%|██████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3655/3996 [4:31:26<24:31, 4.31s/it]
91%|██████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3656/3996 [4:31:30<24:13, 4.28s/it]
92%|██████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3657/3996 [4:31:34<24:00, 4.25s/it]
92%|██████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3658/3996 [4:31:39<23:50, 4.23s/it]
92%|██████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3659/3996 [4:31:43<23:41, 4.22s/it]
92%|██████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3660/3996 [4:31:47<23:33, 4.21s/it]
92%|██████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3661/3996 [4:31:52<24:18, 4.36s/it]
92%|██████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3662/3996 [4:31:56<24:22, 4.38s/it]
92%|██████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3663/3996 [4:32:00<23:58, 4.32s/it]
92%|██████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3664/3996 [4:32:05<23:40, 4.28s/it]
92%|██████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3665/3996 [4:32:09<23:27, 4.25s/it]
92%|██████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3666/3996 [4:32:13<23:16, 4.23s/it]
92%|██████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3667/3996 [4:32:17<23:07, 4.22s/it]
92%|██████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3668/3996 [4:32:22<23:53, 4.37s/it]
92%|██████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3669/3996 [4:32:26<23:31, 4.32s/it]
92%|██████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3670/3996 [4:32:30<23:13, 4.27s/it]
92%|██████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3671/3996 [4:32:34<22:58, 4.24s/it]
92%|██████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3672/3996 [4:32:39<22:48, 4.22s/it]
92%|██████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3673/3996 [4:32:43<22:40, 4.21s/it]
92%|██████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3674/3996 [4:32:47<22:32, 4.20s/it]
92%|███████████████████████████████████████████████████████████████████████████████████████████████████████ | 3675/3996 [4:32:52<23:18, 4.36s/it]
{'loss': 0.4603, 'grad_norm': 0.20761160552501678, 'learning_rate': 3.3519867900349113e-06, 'ppl': 1.5845, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 3783.05, 'total_tokens': 70627535, 'epoch': 2.76}
92%|███████████████████████████████████████████████████████████████████████████████████████████████████████ | 3675/3996 [4:32:52<23:18, 4.36s/it]
92%|███████████████████████████████████████████████████████████████████████████████████████████████████████ | 3676/3996 [4:32:56<22:58, 4.31s/it]
92%|███████████████████████████████████████████████████████████████████████████████████████████████████████ | 3677/3996 [4:33:00<22:42, 4.27s/it]
92%|███████████████████████████████████████████████████████████████████████████████████████████████████████ | 3678/3996 [4:33:04<22:29, 4.24s/it]
92%|███████████████████████████████████████████████████████████████████████████████████████████████████████ | 3679/3996 [4:33:08<22:20, 4.23s/it]
92%|███████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3680/3996 [4:33:13<22:11, 4.21s/it]
92%|███████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3681/3996 [4:33:17<22:04, 4.21s/it]
92%|███████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3682/3996 [4:33:21<22:50, 4.36s/it]
92%|███████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3683/3996 [4:33:26<22:29, 4.31s/it]
92%|███████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3684/3996 [4:33:30<22:12, 4.27s/it]
92%|███████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3685/3996 [4:33:34<21:58, 4.24s/it]
92%|███████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3686/3996 [4:33:38<21:48, 4.22s/it]
92%|███████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3687/3996 [4:33:42<21:40, 4.21s/it]
92%|███████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3688/3996 [4:33:47<21:35, 4.21s/it]
92%|███████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3689/3996 [4:33:51<22:17, 4.36s/it]
92%|███████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3690/3996 [4:33:55<21:57, 4.30s/it]
92%|███████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3691/3996 [4:34:00<21:41, 4.27s/it]
92%|███████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3692/3996 [4:34:04<21:28, 4.24s/it]
92%|███████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3693/3996 [4:34:08<21:20, 4.23s/it]
92%|███████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3694/3996 [4:34:12<21:12, 4.21s/it]
92%|███████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3695/3996 [4:34:16<21:05, 4.21s/it]
92%|███████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3696/3996 [4:34:21<21:48, 4.36s/it]
93%|███████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3697/3996 [4:34:25<21:30, 4.31s/it]
93%|███████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3698/3996 [4:34:29<21:14, 4.28s/it]
93%|███████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3699/3996 [4:34:34<21:01, 4.25s/it]
93%|███████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3700/3996 [4:34:38<20:53, 4.23s/it]
{'loss': 0.459, 'grad_norm': 0.2079222947359085, 'learning_rate': 2.8540921803855926e-06, 'ppl': 1.5825, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4196.92, 'total_tokens': 71068359, 'epoch': 2.78}
93%|███████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3700/3996 [4:34:38<20:53, 4.23s/it]
93%|███████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3701/3996 [4:34:42<20:45, 4.22s/it]
93%|███████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3702/3996 [4:34:46<20:39, 4.21s/it]
93%|███████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3703/3996 [4:34:51<21:20, 4.37s/it]
93%|███████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3704/3996 [4:34:55<21:00, 4.32s/it]
93%|███████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3705/3996 [4:34:59<20:44, 4.28s/it]
93%|███████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3706/3996 [4:35:04<20:35, 4.26s/it]
93%|███████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3707/3996 [4:35:08<20:25, 4.24s/it]
93%|███████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3708/3996 [4:35:12<20:17, 4.23s/it]
93%|███████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3709/3996 [4:35:16<20:09, 4.21s/it]
93%|███████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3710/3996 [4:35:21<20:49, 4.37s/it]
93%|████████████████████████████████████████████████████████████████████████████████████████████████████████ | 3711/3996 [4:35:25<20:31, 4.32s/it]
93%|████████████████████████████████████████████████████████████████████████████████████████████████████████ | 3712/3996 [4:35:29<20:15, 4.28s/it]
93%|████████████████████████████████████████████████████████████████████████████████████████████████████████ | 3713/3996 [4:35:33<20:01, 4.25s/it]
93%|████████████████████████████████████████████████████████████████████████████████████████████████████████ | 3714/3996 [4:35:38<19:52, 4.23s/it]
93%|████████████████████████████████████████████████████████████████████████████████████████████████████████ | 3715/3996 [4:35:42<19:44, 4.21s/it]
93%|████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3716/3996 [4:35:46<19:37, 4.21s/it]
93%|████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3717/3996 [4:35:51<20:36, 4.43s/it]
93%|████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3718/3996 [4:35:55<20:11, 4.36s/it]
93%|████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3719/3996 [4:35:59<19:54, 4.31s/it]
93%|████████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3720/3996 [4:36:04<19:39, 4.27s/it]
93%|████████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3721/3996 [4:36:08<19:28, 4.25s/it]
93%|████████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3722/3996 [4:36:12<19:19, 4.23s/it]
93%|████████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3723/3996 [4:36:16<19:11, 4.22s/it]
93%|████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3724/3996 [4:36:21<19:49, 4.37s/it]
93%|████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3725/3996 [4:36:25<19:29, 4.32s/it]
{'loss': 0.4692, 'grad_norm': 0.23349842429161072, 'learning_rate': 2.395675255030383e-06, 'ppl': 1.5987, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4216.77, 'total_tokens': 71509553, 'epoch': 2.79}
93%|████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3725/3996 [4:36:25<19:29, 4.32s/it]
93%|████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3726/3996 [4:36:29<19:15, 4.28s/it]
93%|████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3727/3996 [4:36:33<19:03, 4.25s/it]
93%|████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3728/3996 [4:36:38<18:55, 4.24s/it]
93%|████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3729/3996 [4:36:42<18:46, 4.22s/it]
93%|████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3730/3996 [4:36:46<18:40, 4.21s/it]
93%|████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3731/3996 [4:36:51<19:16, 4.37s/it]
93%|████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3732/3996 [4:36:55<18:58, 4.31s/it]
93%|████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3733/3996 [4:36:59<18:45, 4.28s/it]
93%|████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3734/3996 [4:37:03<18:33, 4.25s/it]
93%|████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3735/3996 [4:37:08<18:37, 4.28s/it]
93%|████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3736/3996 [4:37:12<18:25, 4.25s/it]
94%|████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3737/3996 [4:37:16<18:18, 4.24s/it]
94%|████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3738/3996 [4:37:21<19:15, 4.48s/it]
94%|████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3739/3996 [4:37:25<18:49, 4.39s/it]
94%|████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3740/3996 [4:37:29<18:29, 4.33s/it]
94%|████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3741/3996 [4:37:34<18:13, 4.29s/it]
94%|████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3742/3996 [4:37:38<18:02, 4.26s/it]
94%|████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3743/3996 [4:37:42<17:52, 4.24s/it]
94%|████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3744/3996 [4:37:46<17:43, 4.22s/it]
94%|████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3745/3996 [4:37:51<18:17, 4.37s/it]
94%|████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3746/3996 [4:37:55<17:58, 4.32s/it]
94%|█████████████████████████████████████████████████████████████████████████████████████████████████████████ | 3747/3996 [4:37:59<17:45, 4.28s/it]
94%|█████████████████████████████████████████████████████████████████████████████████████████████████████████ | 3748/3996 [4:38:03<17:33, 4.25s/it]
94%|█████████████████████████████████████████████████████████████████████████████████████████████████████████ | 3749/3996 [4:38:08<17:24, 4.23s/it]
94%|█████████████████████████████████████████████████████████████████████████████████████████████████████████ | 3750/3996 [4:38:12<17:16, 4.21s/it]
{'loss': 0.4626, 'grad_norm': 0.2154284566640854, 'learning_rate': 1.9769223032228724e-06, 'ppl': 1.5882, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4278.81, 'total_tokens': 71956413, 'epoch': 2.81}
94%|█████████████████████████████████████████████████████████████████████████████████████████████████████████ | 3750/3996 [4:38:12<17:16, 4.21s/it]
94%|█████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3751/3996 [4:38:16<17:08, 4.20s/it]
94%|█████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3752/3996 [4:38:21<17:42, 4.35s/it]
94%|█████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3753/3996 [4:38:25<17:26, 4.31s/it]
94%|█████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3754/3996 [4:38:29<17:12, 4.26s/it]
94%|█████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3755/3996 [4:38:33<17:00, 4.24s/it]
94%|█████████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3756/3996 [4:38:37<16:51, 4.22s/it]
94%|█████████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3757/3996 [4:38:42<16:44, 4.20s/it]
94%|█████████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3758/3996 [4:38:46<16:38, 4.20s/it]
94%|█████████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3759/3996 [4:38:50<17:11, 4.35s/it]
94%|█████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3760/3996 [4:38:55<16:55, 4.30s/it]
94%|█████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3761/3996 [4:38:59<16:41, 4.26s/it]
94%|█████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3762/3996 [4:39:03<16:31, 4.24s/it]
94%|█████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3763/3996 [4:39:07<16:24, 4.22s/it]
94%|█████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3764/3996 [4:39:11<16:16, 4.21s/it]
94%|█████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3765/3996 [4:39:16<16:11, 4.21s/it]
94%|█████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3766/3996 [4:39:20<16:43, 4.37s/it]
94%|█████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3767/3996 [4:39:25<16:28, 4.32s/it]
94%|█████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3768/3996 [4:39:29<16:16, 4.28s/it]
94%|█████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3769/3996 [4:39:33<16:05, 4.25s/it]
94%|█████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3770/3996 [4:39:37<15:56, 4.23s/it]
94%|█████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3771/3996 [4:39:42<16:06, 4.29s/it]
94%|█████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3772/3996 [4:39:46<15:55, 4.26s/it]
94%|█████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3773/3996 [4:39:50<16:21, 4.40s/it]
94%|█████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3774/3996 [4:39:55<16:02, 4.34s/it]
94%|█████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3775/3996 [4:39:59<15:48, 4.29s/it]
{'loss': 0.4757, 'grad_norm': 0.2559005916118622, 'learning_rate': 1.5980034957628231e-06, 'ppl': 1.6091, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4161.74, 'total_tokens': 72391979, 'epoch': 2.83}
94%|█████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3775/3996 [4:39:59<15:48, 4.29s/it]
94%|█████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3776/3996 [4:40:03<15:37, 4.26s/it]
95%|█████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3777/3996 [4:40:07<15:28, 4.24s/it]
95%|█████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3778/3996 [4:40:11<15:20, 4.22s/it]
95%|█████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3779/3996 [4:40:16<15:14, 4.21s/it]
95%|█████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3780/3996 [4:40:20<15:44, 4.37s/it]
95%|█████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3781/3996 [4:40:24<15:28, 4.32s/it]
95%|██████████████████████████████████████████████████████████████████████████████████████████████████████████ | 3782/3996 [4:40:29<15:16, 4.28s/it]
95%|██████████████████████████████████████████████████████████████████████████████████████████████████████████ | 3783/3996 [4:40:33<15:05, 4.25s/it]
95%|██████████████████████████████████████████████████████████████████████████████████████████████████████████ | 3784/3996 [4:40:37<14:57, 4.23s/it]
95%|██████████████████████████████████████████████████████████████████████████████████████████████████████████ | 3785/3996 [4:40:41<14:51, 4.22s/it]
95%|██████████████████████████████████████████████████████████████████████████████████████████████████████████ | 3786/3996 [4:40:45<14:44, 4.21s/it]
95%|██████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3787/3996 [4:40:50<15:13, 4.37s/it]
95%|██████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3788/3996 [4:40:54<14:57, 4.31s/it]
95%|██████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3789/3996 [4:40:59<15:05, 4.37s/it]
95%|██████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3790/3996 [4:41:03<14:49, 4.32s/it]
95%|██████████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3791/3996 [4:41:07<14:37, 4.28s/it]
95%|██████████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3792/3996 [4:41:11<14:27, 4.25s/it]
95%|██████████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3793/3996 [4:41:16<14:18, 4.23s/it]
95%|██████████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3794/3996 [4:41:20<14:45, 4.38s/it]
95%|██████████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3795/3996 [4:41:25<14:30, 4.33s/it]
95%|██████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3796/3996 [4:41:29<14:17, 4.29s/it]
95%|██████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3797/3996 [4:41:33<14:07, 4.26s/it]
95%|██████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3798/3996 [4:41:37<13:59, 4.24s/it]
95%|██████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3799/3996 [4:41:41<13:51, 4.22s/it]
95%|██████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3800/3996 [4:41:46<13:45, 4.21s/it]
{'loss': 0.4823, 'grad_norm': 0.21530191600322723, 'learning_rate': 1.2590728158430431e-06, 'ppl': 1.6198, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4264.41, 'total_tokens': 72837687, 'epoch': 2.85}
95%|██████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3800/3996 [4:41:46<13:45, 4.21s/it]
95%|██████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3801/3996 [4:41:50<14:11, 4.37s/it]
95%|██████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3802/3996 [4:41:54<13:57, 4.32s/it]
95%|██████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3803/3996 [4:41:59<13:45, 4.28s/it]
95%|██████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3804/3996 [4:42:03<13:35, 4.25s/it]
95%|██████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3805/3996 [4:42:07<13:28, 4.23s/it]
95%|██████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3806/3996 [4:42:11<13:21, 4.22s/it]
95%|██████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3807/3996 [4:42:15<13:15, 4.21s/it]
95%|██████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3808/3996 [4:42:20<13:41, 4.37s/it]
95%|██████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3809/3996 [4:42:24<13:27, 4.32s/it]
95%|██████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3810/3996 [4:42:29<13:16, 4.28s/it]
95%|██████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3811/3996 [4:42:33<13:06, 4.25s/it]
95%|██████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3812/3996 [4:42:37<12:58, 4.23s/it]
95%|██████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3813/3996 [4:42:41<12:52, 4.22s/it]
95%|██████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3814/3996 [4:42:45<12:46, 4.21s/it]
95%|██████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3815/3996 [4:42:50<13:10, 4.37s/it]
95%|██████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3816/3996 [4:42:54<12:56, 4.31s/it]
96%|██████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3817/3996 [4:42:58<12:44, 4.27s/it]
96%|███████████████████████████████████████████████████████████████████████████████████████████████████████████ | 3818/3996 [4:43:03<12:35, 4.25s/it]
96%|███████████████████████████████████████████████████████████████████████████████████████████████████████████ | 3819/3996 [4:43:07<12:28, 4.23s/it]
96%|███████████████████████████████████████████████████████████████████████████████████████████████████████████ | 3820/3996 [4:43:11<12:21, 4.22s/it]
96%|███████████████████████████████████████████████████████████████████████████████████████████████████████████ | 3821/3996 [4:43:15<12:15, 4.21s/it]
96%|███████████████████████████████████████████████████████████████████████████████████████████████████████████ | 3822/3996 [4:43:20<12:38, 4.36s/it]
96%|███████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3823/3996 [4:43:24<12:25, 4.31s/it]
96%|███████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3824/3996 [4:43:28<12:13, 4.27s/it]
96%|███████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3825/3996 [4:43:32<12:05, 4.24s/it]
{'loss': 0.468, 'grad_norm': 0.22042331099510193, 'learning_rate': 9.602679964744288e-07, 'ppl': 1.5968, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4254.73, 'total_tokens': 73282095, 'epoch': 2.87}
96%|███████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3825/3996 [4:43:32<12:05, 4.24s/it]
96%|███████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3826/3996 [4:43:37<11:57, 4.22s/it]
96%|███████████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3827/3996 [4:43:41<11:51, 4.21s/it]
96%|███████████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3828/3996 [4:43:45<11:45, 4.20s/it]
96%|███████████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3829/3996 [4:43:50<12:06, 4.35s/it]
96%|███████████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3830/3996 [4:43:54<11:53, 4.30s/it]
96%|███████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3831/3996 [4:43:58<11:43, 4.26s/it]
96%|███████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3832/3996 [4:44:02<11:35, 4.24s/it]
96%|███████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3833/3996 [4:44:06<11:28, 4.22s/it]
96%|███████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3834/3996 [4:44:11<11:22, 4.21s/it]
96%|███████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3835/3996 [4:44:15<11:16, 4.20s/it]
96%|███████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3836/3996 [4:44:19<11:37, 4.36s/it]
96%|███████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3837/3996 [4:44:24<11:25, 4.31s/it]
96%|███████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3838/3996 [4:44:28<11:14, 4.27s/it]
96%|███████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3839/3996 [4:44:32<11:06, 4.24s/it]
96%|███████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3840/3996 [4:44:36<10:59, 4.23s/it]
96%|███████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3841/3996 [4:44:40<10:53, 4.22s/it]
96%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3842/3996 [4:44:45<10:48, 4.21s/it]
96%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3843/3996 [4:44:50<11:29, 4.51s/it]
96%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3844/3996 [4:44:54<11:11, 4.41s/it]
96%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3845/3996 [4:44:58<10:56, 4.35s/it]
96%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3846/3996 [4:45:02<10:45, 4.30s/it]
96%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3847/3996 [4:45:07<10:36, 4.27s/it]
96%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3848/3996 [4:45:11<10:28, 4.25s/it]
96%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3849/3996 [4:45:15<10:21, 4.23s/it]
96%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3850/3996 [4:45:20<10:39, 4.38s/it]
{'loss': 0.4651, 'grad_norm': 0.22293563187122345, 'learning_rate': 7.017104645146599e-07, 'ppl': 1.5922, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 3747.29, 'total_tokens': 73724795, 'epoch': 2.89}
96%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3850/3996 [4:45:20<10:39, 4.38s/it]
96%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3851/3996 [4:45:24<10:27, 4.33s/it]
96%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3852/3996 [4:45:28<10:16, 4.28s/it]
96%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████ | 3853/3996 [4:45:32<10:08, 4.26s/it]
96%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████ | 3854/3996 [4:45:36<10:01, 4.24s/it]
96%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████ | 3855/3996 [4:45:41<09:55, 4.22s/it]
96%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3856/3996 [4:45:45<09:49, 4.21s/it]
97%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3857/3996 [4:45:50<10:07, 4.37s/it]
97%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3858/3996 [4:45:54<09:56, 4.32s/it]
97%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3859/3996 [4:45:58<09:46, 4.28s/it]
97%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3860/3996 [4:46:02<09:37, 4.25s/it]
97%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3861/3996 [4:46:06<09:31, 4.24s/it]
97%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3862/3996 [4:46:11<09:25, 4.22s/it]
97%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3863/3996 [4:46:15<09:20, 4.21s/it]
97%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3864/3996 [4:46:19<09:36, 4.37s/it]
97%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3865/3996 [4:46:24<09:25, 4.32s/it]
97%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3866/3996 [4:46:28<09:16, 4.28s/it]
97%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3867/3996 [4:46:32<09:07, 4.25s/it]
97%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3868/3996 [4:46:36<09:01, 4.23s/it]
97%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3869/3996 [4:46:40<08:55, 4.22s/it]
97%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3870/3996 [4:46:45<08:50, 4.21s/it]
97%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3871/3996 [4:46:49<09:07, 4.38s/it]
97%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3872/3996 [4:46:54<08:56, 4.33s/it]
97%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3873/3996 [4:46:58<08:46, 4.28s/it]
97%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3874/3996 [4:47:02<08:38, 4.25s/it]
97%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3875/3996 [4:47:06<08:32, 4.24s/it]
{'loss': 0.4598, 'grad_norm': 0.20620891451835632, 'learning_rate': 4.83505291323405e-07, 'ppl': 1.5838, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4202.85, 'total_tokens': 74165185, 'epoch': 2.91}
97%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3875/3996 [4:47:06<08:32, 4.24s/it]
97%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3876/3996 [4:47:11<08:34, 4.29s/it]
97%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3877/3996 [4:47:15<08:27, 4.26s/it]
97%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3878/3996 [4:47:19<08:39, 4.40s/it]
97%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3879/3996 [4:47:24<08:28, 4.34s/it]
97%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3880/3996 [4:47:28<08:18, 4.30s/it]
97%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3881/3996 [4:47:32<08:10, 4.26s/it]
97%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████ | 3882/3996 [4:47:36<08:03, 4.24s/it]
97%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████ | 3883/3996 [4:47:40<07:57, 4.22s/it]
97%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████ | 3884/3996 [4:47:45<07:52, 4.22s/it]
97%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3885/3996 [4:47:49<08:04, 4.37s/it]
97%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3886/3996 [4:47:54<07:54, 4.32s/it]
97%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3887/3996 [4:47:58<07:46, 4.28s/it]
97%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3888/3996 [4:48:02<07:39, 4.26s/it]
97%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3889/3996 [4:48:06<07:33, 4.24s/it]
97%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3890/3996 [4:48:10<07:27, 4.22s/it]
97%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3891/3996 [4:48:14<07:22, 4.21s/it]
97%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3892/3996 [4:48:19<07:33, 4.36s/it]
97%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3893/3996 [4:48:23<07:24, 4.31s/it]
97%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3894/3996 [4:48:28<07:16, 4.28s/it]
97%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3895/3996 [4:48:32<07:09, 4.25s/it]
97%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3896/3996 [4:48:36<07:03, 4.23s/it]
98%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3897/3996 [4:48:40<06:57, 4.22s/it]
98%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3898/3996 [4:48:44<06:57, 4.26s/it]
98%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3899/3996 [4:48:49<07:06, 4.40s/it]
98%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3900/3996 [4:48:53<06:55, 4.33s/it]
{'loss': 0.4713, 'grad_norm': 0.21627213060855865, 'learning_rate': 3.0574115006383185e-07, 'ppl': 1.6021, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4239.36, 'total_tokens': 74606090, 'epoch': 2.93}
98%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3900/3996 [4:48:53<06:55, 4.33s/it]
98%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3901/3996 [4:48:58<06:46, 4.28s/it]
98%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3902/3996 [4:49:02<06:39, 4.25s/it]
98%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3903/3996 [4:49:06<06:33, 4.23s/it]
98%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3904/3996 [4:49:10<06:28, 4.22s/it]
98%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3905/3996 [4:49:14<06:23, 4.21s/it]
98%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3906/3996 [4:49:19<06:33, 4.37s/it]
98%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3907/3996 [4:49:23<06:24, 4.32s/it]
98%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3908/3996 [4:49:27<06:15, 4.27s/it]
98%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3909/3996 [4:49:32<06:08, 4.24s/it]
98%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████ | 3910/3996 [4:49:36<06:03, 4.23s/it]
98%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████ | 3911/3996 [4:49:40<05:57, 4.21s/it]
98%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████ | 3912/3996 [4:49:44<05:52, 4.20s/it]
98%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████ | 3913/3996 [4:49:49<06:01, 4.36s/it]
98%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3914/3996 [4:49:53<05:53, 4.31s/it]
98%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3915/3996 [4:49:57<05:46, 4.27s/it]
98%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3916/3996 [4:50:02<05:46, 4.33s/it]
98%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3917/3996 [4:50:06<05:38, 4.29s/it]
98%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3918/3996 [4:50:10<05:32, 4.26s/it]
98%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3919/3996 [4:50:14<05:26, 4.23s/it]
98%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3920/3996 [4:50:19<05:33, 4.38s/it]
98%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3921/3996 [4:50:23<05:24, 4.33s/it]
98%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3922/3996 [4:50:27<05:16, 4.28s/it]
98%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3923/3996 [4:50:32<05:09, 4.25s/it]
98%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3924/3996 [4:50:36<05:04, 4.23s/it]
98%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3925/3996 [4:50:40<04:59, 4.22s/it]
{'loss': 0.4893, 'grad_norm': 0.22113533318042755, 'learning_rate': 1.6849027966816532e-07, 'ppl': 1.6312, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4207.44, 'total_tokens': 75045579, 'epoch': 2.94}
98%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3925/3996 [4:50:40<04:59, 4.22s/it]
98%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3926/3996 [4:50:44<04:54, 4.21s/it]
98%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3927/3996 [4:50:49<05:01, 4.37s/it]
98%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3928/3996 [4:50:53<04:53, 4.32s/it]
98%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3929/3996 [4:50:57<04:46, 4.28s/it]
98%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3930/3996 [4:51:01<04:40, 4.25s/it]
98%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3931/3996 [4:51:06<04:35, 4.23s/it]
98%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3932/3996 [4:51:10<04:30, 4.22s/it]
98%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3933/3996 [4:51:14<04:25, 4.22s/it]
98%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3934/3996 [4:51:19<04:30, 4.37s/it]
98%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3935/3996 [4:51:23<04:23, 4.31s/it]
98%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3936/3996 [4:51:27<04:16, 4.27s/it]
99%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3937/3996 [4:51:31<04:10, 4.25s/it]
99%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3938/3996 [4:51:35<04:05, 4.23s/it]
99%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████ | 3939/3996 [4:51:40<04:00, 4.22s/it]
99%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████ | 3940/3996 [4:51:44<03:55, 4.21s/it]
99%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████ | 3941/3996 [4:51:49<03:59, 4.36s/it]
99%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████ | 3942/3996 [4:51:53<03:52, 4.31s/it]
99%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3943/3996 [4:51:57<03:46, 4.28s/it]
99%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3944/3996 [4:52:01<03:40, 4.25s/it]
99%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 3945/3996 [4:52:05<03:35, 4.23s/it]
99%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3946/3996 [4:52:10<03:30, 4.22s/it]
99%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3947/3996 [4:52:14<03:26, 4.21s/it]
99%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3948/3996 [4:52:18<03:29, 4.37s/it]
99%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 3949/3996 [4:52:23<03:22, 4.31s/it]
99%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3950/3996 [4:52:27<03:16, 4.28s/it]
{'loss': 0.4804, 'grad_norm': 0.21696196496486664, 'learning_rate': 7.180845548145909e-08, 'ppl': 1.6167, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4152.94, 'total_tokens': 75479895, 'epoch': 2.96}
99%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3950/3996 [4:52:27<03:16, 4.28s/it]
99%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3951/3996 [4:52:31<03:11, 4.25s/it]
99%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 3952/3996 [4:52:35<03:06, 4.23s/it]
99%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3953/3996 [4:52:39<03:01, 4.22s/it]
99%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3954/3996 [4:52:44<02:57, 4.22s/it]
99%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3955/3996 [4:52:48<02:59, 4.37s/it]
99%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 3956/3996 [4:52:53<02:52, 4.32s/it]
99%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3957/3996 [4:52:57<02:47, 4.29s/it]
99%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3958/3996 [4:53:01<02:41, 4.26s/it]
99%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3959/3996 [4:53:05<02:36, 4.24s/it]
99%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 3960/3996 [4:53:09<02:31, 4.22s/it]
99%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3961/3996 [4:53:14<02:27, 4.22s/it]
99%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3962/3996 [4:53:18<02:28, 4.37s/it]
99%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 3963/3996 [4:53:22<02:22, 4.32s/it]
99%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3964/3996 [4:53:27<02:17, 4.28s/it]
99%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3965/3996 [4:53:31<02:11, 4.25s/it]
99%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3966/3996 [4:53:35<02:07, 4.24s/it]
99%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 3967/3996 [4:53:39<02:02, 4.23s/it]
99%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████ | 3968/3996 [4:53:43<01:57, 4.21s/it]
99%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████ | 3969/3996 [4:53:48<01:57, 4.36s/it]
99%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████ | 3970/3996 [4:53:52<01:52, 4.33s/it]
99%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏| 3971/3996 [4:53:57<01:47, 4.29s/it]
99%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏| 3972/3996 [4:54:01<01:42, 4.25s/it]
99%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏| 3973/3996 [4:54:05<01:37, 4.24s/it]
99%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏| 3974/3996 [4:54:09<01:32, 4.22s/it]
99%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎| 3975/3996 [4:54:13<01:28, 4.20s/it]
{'loss': 0.4758, 'grad_norm': 0.2239820659160614, 'learning_rate': 1.5734966595948308e-08, 'ppl': 1.6093, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'tokens_per_second_per_gpu': 4224.58, 'total_tokens': 75920694, 'epoch': 2.98}
99%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎| 3975/3996 [4:54:13<01:28, 4.20s/it]
99%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎| 3976/3996 [4:54:18<01:27, 4.36s/it]
100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎| 3977/3996 [4:54:22<01:21, 4.31s/it]
100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎| 3978/3996 [4:54:26<01:16, 4.27s/it]
100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍| 3979/3996 [4:54:31<01:12, 4.24s/it]
100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍| 3980/3996 [4:54:35<01:07, 4.23s/it]
100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍| 3981/3996 [4:54:39<01:03, 4.21s/it]
100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌| 3982/3996 [4:54:43<00:58, 4.20s/it]
100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌| 3983/3996 [4:54:48<00:56, 4.36s/it]
100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌| 3984/3996 [4:54:52<00:51, 4.30s/it]
100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌| 3985/3996 [4:54:56<00:46, 4.27s/it]
100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋| 3986/3996 [4:55:00<00:42, 4.24s/it]
100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋| 3987/3996 [4:55:05<00:37, 4.22s/it]
100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋| 3988/3996 [4:55:09<00:33, 4.21s/it]
100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊| 3989/3996 [4:55:13<00:29, 4.20s/it]
100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊| 3990/3996 [4:55:18<00:26, 4.36s/it]
100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊| 3991/3996 [4:55:22<00:21, 4.31s/it]
100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊| 3992/3996 [4:55:26<00:17, 4.27s/it]
100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉| 3993/3996 [4:55:30<00:12, 4.24s/it]
100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉| 3994/3996 [4:55:34<00:08, 4.22s/it]
100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉| 3995/3996 [4:55:39<00:04, 4.21s/it]
100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 3996/3996 [4:55:43<00:00, 4.20s/it][2025-12-29 07:45:28,450] [INFO] [axolotl.core.trainers.base._save:692] [PID:3751] Saving model checkpoint to ./outputs/luau-codellama-h200-fast/checkpoint-3996
{'train_runtime': 17743.6946, 'train_samples_per_second': 1.126, 'train_steps_per_second': 0.225, 'train_loss': 0.5296457291126728, 'memory/max_active (GiB)': 25.53, 'memory/max_allocated (GiB)': 25.53, 'memory/device_reserved (GiB)': 139.06, 'epoch': 3.0}
100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 3996/3996 [4:55:43<00:00, 4.20s/it]
100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 3996/3996 [4:55:43<00:00, 4.44s/it]
[2025-12-29 07:45:29,344] [INFO] [axolotl.train.save_trained_model:233] [PID:3751] Training completed! Saving trained model to ./outputs/luau-codellama-h200-fast.
[2025-12-29 07:45:29,658] [INFO] [axolotl.train.save_trained_model:351] [PID:3751] Model successfully saved to ./outputs/luau-codellama-h200-fast
[0m