{
  "best_metric": null,
  "best_model_checkpoint": null,
  "epoch": 0.08333333333333333,
  "eval_steps": 500,
  "global_step": 5000,
  "is_hyper_param_search": false,
  "is_local_process_zero": true,
  "is_world_process_zero": true,
  "log_history": [
    {
      "epoch": 0.0008333333333333334,
      "grad_norm": 0.1435546875,
      "learning_rate": 0.00019800000000000002,
      "loss": 0.1418,
      "step": 50
    },
    {
      "epoch": 0.0016666666666666668,
      "grad_norm": 0.0118408203125,
      "learning_rate": 0.000196,
      "loss": 0.1015,
      "step": 100
    },
    {
      "epoch": 0.0025,
      "grad_norm": 0.059326171875,
      "learning_rate": 0.000194,
      "loss": 0.0625,
      "step": 150
    },
    {
      "epoch": 0.0033333333333333335,
      "grad_norm": 0.00128936767578125,
      "learning_rate": 0.000192,
      "loss": 0.0441,
      "step": 200
    },
    {
      "epoch": 0.004166666666666667,
      "grad_norm": 0.02783203125,
      "learning_rate": 0.00019,
      "loss": 0.0547,
      "step": 250
    },
    {
      "epoch": 0.005,
      "grad_norm": 12.625,
      "learning_rate": 0.000188,
      "loss": 0.074,
      "step": 300
    },
    {
      "epoch": 0.005833333333333334,
      "grad_norm": 0.09765625,
      "learning_rate": 0.00018600000000000002,
      "loss": 0.0284,
      "step": 350
    },
    {
      "epoch": 0.006666666666666667,
      "grad_norm": 0.130859375,
      "learning_rate": 0.00018400000000000003,
      "loss": 0.0453,
      "step": 400
    },
    {
      "epoch": 0.0075,
      "grad_norm": 9.625,
      "learning_rate": 0.000182,
      "loss": 0.054,
      "step": 450
    },
    {
      "epoch": 0.008333333333333333,
      "grad_norm": 0.0006103515625,
      "learning_rate": 0.00018,
      "loss": 0.0222,
      "step": 500
    },
    {
      "epoch": 0.009166666666666667,
      "grad_norm": 4.65625,
      "learning_rate": 0.00017800000000000002,
      "loss": 0.0493,
      "step": 550
    },
    {
      "epoch": 0.01,
      "grad_norm": 0.06201171875,
      "learning_rate": 0.00017600000000000002,
      "loss": 0.0522,
      "step": 600
    },
    {
      "epoch": 0.010833333333333334,
      "grad_norm": 0.00885009765625,
      "learning_rate": 0.000174,
      "loss": 0.0526,
      "step": 650
    },
    {
      "epoch": 0.011666666666666667,
      "grad_norm": 7.53125,
      "learning_rate": 0.000172,
      "loss": 0.0393,
      "step": 700
    },
    {
      "epoch": 0.0125,
      "grad_norm": 0.00579833984375,
      "learning_rate": 0.00017,
      "loss": 0.0678,
      "step": 750
    },
    {
      "epoch": 0.013333333333333334,
      "grad_norm": 0.0031890869140625,
      "learning_rate": 0.000168,
      "loss": 0.0415,
      "step": 800
    },
    {
      "epoch": 0.014166666666666666,
      "grad_norm": 0.00010061264038085938,
      "learning_rate": 0.000166,
      "loss": 0.0202,
      "step": 850
    },
    {
      "epoch": 0.015,
      "grad_norm": 1.09375,
      "learning_rate": 0.000164,
      "loss": 0.0695,
      "step": 900
    },
    {
      "epoch": 0.015833333333333335,
      "grad_norm": 0.65625,
      "learning_rate": 0.000162,
      "loss": 0.0507,
      "step": 950
    },
    {
      "epoch": 0.016666666666666666,
      "grad_norm": 0.00701904296875,
      "learning_rate": 0.00016,
      "loss": 0.0201,
      "step": 1000
    },
    {
      "epoch": 0.0175,
      "grad_norm": 9.3125,
      "learning_rate": 0.00015800000000000002,
      "loss": 0.0593,
      "step": 1050
    },
    {
      "epoch": 0.018333333333333333,
      "grad_norm": 7.46875,
      "learning_rate": 0.00015600000000000002,
      "loss": 0.0149,
      "step": 1100
    },
    {
      "epoch": 0.019166666666666665,
      "grad_norm": 0.004058837890625,
      "learning_rate": 0.000154,
      "loss": 0.0344,
      "step": 1150
    },
    {
      "epoch": 0.02,
      "grad_norm": 15.3125,
      "learning_rate": 0.000152,
      "loss": 0.054,
      "step": 1200
    },
    {
      "epoch": 0.020833333333333332,
      "grad_norm": 18.125,
      "learning_rate": 0.00015000000000000001,
      "loss": 0.023,
      "step": 1250
    },
    {
      "epoch": 0.021666666666666667,
      "grad_norm": 0.0771484375,
      "learning_rate": 0.000148,
      "loss": 0.0474,
      "step": 1300
    },
    {
      "epoch": 0.0225,
      "grad_norm": 0.005615234375,
      "learning_rate": 0.000146,
      "loss": 0.0042,
      "step": 1350
    },
    {
      "epoch": 0.023333333333333334,
      "grad_norm": 8.8125,
      "learning_rate": 0.000144,
      "loss": 0.0477,
      "step": 1400
    },
    {
      "epoch": 0.024166666666666666,
      "grad_norm": 0.006988525390625,
      "learning_rate": 0.000142,
      "loss": 0.0268,
      "step": 1450
    },
    {
      "epoch": 0.025,
      "grad_norm": 6.0625,
      "learning_rate": 0.00014,
      "loss": 0.0224,
      "step": 1500
    },
    {
      "epoch": 0.025833333333333333,
      "grad_norm": 4.03125,
      "learning_rate": 0.000138,
      "loss": 0.0369,
      "step": 1550
    },
    {
      "epoch": 0.02666666666666667,
      "grad_norm": 0.59375,
      "learning_rate": 0.00013600000000000003,
      "loss": 0.01,
      "step": 1600
    },
    {
      "epoch": 0.0275,
      "grad_norm": 0.004974365234375,
      "learning_rate": 0.000134,
      "loss": 0.0621,
      "step": 1650
    },
    {
      "epoch": 0.028333333333333332,
      "grad_norm": 3.75,
      "learning_rate": 0.000132,
      "loss": 0.0915,
      "step": 1700
    },
    {
      "epoch": 0.029166666666666667,
      "grad_norm": 0.095703125,
      "learning_rate": 0.00013000000000000002,
      "loss": 0.0215,
      "step": 1750
    },
    {
      "epoch": 0.03,
      "grad_norm": 5.625,
      "learning_rate": 0.00012800000000000002,
      "loss": 0.034,
      "step": 1800
    },
    {
      "epoch": 0.030833333333333334,
      "grad_norm": 0.000701904296875,
      "learning_rate": 0.000126,
      "loss": 0.028,
      "step": 1850
    },
    {
      "epoch": 0.03166666666666667,
      "grad_norm": 11.9375,
      "learning_rate": 0.000124,
      "loss": 0.0136,
      "step": 1900
    },
    {
      "epoch": 0.0325,
      "grad_norm": 0.0030517578125,
      "learning_rate": 0.000122,
      "loss": 0.0305,
      "step": 1950
    },
    {
      "epoch": 0.03333333333333333,
      "grad_norm": 0.000507354736328125,
      "learning_rate": 0.00012,
      "loss": 0.0254,
      "step": 2000
    },
    {
      "epoch": 0.034166666666666665,
      "grad_norm": 0.00872802734375,
      "learning_rate": 0.000118,
      "loss": 0.0291,
      "step": 2050
    },
    {
      "epoch": 0.035,
      "grad_norm": 0.03076171875,
      "learning_rate": 0.000116,
      "loss": 0.0422,
      "step": 2100
    },
    {
      "epoch": 0.035833333333333335,
      "grad_norm": 0.000885009765625,
      "learning_rate": 0.00011399999999999999,
      "loss": 0.0175,
      "step": 2150
    },
    {
      "epoch": 0.03666666666666667,
      "grad_norm": 7.625,
      "learning_rate": 0.00011200000000000001,
      "loss": 0.0476,
      "step": 2200
    },
    {
      "epoch": 0.0375,
      "grad_norm": 0.0013885498046875,
      "learning_rate": 0.00011000000000000002,
      "loss": 0.036,
      "step": 2250
    },
    {
      "epoch": 0.03833333333333333,
      "grad_norm": 0.040771484375,
      "learning_rate": 0.00010800000000000001,
      "loss": 0.0182,
      "step": 2300
    },
    {
      "epoch": 0.03916666666666667,
      "grad_norm": 0.3203125,
      "learning_rate": 0.00010600000000000002,
      "loss": 0.0207,
      "step": 2350
    },
    {
      "epoch": 0.04,
      "grad_norm": 0.022216796875,
      "learning_rate": 0.00010400000000000001,
      "loss": 0.005,
      "step": 2400
    },
    {
      "epoch": 0.04083333333333333,
      "grad_norm": 0.091796875,
      "learning_rate": 0.00010200000000000001,
      "loss": 0.009,
      "step": 2450
    },
    {
      "epoch": 0.041666666666666664,
      "grad_norm": 0.000171661376953125,
      "learning_rate": 0.0001,
      "loss": 0.006,
      "step": 2500
    },
    {
      "epoch": 0.0425,
      "grad_norm": 0.052001953125,
      "learning_rate": 9.8e-05,
      "loss": 0.0407,
      "step": 2550
    },
    {
      "epoch": 0.043333333333333335,
      "grad_norm": 7.03125,
      "learning_rate": 9.6e-05,
      "loss": 0.0313,
      "step": 2600
    },
    {
      "epoch": 0.04416666666666667,
      "grad_norm": 0.0361328125,
      "learning_rate": 9.4e-05,
      "loss": 0.0196,
      "step": 2650
    },
    {
      "epoch": 0.045,
      "grad_norm": 0.205078125,
      "learning_rate": 9.200000000000001e-05,
      "loss": 0.0303,
      "step": 2700
    },
    {
      "epoch": 0.04583333333333333,
      "grad_norm": 0.00360107421875,
      "learning_rate": 9e-05,
      "loss": 0.0294,
      "step": 2750
    },
    {
      "epoch": 0.04666666666666667,
      "grad_norm": 0.00191497802734375,
      "learning_rate": 8.800000000000001e-05,
      "loss": 0.02,
      "step": 2800
    },
    {
      "epoch": 0.0475,
      "grad_norm": 0.10693359375,
      "learning_rate": 8.6e-05,
      "loss": 0.02,
      "step": 2850
    },
    {
      "epoch": 0.04833333333333333,
      "grad_norm": 0.0028076171875,
      "learning_rate": 8.4e-05,
      "loss": 0.0562,
      "step": 2900
    },
    {
      "epoch": 0.049166666666666664,
      "grad_norm": 5.03125,
      "learning_rate": 8.2e-05,
      "loss": 0.0047,
      "step": 2950
    },
    {
      "epoch": 0.05,
      "grad_norm": 0.000835418701171875,
      "learning_rate": 8e-05,
      "loss": 0.0375,
      "step": 3000
    },
    {
      "epoch": 0.050833333333333335,
      "grad_norm": 0.0021820068359375,
      "learning_rate": 7.800000000000001e-05,
      "loss": 0.0232,
      "step": 3050
    },
    {
      "epoch": 0.051666666666666666,
      "grad_norm": 0.009765625,
      "learning_rate": 7.6e-05,
      "loss": 0.0472,
      "step": 3100
    },
    {
      "epoch": 0.0525,
      "grad_norm": 0.00323486328125,
      "learning_rate": 7.4e-05,
      "loss": 0.0294,
      "step": 3150
    },
    {
      "epoch": 0.05333333333333334,
      "grad_norm": 0.005767822265625,
      "learning_rate": 7.2e-05,
      "loss": 0.0233,
      "step": 3200
    },
    {
      "epoch": 0.05416666666666667,
      "grad_norm": 0.01165771484375,
      "learning_rate": 7e-05,
      "loss": 0.0216,
      "step": 3250
    },
    {
      "epoch": 0.055,
      "grad_norm": 0.01806640625,
      "learning_rate": 6.800000000000001e-05,
      "loss": 0.0076,
      "step": 3300
    },
    {
      "epoch": 0.05583333333333333,
      "grad_norm": 0.0019989013671875,
      "learning_rate": 6.6e-05,
      "loss": 0.0058,
      "step": 3350
    },
    {
      "epoch": 0.056666666666666664,
      "grad_norm": 0.00091552734375,
      "learning_rate": 6.400000000000001e-05,
      "loss": 0.0171,
      "step": 3400
    },
    {
      "epoch": 0.0575,
      "grad_norm": 0.392578125,
      "learning_rate": 6.2e-05,
      "loss": 0.0408,
      "step": 3450
    },
    {
      "epoch": 0.058333333333333334,
      "grad_norm": 0.0006103515625,
      "learning_rate": 6e-05,
      "loss": 0.0071,
      "step": 3500
    },
    {
      "epoch": 0.059166666666666666,
      "grad_norm": 0.0004730224609375,
      "learning_rate": 5.8e-05,
      "loss": 0.0134,
      "step": 3550
    },
    {
      "epoch": 0.06,
      "grad_norm": 0.007476806640625,
      "learning_rate": 5.6000000000000006e-05,
      "loss": 0.0507,
      "step": 3600
    },
    {
      "epoch": 0.060833333333333336,
      "grad_norm": 0.2177734375,
      "learning_rate": 5.4000000000000005e-05,
      "loss": 0.043,
      "step": 3650
    },
    {
      "epoch": 0.06166666666666667,
      "grad_norm": 4.875,
      "learning_rate": 5.2000000000000004e-05,
      "loss": 0.0414,
      "step": 3700
    },
    {
      "epoch": 0.0625,
      "grad_norm": 0.2255859375,
      "learning_rate": 5e-05,
      "loss": 0.0337,
      "step": 3750
    },
    {
      "epoch": 0.06333333333333334,
      "grad_norm": 1.484375,
      "learning_rate": 4.8e-05,
      "loss": 0.013,
      "step": 3800
    },
    {
      "epoch": 0.06416666666666666,
      "grad_norm": 0.05322265625,
      "learning_rate": 4.600000000000001e-05,
      "loss": 0.0137,
      "step": 3850
    },
    {
      "epoch": 0.065,
      "grad_norm": 0.0023651123046875,
      "learning_rate": 4.4000000000000006e-05,
      "loss": 0.0104,
      "step": 3900
    },
    {
      "epoch": 0.06583333333333333,
      "grad_norm": 4.8125,
      "learning_rate": 4.2e-05,
      "loss": 0.0191,
      "step": 3950
    },
    {
      "epoch": 0.06666666666666667,
      "grad_norm": 0.1318359375,
      "learning_rate": 4e-05,
      "loss": 0.0056,
      "step": 4000
    },
    {
      "epoch": 0.0675,
      "grad_norm": 0.02978515625,
      "learning_rate": 3.8e-05,
      "loss": 0.0446,
      "step": 4050
    },
    {
      "epoch": 0.06833333333333333,
      "grad_norm": 0.2138671875,
      "learning_rate": 3.6e-05,
      "loss": 0.0145,
      "step": 4100
    },
    {
      "epoch": 0.06916666666666667,
      "grad_norm": 0.0269775390625,
      "learning_rate": 3.4000000000000007e-05,
      "loss": 0.0248,
      "step": 4150
    },
    {
      "epoch": 0.07,
      "grad_norm": 0.0264892578125,
      "learning_rate": 3.2000000000000005e-05,
      "loss": 0.0452,
      "step": 4200
    },
    {
      "epoch": 0.07083333333333333,
      "grad_norm": 0.005889892578125,
      "learning_rate": 3e-05,
      "loss": 0.017,
      "step": 4250
    },
    {
      "epoch": 0.07166666666666667,
      "grad_norm": 0.009033203125,
      "learning_rate": 2.8000000000000003e-05,
      "loss": 0.0209,
      "step": 4300
    },
    {
      "epoch": 0.0725,
      "grad_norm": 0.0277099609375,
      "learning_rate": 2.6000000000000002e-05,
      "loss": 0.0159,
      "step": 4350
    },
    {
      "epoch": 0.07333333333333333,
      "grad_norm": 0.0036468505859375,
      "learning_rate": 2.4e-05,
      "loss": 0.0167,
      "step": 4400
    },
    {
      "epoch": 0.07416666666666667,
      "grad_norm": 0.006866455078125,
      "learning_rate": 2.2000000000000003e-05,
      "loss": 0.0353,
      "step": 4450
    },
    {
      "epoch": 0.075,
      "grad_norm": 0.00173187255859375,
      "learning_rate": 2e-05,
      "loss": 0.0319,
      "step": 4500
    },
    {
      "epoch": 0.07583333333333334,
      "grad_norm": 0.005096435546875,
      "learning_rate": 1.8e-05,
      "loss": 0.0131,
      "step": 4550
    },
    {
      "epoch": 0.07666666666666666,
      "grad_norm": 1.6328125,
      "learning_rate": 1.6000000000000003e-05,
      "loss": 0.0371,
      "step": 4600
    },
    {
      "epoch": 0.0775,
      "grad_norm": 0.00139617919921875,
      "learning_rate": 1.4000000000000001e-05,
      "loss": 0.0254,
      "step": 4650
    },
    {
      "epoch": 0.07833333333333334,
      "grad_norm": 0.01397705078125,
      "learning_rate": 1.2e-05,
      "loss": 0.031,
      "step": 4700
    },
    {
      "epoch": 0.07916666666666666,
      "grad_norm": 0.255859375,
      "learning_rate": 1e-05,
      "loss": 0.0206,
      "step": 4750
    },
    {
      "epoch": 0.08,
      "grad_norm": 0.0252685546875,
      "learning_rate": 8.000000000000001e-06,
      "loss": 0.0232,
      "step": 4800
    },
    {
      "epoch": 0.08083333333333333,
      "grad_norm": 0.000843048095703125,
      "learning_rate": 6e-06,
      "loss": 0.0104,
      "step": 4850
    },
    {
      "epoch": 0.08166666666666667,
      "grad_norm": 0.029296875,
      "learning_rate": 4.000000000000001e-06,
      "loss": 0.0055,
      "step": 4900
    },
    {
      "epoch": 0.0825,
      "grad_norm": 0.0147705078125,
      "learning_rate": 2.0000000000000003e-06,
      "loss": 0.0453,
      "step": 4950
    },
    {
      "epoch": 0.08333333333333333,
      "grad_norm": 0.00762939453125,
      "learning_rate": 0.0,
      "loss": 0.0089,
      "step": 5000
    }
  ],
  "logging_steps": 50,
  "max_steps": 5000,
  "num_input_tokens_seen": 0,
  "num_train_epochs": 1,
  "save_steps": 1000,
  "stateful_callbacks": {
    "TrainerControl": {
      "args": {
        "should_epoch_stop": false,
        "should_evaluate": false,
        "should_log": false,
        "should_save": true,
        "should_training_stop": true
      },
      "attributes": {}
    }
  },
  "total_flos": 5.492272922714112e+16,
  "train_batch_size": 1,
  "trial_name": null,
  "trial_params": null
}