Run 6. Outer Step 37. Inner Step 11.

config.json

@@ -2,256 +2,256 @@
   "_name_or_path": "distributed/llama-1b",
   "all_reduce_scores": {
     "0": "NOT_ALIVE",
-    "1": "SUCCESS",
+    "1": "FAIL",
     "10": "NOT_ALIVE",
-    "100": "NON_PARTICIPATING",
+    "100": "NOT_ALIVE",
     "101": "NOT_ALIVE",
-    "102": "NON_PARTICIPATING",
+    "102": "NOT_ALIVE",
     "103": "NON_PARTICIPATING",
     "104": "NOT_ALIVE",
     "105": "NOT_ALIVE",
     "106": "NOT_ALIVE",
     "107": "NOT_ALIVE",
-    "108": "SUCCESS",
+    "108": "NON_PARTICIPATING",
     "109": "NOT_ALIVE",
-    "11": "FAIL",
-    "110": "FAIL",
+    "11": "NOT_ALIVE",
+    "110": "NOT_ALIVE",
     "111": "NOT_ALIVE",
-    "112": "NON_PARTICIPATING",
+    "112": "NOT_ALIVE",
     "113": "SUCCESS",
     "114": "NOT_ALIVE",
-    "115": "SUCCESS",
-    "116": "NON_PARTICIPATING",
+    "115": "NOT_ALIVE",
+    "116": "NOT_ALIVE",
     "117": "NOT_ALIVE",
     "118": "NOT_ALIVE",
     "119": "NOT_ALIVE",
     "12": "NOT_ALIVE",
     "120": "NOT_ALIVE",
     "121": "NOT_ALIVE",
-    "122": "NON_PARTICIPATING",
-    "123": "SUCCESS",
-    "124": "FAIL",
+    "122": "NOT_ALIVE",
+    "123": "NOT_ALIVE",
+    "124": "NON_PARTICIPATING",
     "125": "NOT_ALIVE",
-    "126": "SUCCESS",
-    "127": "FAIL",
+    "126": "NOT_ALIVE",
+    "127": "NOT_ALIVE",
     "128": "NOT_ALIVE",
-    "129": "FAIL",
+    "129": "SUCCESS",
     "13": "NOT_ALIVE",
-    "130": "FAIL",
+    "130": "NOT_ALIVE",
     "131": "NOT_ALIVE",
     "132": "NOT_ALIVE",
-    "133": "NON_PARTICIPATING",
-    "134": "SUCCESS",
-    "135": "SUCCESS",
-    "136": "SUCCESS",
-    "137": "FAIL",
-    "138": "FAIL",
+    "133": "FAIL",
+    "134": "NOT_ALIVE",
+    "135": "NOT_ALIVE",
+    "136": "NOT_ALIVE",
+    "137": "NOT_ALIVE",
+    "138": "NON_PARTICIPATING",
     "139": "NOT_ALIVE",
     "14": "NOT_ALIVE",
     "140": "SUCCESS",
-    "141": "NON_PARTICIPATING",
+    "141": "NOT_ALIVE",
     "142": "NOT_ALIVE",
-    "143": "SUCCESS",
+    "143": "NOT_ALIVE",
     "144": "SUCCESS",
-    "145": "SUCCESS",
-    "146": "NOT_ALIVE",
-    "147": "FAIL",
-    "148": "FAIL",
-    "149": "FAIL",
-    "15": "SUCCESS",
+    "145": "NOT_ALIVE",
+    "146": "FAIL",
+    "147": "NOT_ALIVE",
+    "148": "NOT_ALIVE",
+    "149": "NOT_ALIVE",
+    "15": "NOT_ALIVE",
     "150": "SUCCESS",
-    "151": "NON_PARTICIPATING",
-    "152": "SUCCESS",
-    "153": "FAIL",
+    "151": "NOT_ALIVE",
+    "152": "NOT_ALIVE",
+    "153": "NOT_ALIVE",
     "154": "SUCCESS",
-    "155": "FAIL",
+    "155": "NOT_ALIVE",
     "156": "NOT_ALIVE",
     "157": "NOT_ALIVE",
-    "158": "NOT_ALIVE",
-    "159": "NON_PARTICIPATING",
-    "16": "FAIL",
+    "158": "NON_PARTICIPATING",
+    "159": "NOT_ALIVE",
+    "16": "NOT_ALIVE",
     "160": "SUCCESS",
-    "161": "SUCCESS",
-    "162": "NON_PARTICIPATING",
-    "163": "NON_PARTICIPATING",
+    "161": "NOT_ALIVE",
+    "162": "NOT_ALIVE",
+    "163": "NOT_ALIVE",
     "164": "SUCCESS",
-    "165": "FAIL",
-    "166": "SUCCESS",
+    "165": "NON_PARTICIPATING",
+    "166": "NOT_ALIVE",
     "167": "NOT_ALIVE",
-    "168": "FAIL",
+    "168": "NOT_ALIVE",
     "169": "NON_PARTICIPATING",
     "17": "NOT_ALIVE",
-    "170": "SUCCESS",
-    "171": "NOT_ALIVE",
-    "172": "NON_PARTICIPATING",
-    "173": "SUCCESS",
-    "174": "NON_PARTICIPATING",
-    "175": "FAIL",
+    "170": "NOT_ALIVE",
+    "171": "NON_PARTICIPATING",
+    "172": "NOT_ALIVE",
+    "173": "NOT_ALIVE",
+    "174": "NOT_ALIVE",
+    "175": "NON_PARTICIPATING",
     "176": "NOT_ALIVE",
-    "177": "NON_PARTICIPATING",
-    "178": "NON_PARTICIPATING",
+    "177": "NOT_ALIVE",
+    "178": "NOT_ALIVE",
     "179": "NON_PARTICIPATING",
     "18": "NOT_ALIVE",
-    "180": "FAIL",
+    "180": "NOT_ALIVE",
     "181": "NOT_ALIVE",
     "182": "NOT_ALIVE",
     "183": "NOT_ALIVE",
     "184": "NOT_ALIVE",
     "185": "NON_PARTICIPATING",
-    "186": "FAIL",
+    "186": "NOT_ALIVE",
     "187": "SUCCESS",
-    "188": "FAIL",
+    "188": "NOT_ALIVE",
     "189": "SUCCESS",
-    "19": "SUCCESS",
+    "19": "NOT_ALIVE",
     "190": "SUCCESS",
-    "191": "SUCCESS",
-    "192": "SUCCESS",
+    "191": "NOT_ALIVE",
+    "192": "NOT_ALIVE",
     "193": "SUCCESS",
     "194": "NOT_ALIVE",
-    "195": "NON_PARTICIPATING",
+    "195": "NOT_ALIVE",
     "196": "NOT_ALIVE",
     "197": "NOT_ALIVE",
-    "198": "NON_PARTICIPATING",
+    "198": "NOT_ALIVE",
     "199": "SUCCESS",
-    "2": "FAIL",
-    "20": "FAIL",
-    "200": "NON_PARTICIPATING",
-    "201": "SUCCESS",
-    "202": "FAIL",
+    "2": "SUCCESS",
+    "20": "NOT_ALIVE",
+    "200": "NOT_ALIVE",
+    "201": "NOT_ALIVE",
+    "202": "NOT_ALIVE",
     "203": "NOT_ALIVE",
     "204": "NOT_ALIVE",
-    "205": "NON_PARTICIPATING",
+    "205": "NOT_ALIVE",
     "206": "NOT_ALIVE",
     "207": "NOT_ALIVE",
     "208": "NOT_ALIVE",
-    "209": "SUCCESS",
-    "21": "SUCCESS",
-    "210": "FAIL",
-    "211": "NON_PARTICIPATING",
+    "209": "NOT_ALIVE",
+    "21": "NOT_ALIVE",
+    "210": "NOT_ALIVE",
+    "211": "NOT_ALIVE",
     "212": "SUCCESS",
-    "213": "NON_PARTICIPATING",
+    "213": "NOT_ALIVE",
     "214": "NON_PARTICIPATING",
     "215": "NON_PARTICIPATING",
-    "216": "FAIL",
-    "217": "SUCCESS",
+    "216": "NOT_ALIVE",
+    "217": "NOT_ALIVE",
     "218": "NON_PARTICIPATING",
     "219": "SUCCESS",
     "22": "NOT_ALIVE",
     "220": "NOT_ALIVE",
-    "221": "SUCCESS",
+    "221": "NOT_ALIVE",
     "222": "NOT_ALIVE",
     "223": "NOT_ALIVE",
     "224": "NON_PARTICIPATING",
     "225": "NOT_ALIVE",
-    "226": "NON_PARTICIPATING",
-    "227": "NON_PARTICIPATING",
+    "226": "NOT_ALIVE",
+    "227": "NOT_ALIVE",
     "228": "SUCCESS",
     "229": "NOT_ALIVE",
     "23": "SUCCESS",
-    "230": "FAIL",
+    "230": "NOT_ALIVE",
     "231": "NOT_ALIVE",
     "232": "NOT_ALIVE",
-    "233": "SUCCESS",
-    "234": "NON_PARTICIPATING",
-    "235": "SUCCESS",
-    "236": "FAIL",
+    "233": "NOT_ALIVE",
+    "234": "NOT_ALIVE",
+    "235": "NOT_ALIVE",
+    "236": "NOT_ALIVE",
     "237": "NON_PARTICIPATING",
-    "238": "FAIL",
-    "239": "FAIL",
+    "238": "NOT_ALIVE",
+    "239": "NOT_ALIVE",
     "24": "NOT_ALIVE",
-    "240": "FAIL",
-    "241": "SUCCESS",
+    "240": "NOT_ALIVE",
+    "241": "NOT_ALIVE",
     "242": "SUCCESS",
     "243": "NOT_ALIVE",
-    "244": "SUCCESS",
+    "244": "NON_PARTICIPATING",
     "245": "NOT_ALIVE",
-    "246": "SUCCESS",
+    "246": "NOT_ALIVE",
     "247": "NOT_ALIVE",
     "248": "NOT_ALIVE",
     "249": "NOT_ALIVE",
-    "25": "NOT_ALIVE",
+    "25": "SUCCESS",
     "250": "NOT_ALIVE",
-    "251": "SUCCESS",
-    "252": "FAIL",
+    "251": "NOT_ALIVE",
+    "252": "NOT_ALIVE",
     "253": "NON_PARTICIPATING",
     "254": "NOT_ALIVE",
-    "255": "NON_PARTICIPATING",
+    "255": "NOT_ALIVE",
     "26": "NON_PARTICIPATING",
     "27": "NON_PARTICIPATING",
     "28": "NON_PARTICIPATING",
     "29": "NOT_ALIVE",
-    "3": "FAIL",
-    "30": "SUCCESS",
-    "31": "SUCCESS",
-    "32": "FAIL",
+    "3": "SUCCESS",
+    "30": "NOT_ALIVE",
+    "31": "NOT_ALIVE",
+    "32": "SUCCESS",
     "33": "NOT_ALIVE",
-    "34": "NON_PARTICIPATING",
+    "34": "NOT_ALIVE",
     "35": "SUCCESS",
-    "36": "SUCCESS",
+    "36": "NOT_ALIVE",
     "37": "NOT_ALIVE",
-    "38": "NON_PARTICIPATING",
-    "39": "SUCCESS",
+    "38": "NOT_ALIVE",
+    "39": "NOT_ALIVE",
     "4": "NOT_ALIVE",
-    "40": "FAIL",
-    "41": "NON_PARTICIPATING",
+    "40": "NOT_ALIVE",
+    "41": "NOT_ALIVE",
     "42": "NOT_ALIVE",
     "43": "NOT_ALIVE",
-    "44": "NON_PARTICIPATING",
-    "45": "NON_PARTICIPATING",
+    "44": "NOT_ALIVE",
+    "45": "NOT_ALIVE",
     "46": "SUCCESS",
-    "47": "SUCCESS",
+    "47": "NOT_ALIVE",
     "48": "NON_PARTICIPATING",
     "49": "NOT_ALIVE",
     "5": "NOT_ALIVE",
-    "50": "SUCCESS",
+    "50": "NOT_ALIVE",
     "51": "NOT_ALIVE",
-    "52": "FAIL",
+    "52": "NOT_ALIVE",
     "53": "SUCCESS",
-    "54": "FAIL",
-    "55": "NON_PARTICIPATING",
-    "56": "FAIL",
+    "54": "NOT_ALIVE",
+    "55": "NOT_ALIVE",
+    "56": "NOT_ALIVE",
     "57": "NON_PARTICIPATING",
-    "58": "FAIL",
-    "59": "SUCCESS",
+    "58": "NOT_ALIVE",
+    "59": "NOT_ALIVE",
     "6": "NOT_ALIVE",
     "60": "NON_PARTICIPATING",
-    "61": "SUCCESS",
+    "61": "NOT_ALIVE",
     "62": "NOT_ALIVE",
     "63": "NOT_ALIVE",
-    "64": "NON_PARTICIPATING",
-    "65": "NON_PARTICIPATING",
-    "66": "SUCCESS",
-    "67": "NON_PARTICIPATING",
+    "64": "NOT_ALIVE",
+    "65": "NOT_ALIVE",
+    "66": "NOT_ALIVE",
+    "67": "NOT_ALIVE",
     "68": "NOT_ALIVE",
-    "69": "SUCCESS",
+    "69": "NOT_ALIVE",
     "7": "NOT_ALIVE",
-    "70": "SUCCESS",
+    "70": "FAIL",
     "71": "SUCCESS",
-    "72": "NON_PARTICIPATING",
+    "72": "NOT_ALIVE",
     "73": "NOT_ALIVE",
     "74": "NOT_ALIVE",
-    "75": "SUCCESS",
+    "75": "NOT_ALIVE",
     "76": "NOT_ALIVE",
-    "77": "FAIL",
+    "77": "NOT_ALIVE",
     "78": "SUCCESS",
-    "79": "NON_PARTICIPATING",
+    "79": "NOT_ALIVE",
     "8": "NOT_ALIVE",
     "80": "NOT_ALIVE",
-    "81": "NON_PARTICIPATING",
+    "81": "NOT_ALIVE",
     "82": "NOT_ALIVE",
     "83": "SUCCESS",
-    "84": "NON_PARTICIPATING",
+    "84": "NOT_ALIVE",
     "85": "NOT_ALIVE",
-    "86": "NON_PARTICIPATING",
-    "87": "SUCCESS",
+    "86": "NOT_ALIVE",
+    "87": "NOT_ALIVE",
     "88": "NOT_ALIVE",
     "89": "NOT_ALIVE",
-    "9": "SUCCESS",
+    "9": "NOT_ALIVE",
     "90": "NOT_ALIVE",
-    "91": "FAIL",
+    "91": "NOT_ALIVE",
     "92": "NOT_ALIVE",
     "93": "NOT_ALIVE",
-    "94": "NON_PARTICIPATING",
+    "94": "NOT_ALIVE",
     "95": "NON_PARTICIPATING",
     "96": "NON_PARTICIPATING",
     "97": "NOT_ALIVE",
@@ -264,17 +264,17 @@
   "attention_bias": false,
   "attention_dropout": 0.0,
   "block_list": [
-    6153553,
-    6153590
+    6153787,
+    6153829
   ],
   "bos_token_id": 1,
   "eos_token_id": 2,
   "hidden_act": "silu",
   "hidden_size": 2048,
   "initializer_range": 0.02,
-  "inner_step": 23,
+  "inner_step": 10,
   "intermediate_size": 5632,
-  "last_allreduce_block": 6152643,
+  "last_allreduce_block": 6153736,
   "max_position_embeddings": 2048,
   "mlp_bias": false,
   "model_type": "llama",

gradients.pt

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:79af8629cac1755829b174206c6836c8a7e61997fda2d3a10eda483748bd4eea
+oid sha256:fc52dc10ccf1667baf500362226fe43bc8336e380df726ca24693990fc2eb961
 size 88389626

inner_optimizer.pt

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:4c7d95e01ea07d11a1f7fd6195975365ce5cbd9f954f26b79b41b3d1dea514d1
+oid sha256:1866067f9cd4dd128ce3d91f3547d6cb373b5a59c54a1b5783361b7220626b3f
 size 8800564076

model.safetensors

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:c24d63a8fe08f097a743aa16f6a8cee8cca1718b9055340fe2a2fc6212a2d91a
+oid sha256:d47427510f4880960c9ca8cceaddab32a4b0e618a092de84c399d43b68402942
 size 4400216536