{
  "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": 13.4375,
      "learning_rate": 0.00019800000000000002,
      "loss": 1.2126,
      "step": 50
    },
    {
      "epoch": 0.0016666666666666668,
      "grad_norm": 0.33203125,
      "learning_rate": 0.000196,
      "loss": 0.6893,
      "step": 100
    },
    {
      "epoch": 0.0025,
      "grad_norm": 2.5625,
      "learning_rate": 0.000194,
      "loss": 0.8427,
      "step": 150
    },
    {
      "epoch": 0.0033333333333333335,
      "grad_norm": 8.0,
      "learning_rate": 0.000192,
      "loss": 0.7207,
      "step": 200
    },
    {
      "epoch": 0.004166666666666667,
      "grad_norm": 27.375,
      "learning_rate": 0.00019,
      "loss": 0.608,
      "step": 250
    },
    {
      "epoch": 0.005,
      "grad_norm": 3.265625,
      "learning_rate": 0.000188,
      "loss": 0.5423,
      "step": 300
    },
    {
      "epoch": 0.005833333333333334,
      "grad_norm": 6.40625,
      "learning_rate": 0.00018600000000000002,
      "loss": 0.7305,
      "step": 350
    },
    {
      "epoch": 0.006666666666666667,
      "grad_norm": 29.875,
      "learning_rate": 0.00018400000000000003,
      "loss": 1.141,
      "step": 400
    },
    {
      "epoch": 0.0075,
      "grad_norm": 1.4921875,
      "learning_rate": 0.000182,
      "loss": 0.6992,
      "step": 450
    },
    {
      "epoch": 0.008333333333333333,
      "grad_norm": 0.25,
      "learning_rate": 0.00018,
      "loss": 0.7887,
      "step": 500
    },
    {
      "epoch": 0.009166666666666667,
      "grad_norm": 3.25,
      "learning_rate": 0.00017800000000000002,
      "loss": 0.712,
      "step": 550
    },
    {
      "epoch": 0.01,
      "grad_norm": 0.037353515625,
      "learning_rate": 0.00017600000000000002,
      "loss": 0.5114,
      "step": 600
    },
    {
      "epoch": 0.010833333333333334,
      "grad_norm": 4.90625,
      "learning_rate": 0.000174,
      "loss": 0.5828,
      "step": 650
    },
    {
      "epoch": 0.011666666666666667,
      "grad_norm": 17.0,
      "learning_rate": 0.000172,
      "loss": 0.4413,
      "step": 700
    },
    {
      "epoch": 0.0125,
      "grad_norm": 3.3125,
      "learning_rate": 0.00017,
      "loss": 0.4513,
      "step": 750
    },
    {
      "epoch": 0.013333333333333334,
      "grad_norm": 9.0,
      "learning_rate": 0.000168,
      "loss": 0.6526,
      "step": 800
    },
    {
      "epoch": 0.014166666666666666,
      "grad_norm": 7.46875,
      "learning_rate": 0.000166,
      "loss": 0.4476,
      "step": 850
    },
    {
      "epoch": 0.015,
      "grad_norm": 0.021240234375,
      "learning_rate": 0.000164,
      "loss": 0.509,
      "step": 900
    },
    {
      "epoch": 0.015833333333333335,
      "grad_norm": 29.375,
      "learning_rate": 0.000162,
      "loss": 0.6287,
      "step": 950
    },
    {
      "epoch": 0.016666666666666666,
      "grad_norm": 0.07958984375,
      "learning_rate": 0.00016,
      "loss": 0.5037,
      "step": 1000
    },
    {
      "epoch": 0.0175,
      "grad_norm": 0.0228271484375,
      "learning_rate": 0.00015800000000000002,
      "loss": 0.6775,
      "step": 1050
    },
    {
      "epoch": 0.018333333333333333,
      "grad_norm": 0.0142822265625,
      "learning_rate": 0.00015600000000000002,
      "loss": 0.5833,
      "step": 1100
    },
    {
      "epoch": 0.019166666666666665,
      "grad_norm": 14.9375,
      "learning_rate": 0.000154,
      "loss": 0.6471,
      "step": 1150
    },
    {
      "epoch": 0.02,
      "grad_norm": 22.0,
      "learning_rate": 0.000152,
      "loss": 0.6794,
      "step": 1200
    },
    {
      "epoch": 0.020833333333333332,
      "grad_norm": 18.625,
      "learning_rate": 0.00015000000000000001,
      "loss": 0.8581,
      "step": 1250
    },
    {
      "epoch": 0.021666666666666667,
      "grad_norm": 8.5625,
      "learning_rate": 0.000148,
      "loss": 0.6172,
      "step": 1300
    },
    {
      "epoch": 0.0225,
      "grad_norm": 10.8125,
      "learning_rate": 0.000146,
      "loss": 0.4986,
      "step": 1350
    },
    {
      "epoch": 0.023333333333333334,
      "grad_norm": 13.5625,
      "learning_rate": 0.000144,
      "loss": 0.5445,
      "step": 1400
    },
    {
      "epoch": 0.024166666666666666,
      "grad_norm": 20.5,
      "learning_rate": 0.000142,
      "loss": 0.4957,
      "step": 1450
    },
    {
      "epoch": 0.025,
      "grad_norm": 5.71875,
      "learning_rate": 0.00014,
      "loss": 0.5043,
      "step": 1500
    },
    {
      "epoch": 0.025833333333333333,
      "grad_norm": 1.890625,
      "learning_rate": 0.000138,
      "loss": 0.4825,
      "step": 1550
    },
    {
      "epoch": 0.02666666666666667,
      "grad_norm": 12.3125,
      "learning_rate": 0.00013600000000000003,
      "loss": 0.5646,
      "step": 1600
    },
    {
      "epoch": 0.0275,
      "grad_norm": 0.0947265625,
      "learning_rate": 0.000134,
      "loss": 0.7907,
      "step": 1650
    },
    {
      "epoch": 0.028333333333333332,
      "grad_norm": 14.0,
      "learning_rate": 0.000132,
      "loss": 0.8058,
      "step": 1700
    },
    {
      "epoch": 0.029166666666666667,
      "grad_norm": 10.0,
      "learning_rate": 0.00013000000000000002,
      "loss": 0.4635,
      "step": 1750
    },
    {
      "epoch": 0.03,
      "grad_norm": 0.36328125,
      "learning_rate": 0.00012800000000000002,
      "loss": 0.8203,
      "step": 1800
    },
    {
      "epoch": 0.030833333333333334,
      "grad_norm": 9.375,
      "learning_rate": 0.000126,
      "loss": 0.7365,
      "step": 1850
    },
    {
      "epoch": 0.03166666666666667,
      "grad_norm": 7.0,
      "learning_rate": 0.000124,
      "loss": 0.5981,
      "step": 1900
    },
    {
      "epoch": 0.0325,
      "grad_norm": 0.31640625,
      "learning_rate": 0.000122,
      "loss": 0.459,
      "step": 1950
    },
    {
      "epoch": 0.03333333333333333,
      "grad_norm": 29.625,
      "learning_rate": 0.00012,
      "loss": 0.6618,
      "step": 2000
    },
    {
      "epoch": 0.034166666666666665,
      "grad_norm": 0.0206298828125,
      "learning_rate": 0.000118,
      "loss": 0.3943,
      "step": 2050
    },
    {
      "epoch": 0.035,
      "grad_norm": 24.75,
      "learning_rate": 0.000116,
      "loss": 0.4919,
      "step": 2100
    },
    {
      "epoch": 0.035833333333333335,
      "grad_norm": 38.0,
      "learning_rate": 0.00011399999999999999,
      "loss": 0.6442,
      "step": 2150
    },
    {
      "epoch": 0.03666666666666667,
      "grad_norm": 6.0625,
      "learning_rate": 0.00011200000000000001,
      "loss": 0.5321,
      "step": 2200
    },
    {
      "epoch": 0.0375,
      "grad_norm": 0.058837890625,
      "learning_rate": 0.00011000000000000002,
      "loss": 0.6096,
      "step": 2250
    },
    {
      "epoch": 0.03833333333333333,
      "grad_norm": 0.006683349609375,
      "learning_rate": 0.00010800000000000001,
      "loss": 0.4365,
      "step": 2300
    },
    {
      "epoch": 0.03916666666666667,
      "grad_norm": 0.0064697265625,
      "learning_rate": 0.00010600000000000002,
      "loss": 0.5549,
      "step": 2350
    },
    {
      "epoch": 0.04,
      "grad_norm": 0.005523681640625,
      "learning_rate": 0.00010400000000000001,
      "loss": 0.5452,
      "step": 2400
    },
    {
      "epoch": 0.04083333333333333,
      "grad_norm": 6.25,
      "learning_rate": 0.00010200000000000001,
      "loss": 0.6723,
      "step": 2450
    },
    {
      "epoch": 0.041666666666666664,
      "grad_norm": 13.125,
      "learning_rate": 0.0001,
      "loss": 0.6064,
      "step": 2500
    },
    {
      "epoch": 0.0425,
      "grad_norm": 0.01141357421875,
      "learning_rate": 9.8e-05,
      "loss": 0.5936,
      "step": 2550
    },
    {
      "epoch": 0.043333333333333335,
      "grad_norm": 1.2265625,
      "learning_rate": 9.6e-05,
      "loss": 0.5795,
      "step": 2600
    },
    {
      "epoch": 0.04416666666666667,
      "grad_norm": 2.953125,
      "learning_rate": 9.4e-05,
      "loss": 0.4266,
      "step": 2650
    },
    {
      "epoch": 0.045,
      "grad_norm": 3.9375,
      "learning_rate": 9.200000000000001e-05,
      "loss": 0.5889,
      "step": 2700
    },
    {
      "epoch": 0.04583333333333333,
      "grad_norm": 0.66796875,
      "learning_rate": 9e-05,
      "loss": 0.5746,
      "step": 2750
    },
    {
      "epoch": 0.04666666666666667,
      "grad_norm": 0.6015625,
      "learning_rate": 8.800000000000001e-05,
      "loss": 0.5633,
      "step": 2800
    },
    {
      "epoch": 0.0475,
      "grad_norm": 2.296875,
      "learning_rate": 8.6e-05,
      "loss": 0.4242,
      "step": 2850
    },
    {
      "epoch": 0.04833333333333333,
      "grad_norm": 5.8125,
      "learning_rate": 8.4e-05,
      "loss": 0.5725,
      "step": 2900
    },
    {
      "epoch": 0.049166666666666664,
      "grad_norm": 0.458984375,
      "learning_rate": 8.2e-05,
      "loss": 0.5761,
      "step": 2950
    },
    {
      "epoch": 0.05,
      "grad_norm": 2.859375,
      "learning_rate": 8e-05,
      "loss": 0.6291,
      "step": 3000
    },
    {
      "epoch": 0.050833333333333335,
      "grad_norm": 0.06298828125,
      "learning_rate": 7.800000000000001e-05,
      "loss": 0.6638,
      "step": 3050
    },
    {
      "epoch": 0.051666666666666666,
      "grad_norm": 1.28125,
      "learning_rate": 7.6e-05,
      "loss": 0.5538,
      "step": 3100
    },
    {
      "epoch": 0.0525,
      "grad_norm": 0.1689453125,
      "learning_rate": 7.4e-05,
      "loss": 0.6839,
      "step": 3150
    },
    {
      "epoch": 0.05333333333333334,
      "grad_norm": 0.76953125,
      "learning_rate": 7.2e-05,
      "loss": 0.7725,
      "step": 3200
    },
    {
      "epoch": 0.05416666666666667,
      "grad_norm": 10.5,
      "learning_rate": 7e-05,
      "loss": 0.6465,
      "step": 3250
    },
    {
      "epoch": 0.055,
      "grad_norm": 0.02978515625,
      "learning_rate": 6.800000000000001e-05,
      "loss": 0.6832,
      "step": 3300
    },
    {
      "epoch": 0.05583333333333333,
      "grad_norm": 0.67578125,
      "learning_rate": 6.6e-05,
      "loss": 0.6383,
      "step": 3350
    },
    {
      "epoch": 0.056666666666666664,
      "grad_norm": 0.47265625,
      "learning_rate": 6.400000000000001e-05,
      "loss": 0.6189,
      "step": 3400
    },
    {
      "epoch": 0.0575,
      "grad_norm": 0.1025390625,
      "learning_rate": 6.2e-05,
      "loss": 0.503,
      "step": 3450
    },
    {
      "epoch": 0.058333333333333334,
      "grad_norm": 1.0390625,
      "learning_rate": 6e-05,
      "loss": 0.22,
      "step": 3500
    },
    {
      "epoch": 0.059166666666666666,
      "grad_norm": 10.25,
      "learning_rate": 5.8e-05,
      "loss": 0.6655,
      "step": 3550
    },
    {
      "epoch": 0.06,
      "grad_norm": 0.0888671875,
      "learning_rate": 5.6000000000000006e-05,
      "loss": 0.4794,
      "step": 3600
    },
    {
      "epoch": 0.060833333333333336,
      "grad_norm": 27.5,
      "learning_rate": 5.4000000000000005e-05,
      "loss": 0.552,
      "step": 3650
    },
    {
      "epoch": 0.06166666666666667,
      "grad_norm": 0.00860595703125,
      "learning_rate": 5.2000000000000004e-05,
      "loss": 0.6058,
      "step": 3700
    },
    {
      "epoch": 0.0625,
      "grad_norm": 0.06298828125,
      "learning_rate": 5e-05,
      "loss": 0.4874,
      "step": 3750
    },
    {
      "epoch": 0.06333333333333334,
      "grad_norm": 0.24609375,
      "learning_rate": 4.8e-05,
      "loss": 0.5327,
      "step": 3800
    },
    {
      "epoch": 0.06416666666666666,
      "grad_norm": 5.21875,
      "learning_rate": 4.600000000000001e-05,
      "loss": 0.4808,
      "step": 3850
    },
    {
      "epoch": 0.065,
      "grad_norm": 0.7578125,
      "learning_rate": 4.4000000000000006e-05,
      "loss": 0.4829,
      "step": 3900
    },
    {
      "epoch": 0.06583333333333333,
      "grad_norm": 2.921875,
      "learning_rate": 4.2e-05,
      "loss": 0.556,
      "step": 3950
    },
    {
      "epoch": 0.06666666666666667,
      "grad_norm": 7.59375,
      "learning_rate": 4e-05,
      "loss": 0.4498,
      "step": 4000
    },
    {
      "epoch": 0.0675,
      "grad_norm": 4.125,
      "learning_rate": 3.8e-05,
      "loss": 0.4175,
      "step": 4050
    },
    {
      "epoch": 0.06833333333333333,
      "grad_norm": 0.134765625,
      "learning_rate": 3.6e-05,
      "loss": 0.6137,
      "step": 4100
    },
    {
      "epoch": 0.06916666666666667,
      "grad_norm": 0.15625,
      "learning_rate": 3.4000000000000007e-05,
      "loss": 0.6399,
      "step": 4150
    },
    {
      "epoch": 0.07,
      "grad_norm": 0.08740234375,
      "learning_rate": 3.2000000000000005e-05,
      "loss": 0.643,
      "step": 4200
    },
    {
      "epoch": 0.07083333333333333,
      "grad_norm": 0.01507568359375,
      "learning_rate": 3e-05,
      "loss": 0.3992,
      "step": 4250
    },
    {
      "epoch": 0.07166666666666667,
      "grad_norm": 0.26953125,
      "learning_rate": 2.8000000000000003e-05,
      "loss": 0.5803,
      "step": 4300
    },
    {
      "epoch": 0.0725,
      "grad_norm": 0.1943359375,
      "learning_rate": 2.6000000000000002e-05,
      "loss": 0.322,
      "step": 4350
    },
    {
      "epoch": 0.07333333333333333,
      "grad_norm": 0.421875,
      "learning_rate": 2.4e-05,
      "loss": 0.654,
      "step": 4400
    },
    {
      "epoch": 0.07416666666666667,
      "grad_norm": 2.046875,
      "learning_rate": 2.2000000000000003e-05,
      "loss": 0.6183,
      "step": 4450
    },
    {
      "epoch": 0.075,
      "grad_norm": 3.765625,
      "learning_rate": 2e-05,
      "loss": 0.4453,
      "step": 4500
    },
    {
      "epoch": 0.07583333333333334,
      "grad_norm": 7.78125,
      "learning_rate": 1.8e-05,
      "loss": 0.495,
      "step": 4550
    },
    {
      "epoch": 0.07666666666666666,
      "grad_norm": 46.75,
      "learning_rate": 1.6000000000000003e-05,
      "loss": 0.3422,
      "step": 4600
    },
    {
      "epoch": 0.0775,
      "grad_norm": 0.28515625,
      "learning_rate": 1.4000000000000001e-05,
      "loss": 0.3638,
      "step": 4650
    },
    {
      "epoch": 0.07833333333333334,
      "grad_norm": 0.23046875,
      "learning_rate": 1.2e-05,
      "loss": 0.5008,
      "step": 4700
    },
    {
      "epoch": 0.07916666666666666,
      "grad_norm": 24.125,
      "learning_rate": 1e-05,
      "loss": 0.5065,
      "step": 4750
    },
    {
      "epoch": 0.08,
      "grad_norm": 7.3125,
      "learning_rate": 8.000000000000001e-06,
      "loss": 0.3415,
      "step": 4800
    },
    {
      "epoch": 0.08083333333333333,
      "grad_norm": 7.15625,
      "learning_rate": 6e-06,
      "loss": 0.4691,
      "step": 4850
    },
    {
      "epoch": 0.08166666666666667,
      "grad_norm": 0.0079345703125,
      "learning_rate": 4.000000000000001e-06,
      "loss": 0.6244,
      "step": 4900
    },
    {
      "epoch": 0.0825,
      "grad_norm": 27.5,
      "learning_rate": 2.0000000000000003e-06,
      "loss": 0.6009,
      "step": 4950
    },
    {
      "epoch": 0.08333333333333333,
      "grad_norm": 0.020263671875,
      "learning_rate": 0.0,
      "loss": 0.6196,
      "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": 4.740249411760128e+16,
  "train_batch_size": 1,
  "trial_name": null,
  "trial_params": null
}