{
  "best_metric": null,
  "best_model_checkpoint": null,
  "epoch": 4.166666666666667,
  "eval_steps": 500,
  "global_step": 5000,
  "is_hyper_param_search": false,
  "is_local_process_zero": true,
  "is_world_process_zero": true,
  "log_history": [
    {
      "epoch": 0.041666666666666664,
      "grad_norm": 7.90625,
      "learning_rate": 0.00019800000000000002,
      "loss": 1.2134,
      "step": 50
    },
    {
      "epoch": 0.08333333333333333,
      "grad_norm": 1.4140625,
      "learning_rate": 0.000196,
      "loss": 0.4906,
      "step": 100
    },
    {
      "epoch": 0.125,
      "grad_norm": 2.546875,
      "learning_rate": 0.000194,
      "loss": 0.5065,
      "step": 150
    },
    {
      "epoch": 0.16666666666666666,
      "grad_norm": 42.0,
      "learning_rate": 0.000192,
      "loss": 0.7687,
      "step": 200
    },
    {
      "epoch": 0.20833333333333334,
      "grad_norm": 19.375,
      "learning_rate": 0.00019,
      "loss": 0.8178,
      "step": 250
    },
    {
      "epoch": 0.25,
      "grad_norm": 1.140625,
      "learning_rate": 0.000188,
      "loss": 0.6315,
      "step": 300
    },
    {
      "epoch": 0.2916666666666667,
      "grad_norm": 1.2890625,
      "learning_rate": 0.00018600000000000002,
      "loss": 0.4244,
      "step": 350
    },
    {
      "epoch": 0.3333333333333333,
      "grad_norm": 7.09375,
      "learning_rate": 0.00018400000000000003,
      "loss": 0.471,
      "step": 400
    },
    {
      "epoch": 0.375,
      "grad_norm": 15.6875,
      "learning_rate": 0.000182,
      "loss": 0.4798,
      "step": 450
    },
    {
      "epoch": 0.4166666666666667,
      "grad_norm": 0.16796875,
      "learning_rate": 0.00018,
      "loss": 0.5175,
      "step": 500
    },
    {
      "epoch": 0.4583333333333333,
      "grad_norm": 4.6875,
      "learning_rate": 0.00017800000000000002,
      "loss": 0.6152,
      "step": 550
    },
    {
      "epoch": 0.5,
      "grad_norm": 1.09375,
      "learning_rate": 0.00017600000000000002,
      "loss": 0.7844,
      "step": 600
    },
    {
      "epoch": 0.5416666666666666,
      "grad_norm": 1.59375,
      "learning_rate": 0.000174,
      "loss": 0.5101,
      "step": 650
    },
    {
      "epoch": 0.5833333333333334,
      "grad_norm": 8.0,
      "learning_rate": 0.000172,
      "loss": 0.6347,
      "step": 700
    },
    {
      "epoch": 0.625,
      "grad_norm": 2.09375,
      "learning_rate": 0.00017,
      "loss": 0.5082,
      "step": 750
    },
    {
      "epoch": 0.6666666666666666,
      "grad_norm": 3.765625,
      "learning_rate": 0.000168,
      "loss": 0.7331,
      "step": 800
    },
    {
      "epoch": 0.7083333333333334,
      "grad_norm": 1.9765625,
      "learning_rate": 0.000166,
      "loss": 0.7218,
      "step": 850
    },
    {
      "epoch": 0.75,
      "grad_norm": 1.4296875,
      "learning_rate": 0.000164,
      "loss": 0.7848,
      "step": 900
    },
    {
      "epoch": 0.7916666666666666,
      "grad_norm": 2.203125,
      "learning_rate": 0.000162,
      "loss": 0.7096,
      "step": 950
    },
    {
      "epoch": 0.8333333333333334,
      "grad_norm": 9.9375,
      "learning_rate": 0.00016,
      "loss": 0.7425,
      "step": 1000
    },
    {
      "epoch": 0.875,
      "grad_norm": 0.87890625,
      "learning_rate": 0.00015800000000000002,
      "loss": 0.7624,
      "step": 1050
    },
    {
      "epoch": 0.9166666666666666,
      "grad_norm": 0.70703125,
      "learning_rate": 0.00015600000000000002,
      "loss": 0.7026,
      "step": 1100
    },
    {
      "epoch": 0.9583333333333334,
      "grad_norm": 1.171875,
      "learning_rate": 0.000154,
      "loss": 0.4579,
      "step": 1150
    },
    {
      "epoch": 1.0,
      "grad_norm": 1.9453125,
      "learning_rate": 0.000152,
      "loss": 0.4458,
      "step": 1200
    },
    {
      "epoch": 1.0416666666666667,
      "grad_norm": 2.28125,
      "learning_rate": 0.00015000000000000001,
      "loss": 0.4223,
      "step": 1250
    },
    {
      "epoch": 1.0833333333333333,
      "grad_norm": 12.5,
      "learning_rate": 0.000148,
      "loss": 0.6185,
      "step": 1300
    },
    {
      "epoch": 1.125,
      "grad_norm": 6.5,
      "learning_rate": 0.000146,
      "loss": 0.5161,
      "step": 1350
    },
    {
      "epoch": 1.1666666666666667,
      "grad_norm": 2.359375,
      "learning_rate": 0.000144,
      "loss": 0.4691,
      "step": 1400
    },
    {
      "epoch": 1.2083333333333333,
      "grad_norm": 9.375,
      "learning_rate": 0.000142,
      "loss": 0.4036,
      "step": 1450
    },
    {
      "epoch": 1.25,
      "grad_norm": 1.3125,
      "learning_rate": 0.00014,
      "loss": 0.4297,
      "step": 1500
    },
    {
      "epoch": 1.2916666666666667,
      "grad_norm": 0.765625,
      "learning_rate": 0.000138,
      "loss": 0.6732,
      "step": 1550
    },
    {
      "epoch": 1.3333333333333333,
      "grad_norm": 2.0,
      "learning_rate": 0.00013600000000000003,
      "loss": 0.8978,
      "step": 1600
    },
    {
      "epoch": 1.375,
      "grad_norm": 63.25,
      "learning_rate": 0.000134,
      "loss": 0.5804,
      "step": 1650
    },
    {
      "epoch": 1.4166666666666667,
      "grad_norm": 4.53125,
      "learning_rate": 0.000132,
      "loss": 0.4809,
      "step": 1700
    },
    {
      "epoch": 1.4583333333333333,
      "grad_norm": 5.25,
      "learning_rate": 0.00013000000000000002,
      "loss": 1.1303,
      "step": 1750
    },
    {
      "epoch": 1.5,
      "grad_norm": 1.1484375,
      "learning_rate": 0.00012800000000000002,
      "loss": 0.4219,
      "step": 1800
    },
    {
      "epoch": 1.5416666666666665,
      "grad_norm": 7.65625,
      "learning_rate": 0.000126,
      "loss": 0.5224,
      "step": 1850
    },
    {
      "epoch": 1.5833333333333335,
      "grad_norm": 6.53125,
      "learning_rate": 0.000124,
      "loss": 0.8431,
      "step": 1900
    },
    {
      "epoch": 1.625,
      "grad_norm": 0.5703125,
      "learning_rate": 0.000122,
      "loss": 0.5284,
      "step": 1950
    },
    {
      "epoch": 1.6666666666666665,
      "grad_norm": 2.75,
      "learning_rate": 0.00012,
      "loss": 0.5066,
      "step": 2000
    },
    {
      "epoch": 1.7083333333333335,
      "grad_norm": 1.3046875,
      "learning_rate": 0.000118,
      "loss": 0.4257,
      "step": 2050
    },
    {
      "epoch": 1.75,
      "grad_norm": 1.6484375,
      "learning_rate": 0.000116,
      "loss": 0.4326,
      "step": 2100
    },
    {
      "epoch": 1.7916666666666665,
      "grad_norm": 0.859375,
      "learning_rate": 0.00011399999999999999,
      "loss": 0.3688,
      "step": 2150
    },
    {
      "epoch": 1.8333333333333335,
      "grad_norm": 0.890625,
      "learning_rate": 0.00011200000000000001,
      "loss": 0.3936,
      "step": 2200
    },
    {
      "epoch": 1.875,
      "grad_norm": 0.75390625,
      "learning_rate": 0.00011000000000000002,
      "loss": 0.3488,
      "step": 2250
    },
    {
      "epoch": 1.9166666666666665,
      "grad_norm": 0.5546875,
      "learning_rate": 0.00010800000000000001,
      "loss": 0.3755,
      "step": 2300
    },
    {
      "epoch": 1.9583333333333335,
      "grad_norm": 0.91015625,
      "learning_rate": 0.00010600000000000002,
      "loss": 0.3699,
      "step": 2350
    },
    {
      "epoch": 2.0,
      "grad_norm": 1.265625,
      "learning_rate": 0.00010400000000000001,
      "loss": 0.3919,
      "step": 2400
    },
    {
      "epoch": 2.0416666666666665,
      "grad_norm": 2.578125,
      "learning_rate": 0.00010200000000000001,
      "loss": 0.5215,
      "step": 2450
    },
    {
      "epoch": 2.0833333333333335,
      "grad_norm": 350.0,
      "learning_rate": 0.0001,
      "loss": 0.8757,
      "step": 2500
    },
    {
      "epoch": 2.125,
      "grad_norm": 15.25,
      "learning_rate": 9.8e-05,
      "loss": 1.2043,
      "step": 2550
    },
    {
      "epoch": 2.1666666666666665,
      "grad_norm": 1.2421875,
      "learning_rate": 9.6e-05,
      "loss": 0.5678,
      "step": 2600
    },
    {
      "epoch": 2.2083333333333335,
      "grad_norm": 0.96484375,
      "learning_rate": 9.4e-05,
      "loss": 0.3555,
      "step": 2650
    },
    {
      "epoch": 2.25,
      "grad_norm": 1.90625,
      "learning_rate": 9.200000000000001e-05,
      "loss": 0.4078,
      "step": 2700
    },
    {
      "epoch": 2.2916666666666665,
      "grad_norm": 1.375,
      "learning_rate": 9e-05,
      "loss": 0.3727,
      "step": 2750
    },
    {
      "epoch": 2.3333333333333335,
      "grad_norm": 1.3203125,
      "learning_rate": 8.800000000000001e-05,
      "loss": 0.374,
      "step": 2800
    },
    {
      "epoch": 2.375,
      "grad_norm": 0.90625,
      "learning_rate": 8.6e-05,
      "loss": 0.3944,
      "step": 2850
    },
    {
      "epoch": 2.4166666666666665,
      "grad_norm": 0.96484375,
      "learning_rate": 8.4e-05,
      "loss": 0.3569,
      "step": 2900
    },
    {
      "epoch": 2.4583333333333335,
      "grad_norm": 1.1328125,
      "learning_rate": 8.2e-05,
      "loss": 0.3908,
      "step": 2950
    },
    {
      "epoch": 2.5,
      "grad_norm": 0.87109375,
      "learning_rate": 8e-05,
      "loss": 0.3557,
      "step": 3000
    },
    {
      "epoch": 2.5416666666666665,
      "grad_norm": 0.87890625,
      "learning_rate": 7.800000000000001e-05,
      "loss": 0.3562,
      "step": 3050
    },
    {
      "epoch": 2.5833333333333335,
      "grad_norm": 0.84765625,
      "learning_rate": 7.6e-05,
      "loss": 0.3673,
      "step": 3100
    },
    {
      "epoch": 2.625,
      "grad_norm": 1.125,
      "learning_rate": 7.4e-05,
      "loss": 0.3559,
      "step": 3150
    },
    {
      "epoch": 2.6666666666666665,
      "grad_norm": 3.546875,
      "learning_rate": 7.2e-05,
      "loss": 0.3471,
      "step": 3200
    },
    {
      "epoch": 2.7083333333333335,
      "grad_norm": 0.73828125,
      "learning_rate": 7e-05,
      "loss": 0.5016,
      "step": 3250
    },
    {
      "epoch": 2.75,
      "grad_norm": 0.95703125,
      "learning_rate": 6.800000000000001e-05,
      "loss": 0.4345,
      "step": 3300
    },
    {
      "epoch": 2.7916666666666665,
      "grad_norm": 1.203125,
      "learning_rate": 6.6e-05,
      "loss": 0.3634,
      "step": 3350
    },
    {
      "epoch": 2.8333333333333335,
      "grad_norm": 1.1953125,
      "learning_rate": 6.400000000000001e-05,
      "loss": 0.6922,
      "step": 3400
    },
    {
      "epoch": 2.875,
      "grad_norm": 4.8125,
      "learning_rate": 6.2e-05,
      "loss": 0.4193,
      "step": 3450
    },
    {
      "epoch": 2.9166666666666665,
      "grad_norm": 1.265625,
      "learning_rate": 6e-05,
      "loss": 0.4503,
      "step": 3500
    },
    {
      "epoch": 2.9583333333333335,
      "grad_norm": 1.46875,
      "learning_rate": 5.8e-05,
      "loss": 0.4301,
      "step": 3550
    },
    {
      "epoch": 3.0,
      "grad_norm": 4.25,
      "learning_rate": 5.6000000000000006e-05,
      "loss": 0.3711,
      "step": 3600
    },
    {
      "epoch": 3.0416666666666665,
      "grad_norm": 5.21875,
      "learning_rate": 5.4000000000000005e-05,
      "loss": 0.5275,
      "step": 3650
    },
    {
      "epoch": 3.0833333333333335,
      "grad_norm": 0.8046875,
      "learning_rate": 5.2000000000000004e-05,
      "loss": 0.4834,
      "step": 3700
    },
    {
      "epoch": 3.125,
      "grad_norm": 1.171875,
      "learning_rate": 5e-05,
      "loss": 0.4279,
      "step": 3750
    },
    {
      "epoch": 3.1666666666666665,
      "grad_norm": 1.6875,
      "learning_rate": 4.8e-05,
      "loss": 0.3534,
      "step": 3800
    },
    {
      "epoch": 3.2083333333333335,
      "grad_norm": 3.8125,
      "learning_rate": 4.600000000000001e-05,
      "loss": 0.3462,
      "step": 3850
    },
    {
      "epoch": 3.25,
      "grad_norm": 5.46875,
      "learning_rate": 4.4000000000000006e-05,
      "loss": 0.3674,
      "step": 3900
    },
    {
      "epoch": 3.2916666666666665,
      "grad_norm": 1.6328125,
      "learning_rate": 4.2e-05,
      "loss": 0.3565,
      "step": 3950
    },
    {
      "epoch": 3.3333333333333335,
      "grad_norm": 1.1953125,
      "learning_rate": 4e-05,
      "loss": 0.3759,
      "step": 4000
    },
    {
      "epoch": 3.375,
      "grad_norm": 1.609375,
      "learning_rate": 3.8e-05,
      "loss": 0.3553,
      "step": 4050
    },
    {
      "epoch": 3.4166666666666665,
      "grad_norm": 1.296875,
      "learning_rate": 3.6e-05,
      "loss": 0.3578,
      "step": 4100
    },
    {
      "epoch": 3.4583333333333335,
      "grad_norm": 1.140625,
      "learning_rate": 3.4000000000000007e-05,
      "loss": 0.3524,
      "step": 4150
    },
    {
      "epoch": 3.5,
      "grad_norm": 1.1796875,
      "learning_rate": 3.2000000000000005e-05,
      "loss": 0.3391,
      "step": 4200
    },
    {
      "epoch": 3.5416666666666665,
      "grad_norm": 1.0546875,
      "learning_rate": 3e-05,
      "loss": 0.3531,
      "step": 4250
    },
    {
      "epoch": 3.5833333333333335,
      "grad_norm": 2.828125,
      "learning_rate": 2.8000000000000003e-05,
      "loss": 0.3629,
      "step": 4300
    },
    {
      "epoch": 3.625,
      "grad_norm": 2.390625,
      "learning_rate": 2.6000000000000002e-05,
      "loss": 0.3879,
      "step": 4350
    },
    {
      "epoch": 3.6666666666666665,
      "grad_norm": 2.46875,
      "learning_rate": 2.4e-05,
      "loss": 0.3868,
      "step": 4400
    },
    {
      "epoch": 3.7083333333333335,
      "grad_norm": 2.96875,
      "learning_rate": 2.2000000000000003e-05,
      "loss": 0.3823,
      "step": 4450
    },
    {
      "epoch": 3.75,
      "grad_norm": 2.71875,
      "learning_rate": 2e-05,
      "loss": 0.3739,
      "step": 4500
    },
    {
      "epoch": 3.7916666666666665,
      "grad_norm": 1.65625,
      "learning_rate": 1.8e-05,
      "loss": 0.4181,
      "step": 4550
    },
    {
      "epoch": 3.8333333333333335,
      "grad_norm": 2.6875,
      "learning_rate": 1.6000000000000003e-05,
      "loss": 0.3763,
      "step": 4600
    },
    {
      "epoch": 3.875,
      "grad_norm": 2.6875,
      "learning_rate": 1.4000000000000001e-05,
      "loss": 0.4203,
      "step": 4650
    },
    {
      "epoch": 3.9166666666666665,
      "grad_norm": 2.84375,
      "learning_rate": 1.2e-05,
      "loss": 0.4285,
      "step": 4700
    },
    {
      "epoch": 3.9583333333333335,
      "grad_norm": 1.46875,
      "learning_rate": 1e-05,
      "loss": 0.4299,
      "step": 4750
    },
    {
      "epoch": 4.0,
      "grad_norm": 3.15625,
      "learning_rate": 8.000000000000001e-06,
      "loss": 0.3914,
      "step": 4800
    },
    {
      "epoch": 4.041666666666667,
      "grad_norm": 2.625,
      "learning_rate": 6e-06,
      "loss": 0.376,
      "step": 4850
    },
    {
      "epoch": 4.083333333333333,
      "grad_norm": 1.421875,
      "learning_rate": 4.000000000000001e-06,
      "loss": 0.4147,
      "step": 4900
    },
    {
      "epoch": 4.125,
      "grad_norm": 1.4609375,
      "learning_rate": 2.0000000000000003e-06,
      "loss": 0.3372,
      "step": 4950
    },
    {
      "epoch": 4.166666666666667,
      "grad_norm": 1.40625,
      "learning_rate": 0.0,
      "loss": 0.4314,
      "step": 5000
    }
  ],
  "logging_steps": 50,
  "max_steps": 5000,
  "num_input_tokens_seen": 0,
  "num_train_epochs": 5,
  "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": 2.195523116752896e+16,
  "train_batch_size": 1,
  "trial_name": null,
  "trial_params": null
}