{
  "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": 4.09375,
      "learning_rate": 0.00019800000000000002,
      "loss": 0.9058,
      "step": 50
    },
    {
      "epoch": 0.0016666666666666668,
      "grad_norm": 5.28125,
      "learning_rate": 0.000196,
      "loss": 0.3736,
      "step": 100
    },
    {
      "epoch": 0.0025,
      "grad_norm": 0.0218505859375,
      "learning_rate": 0.000194,
      "loss": 0.4404,
      "step": 150
    },
    {
      "epoch": 0.0033333333333333335,
      "grad_norm": 0.1259765625,
      "learning_rate": 0.000192,
      "loss": 0.284,
      "step": 200
    },
    {
      "epoch": 0.004166666666666667,
      "grad_norm": 5.78125,
      "learning_rate": 0.00019,
      "loss": 0.5001,
      "step": 250
    },
    {
      "epoch": 0.005,
      "grad_norm": 13.1875,
      "learning_rate": 0.000188,
      "loss": 0.3276,
      "step": 300
    },
    {
      "epoch": 0.005833333333333334,
      "grad_norm": 19.75,
      "learning_rate": 0.00018600000000000002,
      "loss": 0.3996,
      "step": 350
    },
    {
      "epoch": 0.006666666666666667,
      "grad_norm": 17.75,
      "learning_rate": 0.00018400000000000003,
      "loss": 0.3957,
      "step": 400
    },
    {
      "epoch": 0.0075,
      "grad_norm": 0.54296875,
      "learning_rate": 0.000182,
      "loss": 0.4081,
      "step": 450
    },
    {
      "epoch": 0.008333333333333333,
      "grad_norm": 0.1259765625,
      "learning_rate": 0.00018,
      "loss": 0.4085,
      "step": 500
    },
    {
      "epoch": 0.009166666666666667,
      "grad_norm": 0.00732421875,
      "learning_rate": 0.00017800000000000002,
      "loss": 0.2859,
      "step": 550
    },
    {
      "epoch": 0.01,
      "grad_norm": 7.53125,
      "learning_rate": 0.00017600000000000002,
      "loss": 0.2673,
      "step": 600
    },
    {
      "epoch": 0.010833333333333334,
      "grad_norm": 9.25,
      "learning_rate": 0.000174,
      "loss": 0.3739,
      "step": 650
    },
    {
      "epoch": 0.011666666666666667,
      "grad_norm": 74.0,
      "learning_rate": 0.000172,
      "loss": 0.3111,
      "step": 700
    },
    {
      "epoch": 0.0125,
      "grad_norm": 3.90625,
      "learning_rate": 0.00017,
      "loss": 0.3762,
      "step": 750
    },
    {
      "epoch": 0.013333333333333334,
      "grad_norm": 0.0142822265625,
      "learning_rate": 0.000168,
      "loss": 0.4485,
      "step": 800
    },
    {
      "epoch": 0.014166666666666666,
      "grad_norm": 0.0035552978515625,
      "learning_rate": 0.000166,
      "loss": 0.3335,
      "step": 850
    },
    {
      "epoch": 0.015,
      "grad_norm": 7.5,
      "learning_rate": 0.000164,
      "loss": 0.4379,
      "step": 900
    },
    {
      "epoch": 0.015833333333333335,
      "grad_norm": 0.77734375,
      "learning_rate": 0.000162,
      "loss": 0.3889,
      "step": 950
    },
    {
      "epoch": 0.016666666666666666,
      "grad_norm": 42.75,
      "learning_rate": 0.00016,
      "loss": 0.2857,
      "step": 1000
    },
    {
      "epoch": 0.0175,
      "grad_norm": 3.078125,
      "learning_rate": 0.00015800000000000002,
      "loss": 0.4564,
      "step": 1050
    },
    {
      "epoch": 0.018333333333333333,
      "grad_norm": 0.010009765625,
      "learning_rate": 0.00015600000000000002,
      "loss": 0.3002,
      "step": 1100
    },
    {
      "epoch": 0.019166666666666665,
      "grad_norm": 16.625,
      "learning_rate": 0.000154,
      "loss": 0.4278,
      "step": 1150
    },
    {
      "epoch": 0.02,
      "grad_norm": 0.059814453125,
      "learning_rate": 0.000152,
      "loss": 0.4664,
      "step": 1200
    },
    {
      "epoch": 0.020833333333333332,
      "grad_norm": 6.53125,
      "learning_rate": 0.00015000000000000001,
      "loss": 0.4828,
      "step": 1250
    },
    {
      "epoch": 0.021666666666666667,
      "grad_norm": 11.75,
      "learning_rate": 0.000148,
      "loss": 0.1616,
      "step": 1300
    },
    {
      "epoch": 0.0225,
      "grad_norm": 0.59375,
      "learning_rate": 0.000146,
      "loss": 0.2803,
      "step": 1350
    },
    {
      "epoch": 0.023333333333333334,
      "grad_norm": 15.5625,
      "learning_rate": 0.000144,
      "loss": 0.3353,
      "step": 1400
    },
    {
      "epoch": 0.024166666666666666,
      "grad_norm": 4.5,
      "learning_rate": 0.000142,
      "loss": 0.2172,
      "step": 1450
    },
    {
      "epoch": 0.025,
      "grad_norm": 0.0125732421875,
      "learning_rate": 0.00014,
      "loss": 0.4423,
      "step": 1500
    },
    {
      "epoch": 0.025833333333333333,
      "grad_norm": 0.703125,
      "learning_rate": 0.000138,
      "loss": 0.3955,
      "step": 1550
    },
    {
      "epoch": 0.02666666666666667,
      "grad_norm": 12.8125,
      "learning_rate": 0.00013600000000000003,
      "loss": 0.294,
      "step": 1600
    },
    {
      "epoch": 0.0275,
      "grad_norm": 9.6875,
      "learning_rate": 0.000134,
      "loss": 0.3339,
      "step": 1650
    },
    {
      "epoch": 0.028333333333333332,
      "grad_norm": 0.0107421875,
      "learning_rate": 0.000132,
      "loss": 0.2258,
      "step": 1700
    },
    {
      "epoch": 0.029166666666666667,
      "grad_norm": 0.04248046875,
      "learning_rate": 0.00013000000000000002,
      "loss": 0.2836,
      "step": 1750
    },
    {
      "epoch": 0.03,
      "grad_norm": 0.01190185546875,
      "learning_rate": 0.00012800000000000002,
      "loss": 0.1699,
      "step": 1800
    },
    {
      "epoch": 0.030833333333333334,
      "grad_norm": 2.34375,
      "learning_rate": 0.000126,
      "loss": 0.4675,
      "step": 1850
    },
    {
      "epoch": 0.03166666666666667,
      "grad_norm": 9.0625,
      "learning_rate": 0.000124,
      "loss": 0.3601,
      "step": 1900
    },
    {
      "epoch": 0.0325,
      "grad_norm": 0.0205078125,
      "learning_rate": 0.000122,
      "loss": 0.3616,
      "step": 1950
    },
    {
      "epoch": 0.03333333333333333,
      "grad_norm": 0.34765625,
      "learning_rate": 0.00012,
      "loss": 0.1859,
      "step": 2000
    },
    {
      "epoch": 0.034166666666666665,
      "grad_norm": 2.03125,
      "learning_rate": 0.000118,
      "loss": 0.389,
      "step": 2050
    },
    {
      "epoch": 0.035,
      "grad_norm": 0.6953125,
      "learning_rate": 0.000116,
      "loss": 0.1806,
      "step": 2100
    },
    {
      "epoch": 0.035833333333333335,
      "grad_norm": 12.3125,
      "learning_rate": 0.00011399999999999999,
      "loss": 0.4361,
      "step": 2150
    },
    {
      "epoch": 0.03666666666666667,
      "grad_norm": 35.0,
      "learning_rate": 0.00011200000000000001,
      "loss": 0.3233,
      "step": 2200
    },
    {
      "epoch": 0.0375,
      "grad_norm": 0.002655029296875,
      "learning_rate": 0.00011000000000000002,
      "loss": 0.2391,
      "step": 2250
    },
    {
      "epoch": 0.03833333333333333,
      "grad_norm": 0.2001953125,
      "learning_rate": 0.00010800000000000001,
      "loss": 0.4056,
      "step": 2300
    },
    {
      "epoch": 0.03916666666666667,
      "grad_norm": 4.96875,
      "learning_rate": 0.00010600000000000002,
      "loss": 0.2412,
      "step": 2350
    },
    {
      "epoch": 0.04,
      "grad_norm": 0.053955078125,
      "learning_rate": 0.00010400000000000001,
      "loss": 0.4464,
      "step": 2400
    },
    {
      "epoch": 0.04083333333333333,
      "grad_norm": 1.375,
      "learning_rate": 0.00010200000000000001,
      "loss": 0.2579,
      "step": 2450
    },
    {
      "epoch": 0.041666666666666664,
      "grad_norm": 0.0247802734375,
      "learning_rate": 0.0001,
      "loss": 0.2107,
      "step": 2500
    },
    {
      "epoch": 0.0425,
      "grad_norm": 4.5625,
      "learning_rate": 9.8e-05,
      "loss": 0.3514,
      "step": 2550
    },
    {
      "epoch": 0.043333333333333335,
      "grad_norm": 0.208984375,
      "learning_rate": 9.6e-05,
      "loss": 0.2379,
      "step": 2600
    },
    {
      "epoch": 0.04416666666666667,
      "grad_norm": 3.390625,
      "learning_rate": 9.4e-05,
      "loss": 0.2407,
      "step": 2650
    },
    {
      "epoch": 0.045,
      "grad_norm": 0.0189208984375,
      "learning_rate": 9.200000000000001e-05,
      "loss": 0.24,
      "step": 2700
    },
    {
      "epoch": 0.04583333333333333,
      "grad_norm": 5.125,
      "learning_rate": 9e-05,
      "loss": 0.199,
      "step": 2750
    },
    {
      "epoch": 0.04666666666666667,
      "grad_norm": 0.0157470703125,
      "learning_rate": 8.800000000000001e-05,
      "loss": 0.3042,
      "step": 2800
    },
    {
      "epoch": 0.0475,
      "grad_norm": 4.8125,
      "learning_rate": 8.6e-05,
      "loss": 0.1765,
      "step": 2850
    },
    {
      "epoch": 0.04833333333333333,
      "grad_norm": 1.28125,
      "learning_rate": 8.4e-05,
      "loss": 0.2693,
      "step": 2900
    },
    {
      "epoch": 0.049166666666666664,
      "grad_norm": 0.4765625,
      "learning_rate": 8.2e-05,
      "loss": 0.3652,
      "step": 2950
    },
    {
      "epoch": 0.05,
      "grad_norm": 4.125,
      "learning_rate": 8e-05,
      "loss": 0.2199,
      "step": 3000
    },
    {
      "epoch": 0.050833333333333335,
      "grad_norm": 0.2236328125,
      "learning_rate": 7.800000000000001e-05,
      "loss": 0.2713,
      "step": 3050
    },
    {
      "epoch": 0.051666666666666666,
      "grad_norm": 1.453125,
      "learning_rate": 7.6e-05,
      "loss": 0.1326,
      "step": 3100
    },
    {
      "epoch": 0.0525,
      "grad_norm": 0.337890625,
      "learning_rate": 7.4e-05,
      "loss": 0.2486,
      "step": 3150
    },
    {
      "epoch": 0.05333333333333334,
      "grad_norm": 0.00775146484375,
      "learning_rate": 7.2e-05,
      "loss": 0.2337,
      "step": 3200
    },
    {
      "epoch": 0.05416666666666667,
      "grad_norm": 0.004608154296875,
      "learning_rate": 7e-05,
      "loss": 0.2847,
      "step": 3250
    },
    {
      "epoch": 0.055,
      "grad_norm": 1.1171875,
      "learning_rate": 6.800000000000001e-05,
      "loss": 0.2194,
      "step": 3300
    },
    {
      "epoch": 0.05583333333333333,
      "grad_norm": 10.9375,
      "learning_rate": 6.6e-05,
      "loss": 0.1686,
      "step": 3350
    },
    {
      "epoch": 0.056666666666666664,
      "grad_norm": 0.0277099609375,
      "learning_rate": 6.400000000000001e-05,
      "loss": 0.2626,
      "step": 3400
    },
    {
      "epoch": 0.0575,
      "grad_norm": 0.33984375,
      "learning_rate": 6.2e-05,
      "loss": 0.3466,
      "step": 3450
    },
    {
      "epoch": 0.058333333333333334,
      "grad_norm": 0.515625,
      "learning_rate": 6e-05,
      "loss": 0.1318,
      "step": 3500
    },
    {
      "epoch": 0.059166666666666666,
      "grad_norm": 0.0128173828125,
      "learning_rate": 5.8e-05,
      "loss": 0.1785,
      "step": 3550
    },
    {
      "epoch": 0.06,
      "grad_norm": 1.796875,
      "learning_rate": 5.6000000000000006e-05,
      "loss": 0.2554,
      "step": 3600
    },
    {
      "epoch": 0.060833333333333336,
      "grad_norm": 0.12890625,
      "learning_rate": 5.4000000000000005e-05,
      "loss": 0.3813,
      "step": 3650
    },
    {
      "epoch": 0.06166666666666667,
      "grad_norm": 4.9375,
      "learning_rate": 5.2000000000000004e-05,
      "loss": 0.2787,
      "step": 3700
    },
    {
      "epoch": 0.0625,
      "grad_norm": 7.84375,
      "learning_rate": 5e-05,
      "loss": 0.193,
      "step": 3750
    },
    {
      "epoch": 0.06333333333333334,
      "grad_norm": 7.75,
      "learning_rate": 4.8e-05,
      "loss": 0.2788,
      "step": 3800
    },
    {
      "epoch": 0.06416666666666666,
      "grad_norm": 0.1162109375,
      "learning_rate": 4.600000000000001e-05,
      "loss": 0.4112,
      "step": 3850
    },
    {
      "epoch": 0.065,
      "grad_norm": 14.8125,
      "learning_rate": 4.4000000000000006e-05,
      "loss": 0.1674,
      "step": 3900
    },
    {
      "epoch": 0.06583333333333333,
      "grad_norm": 4.1875,
      "learning_rate": 4.2e-05,
      "loss": 0.207,
      "step": 3950
    },
    {
      "epoch": 0.06666666666666667,
      "grad_norm": 0.181640625,
      "learning_rate": 4e-05,
      "loss": 0.1536,
      "step": 4000
    },
    {
      "epoch": 0.0675,
      "grad_norm": 8.0625,
      "learning_rate": 3.8e-05,
      "loss": 0.2388,
      "step": 4050
    },
    {
      "epoch": 0.06833333333333333,
      "grad_norm": 0.0030670166015625,
      "learning_rate": 3.6e-05,
      "loss": 0.3407,
      "step": 4100
    },
    {
      "epoch": 0.06916666666666667,
      "grad_norm": 13.3125,
      "learning_rate": 3.4000000000000007e-05,
      "loss": 0.3231,
      "step": 4150
    },
    {
      "epoch": 0.07,
      "grad_norm": 20.625,
      "learning_rate": 3.2000000000000005e-05,
      "loss": 0.2262,
      "step": 4200
    },
    {
      "epoch": 0.07083333333333333,
      "grad_norm": 4.28125,
      "learning_rate": 3e-05,
      "loss": 0.2622,
      "step": 4250
    },
    {
      "epoch": 0.07166666666666667,
      "grad_norm": 94.0,
      "learning_rate": 2.8000000000000003e-05,
      "loss": 0.1197,
      "step": 4300
    },
    {
      "epoch": 0.0725,
      "grad_norm": 0.53125,
      "learning_rate": 2.6000000000000002e-05,
      "loss": 0.3342,
      "step": 4350
    },
    {
      "epoch": 0.07333333333333333,
      "grad_norm": 8.625,
      "learning_rate": 2.4e-05,
      "loss": 0.141,
      "step": 4400
    },
    {
      "epoch": 0.07416666666666667,
      "grad_norm": 0.006103515625,
      "learning_rate": 2.2000000000000003e-05,
      "loss": 0.4034,
      "step": 4450
    },
    {
      "epoch": 0.075,
      "grad_norm": 0.007232666015625,
      "learning_rate": 2e-05,
      "loss": 0.3431,
      "step": 4500
    },
    {
      "epoch": 0.07583333333333334,
      "grad_norm": 0.005767822265625,
      "learning_rate": 1.8e-05,
      "loss": 0.2262,
      "step": 4550
    },
    {
      "epoch": 0.07666666666666666,
      "grad_norm": 14.5,
      "learning_rate": 1.6000000000000003e-05,
      "loss": 0.224,
      "step": 4600
    },
    {
      "epoch": 0.0775,
      "grad_norm": 2.03125,
      "learning_rate": 1.4000000000000001e-05,
      "loss": 0.3882,
      "step": 4650
    },
    {
      "epoch": 0.07833333333333334,
      "grad_norm": 0.75,
      "learning_rate": 1.2e-05,
      "loss": 0.2537,
      "step": 4700
    },
    {
      "epoch": 0.07916666666666666,
      "grad_norm": 0.16015625,
      "learning_rate": 1e-05,
      "loss": 0.1687,
      "step": 4750
    },
    {
      "epoch": 0.08,
      "grad_norm": 0.00946044921875,
      "learning_rate": 8.000000000000001e-06,
      "loss": 0.2877,
      "step": 4800
    },
    {
      "epoch": 0.08083333333333333,
      "grad_norm": 2.96875,
      "learning_rate": 6e-06,
      "loss": 0.2114,
      "step": 4850
    },
    {
      "epoch": 0.08166666666666667,
      "grad_norm": 7.09375,
      "learning_rate": 4.000000000000001e-06,
      "loss": 0.2539,
      "step": 4900
    },
    {
      "epoch": 0.0825,
      "grad_norm": 0.00335693359375,
      "learning_rate": 2.0000000000000003e-06,
      "loss": 0.2599,
      "step": 4950
    },
    {
      "epoch": 0.08333333333333333,
      "grad_norm": 0.0050048828125,
      "learning_rate": 0.0,
      "loss": 0.2662,
      "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": 5.43058998908928e+16,
  "train_batch_size": 1,
  "trial_name": null,
  "trial_params": null
}