{
  "best_metric": 0.38298845291137695,
  "best_model_checkpoint": "outputs/checkpoint-512",
  "epoch": 3.002932551319648,
  "eval_steps": 32,
  "global_step": 512,
  "is_hyper_param_search": false,
  "is_local_process_zero": true,
  "is_world_process_zero": true,
  "log_history": [
    {
      "epoch": 0.05,
      "grad_norm": 0.08740234375,
      "learning_rate": 0.000125,
      "loss": 1.2568,
      "step": 8
    },
    {
      "epoch": 0.09,
      "grad_norm": 0.09375,
      "learning_rate": 0.00025,
      "loss": 1.1087,
      "step": 16
    },
    {
      "epoch": 0.14,
      "grad_norm": 0.08251953125,
      "learning_rate": 0.000375,
      "loss": 0.8374,
      "step": 24
    },
    {
      "epoch": 0.19,
      "grad_norm": 0.076171875,
      "learning_rate": 0.0005,
      "loss": 0.7087,
      "step": 32
    },
    {
      "epoch": 0.19,
      "eval_loss": 0.582936704158783,
      "eval_runtime": 2.9206,
      "eval_samples_per_second": 16.435,
      "eval_steps_per_second": 2.054,
      "step": 32
    },
    {
      "epoch": 0.23,
      "grad_norm": 0.07470703125,
      "learning_rate": 0.0004916666666666666,
      "loss": 0.6099,
      "step": 40
    },
    {
      "epoch": 0.28,
      "grad_norm": 0.0751953125,
      "learning_rate": 0.00048333333333333334,
      "loss": 0.5956,
      "step": 48
    },
    {
      "epoch": 0.33,
      "grad_norm": 0.06982421875,
      "learning_rate": 0.000475,
      "loss": 0.5691,
      "step": 56
    },
    {
      "epoch": 0.38,
      "grad_norm": 0.09375,
      "learning_rate": 0.00046666666666666666,
      "loss": 0.5675,
      "step": 64
    },
    {
      "epoch": 0.38,
      "eval_loss": 0.47926369309425354,
      "eval_runtime": 2.1968,
      "eval_samples_per_second": 21.85,
      "eval_steps_per_second": 2.731,
      "step": 64
    },
    {
      "epoch": 0.42,
      "grad_norm": 0.058349609375,
      "learning_rate": 0.0004583333333333333,
      "loss": 0.5528,
      "step": 72
    },
    {
      "epoch": 0.47,
      "grad_norm": 0.0595703125,
      "learning_rate": 0.00045000000000000004,
      "loss": 0.535,
      "step": 80
    },
    {
      "epoch": 0.52,
      "grad_norm": 0.056396484375,
      "learning_rate": 0.00044166666666666665,
      "loss": 0.5055,
      "step": 88
    },
    {
      "epoch": 0.56,
      "grad_norm": 0.05224609375,
      "learning_rate": 0.00043333333333333337,
      "loss": 0.5163,
      "step": 96
    },
    {
      "epoch": 0.56,
      "eval_loss": 0.44680991768836975,
      "eval_runtime": 2.197,
      "eval_samples_per_second": 21.848,
      "eval_steps_per_second": 2.731,
      "step": 96
    },
    {
      "epoch": 0.61,
      "grad_norm": 0.048828125,
      "learning_rate": 0.000425,
      "loss": 0.513,
      "step": 104
    },
    {
      "epoch": 0.66,
      "grad_norm": 0.053955078125,
      "learning_rate": 0.0004166666666666667,
      "loss": 0.4927,
      "step": 112
    },
    {
      "epoch": 0.7,
      "grad_norm": 0.056396484375,
      "learning_rate": 0.00040833333333333336,
      "loss": 0.5163,
      "step": 120
    },
    {
      "epoch": 0.75,
      "grad_norm": 0.047607421875,
      "learning_rate": 0.0004,
      "loss": 0.4923,
      "step": 128
    },
    {
      "epoch": 0.75,
      "eval_loss": 0.4288952052593231,
      "eval_runtime": 2.2003,
      "eval_samples_per_second": 21.815,
      "eval_steps_per_second": 2.727,
      "step": 128
    },
    {
      "epoch": 0.8,
      "grad_norm": 0.05078125,
      "learning_rate": 0.0003916666666666667,
      "loss": 0.484,
      "step": 136
    },
    {
      "epoch": 0.84,
      "grad_norm": 0.052001953125,
      "learning_rate": 0.00038333333333333334,
      "loss": 0.4698,
      "step": 144
    },
    {
      "epoch": 0.89,
      "grad_norm": 0.057861328125,
      "learning_rate": 0.000375,
      "loss": 0.4682,
      "step": 152
    },
    {
      "epoch": 0.94,
      "grad_norm": 0.0517578125,
      "learning_rate": 0.00036666666666666667,
      "loss": 0.4661,
      "step": 160
    },
    {
      "epoch": 0.94,
      "eval_loss": 0.4169415235519409,
      "eval_runtime": 2.1996,
      "eval_samples_per_second": 21.822,
      "eval_steps_per_second": 2.728,
      "step": 160
    },
    {
      "epoch": 0.99,
      "grad_norm": 0.050048828125,
      "learning_rate": 0.00035833333333333333,
      "loss": 0.4717,
      "step": 168
    },
    {
      "epoch": 1.03,
      "grad_norm": 0.059326171875,
      "learning_rate": 0.00035,
      "loss": 0.4706,
      "step": 176
    },
    {
      "epoch": 1.08,
      "grad_norm": 0.05224609375,
      "learning_rate": 0.00034166666666666666,
      "loss": 0.4541,
      "step": 184
    },
    {
      "epoch": 1.13,
      "grad_norm": 0.055908203125,
      "learning_rate": 0.0003333333333333333,
      "loss": 0.4428,
      "step": 192
    },
    {
      "epoch": 1.13,
      "eval_loss": 0.4122503697872162,
      "eval_runtime": 2.1981,
      "eval_samples_per_second": 21.837,
      "eval_steps_per_second": 2.73,
      "step": 192
    },
    {
      "epoch": 1.17,
      "grad_norm": 0.0576171875,
      "learning_rate": 0.00032500000000000004,
      "loss": 0.4415,
      "step": 200
    },
    {
      "epoch": 1.22,
      "grad_norm": 0.0625,
      "learning_rate": 0.00031666666666666665,
      "loss": 0.4701,
      "step": 208
    },
    {
      "epoch": 1.27,
      "grad_norm": 0.0546875,
      "learning_rate": 0.00030833333333333337,
      "loss": 0.4445,
      "step": 216
    },
    {
      "epoch": 1.31,
      "grad_norm": 0.060302734375,
      "learning_rate": 0.0003,
      "loss": 0.4311,
      "step": 224
    },
    {
      "epoch": 1.31,
      "eval_loss": 0.4041053056716919,
      "eval_runtime": 2.1997,
      "eval_samples_per_second": 21.821,
      "eval_steps_per_second": 2.728,
      "step": 224
    },
    {
      "epoch": 1.36,
      "grad_norm": 0.0556640625,
      "learning_rate": 0.0002916666666666667,
      "loss": 0.4614,
      "step": 232
    },
    {
      "epoch": 1.41,
      "grad_norm": 0.05859375,
      "learning_rate": 0.00028333333333333335,
      "loss": 0.4434,
      "step": 240
    },
    {
      "epoch": 1.45,
      "grad_norm": 0.062255859375,
      "learning_rate": 0.000275,
      "loss": 0.427,
      "step": 248
    },
    {
      "epoch": 1.5,
      "grad_norm": 0.059814453125,
      "learning_rate": 0.0002666666666666667,
      "loss": 0.4554,
      "step": 256
    },
    {
      "epoch": 1.5,
      "eval_loss": 0.3991839587688446,
      "eval_runtime": 2.2002,
      "eval_samples_per_second": 21.816,
      "eval_steps_per_second": 2.727,
      "step": 256
    },
    {
      "epoch": 1.55,
      "grad_norm": 0.05224609375,
      "learning_rate": 0.00025833333333333334,
      "loss": 0.4375,
      "step": 264
    },
    {
      "epoch": 1.6,
      "grad_norm": 0.059814453125,
      "learning_rate": 0.00025,
      "loss": 0.4379,
      "step": 272
    },
    {
      "epoch": 1.64,
      "grad_norm": 0.057861328125,
      "learning_rate": 0.00024166666666666667,
      "loss": 0.4335,
      "step": 280
    },
    {
      "epoch": 1.69,
      "grad_norm": 0.056396484375,
      "learning_rate": 0.00023333333333333333,
      "loss": 0.4451,
      "step": 288
    },
    {
      "epoch": 1.69,
      "eval_loss": 0.3925025165081024,
      "eval_runtime": 2.2103,
      "eval_samples_per_second": 21.716,
      "eval_steps_per_second": 2.715,
      "step": 288
    },
    {
      "epoch": 1.74,
      "grad_norm": 0.050537109375,
      "learning_rate": 0.00022500000000000002,
      "loss": 0.4681,
      "step": 296
    },
    {
      "epoch": 1.78,
      "grad_norm": 0.06494140625,
      "learning_rate": 0.00021666666666666668,
      "loss": 0.4313,
      "step": 304
    },
    {
      "epoch": 1.83,
      "grad_norm": 0.05224609375,
      "learning_rate": 0.00020833333333333335,
      "loss": 0.4539,
      "step": 312
    },
    {
      "epoch": 1.88,
      "grad_norm": 0.0634765625,
      "learning_rate": 0.0002,
      "loss": 0.4364,
      "step": 320
    },
    {
      "epoch": 1.88,
      "eval_loss": 0.3885883390903473,
      "eval_runtime": 2.2015,
      "eval_samples_per_second": 21.804,
      "eval_steps_per_second": 2.725,
      "step": 320
    },
    {
      "epoch": 1.92,
      "grad_norm": 0.049560546875,
      "learning_rate": 0.00019166666666666667,
      "loss": 0.4425,
      "step": 328
    },
    {
      "epoch": 1.97,
      "grad_norm": 0.0625,
      "learning_rate": 0.00018333333333333334,
      "loss": 0.4327,
      "step": 336
    },
    {
      "epoch": 2.02,
      "grad_norm": 0.052978515625,
      "learning_rate": 0.000175,
      "loss": 0.4296,
      "step": 344
    },
    {
      "epoch": 2.06,
      "grad_norm": 0.0625,
      "learning_rate": 0.00016666666666666666,
      "loss": 0.417,
      "step": 352
    },
    {
      "epoch": 2.06,
      "eval_loss": 0.3900233209133148,
      "eval_runtime": 2.2074,
      "eval_samples_per_second": 21.745,
      "eval_steps_per_second": 2.718,
      "step": 352
    },
    {
      "epoch": 2.11,
      "grad_norm": 0.05615234375,
      "learning_rate": 0.00015833333333333332,
      "loss": 0.3998,
      "step": 360
    },
    {
      "epoch": 2.16,
      "grad_norm": 0.0576171875,
      "learning_rate": 0.00015,
      "loss": 0.4019,
      "step": 368
    },
    {
      "epoch": 2.21,
      "grad_norm": 0.054443359375,
      "learning_rate": 0.00014166666666666668,
      "loss": 0.4096,
      "step": 376
    },
    {
      "epoch": 2.25,
      "grad_norm": 0.0673828125,
      "learning_rate": 0.00013333333333333334,
      "loss": 0.4349,
      "step": 384
    },
    {
      "epoch": 2.25,
      "eval_loss": 0.38732287287712097,
      "eval_runtime": 2.1995,
      "eval_samples_per_second": 21.823,
      "eval_steps_per_second": 2.728,
      "step": 384
    },
    {
      "epoch": 2.3,
      "grad_norm": 0.06201171875,
      "learning_rate": 0.000125,
      "loss": 0.4235,
      "step": 392
    },
    {
      "epoch": 2.35,
      "grad_norm": 0.0625,
      "learning_rate": 0.00011666666666666667,
      "loss": 0.4056,
      "step": 400
    },
    {
      "epoch": 2.39,
      "grad_norm": 0.06396484375,
      "learning_rate": 0.00010833333333333334,
      "loss": 0.4116,
      "step": 408
    },
    {
      "epoch": 2.44,
      "grad_norm": 0.0634765625,
      "learning_rate": 0.0001,
      "loss": 0.416,
      "step": 416
    },
    {
      "epoch": 2.44,
      "eval_loss": 0.3866064250469208,
      "eval_runtime": 2.2006,
      "eval_samples_per_second": 21.812,
      "eval_steps_per_second": 2.727,
      "step": 416
    },
    {
      "epoch": 2.49,
      "grad_norm": 0.06787109375,
      "learning_rate": 9.166666666666667e-05,
      "loss": 0.4214,
      "step": 424
    },
    {
      "epoch": 2.53,
      "grad_norm": 0.060791015625,
      "learning_rate": 8.333333333333333e-05,
      "loss": 0.386,
      "step": 432
    },
    {
      "epoch": 2.58,
      "grad_norm": 0.062255859375,
      "learning_rate": 7.5e-05,
      "loss": 0.3994,
      "step": 440
    },
    {
      "epoch": 2.63,
      "grad_norm": 0.06103515625,
      "learning_rate": 6.666666666666667e-05,
      "loss": 0.4169,
      "step": 448
    },
    {
      "epoch": 2.63,
      "eval_loss": 0.38443723320961,
      "eval_runtime": 2.2022,
      "eval_samples_per_second": 21.796,
      "eval_steps_per_second": 2.725,
      "step": 448
    },
    {
      "epoch": 2.67,
      "grad_norm": 0.0654296875,
      "learning_rate": 5.833333333333333e-05,
      "loss": 0.392,
      "step": 456
    },
    {
      "epoch": 2.72,
      "grad_norm": 0.064453125,
      "learning_rate": 5e-05,
      "loss": 0.4002,
      "step": 464
    },
    {
      "epoch": 2.77,
      "grad_norm": 0.0615234375,
      "learning_rate": 4.1666666666666665e-05,
      "loss": 0.4362,
      "step": 472
    },
    {
      "epoch": 2.82,
      "grad_norm": 0.061279296875,
      "learning_rate": 3.3333333333333335e-05,
      "loss": 0.3852,
      "step": 480
    },
    {
      "epoch": 2.82,
      "eval_loss": 0.38356801867485046,
      "eval_runtime": 2.2009,
      "eval_samples_per_second": 21.809,
      "eval_steps_per_second": 2.726,
      "step": 480
    },
    {
      "epoch": 2.86,
      "grad_norm": 0.06201171875,
      "learning_rate": 2.5e-05,
      "loss": 0.3989,
      "step": 488
    },
    {
      "epoch": 2.91,
      "grad_norm": 0.0634765625,
      "learning_rate": 1.6666666666666667e-05,
      "loss": 0.4017,
      "step": 496
    },
    {
      "epoch": 2.96,
      "grad_norm": 0.0634765625,
      "learning_rate": 8.333333333333334e-06,
      "loss": 0.4178,
      "step": 504
    },
    {
      "epoch": 3.0,
      "grad_norm": 0.058837890625,
      "learning_rate": 0.0,
      "loss": 0.3916,
      "step": 512
    },
    {
      "epoch": 3.0,
      "eval_loss": 0.38298845291137695,
      "eval_runtime": 2.1989,
      "eval_samples_per_second": 21.829,
      "eval_steps_per_second": 2.729,
      "step": 512
    },
    {
      "epoch": 3.0,
      "step": 512,
      "total_flos": 1.005493534658642e+17,
      "train_loss": 0.4858610653318465,
      "train_runtime": 1143.2565,
      "train_samples_per_second": 7.165,
      "train_steps_per_second": 0.448
    }
  ],
  "logging_steps": 8,
  "max_steps": 512,
  "num_input_tokens_seen": 0,
  "num_train_epochs": 4,
  "save_steps": 32,
  "total_flos": 1.005493534658642e+17,
  "train_batch_size": 4,
  "trial_name": null,
  "trial_params": null
}