{
  "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": 10.0625,
      "learning_rate": 0.00019800000000000002,
      "loss": 1.3332,
      "step": 50
    },
    {
      "epoch": 0.0016666666666666668,
      "grad_norm": 21.375,
      "learning_rate": 0.000196,
      "loss": 0.6659,
      "step": 100
    },
    {
      "epoch": 0.0025,
      "grad_norm": 17.75,
      "learning_rate": 0.000194,
      "loss": 0.8889,
      "step": 150
    },
    {
      "epoch": 0.0033333333333333335,
      "grad_norm": 0.1005859375,
      "learning_rate": 0.000192,
      "loss": 0.6473,
      "step": 200
    },
    {
      "epoch": 0.004166666666666667,
      "grad_norm": 7.4375,
      "learning_rate": 0.00019,
      "loss": 0.7525,
      "step": 250
    },
    {
      "epoch": 0.005,
      "grad_norm": 5.84375,
      "learning_rate": 0.000188,
      "loss": 0.7583,
      "step": 300
    },
    {
      "epoch": 0.005833333333333334,
      "grad_norm": 0.08935546875,
      "learning_rate": 0.00018600000000000002,
      "loss": 0.8205,
      "step": 350
    },
    {
      "epoch": 0.006666666666666667,
      "grad_norm": 0.0201416015625,
      "learning_rate": 0.00018400000000000003,
      "loss": 0.6281,
      "step": 400
    },
    {
      "epoch": 0.0075,
      "grad_norm": 0.052978515625,
      "learning_rate": 0.000182,
      "loss": 0.6518,
      "step": 450
    },
    {
      "epoch": 0.008333333333333333,
      "grad_norm": 0.04248046875,
      "learning_rate": 0.00018,
      "loss": 0.7355,
      "step": 500
    },
    {
      "epoch": 0.009166666666666667,
      "grad_norm": 2.375,
      "learning_rate": 0.00017800000000000002,
      "loss": 0.7729,
      "step": 550
    },
    {
      "epoch": 0.01,
      "grad_norm": 0.15625,
      "learning_rate": 0.00017600000000000002,
      "loss": 0.6156,
      "step": 600
    },
    {
      "epoch": 0.010833333333333334,
      "grad_norm": 1.2265625,
      "learning_rate": 0.000174,
      "loss": 0.6456,
      "step": 650
    },
    {
      "epoch": 0.011666666666666667,
      "grad_norm": 3.640625,
      "learning_rate": 0.000172,
      "loss": 0.636,
      "step": 700
    },
    {
      "epoch": 0.0125,
      "grad_norm": 0.59375,
      "learning_rate": 0.00017,
      "loss": 0.5363,
      "step": 750
    },
    {
      "epoch": 0.013333333333333334,
      "grad_norm": 0.01519775390625,
      "learning_rate": 0.000168,
      "loss": 0.7835,
      "step": 800
    },
    {
      "epoch": 0.014166666666666666,
      "grad_norm": 0.08056640625,
      "learning_rate": 0.000166,
      "loss": 0.7667,
      "step": 850
    },
    {
      "epoch": 0.015,
      "grad_norm": 16.125,
      "learning_rate": 0.000164,
      "loss": 0.3172,
      "step": 900
    },
    {
      "epoch": 0.015833333333333335,
      "grad_norm": 0.037841796875,
      "learning_rate": 0.000162,
      "loss": 0.3218,
      "step": 950
    },
    {
      "epoch": 0.016666666666666666,
      "grad_norm": 9.375,
      "learning_rate": 0.00016,
      "loss": 0.9915,
      "step": 1000
    },
    {
      "epoch": 0.0175,
      "grad_norm": 0.01171875,
      "learning_rate": 0.00015800000000000002,
      "loss": 0.5246,
      "step": 1050
    },
    {
      "epoch": 0.018333333333333333,
      "grad_norm": 3.90625,
      "learning_rate": 0.00015600000000000002,
      "loss": 0.6309,
      "step": 1100
    },
    {
      "epoch": 0.019166666666666665,
      "grad_norm": 161.0,
      "learning_rate": 0.000154,
      "loss": 0.4386,
      "step": 1150
    },
    {
      "epoch": 0.02,
      "grad_norm": 0.036376953125,
      "learning_rate": 0.000152,
      "loss": 0.6855,
      "step": 1200
    },
    {
      "epoch": 0.020833333333333332,
      "grad_norm": 4.28125,
      "learning_rate": 0.00015000000000000001,
      "loss": 0.7151,
      "step": 1250
    },
    {
      "epoch": 0.021666666666666667,
      "grad_norm": 0.04296875,
      "learning_rate": 0.000148,
      "loss": 0.6073,
      "step": 1300
    },
    {
      "epoch": 0.0225,
      "grad_norm": 0.0159912109375,
      "learning_rate": 0.000146,
      "loss": 0.245,
      "step": 1350
    },
    {
      "epoch": 0.023333333333333334,
      "grad_norm": 25.5,
      "learning_rate": 0.000144,
      "loss": 0.3834,
      "step": 1400
    },
    {
      "epoch": 0.024166666666666666,
      "grad_norm": 0.01055908203125,
      "learning_rate": 0.000142,
      "loss": 0.4573,
      "step": 1450
    },
    {
      "epoch": 0.025,
      "grad_norm": 0.0162353515625,
      "learning_rate": 0.00014,
      "loss": 0.5422,
      "step": 1500
    },
    {
      "epoch": 0.025833333333333333,
      "grad_norm": 0.1376953125,
      "learning_rate": 0.000138,
      "loss": 0.4773,
      "step": 1550
    },
    {
      "epoch": 0.02666666666666667,
      "grad_norm": 0.00799560546875,
      "learning_rate": 0.00013600000000000003,
      "loss": 0.4755,
      "step": 1600
    },
    {
      "epoch": 0.0275,
      "grad_norm": 0.0771484375,
      "learning_rate": 0.000134,
      "loss": 0.5472,
      "step": 1650
    },
    {
      "epoch": 0.028333333333333332,
      "grad_norm": 0.060302734375,
      "learning_rate": 0.000132,
      "loss": 0.3697,
      "step": 1700
    },
    {
      "epoch": 0.029166666666666667,
      "grad_norm": 0.0101318359375,
      "learning_rate": 0.00013000000000000002,
      "loss": 0.5949,
      "step": 1750
    },
    {
      "epoch": 0.03,
      "grad_norm": 0.44140625,
      "learning_rate": 0.00012800000000000002,
      "loss": 0.4793,
      "step": 1800
    },
    {
      "epoch": 0.030833333333333334,
      "grad_norm": 0.047607421875,
      "learning_rate": 0.000126,
      "loss": 0.6067,
      "step": 1850
    },
    {
      "epoch": 0.03166666666666667,
      "grad_norm": 0.006378173828125,
      "learning_rate": 0.000124,
      "loss": 0.3338,
      "step": 1900
    },
    {
      "epoch": 0.0325,
      "grad_norm": 0.003173828125,
      "learning_rate": 0.000122,
      "loss": 0.1456,
      "step": 1950
    },
    {
      "epoch": 0.03333333333333333,
      "grad_norm": 0.006622314453125,
      "learning_rate": 0.00012,
      "loss": 0.6937,
      "step": 2000
    },
    {
      "epoch": 0.034166666666666665,
      "grad_norm": 0.01226806640625,
      "learning_rate": 0.000118,
      "loss": 0.5305,
      "step": 2050
    },
    {
      "epoch": 0.035,
      "grad_norm": 0.029541015625,
      "learning_rate": 0.000116,
      "loss": 0.2659,
      "step": 2100
    },
    {
      "epoch": 0.035833333333333335,
      "grad_norm": 0.1181640625,
      "learning_rate": 0.00011399999999999999,
      "loss": 0.6631,
      "step": 2150
    },
    {
      "epoch": 0.03666666666666667,
      "grad_norm": 4.09375,
      "learning_rate": 0.00011200000000000001,
      "loss": 0.437,
      "step": 2200
    },
    {
      "epoch": 0.0375,
      "grad_norm": 172.0,
      "learning_rate": 0.00011000000000000002,
      "loss": 0.4913,
      "step": 2250
    },
    {
      "epoch": 0.03833333333333333,
      "grad_norm": 0.034423828125,
      "learning_rate": 0.00010800000000000001,
      "loss": 0.6861,
      "step": 2300
    },
    {
      "epoch": 0.03916666666666667,
      "grad_norm": 0.09423828125,
      "learning_rate": 0.00010600000000000002,
      "loss": 0.3303,
      "step": 2350
    },
    {
      "epoch": 0.04,
      "grad_norm": 3.609375,
      "learning_rate": 0.00010400000000000001,
      "loss": 0.4152,
      "step": 2400
    },
    {
      "epoch": 0.04083333333333333,
      "grad_norm": 0.06298828125,
      "learning_rate": 0.00010200000000000001,
      "loss": 0.7138,
      "step": 2450
    },
    {
      "epoch": 0.041666666666666664,
      "grad_norm": 0.048828125,
      "learning_rate": 0.0001,
      "loss": 0.4201,
      "step": 2500
    },
    {
      "epoch": 0.0425,
      "grad_norm": 0.09375,
      "learning_rate": 9.8e-05,
      "loss": 0.6195,
      "step": 2550
    },
    {
      "epoch": 0.043333333333333335,
      "grad_norm": 5.53125,
      "learning_rate": 9.6e-05,
      "loss": 0.3995,
      "step": 2600
    },
    {
      "epoch": 0.04416666666666667,
      "grad_norm": 0.0086669921875,
      "learning_rate": 9.4e-05,
      "loss": 0.5245,
      "step": 2650
    },
    {
      "epoch": 0.045,
      "grad_norm": 0.0103759765625,
      "learning_rate": 9.200000000000001e-05,
      "loss": 0.4781,
      "step": 2700
    },
    {
      "epoch": 0.04583333333333333,
      "grad_norm": 0.0250244140625,
      "learning_rate": 9e-05,
      "loss": 0.4168,
      "step": 2750
    },
    {
      "epoch": 0.04666666666666667,
      "grad_norm": 0.10546875,
      "learning_rate": 8.800000000000001e-05,
      "loss": 0.2842,
      "step": 2800
    },
    {
      "epoch": 0.0475,
      "grad_norm": 6.625,
      "learning_rate": 8.6e-05,
      "loss": 0.5283,
      "step": 2850
    },
    {
      "epoch": 0.04833333333333333,
      "grad_norm": 5.84375,
      "learning_rate": 8.4e-05,
      "loss": 0.4184,
      "step": 2900
    },
    {
      "epoch": 0.049166666666666664,
      "grad_norm": 22.625,
      "learning_rate": 8.2e-05,
      "loss": 0.6004,
      "step": 2950
    },
    {
      "epoch": 0.05,
      "grad_norm": 8.4375,
      "learning_rate": 8e-05,
      "loss": 0.7192,
      "step": 3000
    },
    {
      "epoch": 0.050833333333333335,
      "grad_norm": 0.181640625,
      "learning_rate": 7.800000000000001e-05,
      "loss": 0.2978,
      "step": 3050
    },
    {
      "epoch": 0.051666666666666666,
      "grad_norm": 0.039306640625,
      "learning_rate": 7.6e-05,
      "loss": 0.3822,
      "step": 3100
    },
    {
      "epoch": 0.0525,
      "grad_norm": 0.0184326171875,
      "learning_rate": 7.4e-05,
      "loss": 0.4148,
      "step": 3150
    },
    {
      "epoch": 0.05333333333333334,
      "grad_norm": 0.01104736328125,
      "learning_rate": 7.2e-05,
      "loss": 0.509,
      "step": 3200
    },
    {
      "epoch": 0.05416666666666667,
      "grad_norm": 0.024658203125,
      "learning_rate": 7e-05,
      "loss": 0.6795,
      "step": 3250
    },
    {
      "epoch": 0.055,
      "grad_norm": 56.0,
      "learning_rate": 6.800000000000001e-05,
      "loss": 0.3753,
      "step": 3300
    },
    {
      "epoch": 0.05583333333333333,
      "grad_norm": 0.0299072265625,
      "learning_rate": 6.6e-05,
      "loss": 0.5134,
      "step": 3350
    },
    {
      "epoch": 0.056666666666666664,
      "grad_norm": 0.0057373046875,
      "learning_rate": 6.400000000000001e-05,
      "loss": 0.5946,
      "step": 3400
    },
    {
      "epoch": 0.0575,
      "grad_norm": 0.017333984375,
      "learning_rate": 6.2e-05,
      "loss": 0.5714,
      "step": 3450
    },
    {
      "epoch": 0.058333333333333334,
      "grad_norm": 0.0203857421875,
      "learning_rate": 6e-05,
      "loss": 0.695,
      "step": 3500
    },
    {
      "epoch": 0.059166666666666666,
      "grad_norm": 2.8125,
      "learning_rate": 5.8e-05,
      "loss": 0.7037,
      "step": 3550
    },
    {
      "epoch": 0.06,
      "grad_norm": 0.02978515625,
      "learning_rate": 5.6000000000000006e-05,
      "loss": 0.4154,
      "step": 3600
    },
    {
      "epoch": 0.060833333333333336,
      "grad_norm": 0.00958251953125,
      "learning_rate": 5.4000000000000005e-05,
      "loss": 0.0934,
      "step": 3650
    },
    {
      "epoch": 0.06166666666666667,
      "grad_norm": 0.02490234375,
      "learning_rate": 5.2000000000000004e-05,
      "loss": 0.3722,
      "step": 3700
    },
    {
      "epoch": 0.0625,
      "grad_norm": 0.007232666015625,
      "learning_rate": 5e-05,
      "loss": 0.6058,
      "step": 3750
    },
    {
      "epoch": 0.06333333333333334,
      "grad_norm": 0.00970458984375,
      "learning_rate": 4.8e-05,
      "loss": 0.4446,
      "step": 3800
    },
    {
      "epoch": 0.06416666666666666,
      "grad_norm": 40.5,
      "learning_rate": 4.600000000000001e-05,
      "loss": 0.718,
      "step": 3850
    },
    {
      "epoch": 0.065,
      "grad_norm": 6.1875,
      "learning_rate": 4.4000000000000006e-05,
      "loss": 0.2386,
      "step": 3900
    },
    {
      "epoch": 0.06583333333333333,
      "grad_norm": 0.031005859375,
      "learning_rate": 4.2e-05,
      "loss": 0.4877,
      "step": 3950
    },
    {
      "epoch": 0.06666666666666667,
      "grad_norm": 0.67578125,
      "learning_rate": 4e-05,
      "loss": 0.496,
      "step": 4000
    },
    {
      "epoch": 0.0675,
      "grad_norm": 0.08544921875,
      "learning_rate": 3.8e-05,
      "loss": 0.3123,
      "step": 4050
    },
    {
      "epoch": 0.06833333333333333,
      "grad_norm": 0.04345703125,
      "learning_rate": 3.6e-05,
      "loss": 0.5171,
      "step": 4100
    },
    {
      "epoch": 0.06916666666666667,
      "grad_norm": 0.10888671875,
      "learning_rate": 3.4000000000000007e-05,
      "loss": 0.2422,
      "step": 4150
    },
    {
      "epoch": 0.07,
      "grad_norm": 58.25,
      "learning_rate": 3.2000000000000005e-05,
      "loss": 0.5625,
      "step": 4200
    },
    {
      "epoch": 0.07083333333333333,
      "grad_norm": 0.1220703125,
      "learning_rate": 3e-05,
      "loss": 0.5904,
      "step": 4250
    },
    {
      "epoch": 0.07166666666666667,
      "grad_norm": 0.044677734375,
      "learning_rate": 2.8000000000000003e-05,
      "loss": 0.3255,
      "step": 4300
    },
    {
      "epoch": 0.0725,
      "grad_norm": 0.005157470703125,
      "learning_rate": 2.6000000000000002e-05,
      "loss": 0.7628,
      "step": 4350
    },
    {
      "epoch": 0.07333333333333333,
      "grad_norm": 0.011962890625,
      "learning_rate": 2.4e-05,
      "loss": 0.3116,
      "step": 4400
    },
    {
      "epoch": 0.07416666666666667,
      "grad_norm": 0.11181640625,
      "learning_rate": 2.2000000000000003e-05,
      "loss": 0.1343,
      "step": 4450
    },
    {
      "epoch": 0.075,
      "grad_norm": 0.00927734375,
      "learning_rate": 2e-05,
      "loss": 0.4347,
      "step": 4500
    },
    {
      "epoch": 0.07583333333333334,
      "grad_norm": 0.298828125,
      "learning_rate": 1.8e-05,
      "loss": 0.4496,
      "step": 4550
    },
    {
      "epoch": 0.07666666666666666,
      "grad_norm": 6.25,
      "learning_rate": 1.6000000000000003e-05,
      "loss": 0.4901,
      "step": 4600
    },
    {
      "epoch": 0.0775,
      "grad_norm": 0.00262451171875,
      "learning_rate": 1.4000000000000001e-05,
      "loss": 0.4335,
      "step": 4650
    },
    {
      "epoch": 0.07833333333333334,
      "grad_norm": 0.0252685546875,
      "learning_rate": 1.2e-05,
      "loss": 0.2298,
      "step": 4700
    },
    {
      "epoch": 0.07916666666666666,
      "grad_norm": 0.0262451171875,
      "learning_rate": 1e-05,
      "loss": 0.3994,
      "step": 4750
    },
    {
      "epoch": 0.08,
      "grad_norm": 0.0245361328125,
      "learning_rate": 8.000000000000001e-06,
      "loss": 0.4829,
      "step": 4800
    },
    {
      "epoch": 0.08083333333333333,
      "grad_norm": 0.026123046875,
      "learning_rate": 6e-06,
      "loss": 0.3989,
      "step": 4850
    },
    {
      "epoch": 0.08166666666666667,
      "grad_norm": 0.018310546875,
      "learning_rate": 4.000000000000001e-06,
      "loss": 0.5079,
      "step": 4900
    },
    {
      "epoch": 0.0825,
      "grad_norm": 0.04443359375,
      "learning_rate": 2.0000000000000003e-06,
      "loss": 0.4149,
      "step": 4950
    },
    {
      "epoch": 0.08333333333333333,
      "grad_norm": 19.375,
      "learning_rate": 0.0,
      "loss": 0.6278,
      "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": 2.392621020155904e+16,
  "train_batch_size": 1,
  "trial_name": null,
  "trial_params": null
}