{
  "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": 42.25,
      "learning_rate": 0.00019800000000000002,
      "loss": 1.0707,
      "step": 50
    },
    {
      "epoch": 0.0016666666666666668,
      "grad_norm": 0.73046875,
      "learning_rate": 0.000196,
      "loss": 0.6852,
      "step": 100
    },
    {
      "epoch": 0.0025,
      "grad_norm": 2.390625,
      "learning_rate": 0.000194,
      "loss": 0.702,
      "step": 150
    },
    {
      "epoch": 0.0033333333333333335,
      "grad_norm": 6.375,
      "learning_rate": 0.000192,
      "loss": 0.7727,
      "step": 200
    },
    {
      "epoch": 0.004166666666666667,
      "grad_norm": 6.3125,
      "learning_rate": 0.00019,
      "loss": 0.5331,
      "step": 250
    },
    {
      "epoch": 0.005,
      "grad_norm": 1.2734375,
      "learning_rate": 0.000188,
      "loss": 0.4822,
      "step": 300
    },
    {
      "epoch": 0.005833333333333334,
      "grad_norm": 1.1328125,
      "learning_rate": 0.00018600000000000002,
      "loss": 0.4163,
      "step": 350
    },
    {
      "epoch": 0.006666666666666667,
      "grad_norm": 3.046875,
      "learning_rate": 0.00018400000000000003,
      "loss": 0.4602,
      "step": 400
    },
    {
      "epoch": 0.0075,
      "grad_norm": 0.00592041015625,
      "learning_rate": 0.000182,
      "loss": 0.3425,
      "step": 450
    },
    {
      "epoch": 0.008333333333333333,
      "grad_norm": 3.140625,
      "learning_rate": 0.00018,
      "loss": 1.0112,
      "step": 500
    },
    {
      "epoch": 0.009166666666666667,
      "grad_norm": 0.0107421875,
      "learning_rate": 0.00017800000000000002,
      "loss": 0.5331,
      "step": 550
    },
    {
      "epoch": 0.01,
      "grad_norm": 0.28515625,
      "learning_rate": 0.00017600000000000002,
      "loss": 0.286,
      "step": 600
    },
    {
      "epoch": 0.010833333333333334,
      "grad_norm": 73.5,
      "learning_rate": 0.000174,
      "loss": 0.4844,
      "step": 650
    },
    {
      "epoch": 0.011666666666666667,
      "grad_norm": 14.625,
      "learning_rate": 0.000172,
      "loss": 0.4466,
      "step": 700
    },
    {
      "epoch": 0.0125,
      "grad_norm": 0.046630859375,
      "learning_rate": 0.00017,
      "loss": 0.4002,
      "step": 750
    },
    {
      "epoch": 0.013333333333333334,
      "grad_norm": 14.4375,
      "learning_rate": 0.000168,
      "loss": 0.3284,
      "step": 800
    },
    {
      "epoch": 0.014166666666666666,
      "grad_norm": 0.11767578125,
      "learning_rate": 0.000166,
      "loss": 0.29,
      "step": 850
    },
    {
      "epoch": 0.015,
      "grad_norm": 0.005615234375,
      "learning_rate": 0.000164,
      "loss": 0.1544,
      "step": 900
    },
    {
      "epoch": 0.015833333333333335,
      "grad_norm": 0.037353515625,
      "learning_rate": 0.000162,
      "loss": 0.3684,
      "step": 950
    },
    {
      "epoch": 0.016666666666666666,
      "grad_norm": 36.25,
      "learning_rate": 0.00016,
      "loss": 0.2664,
      "step": 1000
    },
    {
      "epoch": 0.0175,
      "grad_norm": 0.1708984375,
      "learning_rate": 0.00015800000000000002,
      "loss": 0.421,
      "step": 1050
    },
    {
      "epoch": 0.018333333333333333,
      "grad_norm": 16.125,
      "learning_rate": 0.00015600000000000002,
      "loss": 0.1991,
      "step": 1100
    },
    {
      "epoch": 0.019166666666666665,
      "grad_norm": 0.015380859375,
      "learning_rate": 0.000154,
      "loss": 0.1633,
      "step": 1150
    },
    {
      "epoch": 0.02,
      "grad_norm": 0.056640625,
      "learning_rate": 0.000152,
      "loss": 0.2431,
      "step": 1200
    },
    {
      "epoch": 0.020833333333333332,
      "grad_norm": 0.0135498046875,
      "learning_rate": 0.00015000000000000001,
      "loss": 0.136,
      "step": 1250
    },
    {
      "epoch": 0.021666666666666667,
      "grad_norm": 0.189453125,
      "learning_rate": 0.000148,
      "loss": 0.1569,
      "step": 1300
    },
    {
      "epoch": 0.0225,
      "grad_norm": 0.0125732421875,
      "learning_rate": 0.000146,
      "loss": 0.3101,
      "step": 1350
    },
    {
      "epoch": 0.023333333333333334,
      "grad_norm": 0.02685546875,
      "learning_rate": 0.000144,
      "loss": 0.0303,
      "step": 1400
    },
    {
      "epoch": 0.024166666666666666,
      "grad_norm": 0.0498046875,
      "learning_rate": 0.000142,
      "loss": 0.1791,
      "step": 1450
    },
    {
      "epoch": 0.025,
      "grad_norm": 0.00177001953125,
      "learning_rate": 0.00014,
      "loss": 0.0698,
      "step": 1500
    },
    {
      "epoch": 0.025833333333333333,
      "grad_norm": 0.044189453125,
      "learning_rate": 0.000138,
      "loss": 0.2119,
      "step": 1550
    },
    {
      "epoch": 0.02666666666666667,
      "grad_norm": 0.0106201171875,
      "learning_rate": 0.00013600000000000003,
      "loss": 0.1263,
      "step": 1600
    },
    {
      "epoch": 0.0275,
      "grad_norm": 0.0223388671875,
      "learning_rate": 0.000134,
      "loss": 0.0972,
      "step": 1650
    },
    {
      "epoch": 0.028333333333333332,
      "grad_norm": 0.1298828125,
      "learning_rate": 0.000132,
      "loss": 0.3838,
      "step": 1700
    },
    {
      "epoch": 0.029166666666666667,
      "grad_norm": 99.0,
      "learning_rate": 0.00013000000000000002,
      "loss": 0.2185,
      "step": 1750
    },
    {
      "epoch": 0.03,
      "grad_norm": 6.34375,
      "learning_rate": 0.00012800000000000002,
      "loss": 0.2938,
      "step": 1800
    },
    {
      "epoch": 0.030833333333333334,
      "grad_norm": 0.00836181640625,
      "learning_rate": 0.000126,
      "loss": 0.1431,
      "step": 1850
    },
    {
      "epoch": 0.03166666666666667,
      "grad_norm": 0.025146484375,
      "learning_rate": 0.000124,
      "loss": 0.2518,
      "step": 1900
    },
    {
      "epoch": 0.0325,
      "grad_norm": 0.046630859375,
      "learning_rate": 0.000122,
      "loss": 0.2364,
      "step": 1950
    },
    {
      "epoch": 0.03333333333333333,
      "grad_norm": 4.0625,
      "learning_rate": 0.00012,
      "loss": 0.2316,
      "step": 2000
    },
    {
      "epoch": 0.034166666666666665,
      "grad_norm": 0.031494140625,
      "learning_rate": 0.000118,
      "loss": 0.2062,
      "step": 2050
    },
    {
      "epoch": 0.035,
      "grad_norm": 0.007568359375,
      "learning_rate": 0.000116,
      "loss": 0.0573,
      "step": 2100
    },
    {
      "epoch": 0.035833333333333335,
      "grad_norm": 0.00238037109375,
      "learning_rate": 0.00011399999999999999,
      "loss": 0.1315,
      "step": 2150
    },
    {
      "epoch": 0.03666666666666667,
      "grad_norm": 0.004486083984375,
      "learning_rate": 0.00011200000000000001,
      "loss": 0.0517,
      "step": 2200
    },
    {
      "epoch": 0.0375,
      "grad_norm": 16.375,
      "learning_rate": 0.00011000000000000002,
      "loss": 0.2803,
      "step": 2250
    },
    {
      "epoch": 0.03833333333333333,
      "grad_norm": 0.033447265625,
      "learning_rate": 0.00010800000000000001,
      "loss": 0.157,
      "step": 2300
    },
    {
      "epoch": 0.03916666666666667,
      "grad_norm": 0.0216064453125,
      "learning_rate": 0.00010600000000000002,
      "loss": 0.191,
      "step": 2350
    },
    {
      "epoch": 0.04,
      "grad_norm": 0.031982421875,
      "learning_rate": 0.00010400000000000001,
      "loss": 0.2834,
      "step": 2400
    },
    {
      "epoch": 0.04083333333333333,
      "grad_norm": 0.02294921875,
      "learning_rate": 0.00010200000000000001,
      "loss": 0.1802,
      "step": 2450
    },
    {
      "epoch": 0.041666666666666664,
      "grad_norm": 0.0096435546875,
      "learning_rate": 0.0001,
      "loss": 0.139,
      "step": 2500
    },
    {
      "epoch": 0.0425,
      "grad_norm": 4.4375,
      "learning_rate": 9.8e-05,
      "loss": 0.1604,
      "step": 2550
    },
    {
      "epoch": 0.043333333333333335,
      "grad_norm": 0.0113525390625,
      "learning_rate": 9.6e-05,
      "loss": 0.189,
      "step": 2600
    },
    {
      "epoch": 0.04416666666666667,
      "grad_norm": 0.005462646484375,
      "learning_rate": 9.4e-05,
      "loss": 0.1507,
      "step": 2650
    },
    {
      "epoch": 0.045,
      "grad_norm": 0.01336669921875,
      "learning_rate": 9.200000000000001e-05,
      "loss": 0.0892,
      "step": 2700
    },
    {
      "epoch": 0.04583333333333333,
      "grad_norm": 0.072265625,
      "learning_rate": 9e-05,
      "loss": 0.2427,
      "step": 2750
    },
    {
      "epoch": 0.04666666666666667,
      "grad_norm": 0.0888671875,
      "learning_rate": 8.800000000000001e-05,
      "loss": 0.1457,
      "step": 2800
    },
    {
      "epoch": 0.0475,
      "grad_norm": 0.05712890625,
      "learning_rate": 8.6e-05,
      "loss": 0.1217,
      "step": 2850
    },
    {
      "epoch": 0.04833333333333333,
      "grad_norm": 0.07080078125,
      "learning_rate": 8.4e-05,
      "loss": 0.1978,
      "step": 2900
    },
    {
      "epoch": 0.049166666666666664,
      "grad_norm": 0.125,
      "learning_rate": 8.2e-05,
      "loss": 0.2253,
      "step": 2950
    },
    {
      "epoch": 0.05,
      "grad_norm": 0.171875,
      "learning_rate": 8e-05,
      "loss": 0.1626,
      "step": 3000
    },
    {
      "epoch": 0.050833333333333335,
      "grad_norm": 0.10009765625,
      "learning_rate": 7.800000000000001e-05,
      "loss": 0.0445,
      "step": 3050
    },
    {
      "epoch": 0.051666666666666666,
      "grad_norm": 0.28125,
      "learning_rate": 7.6e-05,
      "loss": 0.1059,
      "step": 3100
    },
    {
      "epoch": 0.0525,
      "grad_norm": 0.052001953125,
      "learning_rate": 7.4e-05,
      "loss": 0.1103,
      "step": 3150
    },
    {
      "epoch": 0.05333333333333334,
      "grad_norm": 0.0084228515625,
      "learning_rate": 7.2e-05,
      "loss": 0.0283,
      "step": 3200
    },
    {
      "epoch": 0.05416666666666667,
      "grad_norm": 0.0576171875,
      "learning_rate": 7e-05,
      "loss": 0.0527,
      "step": 3250
    },
    {
      "epoch": 0.055,
      "grad_norm": 0.003997802734375,
      "learning_rate": 6.800000000000001e-05,
      "loss": 0.2071,
      "step": 3300
    },
    {
      "epoch": 0.05583333333333333,
      "grad_norm": 0.0064697265625,
      "learning_rate": 6.6e-05,
      "loss": 0.1396,
      "step": 3350
    },
    {
      "epoch": 0.056666666666666664,
      "grad_norm": 0.016357421875,
      "learning_rate": 6.400000000000001e-05,
      "loss": 0.1439,
      "step": 3400
    },
    {
      "epoch": 0.0575,
      "grad_norm": 0.01300048828125,
      "learning_rate": 6.2e-05,
      "loss": 0.2581,
      "step": 3450
    },
    {
      "epoch": 0.058333333333333334,
      "grad_norm": 0.0693359375,
      "learning_rate": 6e-05,
      "loss": 0.1608,
      "step": 3500
    },
    {
      "epoch": 0.059166666666666666,
      "grad_norm": 0.00823974609375,
      "learning_rate": 5.8e-05,
      "loss": 0.1701,
      "step": 3550
    },
    {
      "epoch": 0.06,
      "grad_norm": 0.0126953125,
      "learning_rate": 5.6000000000000006e-05,
      "loss": 0.0589,
      "step": 3600
    },
    {
      "epoch": 0.060833333333333336,
      "grad_norm": 0.00555419921875,
      "learning_rate": 5.4000000000000005e-05,
      "loss": 0.044,
      "step": 3650
    },
    {
      "epoch": 0.06166666666666667,
      "grad_norm": 36.25,
      "learning_rate": 5.2000000000000004e-05,
      "loss": 0.2246,
      "step": 3700
    },
    {
      "epoch": 0.0625,
      "grad_norm": 0.0162353515625,
      "learning_rate": 5e-05,
      "loss": 0.1273,
      "step": 3750
    },
    {
      "epoch": 0.06333333333333334,
      "grad_norm": 0.06005859375,
      "learning_rate": 4.8e-05,
      "loss": 0.0675,
      "step": 3800
    },
    {
      "epoch": 0.06416666666666666,
      "grad_norm": 0.062255859375,
      "learning_rate": 4.600000000000001e-05,
      "loss": 0.1756,
      "step": 3850
    },
    {
      "epoch": 0.065,
      "grad_norm": 0.012939453125,
      "learning_rate": 4.4000000000000006e-05,
      "loss": 0.1512,
      "step": 3900
    },
    {
      "epoch": 0.06583333333333333,
      "grad_norm": 144.0,
      "learning_rate": 4.2e-05,
      "loss": 0.0751,
      "step": 3950
    },
    {
      "epoch": 0.06666666666666667,
      "grad_norm": 0.00616455078125,
      "learning_rate": 4e-05,
      "loss": 0.0847,
      "step": 4000
    },
    {
      "epoch": 0.0675,
      "grad_norm": 0.040771484375,
      "learning_rate": 3.8e-05,
      "loss": 0.146,
      "step": 4050
    },
    {
      "epoch": 0.06833333333333333,
      "grad_norm": 0.019287109375,
      "learning_rate": 3.6e-05,
      "loss": 0.1949,
      "step": 4100
    },
    {
      "epoch": 0.06916666666666667,
      "grad_norm": 0.031982421875,
      "learning_rate": 3.4000000000000007e-05,
      "loss": 0.0952,
      "step": 4150
    },
    {
      "epoch": 0.07,
      "grad_norm": 0.0126953125,
      "learning_rate": 3.2000000000000005e-05,
      "loss": 0.1485,
      "step": 4200
    },
    {
      "epoch": 0.07083333333333333,
      "grad_norm": 0.06494140625,
      "learning_rate": 3e-05,
      "loss": 0.0951,
      "step": 4250
    },
    {
      "epoch": 0.07166666666666667,
      "grad_norm": 0.0279541015625,
      "learning_rate": 2.8000000000000003e-05,
      "loss": 0.0939,
      "step": 4300
    },
    {
      "epoch": 0.0725,
      "grad_norm": 0.06591796875,
      "learning_rate": 2.6000000000000002e-05,
      "loss": 0.1462,
      "step": 4350
    },
    {
      "epoch": 0.07333333333333333,
      "grad_norm": 122.5,
      "learning_rate": 2.4e-05,
      "loss": 0.1031,
      "step": 4400
    },
    {
      "epoch": 0.07416666666666667,
      "grad_norm": 0.043212890625,
      "learning_rate": 2.2000000000000003e-05,
      "loss": 0.0219,
      "step": 4450
    },
    {
      "epoch": 0.075,
      "grad_norm": 0.1396484375,
      "learning_rate": 2e-05,
      "loss": 0.0967,
      "step": 4500
    },
    {
      "epoch": 0.07583333333333334,
      "grad_norm": 0.05615234375,
      "learning_rate": 1.8e-05,
      "loss": 0.1512,
      "step": 4550
    },
    {
      "epoch": 0.07666666666666666,
      "grad_norm": 0.0120849609375,
      "learning_rate": 1.6000000000000003e-05,
      "loss": 0.0738,
      "step": 4600
    },
    {
      "epoch": 0.0775,
      "grad_norm": 0.283203125,
      "learning_rate": 1.4000000000000001e-05,
      "loss": 0.1229,
      "step": 4650
    },
    {
      "epoch": 0.07833333333333334,
      "grad_norm": 0.2265625,
      "learning_rate": 1.2e-05,
      "loss": 0.0041,
      "step": 4700
    },
    {
      "epoch": 0.07916666666666666,
      "grad_norm": 82.0,
      "learning_rate": 1e-05,
      "loss": 0.254,
      "step": 4750
    },
    {
      "epoch": 0.08,
      "grad_norm": 0.0084228515625,
      "learning_rate": 8.000000000000001e-06,
      "loss": 0.0079,
      "step": 4800
    },
    {
      "epoch": 0.08083333333333333,
      "grad_norm": 0.296875,
      "learning_rate": 6e-06,
      "loss": 0.2034,
      "step": 4850
    },
    {
      "epoch": 0.08166666666666667,
      "grad_norm": 0.0093994140625,
      "learning_rate": 4.000000000000001e-06,
      "loss": 0.1823,
      "step": 4900
    },
    {
      "epoch": 0.0825,
      "grad_norm": 0.0184326171875,
      "learning_rate": 2.0000000000000003e-06,
      "loss": 0.1134,
      "step": 4950
    },
    {
      "epoch": 0.08333333333333333,
      "grad_norm": 0.1298828125,
      "learning_rate": 0.0,
      "loss": 0.0361,
      "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": 2.646147835662336e+16,
  "train_batch_size": 1,
  "trial_name": null,
  "trial_params": null
}