Hugging Face's logo

benjamin
/
gpt2-wechsel-swahili

Text Generation
Transformers
PyTorch
Safetensors
Swahili
gpt2
text-generation-inference
Inference Endpoints
Model card Files Community
1
benjamin commited on
Commit
bcfd134
•
1 Parent(s): 98c11ff

initial commit

Browse files
Files changed (20) hide show
  1. README.md +76 -0
  2. config.json +39 -0
  3. merges.txt +0 -0
  4. optimizer.pt +3 -0
  5. pytorch_model.bin +3 -0
  6. rng_state_0.pth +3 -0
  7. rng_state_1.pth +3 -0
  8. rng_state_2.pth +3 -0
  9. rng_state_3.pth +3 -0
  10. rng_state_4.pth +3 -0
  11. rng_state_5.pth +3 -0
  12. rng_state_6.pth +3 -0
  13. rng_state_7.pth +3 -0
  14. scheduler.pt +3 -0
  15. special_tokens_map.json +1 -0
  16. tokenizer.json +0 -0
  17. tokenizer_config.json +1 -0
  18. trainer_state.json +3676 -0
  19. training_args.bin +3 -0
  20. vocab.json +0 -0
README.md ADDED
@@ -0,0 +1,76 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ ---
2
+ language: sw
3
+ license: mit
4
+ ---
5
+
6
+ # gpt2-wechsel-swahili
7
+
8
+ Model trained with WECHSEL: Effective initialization of subword embeddings for cross-lingual transfer of monolingual language models.
9
+
10
+ See the code here: https://github.com/CPJKU/wechsel
11
+
12
+ And the paper here: https://arxiv.org/abs/2112.06598
13
+
14
+ ## Performance
15
+
16
+ ### RoBERTa
17
+
18
+ | Model | NLI Score | NER Score | Avg Score |
19
+ |---|---|---|---|
20
+ | `roberta-base-wechsel-french` | **82.43** | **90.88** | **86.65** |
21
+ | `camembert-base` | 80.88 | 90.26 | 85.57 |
22
+
23
+
24
+ | Model | NLI Score | NER Score | Avg Score |
25
+ |---|---|---|---|
26
+ | `roberta-base-wechsel-german` | **81.79** | **89.72** | **85.76** |
27
+ | `deepset/gbert-base` | 78.64 | 89.46 | 84.05 |
28
+
29
+ | Model | NLI Score | NER Score | Avg Score |
30
+ |---|---|---|---|
31
+ | `roberta-base-wechsel-chinese` | **78.32** | 80.55 | **79.44** |
32
+ | `bert-base-chinese` | 76.55 | **82.05** | 79.30 |
33
+
34
+ | Model | NLI Score | NER Score | Avg Score |
35
+ |---|---|---|---|
36
+ | `roberta-base-wechsel-swahili` | **75.05** | **87.39** | **81.22** |
37
+ | `xlm-roberta-base` | 69.18 | 87.37 | 78.28 |
38
+
39
+ ### GPT2
40
+
41
+ | Model | PPL |
42
+ |---|---|
43
+ | `gpt2-wechsel-french` | **19.71** |
44
+ | `gpt2` (retrained from scratch) | 20.47 |
45
+
46
+ | Model | PPL |
47
+ |---|---|
48
+ | `gpt2-wechsel-german` | **26.8** |
49
+ | `gpt2` (retrained from scratch) | 27.63 |
50
+
51
+ | Model | PPL |
52
+ |---|---|
53
+ | `gpt2-wechsel-chinese` | **51.97** |
54
+ | `gpt2` (retrained from scratch) | 52.98 |
55
+
56
+ | Model | PPL |
57
+ |---|---|
58
+ | `gpt2-wechsel-swahili` | **10.14** |
59
+ | `gpt2` (retrained from scratch) | 10.58 |
60
+
61
+ See our paper for details.
62
+
63
+ ## Citation
64
+
65
+ Please cite WECHSEL as
66
+
67
+ ```
68
+ @misc{minixhofer2021wechsel,
69
+ title={WECHSEL: Effective initialization of subword embeddings for cross-lingual transfer of monolingual language models},
70
+ author={Benjamin Minixhofer and Fabian Paischer and Navid Rekabsaz},
71
+ year={2021},
72
+ eprint={2112.06598},
73
+ archivePrefix={arXiv},
74
+ primaryClass={cs.CL}
75
+ }
76
+ ```
config.json ADDED
@@ -0,0 +1,39 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "_name_or_path": "gpt2",
3
+ "activation_function": "gelu_new",
4
+ "architectures": [
5
+ "GPT2LMHeadModel"
6
+ ],
7
+ "attn_pdrop": 0.1,
8
+ "bos_token_id": 50256,
9
+ "embd_pdrop": 0.1,
10
+ "eos_token_id": 50256,
11
+ "initializer_range": 0.02,
12
+ "layer_norm_epsilon": 1e-05,
13
+ "model_type": "gpt2",
14
+ "n_ctx": 1024,
15
+ "n_embd": 768,
16
+ "n_head": 12,
17
+ "n_inner": null,
18
+ "n_layer": 12,
19
+ "n_positions": 1024,
20
+ "reorder_and_upcast_attn": false,
21
+ "resid_pdrop": 0.1,
22
+ "scale_attn_by_inverse_layer_idx": false,
23
+ "scale_attn_weights": true,
24
+ "summary_activation": null,
25
+ "summary_first_dropout": 0.1,
26
+ "summary_proj_to_labels": true,
27
+ "summary_type": "cls_index",
28
+ "summary_use_proj": true,
29
+ "task_specific_params": {
30
+ "text-generation": {
31
+ "do_sample": true,
32
+ "max_length": 50
33
+ }
34
+ },
35
+ "torch_dtype": "float32",
36
+ "transformers_version": "4.12.0.dev0",
37
+ "use_cache": true,
38
+ "vocab_size": 50257
39
+ }
merges.txt ADDED
The diff for this file is too large to render. See raw diff
 
optimizer.pt ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:9e15e93eb41922befc5e1e98491a9dc12205f62908d58c7cd80d9a5ea33fa475
3
+ size 995605174
pytorch_model.bin ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:4f1ae7dc55d54bf3f3aa580dd32f006f3020adc117f25e5dd5236a68e9a4076a
3
+ size 664786895
rng_state_0.pth ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:1b99e782f368fe156effbedcffa2ff9b6a4a938973fd3ca08d513515100fb18f
3
+ size 13620
rng_state_1.pth ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:3fef7f0ad7c95d866275f5b6f02ef1dadfbc2d1e10e25195b03ce2985da6efd5
3
+ size 13619
rng_state_2.pth ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:ff015e30c38d87b42e7e8d0927e4c7553e96d7d2d9354249b7b1d3882a934519
3
+ size 13620
rng_state_3.pth ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:be64dd5ceabc62d1fa64dbf9023599da0b6e1f23f171f0453120e0204f87be41
3
+ size 13620
rng_state_4.pth ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:0a003f5a5e81868ec1e07b5084f0b9318d601db7a509fde1d874bd399389bc4f
3
+ size 13619
rng_state_5.pth ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:f267d13ba65f7b3c39a26aca6ad9db2a742a865c52f01adaa13b7ffcf703f1df
3
+ size 13619
rng_state_6.pth ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:3e95889aadaf40db6e816a09f811193b1a73aa0aafae4fb8c157d6b927fa0b3e
3
+ size 13619
rng_state_7.pth ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:129a12660725e46ac5c09f285228b16c1225f0c19a7fdcbea2a6d02c39f275ad
3
+ size 13620
scheduler.pt ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:8b8c2901014d2c746054e1735a8a2f265c07415813cf3bf160eca907e91a7dbb
3
+ size 623
special_tokens_map.json ADDED
@@ -0,0 +1 @@
 
 
1
+ {"bos_token": "<|endoftext|>", "eos_token": "<|endoftext|>", "unk_token": "<|endoftext|>"}
tokenizer.json ADDED
The diff for this file is too large to render. See raw diff
 
tokenizer_config.json ADDED
@@ -0,0 +1 @@
 
 
1
+ {"unk_token": "<|endoftext|>", "bos_token": "<|endoftext|>", "eos_token": "<|endoftext|>", "add_prefix_space": false, "model_max_length": 1024, "special_tokens_map_file": null, "name_or_path": "models/gpt2_swahili", "tokenizer_class": "GPT2Tokenizer"}
trainer_state.json ADDED
@@ -0,0 +1,3676 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "best_metric": null,
3
+ "best_model_checkpoint": null,
4
+ "epoch": 210.0839983200336,
5
+ "global_step": 250000,
6
+ "is_hyper_param_search": false,
7
+ "is_local_process_zero": true,
8
+ "is_world_process_zero": true,
9
+ "log_history": [
10
+ {
11
+ "epoch": 0.42,
12
+ "learning_rate": 1e-05,
13
+ "learning_rate_embeddings": 1e-05,
14
+ "loss": 8.3386,
15
+ "step": 500
16
+ },
17
+ {
18
+ "epoch": 0.84,
19
+ "learning_rate": 2e-05,
20
+ "learning_rate_embeddings": 2e-05,
21
+ "loss": 6.258,
22
+ "step": 1000
23
+ },
24
+ {
25
+ "epoch": 1.26,
26
+ "learning_rate": 3e-05,
27
+ "learning_rate_embeddings": 3e-05,
28
+ "loss": 5.5397,
29
+ "step": 1500
30
+ },
31
+ {
32
+ "epoch": 1.68,
33
+ "learning_rate": 4e-05,
34
+ "learning_rate_embeddings": 4e-05,
35
+ "loss": 4.9715,
36
+ "step": 2000
37
+ },
38
+ {
39
+ "epoch": 2.1,
40
+ "learning_rate": 5e-05,
41
+ "learning_rate_embeddings": 5e-05,
42
+ "loss": 4.5681,
43
+ "step": 2500
44
+ },
45
+ {
46
+ "epoch": 2.52,
47
+ "learning_rate": 6e-05,
48
+ "learning_rate_embeddings": 6e-05,
49
+ "loss": 4.2633,
50
+ "step": 3000
51
+ },
52
+ {
53
+ "epoch": 2.94,
54
+ "learning_rate": 7.000000000000001e-05,
55
+ "learning_rate_embeddings": 7.000000000000001e-05,
56
+ "loss": 4.0337,
57
+ "step": 3500
58
+ },
59
+ {
60
+ "epoch": 3.36,
61
+ "learning_rate": 8e-05,
62
+ "learning_rate_embeddings": 8e-05,
63
+ "loss": 3.8598,
64
+ "step": 4000
65
+ },
66
+ {
67
+ "epoch": 3.78,
68
+ "learning_rate": 8.999999999999999e-05,
69
+ "learning_rate_embeddings": 8.999999999999999e-05,
70
+ "loss": 3.7204,
71
+ "step": 4500
72
+ },
73
+ {
74
+ "epoch": 4.2,
75
+ "learning_rate": 0.0001,
76
+ "learning_rate_embeddings": 0.0001,
77
+ "loss": 3.5946,
78
+ "step": 5000
79
+ },
80
+ {
81
+ "epoch": 4.62,
82
+ "learning_rate": 0.00011,
83
+ "learning_rate_embeddings": 0.00011,
84
+ "loss": 3.4963,
85
+ "step": 5500
86
+ },
87
+ {
88
+ "epoch": 5.04,
89
+ "learning_rate": 0.00012,
90
+ "learning_rate_embeddings": 0.00012,
91
+ "loss": 3.4189,
92
+ "step": 6000
93
+ },
94
+ {
95
+ "epoch": 5.46,
96
+ "learning_rate": 0.00013000000000000002,
97
+ "learning_rate_embeddings": 0.00013000000000000002,
98
+ "loss": 3.3369,
99
+ "step": 6500
100
+ },
101
+ {
102
+ "epoch": 5.88,
103
+ "learning_rate": 0.00014000000000000001,
104
+ "learning_rate_embeddings": 0.00014000000000000001,
105
+ "loss": 3.2837,
106
+ "step": 7000
107
+ },
108
+ {
109
+ "epoch": 6.3,
110
+ "learning_rate": 0.00015,
111
+ "learning_rate_embeddings": 0.00015,
112
+ "loss": 3.2359,
113
+ "step": 7500
114
+ },
115
+ {
116
+ "epoch": 6.72,
117
+ "learning_rate": 0.00016,
118
+ "learning_rate_embeddings": 0.00016,
119
+ "loss": 3.1786,
120
+ "step": 8000
121
+ },
122
+ {
123
+ "epoch": 7.14,
124
+ "learning_rate": 0.00017,
125
+ "learning_rate_embeddings": 0.00017,
126
+ "loss": 3.1396,
127
+ "step": 8500
128
+ },
129
+ {
130
+ "epoch": 7.56,
131
+ "learning_rate": 0.00017999999999999998,
132
+ "learning_rate_embeddings": 0.00017999999999999998,
133
+ "loss": 3.0931,
134
+ "step": 9000
135
+ },
136
+ {
137
+ "epoch": 7.98,
138
+ "learning_rate": 0.00019,
139
+ "learning_rate_embeddings": 0.00019,
140
+ "loss": 3.0626,
141
+ "step": 9500
142
+ },
143
+ {
144
+ "epoch": 8.4,
145
+ "learning_rate": 0.0002,
146
+ "learning_rate_embeddings": 0.0002,
147
+ "loss": 3.0226,
148
+ "step": 10000
149
+ },
150
+ {
151
+ "epoch": 8.82,
152
+ "learning_rate": 0.00021,
153
+ "learning_rate_embeddings": 0.00021,
154
+ "loss": 3.0012,
155
+ "step": 10500
156
+ },
157
+ {
158
+ "epoch": 9.24,
159
+ "learning_rate": 0.00022,
160
+ "learning_rate_embeddings": 0.00022,
161
+ "loss": 2.9775,
162
+ "step": 11000
163
+ },
164
+ {
165
+ "epoch": 9.66,
166
+ "learning_rate": 0.00023,
167
+ "learning_rate_embeddings": 0.00023,
168
+ "loss": 2.9286,
169
+ "step": 11500
170
+ },
171
+ {
172
+ "epoch": 10.08,
173
+ "learning_rate": 0.00024,
174
+ "learning_rate_embeddings": 0.00024,
175
+ "loss": 2.918,
176
+ "step": 12000
177
+ },
178
+ {
179
+ "epoch": 10.5,
180
+ "learning_rate": 0.00025,
181
+ "learning_rate_embeddings": 0.00025,
182
+ "loss": 2.8907,
183
+ "step": 12500
184
+ },
185
+ {
186
+ "epoch": 10.5,
187
+ "eval_loss": 2.839508533477783,
188
+ "eval_runtime": 131.8919,
189
+ "eval_samples_per_second": 513.36,
190
+ "eval_steps_per_second": 4.011,
191
+ "step": 12500
192
+ },
193
+ {
194
+ "epoch": 10.92,
195
+ "learning_rate": 0.00026000000000000003,
196
+ "learning_rate_embeddings": 0.00026000000000000003,
197
+ "loss": 2.8764,
198
+ "step": 13000
199
+ },
200
+ {
201
+ "epoch": 11.34,
202
+ "learning_rate": 0.00027,
203
+ "learning_rate_embeddings": 0.00027,
204
+ "loss": 2.8521,
205
+ "step": 13500
206
+ },
207
+ {
208
+ "epoch": 11.76,
209
+ "learning_rate": 0.00028000000000000003,
210
+ "learning_rate_embeddings": 0.00028000000000000003,
211
+ "loss": 2.8284,
212
+ "step": 14000
213
+ },
214
+ {
215
+ "epoch": 12.18,
216
+ "learning_rate": 0.00029,
217
+ "learning_rate_embeddings": 0.00029,
218
+ "loss": 2.8186,
219
+ "step": 14500
220
+ },
221
+ {
222
+ "epoch": 12.6,
223
+ "learning_rate": 0.0003,
224
+ "learning_rate_embeddings": 0.0003,
225
+ "loss": 2.7952,
226
+ "step": 15000
227
+ },
228
+ {
229
+ "epoch": 13.03,
230
+ "learning_rate": 0.00031,
231
+ "learning_rate_embeddings": 0.00031,
232
+ "loss": 2.7799,
233
+ "step": 15500
234
+ },
235
+ {
236
+ "epoch": 13.45,
237
+ "learning_rate": 0.00032,
238
+ "learning_rate_embeddings": 0.00032,
239
+ "loss": 2.7439,
240
+ "step": 16000
241
+ },
242
+ {
243
+ "epoch": 13.87,
244
+ "learning_rate": 0.00033,
245
+ "learning_rate_embeddings": 0.00033,
246
+ "loss": 2.7479,
247
+ "step": 16500
248
+ },
249
+ {
250
+ "epoch": 14.29,
251
+ "learning_rate": 0.00034,
252
+ "learning_rate_embeddings": 0.00034,
253
+ "loss": 2.7336,
254
+ "step": 17000
255
+ },
256
+ {
257
+ "epoch": 14.71,
258
+ "learning_rate": 0.00035,
259
+ "learning_rate_embeddings": 0.00035,
260
+ "loss": 2.7165,
261
+ "step": 17500
262
+ },
263
+ {
264
+ "epoch": 15.13,
265
+ "learning_rate": 0.00035999999999999997,
266
+ "learning_rate_embeddings": 0.00035999999999999997,
267
+ "loss": 2.709,
268
+ "step": 18000
269
+ },
270
+ {
271
+ "epoch": 15.55,
272
+ "learning_rate": 0.00037,
273
+ "learning_rate_embeddings": 0.00037,
274
+ "loss": 2.6872,
275
+ "step": 18500
276
+ },
277
+ {
278
+ "epoch": 15.97,
279
+ "learning_rate": 0.00038,
280
+ "learning_rate_embeddings": 0.00038,
281
+ "loss": 2.6845,
282
+ "step": 19000
283
+ },
284
+ {
285
+ "epoch": 16.39,
286
+ "learning_rate": 0.00039000000000000005,
287
+ "learning_rate_embeddings": 0.00039000000000000005,
288
+ "loss": 2.6605,
289
+ "step": 19500
290
+ },
291
+ {
292
+ "epoch": 16.81,
293
+ "learning_rate": 0.0004,
294
+ "learning_rate_embeddings": 0.0004,
295
+ "loss": 2.6651,
296
+ "step": 20000
297
+ },
298
+ {
299
+ "epoch": 17.23,
300
+ "learning_rate": 0.00041,
301
+ "learning_rate_embeddings": 0.00041,
302
+ "loss": 2.6473,
303
+ "step": 20500
304
+ },
305
+ {
306
+ "epoch": 17.65,
307
+ "learning_rate": 0.00042,
308
+ "learning_rate_embeddings": 0.00042,
309
+ "loss": 2.6304,
310
+ "step": 21000
311
+ },
312
+ {
313
+ "epoch": 18.07,
314
+ "learning_rate": 0.00043,
315
+ "learning_rate_embeddings": 0.00043,
316
+ "loss": 2.6374,
317
+ "step": 21500
318
+ },
319
+ {
320
+ "epoch": 18.49,
321
+ "learning_rate": 0.00044,
322
+ "learning_rate_embeddings": 0.00044,
323
+ "loss": 2.6037,
324
+ "step": 22000
325
+ },
326
+ {
327
+ "epoch": 18.91,
328
+ "learning_rate": 0.00045000000000000004,
329
+ "learning_rate_embeddings": 0.00045000000000000004,
330
+ "loss": 2.6156,
331
+ "step": 22500
332
+ },
333
+ {
334
+ "epoch": 19.33,
335
+ "learning_rate": 0.00046,
336
+ "learning_rate_embeddings": 0.00046,
337
+ "loss": 2.5906,
338
+ "step": 23000
339
+ },
340
+ {
341
+ "epoch": 19.75,
342
+ "learning_rate": 0.00047,
343
+ "learning_rate_embeddings": 0.00047,
344
+ "loss": 2.5834,
345
+ "step": 23500
346
+ },
347
+ {
348
+ "epoch": 20.17,
349
+ "learning_rate": 0.00048,
350
+ "learning_rate_embeddings": 0.00048,
351
+ "loss": 2.5827,
352
+ "step": 24000
353
+ },
354
+ {
355
+ "epoch": 20.59,
356
+ "learning_rate": 0.00049,
357
+ "learning_rate_embeddings": 0.00049,
358
+ "loss": 2.571,
359
+ "step": 24500
360
+ },
361
+ {
362
+ "epoch": 21.01,
363
+ "learning_rate": 0.0005,
364
+ "learning_rate_embeddings": 0.0005,
365
+ "loss": 2.5741,
366
+ "step": 25000
367
+ },
368
+ {
369
+ "epoch": 21.01,
370
+ "eval_loss": 2.566823959350586,
371
+ "eval_runtime": 117.9068,
372
+ "eval_samples_per_second": 574.25,
373
+ "eval_steps_per_second": 4.487,
374
+ "step": 25000
375
+ },
376
+ {
377
+ "epoch": 21.43,
378
+ "learning_rate": 0.0004988888888888889,
379
+ "learning_rate_embeddings": 0.0004988888888888889,
380
+ "loss": 2.5472,
381
+ "step": 25500
382
+ },
383
+ {
384
+ "epoch": 21.85,
385
+ "learning_rate": 0.0004977777777777778,
386
+ "learning_rate_embeddings": 0.0004977777777777778,
387
+ "loss": 2.561,
388
+ "step": 26000
389
+ },
390
+ {
391
+ "epoch": 22.27,
392
+ "learning_rate": 0.0004966666666666666,
393
+ "learning_rate_embeddings": 0.0004966666666666666,
394
+ "loss": 2.5334,
395
+ "step": 26500
396
+ },
397
+ {
398
+ "epoch": 22.69,
399
+ "learning_rate": 0.0004955555555555556,
400
+ "learning_rate_embeddings": 0.0004955555555555556,
401
+ "loss": 2.532,
402
+ "step": 27000
403
+ },
404
+ {
405
+ "epoch": 23.11,
406
+ "learning_rate": 0.0004944444444444445,
407
+ "learning_rate_embeddings": 0.0004944444444444445,
408
+ "loss": 2.5293,
409
+ "step": 27500
410
+ },
411
+ {
412
+ "epoch": 23.53,
413
+ "learning_rate": 0.0004933333333333334,
414
+ "learning_rate_embeddings": 0.0004933333333333334,
415
+ "loss": 2.5181,
416
+ "step": 28000
417
+ },
418
+ {
419
+ "epoch": 23.95,
420
+ "learning_rate": 0.0004922222222222222,
421
+ "learning_rate_embeddings": 0.0004922222222222222,
422
+ "loss": 2.5275,
423
+ "step": 28500
424
+ },
425
+ {
426
+ "epoch": 24.37,
427
+ "learning_rate": 0.0004911111111111111,
428
+ "learning_rate_embeddings": 0.0004911111111111111,
429
+ "loss": 2.5083,
430
+ "step": 29000
431
+ },
432
+ {
433
+ "epoch": 24.79,
434
+ "learning_rate": 0.00049,
435
+ "learning_rate_embeddings": 0.00049,
436
+ "loss": 2.5055,
437
+ "step": 29500
438
+ },
439
+ {
440
+ "epoch": 25.21,
441
+ "learning_rate": 0.0004888888888888889,
442
+ "learning_rate_embeddings": 0.0004888888888888889,
443
+ "loss": 2.4865,
444
+ "step": 30000
445
+ },
446
+ {
447
+ "epoch": 25.63,
448
+ "learning_rate": 0.0004877777777777778,
449
+ "learning_rate_embeddings": 0.0004877777777777778,
450
+ "loss": 2.4861,
451
+ "step": 30500
452
+ },
453
+ {
454
+ "epoch": 26.05,
455
+ "learning_rate": 0.0004866666666666667,
456
+ "learning_rate_embeddings": 0.0004866666666666667,
457
+ "loss": 2.499,
458
+ "step": 31000
459
+ },
460
+ {
461
+ "epoch": 26.47,
462
+ "learning_rate": 0.0004855555555555556,
463
+ "learning_rate_embeddings": 0.0004855555555555556,
464
+ "loss": 2.4629,
465
+ "step": 31500
466
+ },
467
+ {
468
+ "epoch": 26.89,
469
+ "learning_rate": 0.00048444444444444446,
470
+ "learning_rate_embeddings": 0.00048444444444444446,
471
+ "loss": 2.4815,
472
+ "step": 32000
473
+ },
474
+ {
475
+ "epoch": 27.31,
476
+ "learning_rate": 0.00048333333333333334,
477
+ "learning_rate_embeddings": 0.00048333333333333334,
478
+ "loss": 2.4599,
479
+ "step": 32500
480
+ },
481
+ {
482
+ "epoch": 27.73,
483
+ "learning_rate": 0.0004822222222222222,
484
+ "learning_rate_embeddings": 0.0004822222222222222,
485
+ "loss": 2.4602,
486
+ "step": 33000
487
+ },
488
+ {
489
+ "epoch": 28.15,
490
+ "learning_rate": 0.0004811111111111111,
491
+ "learning_rate_embeddings": 0.0004811111111111111,
492
+ "loss": 2.469,
493
+ "step": 33500
494
+ },
495
+ {
496
+ "epoch": 28.57,
497
+ "learning_rate": 0.00048,
498
+ "learning_rate_embeddings": 0.00048,
499
+ "loss": 2.458,
500
+ "step": 34000
501
+ },
502
+ {
503
+ "epoch": 28.99,
504
+ "learning_rate": 0.0004788888888888889,
505
+ "learning_rate_embeddings": 0.0004788888888888889,
506
+ "loss": 2.4497,
507
+ "step": 34500
508
+ },
509
+ {
510
+ "epoch": 29.41,
511
+ "learning_rate": 0.0004777777777777778,
512
+ "learning_rate_embeddings": 0.0004777777777777778,
513
+ "loss": 2.4361,
514
+ "step": 35000
515
+ },
516
+ {
517
+ "epoch": 29.83,
518
+ "learning_rate": 0.0004766666666666667,
519
+ "learning_rate_embeddings": 0.0004766666666666667,
520
+ "loss": 2.4574,
521
+ "step": 35500
522
+ },
523
+ {
524
+ "epoch": 30.25,
525
+ "learning_rate": 0.00047555555555555556,
526
+ "learning_rate_embeddings": 0.00047555555555555556,
527
+ "loss": 2.4342,
528
+ "step": 36000
529
+ },
530
+ {
531
+ "epoch": 30.67,
532
+ "learning_rate": 0.00047444444444444444,
533
+ "learning_rate_embeddings": 0.00047444444444444444,
534
+ "loss": 2.4379,
535
+ "step": 36500
536
+ },
537
+ {
538
+ "epoch": 31.09,
539
+ "learning_rate": 0.00047333333333333336,
540
+ "learning_rate_embeddings": 0.00047333333333333336,
541
+ "loss": 2.4303,
542
+ "step": 37000
543
+ },
544
+ {
545
+ "epoch": 31.51,
546
+ "learning_rate": 0.00047222222222222224,
547
+ "learning_rate_embeddings": 0.00047222222222222224,
548
+ "loss": 2.4203,
549
+ "step": 37500
550
+ },
551
+ {
552
+ "epoch": 31.51,
553
+ "eval_loss": 2.4701642990112305,
554
+ "eval_runtime": 117.9305,
555
+ "eval_samples_per_second": 574.135,
556
+ "eval_steps_per_second": 4.486,
557
+ "step": 37500
558
+ },
559
+ {
560
+ "epoch": 31.93,
561
+ "learning_rate": 0.0004711111111111111,
562
+ "learning_rate_embeddings": 0.0004711111111111111,
563
+ "loss": 2.4321,
564
+ "step": 38000
565
+ },
566
+ {
567
+ "epoch": 32.35,
568
+ "learning_rate": 0.00047,
569
+ "learning_rate_embeddings": 0.00047,
570
+ "loss": 2.4119,
571
+ "step": 38500
572
+ },
573
+ {
574
+ "epoch": 32.77,
575
+ "learning_rate": 0.0004688888888888889,
576
+ "learning_rate_embeddings": 0.0004688888888888889,
577
+ "loss": 2.4266,
578
+ "step": 39000
579
+ },
580
+ {
581
+ "epoch": 33.19,
582
+ "learning_rate": 0.0004677777777777778,
583
+ "learning_rate_embeddings": 0.0004677777777777778,
584
+ "loss": 2.419,
585
+ "step": 39500
586
+ },
587
+ {
588
+ "epoch": 33.61,
589
+ "learning_rate": 0.00046666666666666666,
590
+ "learning_rate_embeddings": 0.00046666666666666666,
591
+ "loss": 2.4148,
592
+ "step": 40000
593
+ },
594
+ {
595
+ "epoch": 34.03,
596
+ "learning_rate": 0.0004655555555555556,
597
+ "learning_rate_embeddings": 0.0004655555555555556,
598
+ "loss": 2.4137,
599
+ "step": 40500
600
+ },
601
+ {
602
+ "epoch": 34.45,
603
+ "learning_rate": 0.00046444444444444446,
604
+ "learning_rate_embeddings": 0.00046444444444444446,
605
+ "loss": 2.4042,
606
+ "step": 41000
607
+ },
608
+ {
609
+ "epoch": 34.87,
610
+ "learning_rate": 0.00046333333333333334,
611
+ "learning_rate_embeddings": 0.00046333333333333334,
612
+ "loss": 2.4017,
613
+ "step": 41500
614
+ },
615
+ {
616
+ "epoch": 35.29,
617
+ "learning_rate": 0.0004622222222222222,
618
+ "learning_rate_embeddings": 0.0004622222222222222,
619
+ "loss": 2.3965,
620
+ "step": 42000
621
+ },
622
+ {
623
+ "epoch": 35.71,
624
+ "learning_rate": 0.00046111111111111114,
625
+ "learning_rate_embeddings": 0.00046111111111111114,
626
+ "loss": 2.3876,
627
+ "step": 42500
628
+ },
629
+ {
630
+ "epoch": 36.13,
631
+ "learning_rate": 0.00046,
632
+ "learning_rate_embeddings": 0.00046,
633
+ "loss": 2.3936,
634
+ "step": 43000
635
+ },
636
+ {
637
+ "epoch": 36.55,
638
+ "learning_rate": 0.0004588888888888889,
639
+ "learning_rate_embeddings": 0.0004588888888888889,
640
+ "loss": 2.3879,
641
+ "step": 43500
642
+ },
643
+ {
644
+ "epoch": 36.97,
645
+ "learning_rate": 0.0004577777777777778,
646
+ "learning_rate_embeddings": 0.0004577777777777778,
647
+ "loss": 2.3967,
648
+ "step": 44000
649
+ },
650
+ {
651
+ "epoch": 37.39,
652
+ "learning_rate": 0.0004566666666666667,
653
+ "learning_rate_embeddings": 0.0004566666666666667,
654
+ "loss": 2.374,
655
+ "step": 44500
656
+ },
657
+ {
658
+ "epoch": 37.81,
659
+ "learning_rate": 0.00045555555555555556,
660
+ "learning_rate_embeddings": 0.00045555555555555556,
661
+ "loss": 2.3918,
662
+ "step": 45000
663
+ },
664
+ {
665
+ "epoch": 38.24,
666
+ "learning_rate": 0.00045444444444444444,
667
+ "learning_rate_embeddings": 0.00045444444444444444,
668
+ "loss": 2.3791,
669
+ "step": 45500
670
+ },
671
+ {
672
+ "epoch": 38.66,
673
+ "learning_rate": 0.0004533333333333333,
674
+ "learning_rate_embeddings": 0.0004533333333333333,
675
+ "loss": 2.3799,
676
+ "step": 46000
677
+ },
678
+ {
679
+ "epoch": 39.08,
680
+ "learning_rate": 0.00045222222222222224,
681
+ "learning_rate_embeddings": 0.00045222222222222224,
682
+ "loss": 2.3938,
683
+ "step": 46500
684
+ },
685
+ {
686
+ "epoch": 39.5,
687
+ "learning_rate": 0.0004511111111111111,
688
+ "learning_rate_embeddings": 0.0004511111111111111,
689
+ "loss": 2.3739,
690
+ "step": 47000
691
+ },
692
+ {
693
+ "epoch": 39.92,
694
+ "learning_rate": 0.00045000000000000004,
695
+ "learning_rate_embeddings": 0.00045000000000000004,
696
+ "loss": 2.3757,
697
+ "step": 47500
698
+ },
699
+ {
700
+ "epoch": 40.34,
701
+ "learning_rate": 0.0004488888888888889,
702
+ "learning_rate_embeddings": 0.0004488888888888889,
703
+ "loss": 2.3656,
704
+ "step": 48000
705
+ },
706
+ {
707
+ "epoch": 40.76,
708
+ "learning_rate": 0.0004477777777777778,
709
+ "learning_rate_embeddings": 0.0004477777777777778,
710
+ "loss": 2.3712,
711
+ "step": 48500
712
+ },
713
+ {
714
+ "epoch": 41.18,
715
+ "learning_rate": 0.00044666666666666666,
716
+ "learning_rate_embeddings": 0.00044666666666666666,
717
+ "loss": 2.368,
718
+ "step": 49000
719
+ },
720
+ {
721
+ "epoch": 41.6,
722
+ "learning_rate": 0.00044555555555555554,
723
+ "learning_rate_embeddings": 0.00044555555555555554,
724
+ "loss": 2.3585,
725
+ "step": 49500
726
+ },
727
+ {
728
+ "epoch": 42.02,
729
+ "learning_rate": 0.0004444444444444444,
730
+ "learning_rate_embeddings": 0.0004444444444444444,
731
+ "loss": 2.3721,
732
+ "step": 50000
733
+ },
734
+ {
735
+ "epoch": 42.02,
736
+ "eval_loss": 2.4272959232330322,
737
+ "eval_runtime": 118.2532,
738
+ "eval_samples_per_second": 572.568,
739
+ "eval_steps_per_second": 4.473,
740
+ "step": 50000
741
+ },
742
+ {
743
+ "epoch": 42.44,
744
+ "learning_rate": 0.00044333333333333334,
745
+ "learning_rate_embeddings": 0.00044333333333333334,
746
+ "loss": 2.3561,
747
+ "step": 50500
748
+ },
749
+ {
750
+ "epoch": 42.86,
751
+ "learning_rate": 0.00044222222222222227,
752
+ "learning_rate_embeddings": 0.00044222222222222227,
753
+ "loss": 2.3623,
754
+ "step": 51000
755
+ },
756
+ {
757
+ "epoch": 43.28,
758
+ "learning_rate": 0.00044111111111111114,
759
+ "learning_rate_embeddings": 0.00044111111111111114,
760
+ "loss": 2.3465,
761
+ "step": 51500
762
+ },
763
+ {
764
+ "epoch": 43.7,
765
+ "learning_rate": 0.00044,
766
+ "learning_rate_embeddings": 0.00044,
767
+ "loss": 2.365,
768
+ "step": 52000
769
+ },
770
+ {
771
+ "epoch": 44.12,
772
+ "learning_rate": 0.0004388888888888889,
773
+ "learning_rate_embeddings": 0.0004388888888888889,
774
+ "loss": 2.3568,
775
+ "step": 52500
776
+ },
777
+ {
778
+ "epoch": 44.54,
779
+ "learning_rate": 0.00043777777777777776,
780
+ "learning_rate_embeddings": 0.00043777777777777776,
781
+ "loss": 2.3502,
782
+ "step": 53000
783
+ },
784
+ {
785
+ "epoch": 44.96,
786
+ "learning_rate": 0.00043666666666666664,
787
+ "learning_rate_embeddings": 0.00043666666666666664,
788
+ "loss": 2.3521,
789
+ "step": 53500
790
+ },
791
+ {
792
+ "epoch": 45.38,
793
+ "learning_rate": 0.0004355555555555555,
794
+ "learning_rate_embeddings": 0.0004355555555555555,
795
+ "loss": 2.3435,
796
+ "step": 54000
797
+ },
798
+ {
799
+ "epoch": 45.8,
800
+ "learning_rate": 0.0004344444444444445,
801
+ "learning_rate_embeddings": 0.0004344444444444445,
802
+ "loss": 2.345,
803
+ "step": 54500
804
+ },
805
+ {
806
+ "epoch": 46.22,
807
+ "learning_rate": 0.00043333333333333337,
808
+ "learning_rate_embeddings": 0.00043333333333333337,
809
+ "loss": 2.3477,
810
+ "step": 55000
811
+ },
812
+ {
813
+ "epoch": 46.64,
814
+ "learning_rate": 0.00043222222222222224,
815
+ "learning_rate_embeddings": 0.00043222222222222224,
816
+ "loss": 2.336,
817
+ "step": 55500
818
+ },
819
+ {
820
+ "epoch": 47.06,
821
+ "learning_rate": 0.0004311111111111111,
822
+ "learning_rate_embeddings": 0.0004311111111111111,
823
+ "loss": 2.3475,
824
+ "step": 56000
825
+ },
826
+ {
827
+ "epoch": 47.48,
828
+ "learning_rate": 0.00043,
829
+ "learning_rate_embeddings": 0.00043,
830
+ "loss": 2.3292,
831
+ "step": 56500
832
+ },
833
+ {
834
+ "epoch": 47.9,
835
+ "learning_rate": 0.00042888888888888886,
836
+ "learning_rate_embeddings": 0.00042888888888888886,
837
+ "loss": 2.3491,
838
+ "step": 57000
839
+ },
840
+ {
841
+ "epoch": 48.32,
842
+ "learning_rate": 0.0004277777777777778,
843
+ "learning_rate_embeddings": 0.0004277777777777778,
844
+ "loss": 2.341,
845
+ "step": 57500
846
+ },
847
+ {
848
+ "epoch": 48.74,
849
+ "learning_rate": 0.0004266666666666667,
850
+ "learning_rate_embeddings": 0.0004266666666666667,
851
+ "loss": 2.3308,
852
+ "step": 58000
853
+ },
854
+ {
855
+ "epoch": 49.16,
856
+ "learning_rate": 0.0004255555555555556,
857
+ "learning_rate_embeddings": 0.0004255555555555556,
858
+ "loss": 2.3379,
859
+ "step": 58500
860
+ },
861
+ {
862
+ "epoch": 49.58,
863
+ "learning_rate": 0.00042444444444444447,
864
+ "learning_rate_embeddings": 0.00042444444444444447,
865
+ "loss": 2.3315,
866
+ "step": 59000
867
+ },
868
+ {
869
+ "epoch": 50.0,
870
+ "learning_rate": 0.00042333333333333334,
871
+ "learning_rate_embeddings": 0.00042333333333333334,
872
+ "loss": 2.3408,
873
+ "step": 59500
874
+ },
875
+ {
876
+ "epoch": 50.42,
877
+ "learning_rate": 0.0004222222222222222,
878
+ "learning_rate_embeddings": 0.0004222222222222222,
879
+ "loss": 2.3248,
880
+ "step": 60000
881
+ },
882
+ {
883
+ "epoch": 50.84,
884
+ "learning_rate": 0.0004211111111111111,
885
+ "learning_rate_embeddings": 0.0004211111111111111,
886
+ "loss": 2.3307,
887
+ "step": 60500
888
+ },
889
+ {
890
+ "epoch": 51.26,
891
+ "learning_rate": 0.00042,
892
+ "learning_rate_embeddings": 0.00042,
893
+ "loss": 2.3275,
894
+ "step": 61000
895
+ },
896
+ {
897
+ "epoch": 51.68,
898
+ "learning_rate": 0.0004188888888888889,
899
+ "learning_rate_embeddings": 0.0004188888888888889,
900
+ "loss": 2.3251,
901
+ "step": 61500
902
+ },
903
+ {
904
+ "epoch": 52.1,
905
+ "learning_rate": 0.0004177777777777778,
906
+ "learning_rate_embeddings": 0.0004177777777777778,
907
+ "loss": 2.3249,
908
+ "step": 62000
909
+ },
910
+ {
911
+ "epoch": 52.52,
912
+ "learning_rate": 0.0004166666666666667,
913
+ "learning_rate_embeddings": 0.0004166666666666667,
914
+ "loss": 2.3142,
915
+ "step": 62500
916
+ },
917
+ {
918
+ "epoch": 52.52,
919
+ "eval_loss": 2.400498867034912,
920
+ "eval_runtime": 117.9974,
921
+ "eval_samples_per_second": 573.809,
922
+ "eval_steps_per_second": 4.483,
923
+ "step": 62500
924
+ },
925
+ {
926
+ "epoch": 52.94,
927
+ "learning_rate": 0.00041555555555555557,
928
+ "learning_rate_embeddings": 0.00041555555555555557,
929
+ "loss": 2.3245,
930
+ "step": 63000
931
+ },
932
+ {
933
+ "epoch": 53.36,
934
+ "learning_rate": 0.00041444444444444444,
935
+ "learning_rate_embeddings": 0.00041444444444444444,
936
+ "loss": 2.3147,
937
+ "step": 63500
938
+ },
939
+ {
940
+ "epoch": 53.78,
941
+ "learning_rate": 0.0004133333333333333,
942
+ "learning_rate_embeddings": 0.0004133333333333333,
943
+ "loss": 2.3264,
944
+ "step": 64000
945
+ },
946
+ {
947
+ "epoch": 54.2,
948
+ "learning_rate": 0.00041222222222222224,
949
+ "learning_rate_embeddings": 0.00041222222222222224,
950
+ "loss": 2.3162,
951
+ "step": 64500
952
+ },
953
+ {
954
+ "epoch": 54.62,
955
+ "learning_rate": 0.0004111111111111111,
956
+ "learning_rate_embeddings": 0.0004111111111111111,
957
+ "loss": 2.3142,
958
+ "step": 65000
959
+ },
960
+ {
961
+ "epoch": 55.04,
962
+ "learning_rate": 0.00041,
963
+ "learning_rate_embeddings": 0.00041,
964
+ "loss": 2.3228,
965
+ "step": 65500
966
+ },
967
+ {
968
+ "epoch": 55.46,
969
+ "learning_rate": 0.0004088888888888889,
970
+ "learning_rate_embeddings": 0.0004088888888888889,
971
+ "loss": 2.2975,
972
+ "step": 66000
973
+ },
974
+ {
975
+ "epoch": 55.88,
976
+ "learning_rate": 0.0004077777777777778,
977
+ "learning_rate_embeddings": 0.0004077777777777778,
978
+ "loss": 2.3202,
979
+ "step": 66500
980
+ },
981
+ {
982
+ "epoch": 56.3,
983
+ "learning_rate": 0.00040666666666666667,
984
+ "learning_rate_embeddings": 0.00040666666666666667,
985
+ "loss": 2.3113,
986
+ "step": 67000
987
+ },
988
+ {
989
+ "epoch": 56.72,
990
+ "learning_rate": 0.00040555555555555554,
991
+ "learning_rate_embeddings": 0.00040555555555555554,
992
+ "loss": 2.3096,
993
+ "step": 67500
994
+ },
995
+ {
996
+ "epoch": 57.14,
997
+ "learning_rate": 0.00040444444444444447,
998
+ "learning_rate_embeddings": 0.00040444444444444447,
999
+ "loss": 2.3102,
1000
+ "step": 68000
1001
+ },
1002
+ {
1003
+ "epoch": 57.56,
1004
+ "learning_rate": 0.00040333333333333334,
1005
+ "learning_rate_embeddings": 0.00040333333333333334,
1006
+ "loss": 2.2945,
1007
+ "step": 68500
1008
+ },
1009
+ {
1010
+ "epoch": 57.98,
1011
+ "learning_rate": 0.0004022222222222222,
1012
+ "learning_rate_embeddings": 0.0004022222222222222,
1013
+ "loss": 2.3174,
1014
+ "step": 69000
1015
+ },
1016
+ {
1017
+ "epoch": 58.4,
1018
+ "learning_rate": 0.0004011111111111111,
1019
+ "learning_rate_embeddings": 0.0004011111111111111,
1020
+ "loss": 2.2979,
1021
+ "step": 69500
1022
+ },
1023
+ {
1024
+ "epoch": 58.82,
1025
+ "learning_rate": 0.0004,
1026
+ "learning_rate_embeddings": 0.0004,
1027
+ "loss": 2.3039,
1028
+ "step": 70000
1029
+ },
1030
+ {
1031
+ "epoch": 59.24,
1032
+ "learning_rate": 0.0003988888888888889,
1033
+ "learning_rate_embeddings": 0.0003988888888888889,
1034
+ "loss": 2.3082,
1035
+ "step": 70500
1036
+ },
1037
+ {
1038
+ "epoch": 59.66,
1039
+ "learning_rate": 0.00039777777777777777,
1040
+ "learning_rate_embeddings": 0.00039777777777777777,
1041
+ "loss": 2.3063,
1042
+ "step": 71000
1043
+ },
1044
+ {
1045
+ "epoch": 60.08,
1046
+ "learning_rate": 0.0003966666666666667,
1047
+ "learning_rate_embeddings": 0.0003966666666666667,
1048
+ "loss": 2.3047,
1049
+ "step": 71500
1050
+ },
1051
+ {
1052
+ "epoch": 60.5,
1053
+ "learning_rate": 0.00039555555555555557,
1054
+ "learning_rate_embeddings": 0.00039555555555555557,
1055
+ "loss": 2.2869,
1056
+ "step": 72000
1057
+ },
1058
+ {
1059
+ "epoch": 60.92,
1060
+ "learning_rate": 0.00039444444444444444,
1061
+ "learning_rate_embeddings": 0.00039444444444444444,
1062
+ "loss": 2.3031,
1063
+ "step": 72500
1064
+ },
1065
+ {
1066
+ "epoch": 61.34,
1067
+ "learning_rate": 0.0003933333333333333,
1068
+ "learning_rate_embeddings": 0.0003933333333333333,
1069
+ "loss": 2.2872,
1070
+ "step": 73000
1071
+ },
1072
+ {
1073
+ "epoch": 61.76,
1074
+ "learning_rate": 0.00039222222222222225,
1075
+ "learning_rate_embeddings": 0.00039222222222222225,
1076
+ "loss": 2.2996,
1077
+ "step": 73500
1078
+ },
1079
+ {
1080
+ "epoch": 62.18,
1081
+ "learning_rate": 0.0003911111111111111,
1082
+ "learning_rate_embeddings": 0.0003911111111111111,
1083
+ "loss": 2.2943,
1084
+ "step": 74000
1085
+ },
1086
+ {
1087
+ "epoch": 62.6,
1088
+ "learning_rate": 0.00039000000000000005,
1089
+ "learning_rate_embeddings": 0.00039000000000000005,
1090
+ "loss": 2.2937,
1091
+ "step": 74500
1092
+ },
1093
+ {
1094
+ "epoch": 63.03,
1095
+ "learning_rate": 0.0003888888888888889,
1096
+ "learning_rate_embeddings": 0.0003888888888888889,
1097
+ "loss": 2.3,
1098
+ "step": 75000
1099
+ },
1100
+ {
1101
+ "epoch": 63.03,
1102
+ "eval_loss": 2.39066219329834,
1103
+ "eval_runtime": 117.9428,
1104
+ "eval_samples_per_second": 574.075,
1105
+ "eval_steps_per_second": 4.485,
1106
+ "step": 75000
1107
+ },
1108
+ {
1109
+ "epoch": 63.45,
1110
+ "learning_rate": 0.0003877777777777778,
1111
+ "learning_rate_embeddings": 0.0003877777777777778,
1112
+ "loss": 2.2961,
1113
+ "step": 75500
1114
+ },
1115
+ {
1116
+ "epoch": 63.87,
1117
+ "learning_rate": 0.00038666666666666667,
1118
+ "learning_rate_embeddings": 0.00038666666666666667,
1119
+ "loss": 2.2994,
1120
+ "step": 76000
1121
+ },
1122
+ {
1123
+ "epoch": 64.29,
1124
+ "learning_rate": 0.00038555555555555554,
1125
+ "learning_rate_embeddings": 0.00038555555555555554,
1126
+ "loss": 2.2929,
1127
+ "step": 76500
1128
+ },
1129
+ {
1130
+ "epoch": 64.71,
1131
+ "learning_rate": 0.0003844444444444444,
1132
+ "learning_rate_embeddings": 0.0003844444444444444,
1133
+ "loss": 2.2994,
1134
+ "step": 77000
1135
+ },
1136
+ {
1137
+ "epoch": 65.13,
1138
+ "learning_rate": 0.00038333333333333334,
1139
+ "learning_rate_embeddings": 0.00038333333333333334,
1140
+ "loss": 2.3068,
1141
+ "step": 77500
1142
+ },
1143
+ {
1144
+ "epoch": 65.55,
1145
+ "learning_rate": 0.0003822222222222223,
1146
+ "learning_rate_embeddings": 0.0003822222222222223,
1147
+ "loss": 2.2818,
1148
+ "step": 78000
1149
+ },
1150
+ {
1151
+ "epoch": 65.97,
1152
+ "learning_rate": 0.00038111111111111115,
1153
+ "learning_rate_embeddings": 0.00038111111111111115,
1154
+ "loss": 2.2925,
1155
+ "step": 78500
1156
+ },
1157
+ {
1158
+ "epoch": 66.39,
1159
+ "learning_rate": 0.00038,
1160
+ "learning_rate_embeddings": 0.00038,
1161
+ "loss": 2.2828,
1162
+ "step": 79000
1163
+ },
1164
+ {
1165
+ "epoch": 66.81,
1166
+ "learning_rate": 0.0003788888888888889,
1167
+ "learning_rate_embeddings": 0.0003788888888888889,
1168
+ "loss": 2.298,
1169
+ "step": 79500
1170
+ },
1171
+ {
1172
+ "epoch": 67.23,
1173
+ "learning_rate": 0.00037777777777777777,
1174
+ "learning_rate_embeddings": 0.00037777777777777777,
1175
+ "loss": 2.2866,
1176
+ "step": 80000
1177
+ },
1178
+ {
1179
+ "epoch": 67.65,
1180
+ "learning_rate": 0.00037666666666666664,
1181
+ "learning_rate_embeddings": 0.00037666666666666664,
1182
+ "loss": 2.2917,
1183
+ "step": 80500
1184
+ },
1185
+ {
1186
+ "epoch": 68.07,
1187
+ "learning_rate": 0.0003755555555555555,
1188
+ "learning_rate_embeddings": 0.0003755555555555555,
1189
+ "loss": 2.2881,
1190
+ "step": 81000
1191
+ },
1192
+ {
1193
+ "epoch": 68.49,
1194
+ "learning_rate": 0.0003744444444444445,
1195
+ "learning_rate_embeddings": 0.0003744444444444445,
1196
+ "loss": 2.2837,
1197
+ "step": 81500
1198
+ },
1199
+ {
1200
+ "epoch": 68.91,
1201
+ "learning_rate": 0.0003733333333333334,
1202
+ "learning_rate_embeddings": 0.0003733333333333334,
1203
+ "loss": 2.2836,
1204
+ "step": 82000
1205
+ },
1206
+ {
1207
+ "epoch": 69.33,
1208
+ "learning_rate": 0.00037222222222222225,
1209
+ "learning_rate_embeddings": 0.00037222222222222225,
1210
+ "loss": 2.2715,
1211
+ "step": 82500
1212
+ },
1213
+ {
1214
+ "epoch": 69.75,
1215
+ "learning_rate": 0.0003711111111111111,
1216
+ "learning_rate_embeddings": 0.0003711111111111111,
1217
+ "loss": 2.29,
1218
+ "step": 83000
1219
+ },
1220
+ {
1221
+ "epoch": 70.17,
1222
+ "learning_rate": 0.00037,
1223
+ "learning_rate_embeddings": 0.00037,
1224
+ "loss": 2.276,
1225
+ "step": 83500
1226
+ },
1227
+ {
1228
+ "epoch": 70.59,
1229
+ "learning_rate": 0.00036888888888888887,
1230
+ "learning_rate_embeddings": 0.00036888888888888887,
1231
+ "loss": 2.2796,
1232
+ "step": 84000
1233
+ },
1234
+ {
1235
+ "epoch": 71.01,
1236
+ "learning_rate": 0.00036777777777777774,
1237
+ "learning_rate_embeddings": 0.00036777777777777774,
1238
+ "loss": 2.2864,
1239
+ "step": 84500
1240
+ },
1241
+ {
1242
+ "epoch": 71.43,
1243
+ "learning_rate": 0.00036666666666666667,
1244
+ "learning_rate_embeddings": 0.00036666666666666667,
1245
+ "loss": 2.2673,
1246
+ "step": 85000
1247
+ },
1248
+ {
1249
+ "epoch": 71.85,
1250
+ "learning_rate": 0.0003655555555555556,
1251
+ "learning_rate_embeddings": 0.0003655555555555556,
1252
+ "loss": 2.2769,
1253
+ "step": 85500
1254
+ },
1255
+ {
1256
+ "epoch": 72.27,
1257
+ "learning_rate": 0.00036444444444444447,
1258
+ "learning_rate_embeddings": 0.00036444444444444447,
1259
+ "loss": 2.2738,
1260
+ "step": 86000
1261
+ },
1262
+ {
1263
+ "epoch": 72.69,
1264
+ "learning_rate": 0.00036333333333333335,
1265
+ "learning_rate_embeddings": 0.00036333333333333335,
1266
+ "loss": 2.273,
1267
+ "step": 86500
1268
+ },
1269
+ {
1270
+ "epoch": 73.11,
1271
+ "learning_rate": 0.0003622222222222222,
1272
+ "learning_rate_embeddings": 0.0003622222222222222,
1273
+ "loss": 2.2796,
1274
+ "step": 87000
1275
+ },
1276
+ {
1277
+ "epoch": 73.53,
1278
+ "learning_rate": 0.0003611111111111111,
1279
+ "learning_rate_embeddings": 0.0003611111111111111,
1280
+ "loss": 2.2718,
1281
+ "step": 87500
1282
+ },
1283
+ {
1284
+ "epoch": 73.53,
1285
+ "eval_loss": 2.375969409942627,
1286
+ "eval_runtime": 117.8648,
1287
+ "eval_samples_per_second": 574.455,
1288
+ "eval_steps_per_second": 4.488,
1289
+ "step": 87500
1290
+ },
1291
+ {
1292
+ "epoch": 73.95,
1293
+ "learning_rate": 0.00035999999999999997,
1294
+ "learning_rate_embeddings": 0.00035999999999999997,
1295
+ "loss": 2.2792,
1296
+ "step": 88000
1297
+ },
1298
+ {
1299
+ "epoch": 74.37,
1300
+ "learning_rate": 0.0003588888888888889,
1301
+ "learning_rate_embeddings": 0.0003588888888888889,
1302
+ "loss": 2.2674,
1303
+ "step": 88500
1304
+ },
1305
+ {
1306
+ "epoch": 74.79,
1307
+ "learning_rate": 0.00035777777777777777,
1308
+ "learning_rate_embeddings": 0.00035777777777777777,
1309
+ "loss": 2.2713,
1310
+ "step": 89000
1311
+ },
1312
+ {
1313
+ "epoch": 75.21,
1314
+ "learning_rate": 0.0003566666666666667,
1315
+ "learning_rate_embeddings": 0.0003566666666666667,
1316
+ "loss": 2.2771,
1317
+ "step": 89500
1318
+ },
1319
+ {
1320
+ "epoch": 75.63,
1321
+ "learning_rate": 0.00035555555555555557,
1322
+ "learning_rate_embeddings": 0.00035555555555555557,
1323
+ "loss": 2.2696,
1324
+ "step": 90000
1325
+ },
1326
+ {
1327
+ "epoch": 76.05,
1328
+ "learning_rate": 0.00035444444444444445,
1329
+ "learning_rate_embeddings": 0.00035444444444444445,
1330
+ "loss": 2.2767,
1331
+ "step": 90500
1332
+ },
1333
+ {
1334
+ "epoch": 76.47,
1335
+ "learning_rate": 0.0003533333333333333,
1336
+ "learning_rate_embeddings": 0.0003533333333333333,
1337
+ "loss": 2.2606,
1338
+ "step": 91000
1339
+ },
1340
+ {
1341
+ "epoch": 76.89,
1342
+ "learning_rate": 0.00035222222222222225,
1343
+ "learning_rate_embeddings": 0.00035222222222222225,
1344
+ "loss": 2.2622,
1345
+ "step": 91500
1346
+ },
1347
+ {
1348
+ "epoch": 77.31,
1349
+ "learning_rate": 0.0003511111111111111,
1350
+ "learning_rate_embeddings": 0.0003511111111111111,
1351
+ "loss": 2.2661,
1352
+ "step": 92000
1353
+ },
1354
+ {
1355
+ "epoch": 77.73,
1356
+ "learning_rate": 0.00035,
1357
+ "learning_rate_embeddings": 0.00035,
1358
+ "loss": 2.2712,
1359
+ "step": 92500
1360
+ },
1361
+ {
1362
+ "epoch": 78.15,
1363
+ "learning_rate": 0.0003488888888888889,
1364
+ "learning_rate_embeddings": 0.0003488888888888889,
1365
+ "loss": 2.2667,
1366
+ "step": 93000
1367
+ },
1368
+ {
1369
+ "epoch": 78.57,
1370
+ "learning_rate": 0.0003477777777777778,
1371
+ "learning_rate_embeddings": 0.0003477777777777778,
1372
+ "loss": 2.2621,
1373
+ "step": 93500
1374
+ },
1375
+ {
1376
+ "epoch": 78.99,
1377
+ "learning_rate": 0.00034666666666666667,
1378
+ "learning_rate_embeddings": 0.00034666666666666667,
1379
+ "loss": 2.2717,
1380
+ "step": 94000
1381
+ },
1382
+ {
1383
+ "epoch": 79.41,
1384
+ "learning_rate": 0.00034555555555555555,
1385
+ "learning_rate_embeddings": 0.00034555555555555555,
1386
+ "loss": 2.2536,
1387
+ "step": 94500
1388
+ },
1389
+ {
1390
+ "epoch": 79.83,
1391
+ "learning_rate": 0.0003444444444444445,
1392
+ "learning_rate_embeddings": 0.0003444444444444445,
1393
+ "loss": 2.2705,
1394
+ "step": 95000
1395
+ },
1396
+ {
1397
+ "epoch": 80.25,
1398
+ "learning_rate": 0.00034333333333333335,
1399
+ "learning_rate_embeddings": 0.00034333333333333335,
1400
+ "loss": 2.2659,
1401
+ "step": 95500
1402
+ },
1403
+ {
1404
+ "epoch": 80.67,
1405
+ "learning_rate": 0.0003422222222222222,
1406
+ "learning_rate_embeddings": 0.0003422222222222222,
1407
+ "loss": 2.2648,
1408
+ "step": 96000
1409
+ },
1410
+ {
1411
+ "epoch": 81.09,
1412
+ "learning_rate": 0.0003411111111111111,
1413
+ "learning_rate_embeddings": 0.0003411111111111111,
1414
+ "loss": 2.2671,
1415
+ "step": 96500
1416
+ },
1417
+ {
1418
+ "epoch": 81.51,
1419
+ "learning_rate": 0.00034,
1420
+ "learning_rate_embeddings": 0.00034,
1421
+ "loss": 2.2566,
1422
+ "step": 97000
1423
+ },
1424
+ {
1425
+ "epoch": 81.93,
1426
+ "learning_rate": 0.0003388888888888889,
1427
+ "learning_rate_embeddings": 0.0003388888888888889,
1428
+ "loss": 2.2726,
1429
+ "step": 97500
1430
+ },
1431
+ {
1432
+ "epoch": 82.35,
1433
+ "learning_rate": 0.00033777777777777777,
1434
+ "learning_rate_embeddings": 0.00033777777777777777,
1435
+ "loss": 2.2503,
1436
+ "step": 98000
1437
+ },
1438
+ {
1439
+ "epoch": 82.77,
1440
+ "learning_rate": 0.0003366666666666667,
1441
+ "learning_rate_embeddings": 0.0003366666666666667,
1442
+ "loss": 2.2573,
1443
+ "step": 98500
1444
+ },
1445
+ {
1446
+ "epoch": 83.19,
1447
+ "learning_rate": 0.0003355555555555556,
1448
+ "learning_rate_embeddings": 0.0003355555555555556,
1449
+ "loss": 2.2644,
1450
+ "step": 99000
1451
+ },
1452
+ {
1453
+ "epoch": 83.61,
1454
+ "learning_rate": 0.00033444444444444445,
1455
+ "learning_rate_embeddings": 0.00033444444444444445,
1456
+ "loss": 2.2525,
1457
+ "step": 99500
1458
+ },
1459
+ {
1460
+ "epoch": 84.03,
1461
+ "learning_rate": 0.0003333333333333333,
1462
+ "learning_rate_embeddings": 0.0003333333333333333,
1463
+ "loss": 2.2627,
1464
+ "step": 100000
1465
+ },
1466
+ {
1467
+ "epoch": 84.03,
1468
+ "eval_loss": 2.3599398136138916,
1469
+ "eval_runtime": 117.9754,
1470
+ "eval_samples_per_second": 573.916,
1471
+ "eval_steps_per_second": 4.484,
1472
+ "step": 100000
1473
+ },
1474
+ {
1475
+ "epoch": 84.45,
1476
+ "learning_rate": 0.0003322222222222222,
1477
+ "learning_rate_embeddings": 0.0003322222222222222,
1478
+ "loss": 2.2558,
1479
+ "step": 100500
1480
+ },
1481
+ {
1482
+ "epoch": 84.87,
1483
+ "learning_rate": 0.0003311111111111111,
1484
+ "learning_rate_embeddings": 0.0003311111111111111,
1485
+ "loss": 2.2678,
1486
+ "step": 101000
1487
+ },
1488
+ {
1489
+ "epoch": 85.29,
1490
+ "learning_rate": 0.00033,
1491
+ "learning_rate_embeddings": 0.00033,
1492
+ "loss": 2.2504,
1493
+ "step": 101500
1494
+ },
1495
+ {
1496
+ "epoch": 85.71,
1497
+ "learning_rate": 0.0003288888888888889,
1498
+ "learning_rate_embeddings": 0.0003288888888888889,
1499
+ "loss": 2.2486,
1500
+ "step": 102000
1501
+ },
1502
+ {
1503
+ "epoch": 86.13,
1504
+ "learning_rate": 0.0003277777777777778,
1505
+ "learning_rate_embeddings": 0.0003277777777777778,
1506
+ "loss": 2.2584,
1507
+ "step": 102500
1508
+ },
1509
+ {
1510
+ "epoch": 86.55,
1511
+ "learning_rate": 0.0003266666666666667,
1512
+ "learning_rate_embeddings": 0.0003266666666666667,
1513
+ "loss": 2.2436,
1514
+ "step": 103000
1515
+ },
1516
+ {
1517
+ "epoch": 86.97,
1518
+ "learning_rate": 0.00032555555555555555,
1519
+ "learning_rate_embeddings": 0.00032555555555555555,
1520
+ "loss": 2.2623,
1521
+ "step": 103500
1522
+ },
1523
+ {
1524
+ "epoch": 87.39,
1525
+ "learning_rate": 0.0003244444444444444,
1526
+ "learning_rate_embeddings": 0.0003244444444444444,
1527
+ "loss": 2.2446,
1528
+ "step": 104000
1529
+ },
1530
+ {
1531
+ "epoch": 87.81,
1532
+ "learning_rate": 0.0003233333333333333,
1533
+ "learning_rate_embeddings": 0.0003233333333333333,
1534
+ "loss": 2.2468,
1535
+ "step": 104500
1536
+ },
1537
+ {
1538
+ "epoch": 88.24,
1539
+ "learning_rate": 0.0003222222222222222,
1540
+ "learning_rate_embeddings": 0.0003222222222222222,
1541
+ "loss": 2.2445,
1542
+ "step": 105000
1543
+ },
1544
+ {
1545
+ "epoch": 88.66,
1546
+ "learning_rate": 0.00032111111111111115,
1547
+ "learning_rate_embeddings": 0.00032111111111111115,
1548
+ "loss": 2.254,
1549
+ "step": 105500
1550
+ },
1551
+ {
1552
+ "epoch": 89.08,
1553
+ "learning_rate": 0.00032,
1554
+ "learning_rate_embeddings": 0.00032,
1555
+ "loss": 2.264,
1556
+ "step": 106000
1557
+ },
1558
+ {
1559
+ "epoch": 89.5,
1560
+ "learning_rate": 0.0003188888888888889,
1561
+ "learning_rate_embeddings": 0.0003188888888888889,
1562
+ "loss": 2.2492,
1563
+ "step": 106500
1564
+ },
1565
+ {
1566
+ "epoch": 89.92,
1567
+ "learning_rate": 0.0003177777777777778,
1568
+ "learning_rate_embeddings": 0.0003177777777777778,
1569
+ "loss": 2.2563,
1570
+ "step": 107000
1571
+ },
1572
+ {
1573
+ "epoch": 90.34,
1574
+ "learning_rate": 0.00031666666666666665,
1575
+ "learning_rate_embeddings": 0.00031666666666666665,
1576
+ "loss": 2.2282,
1577
+ "step": 107500
1578
+ },
1579
+ {
1580
+ "epoch": 90.76,
1581
+ "learning_rate": 0.0003155555555555555,
1582
+ "learning_rate_embeddings": 0.0003155555555555555,
1583
+ "loss": 2.2429,
1584
+ "step": 108000
1585
+ },
1586
+ {
1587
+ "epoch": 91.18,
1588
+ "learning_rate": 0.0003144444444444445,
1589
+ "learning_rate_embeddings": 0.0003144444444444445,
1590
+ "loss": 2.2458,
1591
+ "step": 108500
1592
+ },
1593
+ {
1594
+ "epoch": 91.6,
1595
+ "learning_rate": 0.0003133333333333334,
1596
+ "learning_rate_embeddings": 0.0003133333333333334,
1597
+ "loss": 2.2512,
1598
+ "step": 109000
1599
+ },
1600
+ {
1601
+ "epoch": 92.02,
1602
+ "learning_rate": 0.00031222222222222225,
1603
+ "learning_rate_embeddings": 0.00031222222222222225,
1604
+ "loss": 2.2461,
1605
+ "step": 109500
1606
+ },
1607
+ {
1608
+ "epoch": 92.44,
1609
+ "learning_rate": 0.0003111111111111111,
1610
+ "learning_rate_embeddings": 0.0003111111111111111,
1611
+ "loss": 2.2313,
1612
+ "step": 110000
1613
+ },
1614
+ {
1615
+ "epoch": 92.86,
1616
+ "learning_rate": 0.00031,
1617
+ "learning_rate_embeddings": 0.00031,
1618
+ "loss": 2.2521,
1619
+ "step": 110500
1620
+ },
1621
+ {
1622
+ "epoch": 93.28,
1623
+ "learning_rate": 0.0003088888888888889,
1624
+ "learning_rate_embeddings": 0.0003088888888888889,
1625
+ "loss": 2.2322,
1626
+ "step": 111000
1627
+ },
1628
+ {
1629
+ "epoch": 93.7,
1630
+ "learning_rate": 0.00030777777777777775,
1631
+ "learning_rate_embeddings": 0.00030777777777777775,
1632
+ "loss": 2.2432,
1633
+ "step": 111500
1634
+ },
1635
+ {
1636
+ "epoch": 94.12,
1637
+ "learning_rate": 0.0003066666666666667,
1638
+ "learning_rate_embeddings": 0.0003066666666666667,
1639
+ "loss": 2.239,
1640
+ "step": 112000
1641
+ },
1642
+ {
1643
+ "epoch": 94.54,
1644
+ "learning_rate": 0.0003055555555555556,
1645
+ "learning_rate_embeddings": 0.0003055555555555556,
1646
+ "loss": 2.2238,
1647
+ "step": 112500
1648
+ },
1649
+ {
1650
+ "epoch": 94.54,
1651
+ "eval_loss": 2.356623411178589,
1652
+ "eval_runtime": 118.007,
1653
+ "eval_samples_per_second": 573.763,
1654
+ "eval_steps_per_second": 4.483,
1655
+ "step": 112500
1656
+ },
1657
+ {
1658
+ "epoch": 94.96,
1659
+ "learning_rate": 0.0003044444444444445,
1660
+ "learning_rate_embeddings": 0.0003044444444444445,
1661
+ "loss": 2.237,
1662
+ "step": 113000
1663
+ },
1664
+ {
1665
+ "epoch": 95.38,
1666
+ "learning_rate": 0.00030333333333333335,
1667
+ "learning_rate_embeddings": 0.00030333333333333335,
1668
+ "loss": 2.23,
1669
+ "step": 113500
1670
+ },
1671
+ {
1672
+ "epoch": 95.8,
1673
+ "learning_rate": 0.0003022222222222222,
1674
+ "learning_rate_embeddings": 0.0003022222222222222,
1675
+ "loss": 2.2383,
1676
+ "step": 114000
1677
+ },
1678
+ {
1679
+ "epoch": 96.22,
1680
+ "learning_rate": 0.0003011111111111111,
1681
+ "learning_rate_embeddings": 0.0003011111111111111,
1682
+ "loss": 2.234,
1683
+ "step": 114500
1684
+ },
1685
+ {
1686
+ "epoch": 96.64,
1687
+ "learning_rate": 0.0003,
1688
+ "learning_rate_embeddings": 0.0003,
1689
+ "loss": 2.2285,
1690
+ "step": 115000
1691
+ },
1692
+ {
1693
+ "epoch": 97.06,
1694
+ "learning_rate": 0.0002988888888888889,
1695
+ "learning_rate_embeddings": 0.0002988888888888889,
1696
+ "loss": 2.2527,
1697
+ "step": 115500
1698
+ },
1699
+ {
1700
+ "epoch": 97.48,
1701
+ "learning_rate": 0.0002977777777777778,
1702
+ "learning_rate_embeddings": 0.0002977777777777778,
1703
+ "loss": 2.2366,
1704
+ "step": 116000
1705
+ },
1706
+ {
1707
+ "epoch": 97.9,
1708
+ "learning_rate": 0.0002966666666666667,
1709
+ "learning_rate_embeddings": 0.0002966666666666667,
1710
+ "loss": 2.2437,
1711
+ "step": 116500
1712
+ },
1713
+ {
1714
+ "epoch": 98.32,
1715
+ "learning_rate": 0.0002955555555555556,
1716
+ "learning_rate_embeddings": 0.0002955555555555556,
1717
+ "loss": 2.2262,
1718
+ "step": 117000
1719
+ },
1720
+ {
1721
+ "epoch": 98.74,
1722
+ "learning_rate": 0.00029444444444444445,
1723
+ "learning_rate_embeddings": 0.00029444444444444445,
1724
+ "loss": 2.235,
1725
+ "step": 117500
1726
+ },
1727
+ {
1728
+ "epoch": 99.16,
1729
+ "learning_rate": 0.0002933333333333333,
1730
+ "learning_rate_embeddings": 0.0002933333333333333,
1731
+ "loss": 2.2463,
1732
+ "step": 118000
1733
+ },
1734
+ {
1735
+ "epoch": 99.58,
1736
+ "learning_rate": 0.0002922222222222222,
1737
+ "learning_rate_embeddings": 0.0002922222222222222,
1738
+ "loss": 2.2273,
1739
+ "step": 118500
1740
+ },
1741
+ {
1742
+ "epoch": 100.0,
1743
+ "learning_rate": 0.00029111111111111113,
1744
+ "learning_rate_embeddings": 0.00029111111111111113,
1745
+ "loss": 2.2438,
1746
+ "step": 119000
1747
+ },
1748
+ {
1749
+ "epoch": 100.42,
1750
+ "learning_rate": 0.00029,
1751
+ "learning_rate_embeddings": 0.00029,
1752
+ "loss": 2.2216,
1753
+ "step": 119500
1754
+ },
1755
+ {
1756
+ "epoch": 100.84,
1757
+ "learning_rate": 0.0002888888888888889,
1758
+ "learning_rate_embeddings": 0.0002888888888888889,
1759
+ "loss": 2.2296,
1760
+ "step": 120000
1761
+ },
1762
+ {
1763
+ "epoch": 101.26,
1764
+ "learning_rate": 0.0002877777777777778,
1765
+ "learning_rate_embeddings": 0.0002877777777777778,
1766
+ "loss": 2.2246,
1767
+ "step": 120500
1768
+ },
1769
+ {
1770
+ "epoch": 101.68,
1771
+ "learning_rate": 0.0002866666666666667,
1772
+ "learning_rate_embeddings": 0.0002866666666666667,
1773
+ "loss": 2.2296,
1774
+ "step": 121000
1775
+ },
1776
+ {
1777
+ "epoch": 102.1,
1778
+ "learning_rate": 0.00028555555555555555,
1779
+ "learning_rate_embeddings": 0.00028555555555555555,
1780
+ "loss": 2.2296,
1781
+ "step": 121500
1782
+ },
1783
+ {
1784
+ "epoch": 102.52,
1785
+ "learning_rate": 0.0002844444444444444,
1786
+ "learning_rate_embeddings": 0.0002844444444444444,
1787
+ "loss": 2.238,
1788
+ "step": 122000
1789
+ },
1790
+ {
1791
+ "epoch": 102.94,
1792
+ "learning_rate": 0.00028333333333333335,
1793
+ "learning_rate_embeddings": 0.00028333333333333335,
1794
+ "loss": 2.2346,
1795
+ "step": 122500
1796
+ },
1797
+ {
1798
+ "epoch": 103.36,
1799
+ "learning_rate": 0.00028222222222222223,
1800
+ "learning_rate_embeddings": 0.00028222222222222223,
1801
+ "loss": 2.2188,
1802
+ "step": 123000
1803
+ },
1804
+ {
1805
+ "epoch": 103.78,
1806
+ "learning_rate": 0.0002811111111111111,
1807
+ "learning_rate_embeddings": 0.0002811111111111111,
1808
+ "loss": 2.2319,
1809
+ "step": 123500
1810
+ },
1811
+ {
1812
+ "epoch": 104.2,
1813
+ "learning_rate": 0.00028000000000000003,
1814
+ "learning_rate_embeddings": 0.00028000000000000003,
1815
+ "loss": 2.2312,
1816
+ "step": 124000
1817
+ },
1818
+ {
1819
+ "epoch": 104.62,
1820
+ "learning_rate": 0.0002788888888888889,
1821
+ "learning_rate_embeddings": 0.0002788888888888889,
1822
+ "loss": 2.2273,
1823
+ "step": 124500
1824
+ },
1825
+ {
1826
+ "epoch": 105.04,
1827
+ "learning_rate": 0.0002777777777777778,
1828
+ "learning_rate_embeddings": 0.0002777777777777778,
1829
+ "loss": 2.2271,
1830
+ "step": 125000
1831
+ },
1832
+ {
1833
+ "epoch": 105.04,
1834
+ "eval_loss": 2.353121042251587,
1835
+ "eval_runtime": 118.053,
1836
+ "eval_samples_per_second": 573.539,
1837
+ "eval_steps_per_second": 4.481,
1838
+ "step": 125000
1839
+ },
1840
+ {
1841
+ "epoch": 105.46,
1842
+ "learning_rate": 0.00027666666666666665,
1843
+ "learning_rate_embeddings": 0.00027666666666666665,
1844
+ "loss": 2.2206,
1845
+ "step": 125500
1846
+ },
1847
+ {
1848
+ "epoch": 105.88,
1849
+ "learning_rate": 0.0002755555555555556,
1850
+ "learning_rate_embeddings": 0.0002755555555555556,
1851
+ "loss": 2.2287,
1852
+ "step": 126000
1853
+ },
1854
+ {
1855
+ "epoch": 106.3,
1856
+ "learning_rate": 0.00027444444444444445,
1857
+ "learning_rate_embeddings": 0.00027444444444444445,
1858
+ "loss": 2.2179,
1859
+ "step": 126500
1860
+ },
1861
+ {
1862
+ "epoch": 106.72,
1863
+ "learning_rate": 0.00027333333333333333,
1864
+ "learning_rate_embeddings": 0.00027333333333333333,
1865
+ "loss": 2.2206,
1866
+ "step": 127000
1867
+ },
1868
+ {
1869
+ "epoch": 107.14,
1870
+ "learning_rate": 0.0002722222222222222,
1871
+ "learning_rate_embeddings": 0.0002722222222222222,
1872
+ "loss": 2.2271,
1873
+ "step": 127500
1874
+ },
1875
+ {
1876
+ "epoch": 107.56,
1877
+ "learning_rate": 0.00027111111111111113,
1878
+ "learning_rate_embeddings": 0.00027111111111111113,
1879
+ "loss": 2.2219,
1880
+ "step": 128000
1881
+ },
1882
+ {
1883
+ "epoch": 107.98,
1884
+ "learning_rate": 0.00027,
1885
+ "learning_rate_embeddings": 0.00027,
1886
+ "loss": 2.2333,
1887
+ "step": 128500
1888
+ },
1889
+ {
1890
+ "epoch": 108.4,
1891
+ "learning_rate": 0.00026888888888888893,
1892
+ "learning_rate_embeddings": 0.00026888888888888893,
1893
+ "loss": 2.218,
1894
+ "step": 129000
1895
+ },
1896
+ {
1897
+ "epoch": 108.82,
1898
+ "learning_rate": 0.0002677777777777778,
1899
+ "learning_rate_embeddings": 0.0002677777777777778,
1900
+ "loss": 2.2332,
1901
+ "step": 129500
1902
+ },
1903
+ {
1904
+ "epoch": 109.24,
1905
+ "learning_rate": 0.0002666666666666667,
1906
+ "learning_rate_embeddings": 0.0002666666666666667,
1907
+ "loss": 2.2199,
1908
+ "step": 130000
1909
+ },
1910
+ {
1911
+ "epoch": 109.66,
1912
+ "learning_rate": 0.00026555555555555555,
1913
+ "learning_rate_embeddings": 0.00026555555555555555,
1914
+ "loss": 2.2111,
1915
+ "step": 130500
1916
+ },
1917
+ {
1918
+ "epoch": 110.08,
1919
+ "learning_rate": 0.00026444444444444443,
1920
+ "learning_rate_embeddings": 0.00026444444444444443,
1921
+ "loss": 2.2294,
1922
+ "step": 131000
1923
+ },
1924
+ {
1925
+ "epoch": 110.5,
1926
+ "learning_rate": 0.0002633333333333333,
1927
+ "learning_rate_embeddings": 0.0002633333333333333,
1928
+ "loss": 2.2118,
1929
+ "step": 131500
1930
+ },
1931
+ {
1932
+ "epoch": 110.92,
1933
+ "learning_rate": 0.00026222222222222223,
1934
+ "learning_rate_embeddings": 0.00026222222222222223,
1935
+ "loss": 2.2269,
1936
+ "step": 132000
1937
+ },
1938
+ {
1939
+ "epoch": 111.34,
1940
+ "learning_rate": 0.00026111111111111116,
1941
+ "learning_rate_embeddings": 0.00026111111111111116,
1942
+ "loss": 2.2142,
1943
+ "step": 132500
1944
+ },
1945
+ {
1946
+ "epoch": 111.76,
1947
+ "learning_rate": 0.00026000000000000003,
1948
+ "learning_rate_embeddings": 0.00026000000000000003,
1949
+ "loss": 2.2195,
1950
+ "step": 133000
1951
+ },
1952
+ {
1953
+ "epoch": 112.18,
1954
+ "learning_rate": 0.0002588888888888889,
1955
+ "learning_rate_embeddings": 0.0002588888888888889,
1956
+ "loss": 2.2152,
1957
+ "step": 133500
1958
+ },
1959
+ {
1960
+ "epoch": 112.6,
1961
+ "learning_rate": 0.0002577777777777778,
1962
+ "learning_rate_embeddings": 0.0002577777777777778,
1963
+ "loss": 2.2244,
1964
+ "step": 134000
1965
+ },
1966
+ {
1967
+ "epoch": 113.03,
1968
+ "learning_rate": 0.00025666666666666665,
1969
+ "learning_rate_embeddings": 0.00025666666666666665,
1970
+ "loss": 2.2308,
1971
+ "step": 134500
1972
+ },
1973
+ {
1974
+ "epoch": 113.45,
1975
+ "learning_rate": 0.00025555555555555553,
1976
+ "learning_rate_embeddings": 0.00025555555555555553,
1977
+ "loss": 2.2138,
1978
+ "step": 135000
1979
+ },
1980
+ {
1981
+ "epoch": 113.87,
1982
+ "learning_rate": 0.0002544444444444444,
1983
+ "learning_rate_embeddings": 0.0002544444444444444,
1984
+ "loss": 2.2158,
1985
+ "step": 135500
1986
+ },
1987
+ {
1988
+ "epoch": 114.29,
1989
+ "learning_rate": 0.0002533333333333334,
1990
+ "learning_rate_embeddings": 0.0002533333333333334,
1991
+ "loss": 2.2147,
1992
+ "step": 136000
1993
+ },
1994
+ {
1995
+ "epoch": 114.71,
1996
+ "learning_rate": 0.00025222222222222226,
1997
+ "learning_rate_embeddings": 0.00025222222222222226,
1998
+ "loss": 2.2134,
1999
+ "step": 136500
2000
+ },
2001
+ {
2002
+ "epoch": 115.13,
2003
+ "learning_rate": 0.00025111111111111113,
2004
+ "learning_rate_embeddings": 0.00025111111111111113,
2005
+ "loss": 2.2084,
2006
+ "step": 137000
2007
+ },
2008
+ {
2009
+ "epoch": 115.55,
2010
+ "learning_rate": 0.00025,
2011
+ "learning_rate_embeddings": 0.00025,
2012
+ "loss": 2.2041,
2013
+ "step": 137500
2014
+ },
2015
+ {
2016
+ "epoch": 115.55,
2017
+ "eval_loss": 2.3373777866363525,
2018
+ "eval_runtime": 117.8501,
2019
+ "eval_samples_per_second": 574.527,
2020
+ "eval_steps_per_second": 4.489,
2021
+ "step": 137500
2022
+ },
2023
+ {
2024
+ "epoch": 115.97,
2025
+ "learning_rate": 0.0002488888888888889,
2026
+ "learning_rate_embeddings": 0.0002488888888888889,
2027
+ "loss": 2.226,
2028
+ "step": 138000
2029
+ },
2030
+ {
2031
+ "epoch": 116.39,
2032
+ "learning_rate": 0.0002477777777777778,
2033
+ "learning_rate_embeddings": 0.0002477777777777778,
2034
+ "loss": 2.1967,
2035
+ "step": 138500
2036
+ },
2037
+ {
2038
+ "epoch": 116.81,
2039
+ "learning_rate": 0.0002466666666666667,
2040
+ "learning_rate_embeddings": 0.0002466666666666667,
2041
+ "loss": 2.2217,
2042
+ "step": 139000
2043
+ },
2044
+ {
2045
+ "epoch": 117.23,
2046
+ "learning_rate": 0.00024555555555555556,
2047
+ "learning_rate_embeddings": 0.00024555555555555556,
2048
+ "loss": 2.2117,
2049
+ "step": 139500
2050
+ },
2051
+ {
2052
+ "epoch": 117.65,
2053
+ "learning_rate": 0.00024444444444444443,
2054
+ "learning_rate_embeddings": 0.00024444444444444443,
2055
+ "loss": 2.2164,
2056
+ "step": 140000
2057
+ },
2058
+ {
2059
+ "epoch": 118.07,
2060
+ "learning_rate": 0.00024333333333333336,
2061
+ "learning_rate_embeddings": 0.00024333333333333336,
2062
+ "loss": 2.2186,
2063
+ "step": 140500
2064
+ },
2065
+ {
2066
+ "epoch": 118.49,
2067
+ "learning_rate": 0.00024222222222222223,
2068
+ "learning_rate_embeddings": 0.00024222222222222223,
2069
+ "loss": 2.1994,
2070
+ "step": 141000
2071
+ },
2072
+ {
2073
+ "epoch": 118.91,
2074
+ "learning_rate": 0.0002411111111111111,
2075
+ "learning_rate_embeddings": 0.0002411111111111111,
2076
+ "loss": 2.2184,
2077
+ "step": 141500
2078
+ },
2079
+ {
2080
+ "epoch": 119.33,
2081
+ "learning_rate": 0.00024,
2082
+ "learning_rate_embeddings": 0.00024,
2083
+ "loss": 2.2062,
2084
+ "step": 142000
2085
+ },
2086
+ {
2087
+ "epoch": 119.75,
2088
+ "learning_rate": 0.0002388888888888889,
2089
+ "learning_rate_embeddings": 0.0002388888888888889,
2090
+ "loss": 2.216,
2091
+ "step": 142500
2092
+ },
2093
+ {
2094
+ "epoch": 120.17,
2095
+ "learning_rate": 0.00023777777777777778,
2096
+ "learning_rate_embeddings": 0.00023777777777777778,
2097
+ "loss": 2.21,
2098
+ "step": 143000
2099
+ },
2100
+ {
2101
+ "epoch": 120.59,
2102
+ "learning_rate": 0.00023666666666666668,
2103
+ "learning_rate_embeddings": 0.00023666666666666668,
2104
+ "loss": 2.2112,
2105
+ "step": 143500
2106
+ },
2107
+ {
2108
+ "epoch": 121.01,
2109
+ "learning_rate": 0.00023555555555555556,
2110
+ "learning_rate_embeddings": 0.00023555555555555556,
2111
+ "loss": 2.2096,
2112
+ "step": 144000
2113
+ },
2114
+ {
2115
+ "epoch": 121.43,
2116
+ "learning_rate": 0.00023444444444444446,
2117
+ "learning_rate_embeddings": 0.00023444444444444446,
2118
+ "loss": 2.2044,
2119
+ "step": 144500
2120
+ },
2121
+ {
2122
+ "epoch": 121.85,
2123
+ "learning_rate": 0.00023333333333333333,
2124
+ "learning_rate_embeddings": 0.00023333333333333333,
2125
+ "loss": 2.2158,
2126
+ "step": 145000
2127
+ },
2128
+ {
2129
+ "epoch": 122.27,
2130
+ "learning_rate": 0.00023222222222222223,
2131
+ "learning_rate_embeddings": 0.00023222222222222223,
2132
+ "loss": 2.2093,
2133
+ "step": 145500
2134
+ },
2135
+ {
2136
+ "epoch": 122.69,
2137
+ "learning_rate": 0.0002311111111111111,
2138
+ "learning_rate_embeddings": 0.0002311111111111111,
2139
+ "loss": 2.2058,
2140
+ "step": 146000
2141
+ },
2142
+ {
2143
+ "epoch": 123.11,
2144
+ "learning_rate": 0.00023,
2145
+ "learning_rate_embeddings": 0.00023,
2146
+ "loss": 2.2102,
2147
+ "step": 146500
2148
+ },
2149
+ {
2150
+ "epoch": 123.53,
2151
+ "learning_rate": 0.0002288888888888889,
2152
+ "learning_rate_embeddings": 0.0002288888888888889,
2153
+ "loss": 2.1978,
2154
+ "step": 147000
2155
+ },
2156
+ {
2157
+ "epoch": 123.95,
2158
+ "learning_rate": 0.00022777777777777778,
2159
+ "learning_rate_embeddings": 0.00022777777777777778,
2160
+ "loss": 2.2105,
2161
+ "step": 147500
2162
+ },
2163
+ {
2164
+ "epoch": 124.37,
2165
+ "learning_rate": 0.00022666666666666666,
2166
+ "learning_rate_embeddings": 0.00022666666666666666,
2167
+ "loss": 2.1972,
2168
+ "step": 148000
2169
+ },
2170
+ {
2171
+ "epoch": 124.79,
2172
+ "learning_rate": 0.00022555555555555556,
2173
+ "learning_rate_embeddings": 0.00022555555555555556,
2174
+ "loss": 2.2071,
2175
+ "step": 148500
2176
+ },
2177
+ {
2178
+ "epoch": 125.21,
2179
+ "learning_rate": 0.00022444444444444446,
2180
+ "learning_rate_embeddings": 0.00022444444444444446,
2181
+ "loss": 2.2144,
2182
+ "step": 149000
2183
+ },
2184
+ {
2185
+ "epoch": 125.63,
2186
+ "learning_rate": 0.00022333333333333333,
2187
+ "learning_rate_embeddings": 0.00022333333333333333,
2188
+ "loss": 2.2037,
2189
+ "step": 149500
2190
+ },
2191
+ {
2192
+ "epoch": 126.05,
2193
+ "learning_rate": 0.0002222222222222222,
2194
+ "learning_rate_embeddings": 0.0002222222222222222,
2195
+ "loss": 2.206,
2196
+ "step": 150000
2197
+ },
2198
+ {
2199
+ "epoch": 126.05,
2200
+ "eval_loss": 2.3389413356781006,
2201
+ "eval_runtime": 117.7332,
2202
+ "eval_samples_per_second": 575.097,
2203
+ "eval_steps_per_second": 4.493,
2204
+ "step": 150000
2205
+ },
2206
+ {
2207
+ "epoch": 126.47,
2208
+ "learning_rate": 0.00022111111111111113,
2209
+ "learning_rate_embeddings": 0.00022111111111111113,
2210
+ "loss": 2.1956,
2211
+ "step": 150500
2212
+ },
2213
+ {
2214
+ "epoch": 126.89,
2215
+ "learning_rate": 0.00022,
2216
+ "learning_rate_embeddings": 0.00022,
2217
+ "loss": 2.2087,
2218
+ "step": 151000
2219
+ },
2220
+ {
2221
+ "epoch": 127.31,
2222
+ "learning_rate": 0.00021888888888888888,
2223
+ "learning_rate_embeddings": 0.00021888888888888888,
2224
+ "loss": 2.1942,
2225
+ "step": 151500
2226
+ },
2227
+ {
2228
+ "epoch": 127.73,
2229
+ "learning_rate": 0.00021777777777777776,
2230
+ "learning_rate_embeddings": 0.00021777777777777776,
2231
+ "loss": 2.206,
2232
+ "step": 152000
2233
+ },
2234
+ {
2235
+ "epoch": 128.15,
2236
+ "learning_rate": 0.00021666666666666668,
2237
+ "learning_rate_embeddings": 0.00021666666666666668,
2238
+ "loss": 2.2029,
2239
+ "step": 152500
2240
+ },
2241
+ {
2242
+ "epoch": 128.57,
2243
+ "learning_rate": 0.00021555555555555556,
2244
+ "learning_rate_embeddings": 0.00021555555555555556,
2245
+ "loss": 2.1988,
2246
+ "step": 153000
2247
+ },
2248
+ {
2249
+ "epoch": 128.99,
2250
+ "learning_rate": 0.00021444444444444443,
2251
+ "learning_rate_embeddings": 0.00021444444444444443,
2252
+ "loss": 2.2121,
2253
+ "step": 153500
2254
+ },
2255
+ {
2256
+ "epoch": 129.41,
2257
+ "learning_rate": 0.00021333333333333336,
2258
+ "learning_rate_embeddings": 0.00021333333333333336,
2259
+ "loss": 2.1833,
2260
+ "step": 154000
2261
+ },
2262
+ {
2263
+ "epoch": 129.83,
2264
+ "learning_rate": 0.00021222222222222223,
2265
+ "learning_rate_embeddings": 0.00021222222222222223,
2266
+ "loss": 2.2016,
2267
+ "step": 154500
2268
+ },
2269
+ {
2270
+ "epoch": 130.25,
2271
+ "learning_rate": 0.0002111111111111111,
2272
+ "learning_rate_embeddings": 0.0002111111111111111,
2273
+ "loss": 2.1974,
2274
+ "step": 155000
2275
+ },
2276
+ {
2277
+ "epoch": 130.67,
2278
+ "learning_rate": 0.00021,
2279
+ "learning_rate_embeddings": 0.00021,
2280
+ "loss": 2.1969,
2281
+ "step": 155500
2282
+ },
2283
+ {
2284
+ "epoch": 131.09,
2285
+ "learning_rate": 0.0002088888888888889,
2286
+ "learning_rate_embeddings": 0.0002088888888888889,
2287
+ "loss": 2.2003,
2288
+ "step": 156000
2289
+ },
2290
+ {
2291
+ "epoch": 131.51,
2292
+ "learning_rate": 0.00020777777777777778,
2293
+ "learning_rate_embeddings": 0.00020777777777777778,
2294
+ "loss": 2.1987,
2295
+ "step": 156500
2296
+ },
2297
+ {
2298
+ "epoch": 131.93,
2299
+ "learning_rate": 0.00020666666666666666,
2300
+ "learning_rate_embeddings": 0.00020666666666666666,
2301
+ "loss": 2.2038,
2302
+ "step": 157000
2303
+ },
2304
+ {
2305
+ "epoch": 132.35,
2306
+ "learning_rate": 0.00020555555555555556,
2307
+ "learning_rate_embeddings": 0.00020555555555555556,
2308
+ "loss": 2.189,
2309
+ "step": 157500
2310
+ },
2311
+ {
2312
+ "epoch": 132.77,
2313
+ "learning_rate": 0.00020444444444444446,
2314
+ "learning_rate_embeddings": 0.00020444444444444446,
2315
+ "loss": 2.2054,
2316
+ "step": 158000
2317
+ },
2318
+ {
2319
+ "epoch": 133.19,
2320
+ "learning_rate": 0.00020333333333333333,
2321
+ "learning_rate_embeddings": 0.00020333333333333333,
2322
+ "loss": 2.197,
2323
+ "step": 158500
2324
+ },
2325
+ {
2326
+ "epoch": 133.61,
2327
+ "learning_rate": 0.00020222222222222223,
2328
+ "learning_rate_embeddings": 0.00020222222222222223,
2329
+ "loss": 2.1855,
2330
+ "step": 159000
2331
+ },
2332
+ {
2333
+ "epoch": 134.03,
2334
+ "learning_rate": 0.0002011111111111111,
2335
+ "learning_rate_embeddings": 0.0002011111111111111,
2336
+ "loss": 2.2069,
2337
+ "step": 159500
2338
+ },
2339
+ {
2340
+ "epoch": 134.45,
2341
+ "learning_rate": 0.0002,
2342
+ "learning_rate_embeddings": 0.0002,
2343
+ "loss": 2.1969,
2344
+ "step": 160000
2345
+ },
2346
+ {
2347
+ "epoch": 134.87,
2348
+ "learning_rate": 0.00019888888888888888,
2349
+ "learning_rate_embeddings": 0.00019888888888888888,
2350
+ "loss": 2.1952,
2351
+ "step": 160500
2352
+ },
2353
+ {
2354
+ "epoch": 135.29,
2355
+ "learning_rate": 0.00019777777777777778,
2356
+ "learning_rate_embeddings": 0.00019777777777777778,
2357
+ "loss": 2.2002,
2358
+ "step": 161000
2359
+ },
2360
+ {
2361
+ "epoch": 135.71,
2362
+ "learning_rate": 0.00019666666666666666,
2363
+ "learning_rate_embeddings": 0.00019666666666666666,
2364
+ "loss": 2.1968,
2365
+ "step": 161500
2366
+ },
2367
+ {
2368
+ "epoch": 136.13,
2369
+ "learning_rate": 0.00019555555555555556,
2370
+ "learning_rate_embeddings": 0.00019555555555555556,
2371
+ "loss": 2.2008,
2372
+ "step": 162000
2373
+ },
2374
+ {
2375
+ "epoch": 136.55,
2376
+ "learning_rate": 0.00019444444444444446,
2377
+ "learning_rate_embeddings": 0.00019444444444444446,
2378
+ "loss": 2.1835,
2379
+ "step": 162500
2380
+ },
2381
+ {
2382
+ "epoch": 136.55,
2383
+ "eval_loss": 2.3406405448913574,
2384
+ "eval_runtime": 118.0375,
2385
+ "eval_samples_per_second": 573.614,
2386
+ "eval_steps_per_second": 4.482,
2387
+ "step": 162500
2388
+ },
2389
+ {
2390
+ "epoch": 136.97,
2391
+ "learning_rate": 0.00019333333333333333,
2392
+ "learning_rate_embeddings": 0.00019333333333333333,
2393
+ "loss": 2.2014,
2394
+ "step": 163000
2395
+ },
2396
+ {
2397
+ "epoch": 137.39,
2398
+ "learning_rate": 0.0001922222222222222,
2399
+ "learning_rate_embeddings": 0.0001922222222222222,
2400
+ "loss": 2.1768,
2401
+ "step": 163500
2402
+ },
2403
+ {
2404
+ "epoch": 137.81,
2405
+ "learning_rate": 0.00019111111111111114,
2406
+ "learning_rate_embeddings": 0.00019111111111111114,
2407
+ "loss": 2.19,
2408
+ "step": 164000
2409
+ },
2410
+ {
2411
+ "epoch": 138.24,
2412
+ "learning_rate": 0.00019,
2413
+ "learning_rate_embeddings": 0.00019,
2414
+ "loss": 2.185,
2415
+ "step": 164500
2416
+ },
2417
+ {
2418
+ "epoch": 138.66,
2419
+ "learning_rate": 0.00018888888888888888,
2420
+ "learning_rate_embeddings": 0.00018888888888888888,
2421
+ "loss": 2.1859,
2422
+ "step": 165000
2423
+ },
2424
+ {
2425
+ "epoch": 139.08,
2426
+ "learning_rate": 0.00018777777777777776,
2427
+ "learning_rate_embeddings": 0.00018777777777777776,
2428
+ "loss": 2.1926,
2429
+ "step": 165500
2430
+ },
2431
+ {
2432
+ "epoch": 139.5,
2433
+ "learning_rate": 0.0001866666666666667,
2434
+ "learning_rate_embeddings": 0.0001866666666666667,
2435
+ "loss": 2.1814,
2436
+ "step": 166000
2437
+ },
2438
+ {
2439
+ "epoch": 139.92,
2440
+ "learning_rate": 0.00018555555555555556,
2441
+ "learning_rate_embeddings": 0.00018555555555555556,
2442
+ "loss": 2.199,
2443
+ "step": 166500
2444
+ },
2445
+ {
2446
+ "epoch": 140.34,
2447
+ "learning_rate": 0.00018444444444444443,
2448
+ "learning_rate_embeddings": 0.00018444444444444443,
2449
+ "loss": 2.1957,
2450
+ "step": 167000
2451
+ },
2452
+ {
2453
+ "epoch": 140.76,
2454
+ "learning_rate": 0.00018333333333333334,
2455
+ "learning_rate_embeddings": 0.00018333333333333334,
2456
+ "loss": 2.1959,
2457
+ "step": 167500
2458
+ },
2459
+ {
2460
+ "epoch": 141.18,
2461
+ "learning_rate": 0.00018222222222222224,
2462
+ "learning_rate_embeddings": 0.00018222222222222224,
2463
+ "loss": 2.1904,
2464
+ "step": 168000
2465
+ },
2466
+ {
2467
+ "epoch": 141.6,
2468
+ "learning_rate": 0.0001811111111111111,
2469
+ "learning_rate_embeddings": 0.0001811111111111111,
2470
+ "loss": 2.1863,
2471
+ "step": 168500
2472
+ },
2473
+ {
2474
+ "epoch": 142.02,
2475
+ "learning_rate": 0.00017999999999999998,
2476
+ "learning_rate_embeddings": 0.00017999999999999998,
2477
+ "loss": 2.1972,
2478
+ "step": 169000
2479
+ },
2480
+ {
2481
+ "epoch": 142.44,
2482
+ "learning_rate": 0.00017888888888888889,
2483
+ "learning_rate_embeddings": 0.00017888888888888889,
2484
+ "loss": 2.1745,
2485
+ "step": 169500
2486
+ },
2487
+ {
2488
+ "epoch": 142.86,
2489
+ "learning_rate": 0.00017777777777777779,
2490
+ "learning_rate_embeddings": 0.00017777777777777779,
2491
+ "loss": 2.1828,
2492
+ "step": 170000
2493
+ },
2494
+ {
2495
+ "epoch": 143.28,
2496
+ "learning_rate": 0.00017666666666666666,
2497
+ "learning_rate_embeddings": 0.00017666666666666666,
2498
+ "loss": 2.1897,
2499
+ "step": 170500
2500
+ },
2501
+ {
2502
+ "epoch": 143.7,
2503
+ "learning_rate": 0.00017555555555555556,
2504
+ "learning_rate_embeddings": 0.00017555555555555556,
2505
+ "loss": 2.1803,
2506
+ "step": 171000
2507
+ },
2508
+ {
2509
+ "epoch": 144.12,
2510
+ "learning_rate": 0.00017444444444444446,
2511
+ "learning_rate_embeddings": 0.00017444444444444446,
2512
+ "loss": 2.1868,
2513
+ "step": 171500
2514
+ },
2515
+ {
2516
+ "epoch": 144.54,
2517
+ "learning_rate": 0.00017333333333333334,
2518
+ "learning_rate_embeddings": 0.00017333333333333334,
2519
+ "loss": 2.1727,
2520
+ "step": 172000
2521
+ },
2522
+ {
2523
+ "epoch": 144.96,
2524
+ "learning_rate": 0.00017222222222222224,
2525
+ "learning_rate_embeddings": 0.00017222222222222224,
2526
+ "loss": 2.1928,
2527
+ "step": 172500
2528
+ },
2529
+ {
2530
+ "epoch": 145.38,
2531
+ "learning_rate": 0.0001711111111111111,
2532
+ "learning_rate_embeddings": 0.0001711111111111111,
2533
+ "loss": 2.1804,
2534
+ "step": 173000
2535
+ },
2536
+ {
2537
+ "epoch": 145.8,
2538
+ "learning_rate": 0.00017,
2539
+ "learning_rate_embeddings": 0.00017,
2540
+ "loss": 2.1848,
2541
+ "step": 173500
2542
+ },
2543
+ {
2544
+ "epoch": 146.22,
2545
+ "learning_rate": 0.00016888888888888889,
2546
+ "learning_rate_embeddings": 0.00016888888888888889,
2547
+ "loss": 2.1702,
2548
+ "step": 174000
2549
+ },
2550
+ {
2551
+ "epoch": 146.64,
2552
+ "learning_rate": 0.0001677777777777778,
2553
+ "learning_rate_embeddings": 0.0001677777777777778,
2554
+ "loss": 2.178,
2555
+ "step": 174500
2556
+ },
2557
+ {
2558
+ "epoch": 147.06,
2559
+ "learning_rate": 0.00016666666666666666,
2560
+ "learning_rate_embeddings": 0.00016666666666666666,
2561
+ "loss": 2.1891,
2562
+ "step": 175000
2563
+ },
2564
+ {
2565
+ "epoch": 147.06,
2566
+ "eval_loss": 2.336824655532837,
2567
+ "eval_runtime": 117.8332,
2568
+ "eval_samples_per_second": 574.609,
2569
+ "eval_steps_per_second": 4.489,
2570
+ "step": 175000
2571
+ },
2572
+ {
2573
+ "epoch": 147.48,
2574
+ "learning_rate": 0.00016555555555555556,
2575
+ "learning_rate_embeddings": 0.00016555555555555556,
2576
+ "loss": 2.1814,
2577
+ "step": 175500
2578
+ },
2579
+ {
2580
+ "epoch": 147.9,
2581
+ "learning_rate": 0.00016444444444444446,
2582
+ "learning_rate_embeddings": 0.00016444444444444446,
2583
+ "loss": 2.1889,
2584
+ "step": 176000
2585
+ },
2586
+ {
2587
+ "epoch": 148.32,
2588
+ "learning_rate": 0.00016333333333333334,
2589
+ "learning_rate_embeddings": 0.00016333333333333334,
2590
+ "loss": 2.1768,
2591
+ "step": 176500
2592
+ },
2593
+ {
2594
+ "epoch": 148.74,
2595
+ "learning_rate": 0.0001622222222222222,
2596
+ "learning_rate_embeddings": 0.0001622222222222222,
2597
+ "loss": 2.1798,
2598
+ "step": 177000
2599
+ },
2600
+ {
2601
+ "epoch": 149.16,
2602
+ "learning_rate": 0.0001611111111111111,
2603
+ "learning_rate_embeddings": 0.0001611111111111111,
2604
+ "loss": 2.1849,
2605
+ "step": 177500
2606
+ },
2607
+ {
2608
+ "epoch": 149.58,
2609
+ "learning_rate": 0.00016,
2610
+ "learning_rate_embeddings": 0.00016,
2611
+ "loss": 2.1773,
2612
+ "step": 178000
2613
+ },
2614
+ {
2615
+ "epoch": 150.0,
2616
+ "learning_rate": 0.0001588888888888889,
2617
+ "learning_rate_embeddings": 0.0001588888888888889,
2618
+ "loss": 2.1832,
2619
+ "step": 178500
2620
+ },
2621
+ {
2622
+ "epoch": 150.42,
2623
+ "learning_rate": 0.00015777777777777776,
2624
+ "learning_rate_embeddings": 0.00015777777777777776,
2625
+ "loss": 2.1789,
2626
+ "step": 179000
2627
+ },
2628
+ {
2629
+ "epoch": 150.84,
2630
+ "learning_rate": 0.0001566666666666667,
2631
+ "learning_rate_embeddings": 0.0001566666666666667,
2632
+ "loss": 2.167,
2633
+ "step": 179500
2634
+ },
2635
+ {
2636
+ "epoch": 151.26,
2637
+ "learning_rate": 0.00015555555555555556,
2638
+ "learning_rate_embeddings": 0.00015555555555555556,
2639
+ "loss": 2.1787,
2640
+ "step": 180000
2641
+ },
2642
+ {
2643
+ "epoch": 151.68,
2644
+ "learning_rate": 0.00015444444444444444,
2645
+ "learning_rate_embeddings": 0.00015444444444444444,
2646
+ "loss": 2.1812,
2647
+ "step": 180500
2648
+ },
2649
+ {
2650
+ "epoch": 152.1,
2651
+ "learning_rate": 0.00015333333333333334,
2652
+ "learning_rate_embeddings": 0.00015333333333333334,
2653
+ "loss": 2.1847,
2654
+ "step": 181000
2655
+ },
2656
+ {
2657
+ "epoch": 152.52,
2658
+ "learning_rate": 0.00015222222222222224,
2659
+ "learning_rate_embeddings": 0.00015222222222222224,
2660
+ "loss": 2.168,
2661
+ "step": 181500
2662
+ },
2663
+ {
2664
+ "epoch": 152.94,
2665
+ "learning_rate": 0.0001511111111111111,
2666
+ "learning_rate_embeddings": 0.0001511111111111111,
2667
+ "loss": 2.1833,
2668
+ "step": 182000
2669
+ },
2670
+ {
2671
+ "epoch": 153.36,
2672
+ "learning_rate": 0.00015,
2673
+ "learning_rate_embeddings": 0.00015,
2674
+ "loss": 2.1714,
2675
+ "step": 182500
2676
+ },
2677
+ {
2678
+ "epoch": 153.78,
2679
+ "learning_rate": 0.0001488888888888889,
2680
+ "learning_rate_embeddings": 0.0001488888888888889,
2681
+ "loss": 2.1763,
2682
+ "step": 183000
2683
+ },
2684
+ {
2685
+ "epoch": 154.2,
2686
+ "learning_rate": 0.0001477777777777778,
2687
+ "learning_rate_embeddings": 0.0001477777777777778,
2688
+ "loss": 2.1729,
2689
+ "step": 183500
2690
+ },
2691
+ {
2692
+ "epoch": 154.62,
2693
+ "learning_rate": 0.00014666666666666666,
2694
+ "learning_rate_embeddings": 0.00014666666666666666,
2695
+ "loss": 2.1761,
2696
+ "step": 184000
2697
+ },
2698
+ {
2699
+ "epoch": 155.04,
2700
+ "learning_rate": 0.00014555555555555556,
2701
+ "learning_rate_embeddings": 0.00014555555555555556,
2702
+ "loss": 2.1786,
2703
+ "step": 184500
2704
+ },
2705
+ {
2706
+ "epoch": 155.46,
2707
+ "learning_rate": 0.00014444444444444444,
2708
+ "learning_rate_embeddings": 0.00014444444444444444,
2709
+ "loss": 2.1629,
2710
+ "step": 185000
2711
+ },
2712
+ {
2713
+ "epoch": 155.88,
2714
+ "learning_rate": 0.00014333333333333334,
2715
+ "learning_rate_embeddings": 0.00014333333333333334,
2716
+ "loss": 2.1791,
2717
+ "step": 185500
2718
+ },
2719
+ {
2720
+ "epoch": 156.3,
2721
+ "learning_rate": 0.0001422222222222222,
2722
+ "learning_rate_embeddings": 0.0001422222222222222,
2723
+ "loss": 2.1769,
2724
+ "step": 186000
2725
+ },
2726
+ {
2727
+ "epoch": 156.72,
2728
+ "learning_rate": 0.00014111111111111111,
2729
+ "learning_rate_embeddings": 0.00014111111111111111,
2730
+ "loss": 2.1755,
2731
+ "step": 186500
2732
+ },
2733
+ {
2734
+ "epoch": 157.14,
2735
+ "learning_rate": 0.00014000000000000001,
2736
+ "learning_rate_embeddings": 0.00014000000000000001,
2737
+ "loss": 2.1771,
2738
+ "step": 187000
2739
+ },
2740
+ {
2741
+ "epoch": 157.56,
2742
+ "learning_rate": 0.0001388888888888889,
2743
+ "learning_rate_embeddings": 0.0001388888888888889,
2744
+ "loss": 2.1667,
2745
+ "step": 187500
2746
+ },
2747
+ {
2748
+ "epoch": 157.56,
2749
+ "eval_loss": 2.3346025943756104,
2750
+ "eval_runtime": 118.1677,
2751
+ "eval_samples_per_second": 572.982,
2752
+ "eval_steps_per_second": 4.477,
2753
+ "step": 187500
2754
+ },
2755
+ {
2756
+ "epoch": 157.98,
2757
+ "learning_rate": 0.0001377777777777778,
2758
+ "learning_rate_embeddings": 0.0001377777777777778,
2759
+ "loss": 2.1747,
2760
+ "step": 188000
2761
+ },
2762
+ {
2763
+ "epoch": 158.4,
2764
+ "learning_rate": 0.00013666666666666666,
2765
+ "learning_rate_embeddings": 0.00013666666666666666,
2766
+ "loss": 2.1649,
2767
+ "step": 188500
2768
+ },
2769
+ {
2770
+ "epoch": 158.82,
2771
+ "learning_rate": 0.00013555555555555556,
2772
+ "learning_rate_embeddings": 0.00013555555555555556,
2773
+ "loss": 2.1755,
2774
+ "step": 189000
2775
+ },
2776
+ {
2777
+ "epoch": 159.24,
2778
+ "learning_rate": 0.00013444444444444447,
2779
+ "learning_rate_embeddings": 0.00013444444444444447,
2780
+ "loss": 2.1728,
2781
+ "step": 189500
2782
+ },
2783
+ {
2784
+ "epoch": 159.66,
2785
+ "learning_rate": 0.00013333333333333334,
2786
+ "learning_rate_embeddings": 0.00013333333333333334,
2787
+ "loss": 2.1705,
2788
+ "step": 190000
2789
+ },
2790
+ {
2791
+ "epoch": 160.08,
2792
+ "learning_rate": 0.00013222222222222221,
2793
+ "learning_rate_embeddings": 0.00013222222222222221,
2794
+ "loss": 2.1725,
2795
+ "step": 190500
2796
+ },
2797
+ {
2798
+ "epoch": 160.5,
2799
+ "learning_rate": 0.00013111111111111111,
2800
+ "learning_rate_embeddings": 0.00013111111111111111,
2801
+ "loss": 2.1645,
2802
+ "step": 191000
2803
+ },
2804
+ {
2805
+ "epoch": 160.92,
2806
+ "learning_rate": 0.00013000000000000002,
2807
+ "learning_rate_embeddings": 0.00013000000000000002,
2808
+ "loss": 2.1827,
2809
+ "step": 191500
2810
+ },
2811
+ {
2812
+ "epoch": 161.34,
2813
+ "learning_rate": 0.0001288888888888889,
2814
+ "learning_rate_embeddings": 0.0001288888888888889,
2815
+ "loss": 2.1649,
2816
+ "step": 192000
2817
+ },
2818
+ {
2819
+ "epoch": 161.76,
2820
+ "learning_rate": 0.00012777777777777776,
2821
+ "learning_rate_embeddings": 0.00012777777777777776,
2822
+ "loss": 2.1729,
2823
+ "step": 192500
2824
+ },
2825
+ {
2826
+ "epoch": 162.18,
2827
+ "learning_rate": 0.0001266666666666667,
2828
+ "learning_rate_embeddings": 0.0001266666666666667,
2829
+ "loss": 2.1746,
2830
+ "step": 193000
2831
+ },
2832
+ {
2833
+ "epoch": 162.6,
2834
+ "learning_rate": 0.00012555555555555557,
2835
+ "learning_rate_embeddings": 0.00012555555555555557,
2836
+ "loss": 2.1673,
2837
+ "step": 193500
2838
+ },
2839
+ {
2840
+ "epoch": 163.03,
2841
+ "learning_rate": 0.00012444444444444444,
2842
+ "learning_rate_embeddings": 0.00012444444444444444,
2843
+ "loss": 2.1736,
2844
+ "step": 194000
2845
+ },
2846
+ {
2847
+ "epoch": 163.45,
2848
+ "learning_rate": 0.00012333333333333334,
2849
+ "learning_rate_embeddings": 0.00012333333333333334,
2850
+ "loss": 2.1577,
2851
+ "step": 194500
2852
+ },
2853
+ {
2854
+ "epoch": 163.87,
2855
+ "learning_rate": 0.00012222222222222221,
2856
+ "learning_rate_embeddings": 0.00012222222222222221,
2857
+ "loss": 2.1663,
2858
+ "step": 195000
2859
+ },
2860
+ {
2861
+ "epoch": 164.29,
2862
+ "learning_rate": 0.00012111111111111112,
2863
+ "learning_rate_embeddings": 0.00012111111111111112,
2864
+ "loss": 2.1659,
2865
+ "step": 195500
2866
+ },
2867
+ {
2868
+ "epoch": 164.71,
2869
+ "learning_rate": 0.00012,
2870
+ "learning_rate_embeddings": 0.00012,
2871
+ "loss": 2.172,
2872
+ "step": 196000
2873
+ },
2874
+ {
2875
+ "epoch": 165.13,
2876
+ "learning_rate": 0.00011888888888888889,
2877
+ "learning_rate_embeddings": 0.00011888888888888889,
2878
+ "loss": 2.1727,
2879
+ "step": 196500
2880
+ },
2881
+ {
2882
+ "epoch": 165.55,
2883
+ "learning_rate": 0.00011777777777777778,
2884
+ "learning_rate_embeddings": 0.00011777777777777778,
2885
+ "loss": 2.1555,
2886
+ "step": 197000
2887
+ },
2888
+ {
2889
+ "epoch": 165.97,
2890
+ "learning_rate": 0.00011666666666666667,
2891
+ "learning_rate_embeddings": 0.00011666666666666667,
2892
+ "loss": 2.1692,
2893
+ "step": 197500
2894
+ },
2895
+ {
2896
+ "epoch": 166.39,
2897
+ "learning_rate": 0.00011555555555555555,
2898
+ "learning_rate_embeddings": 0.00011555555555555555,
2899
+ "loss": 2.1691,
2900
+ "step": 198000
2901
+ },
2902
+ {
2903
+ "epoch": 166.81,
2904
+ "learning_rate": 0.00011444444444444445,
2905
+ "learning_rate_embeddings": 0.00011444444444444445,
2906
+ "loss": 2.1659,
2907
+ "step": 198500
2908
+ },
2909
+ {
2910
+ "epoch": 167.23,
2911
+ "learning_rate": 0.00011333333333333333,
2912
+ "learning_rate_embeddings": 0.00011333333333333333,
2913
+ "loss": 2.1584,
2914
+ "step": 199000
2915
+ },
2916
+ {
2917
+ "epoch": 167.65,
2918
+ "learning_rate": 0.00011222222222222223,
2919
+ "learning_rate_embeddings": 0.00011222222222222223,
2920
+ "loss": 2.1605,
2921
+ "step": 199500
2922
+ },
2923
+ {
2924
+ "epoch": 168.07,
2925
+ "learning_rate": 0.0001111111111111111,
2926
+ "learning_rate_embeddings": 0.0001111111111111111,
2927
+ "loss": 2.1679,
2928
+ "step": 200000
2929
+ },
2930
+ {
2931
+ "epoch": 168.07,
2932
+ "eval_loss": 2.330087661743164,
2933
+ "eval_runtime": 117.8736,
2934
+ "eval_samples_per_second": 574.412,
2935
+ "eval_steps_per_second": 4.488,
2936
+ "step": 200000
2937
+ },
2938
+ {
2939
+ "epoch": 168.49,
2940
+ "learning_rate": 0.00011,
2941
+ "learning_rate_embeddings": 0.00011,
2942
+ "loss": 2.1569,
2943
+ "step": 200500
2944
+ },
2945
+ {
2946
+ "epoch": 168.91,
2947
+ "learning_rate": 0.00010888888888888888,
2948
+ "learning_rate_embeddings": 0.00010888888888888888,
2949
+ "loss": 2.1558,
2950
+ "step": 201000
2951
+ },
2952
+ {
2953
+ "epoch": 169.33,
2954
+ "learning_rate": 0.00010777777777777778,
2955
+ "learning_rate_embeddings": 0.00010777777777777778,
2956
+ "loss": 2.1498,
2957
+ "step": 201500
2958
+ },
2959
+ {
2960
+ "epoch": 169.75,
2961
+ "learning_rate": 0.00010666666666666668,
2962
+ "learning_rate_embeddings": 0.00010666666666666668,
2963
+ "loss": 2.1562,
2964
+ "step": 202000
2965
+ },
2966
+ {
2967
+ "epoch": 170.17,
2968
+ "learning_rate": 0.00010555555555555555,
2969
+ "learning_rate_embeddings": 0.00010555555555555555,
2970
+ "loss": 2.1641,
2971
+ "step": 202500
2972
+ },
2973
+ {
2974
+ "epoch": 170.59,
2975
+ "learning_rate": 0.00010444444444444445,
2976
+ "learning_rate_embeddings": 0.00010444444444444445,
2977
+ "loss": 2.1579,
2978
+ "step": 203000
2979
+ },
2980
+ {
2981
+ "epoch": 171.01,
2982
+ "learning_rate": 0.00010333333333333333,
2983
+ "learning_rate_embeddings": 0.00010333333333333333,
2984
+ "loss": 2.1755,
2985
+ "step": 203500
2986
+ },
2987
+ {
2988
+ "epoch": 171.43,
2989
+ "learning_rate": 0.00010222222222222223,
2990
+ "learning_rate_embeddings": 0.00010222222222222223,
2991
+ "loss": 2.1546,
2992
+ "step": 204000
2993
+ },
2994
+ {
2995
+ "epoch": 171.85,
2996
+ "learning_rate": 0.00010111111111111112,
2997
+ "learning_rate_embeddings": 0.00010111111111111112,
2998
+ "loss": 2.1662,
2999
+ "step": 204500
3000
+ },
3001
+ {
3002
+ "epoch": 172.27,
3003
+ "learning_rate": 0.0001,
3004
+ "learning_rate_embeddings": 0.0001,
3005
+ "loss": 2.1624,
3006
+ "step": 205000
3007
+ },
3008
+ {
3009
+ "epoch": 172.69,
3010
+ "learning_rate": 9.888888888888889e-05,
3011
+ "learning_rate_embeddings": 9.888888888888889e-05,
3012
+ "loss": 2.1639,
3013
+ "step": 205500
3014
+ },
3015
+ {
3016
+ "epoch": 173.11,
3017
+ "learning_rate": 9.777777777777778e-05,
3018
+ "learning_rate_embeddings": 9.777777777777778e-05,
3019
+ "loss": 2.1687,
3020
+ "step": 206000
3021
+ },
3022
+ {
3023
+ "epoch": 173.53,
3024
+ "learning_rate": 9.666666666666667e-05,
3025
+ "learning_rate_embeddings": 9.666666666666667e-05,
3026
+ "loss": 2.165,
3027
+ "step": 206500
3028
+ },
3029
+ {
3030
+ "epoch": 173.95,
3031
+ "learning_rate": 9.555555555555557e-05,
3032
+ "learning_rate_embeddings": 9.555555555555557e-05,
3033
+ "loss": 2.1599,
3034
+ "step": 207000
3035
+ },
3036
+ {
3037
+ "epoch": 174.37,
3038
+ "learning_rate": 9.444444444444444e-05,
3039
+ "learning_rate_embeddings": 9.444444444444444e-05,
3040
+ "loss": 2.1465,
3041
+ "step": 207500
3042
+ },
3043
+ {
3044
+ "epoch": 174.79,
3045
+ "learning_rate": 9.333333333333334e-05,
3046
+ "learning_rate_embeddings": 9.333333333333334e-05,
3047
+ "loss": 2.1523,
3048
+ "step": 208000
3049
+ },
3050
+ {
3051
+ "epoch": 175.21,
3052
+ "learning_rate": 9.222222222222222e-05,
3053
+ "learning_rate_embeddings": 9.222222222222222e-05,
3054
+ "loss": 2.1502,
3055
+ "step": 208500
3056
+ },
3057
+ {
3058
+ "epoch": 175.63,
3059
+ "learning_rate": 9.111111111111112e-05,
3060
+ "learning_rate_embeddings": 9.111111111111112e-05,
3061
+ "loss": 2.153,
3062
+ "step": 209000
3063
+ },
3064
+ {
3065
+ "epoch": 176.05,
3066
+ "learning_rate": 8.999999999999999e-05,
3067
+ "learning_rate_embeddings": 8.999999999999999e-05,
3068
+ "loss": 2.1602,
3069
+ "step": 209500
3070
+ },
3071
+ {
3072
+ "epoch": 176.47,
3073
+ "learning_rate": 8.888888888888889e-05,
3074
+ "learning_rate_embeddings": 8.888888888888889e-05,
3075
+ "loss": 2.1502,
3076
+ "step": 210000
3077
+ },
3078
+ {
3079
+ "epoch": 176.89,
3080
+ "learning_rate": 8.777777777777778e-05,
3081
+ "learning_rate_embeddings": 8.777777777777778e-05,
3082
+ "loss": 2.1581,
3083
+ "step": 210500
3084
+ },
3085
+ {
3086
+ "epoch": 177.31,
3087
+ "learning_rate": 8.666666666666667e-05,
3088
+ "learning_rate_embeddings": 8.666666666666667e-05,
3089
+ "loss": 2.1499,
3090
+ "step": 211000
3091
+ },
3092
+ {
3093
+ "epoch": 177.73,
3094
+ "learning_rate": 8.555555555555556e-05,
3095
+ "learning_rate_embeddings": 8.555555555555556e-05,
3096
+ "loss": 2.145,
3097
+ "step": 211500
3098
+ },
3099
+ {
3100
+ "epoch": 178.15,
3101
+ "learning_rate": 8.444444444444444e-05,
3102
+ "learning_rate_embeddings": 8.444444444444444e-05,
3103
+ "loss": 2.1601,
3104
+ "step": 212000
3105
+ },
3106
+ {
3107
+ "epoch": 178.57,
3108
+ "learning_rate": 8.333333333333333e-05,
3109
+ "learning_rate_embeddings": 8.333333333333333e-05,
3110
+ "loss": 2.1498,
3111
+ "step": 212500
3112
+ },
3113
+ {
3114
+ "epoch": 178.57,
3115
+ "eval_loss": 2.323934555053711,
3116
+ "eval_runtime": 118.086,
3117
+ "eval_samples_per_second": 573.379,
3118
+ "eval_steps_per_second": 4.48,
3119
+ "step": 212500
3120
+ },
3121
+ {
3122
+ "epoch": 178.99,
3123
+ "learning_rate": 8.222222222222223e-05,
3124
+ "learning_rate_embeddings": 8.222222222222223e-05,
3125
+ "loss": 2.1592,
3126
+ "step": 213000
3127
+ },
3128
+ {
3129
+ "epoch": 179.41,
3130
+ "learning_rate": 8.11111111111111e-05,
3131
+ "learning_rate_embeddings": 8.11111111111111e-05,
3132
+ "loss": 2.1557,
3133
+ "step": 213500
3134
+ },
3135
+ {
3136
+ "epoch": 179.83,
3137
+ "learning_rate": 8e-05,
3138
+ "learning_rate_embeddings": 8e-05,
3139
+ "loss": 2.154,
3140
+ "step": 214000
3141
+ },
3142
+ {
3143
+ "epoch": 180.25,
3144
+ "learning_rate": 7.888888888888888e-05,
3145
+ "learning_rate_embeddings": 7.888888888888888e-05,
3146
+ "loss": 2.1584,
3147
+ "step": 214500
3148
+ },
3149
+ {
3150
+ "epoch": 180.67,
3151
+ "learning_rate": 7.777777777777778e-05,
3152
+ "learning_rate_embeddings": 7.777777777777778e-05,
3153
+ "loss": 2.1604,
3154
+ "step": 215000
3155
+ },
3156
+ {
3157
+ "epoch": 181.09,
3158
+ "learning_rate": 7.666666666666667e-05,
3159
+ "learning_rate_embeddings": 7.666666666666667e-05,
3160
+ "loss": 2.1608,
3161
+ "step": 215500
3162
+ },
3163
+ {
3164
+ "epoch": 181.51,
3165
+ "learning_rate": 7.555555555555556e-05,
3166
+ "learning_rate_embeddings": 7.555555555555556e-05,
3167
+ "loss": 2.1534,
3168
+ "step": 216000
3169
+ },
3170
+ {
3171
+ "epoch": 181.93,
3172
+ "learning_rate": 7.444444444444444e-05,
3173
+ "learning_rate_embeddings": 7.444444444444444e-05,
3174
+ "loss": 2.1523,
3175
+ "step": 216500
3176
+ },
3177
+ {
3178
+ "epoch": 182.35,
3179
+ "learning_rate": 7.333333333333333e-05,
3180
+ "learning_rate_embeddings": 7.333333333333333e-05,
3181
+ "loss": 2.1446,
3182
+ "step": 217000
3183
+ },
3184
+ {
3185
+ "epoch": 182.77,
3186
+ "learning_rate": 7.222222222222222e-05,
3187
+ "learning_rate_embeddings": 7.222222222222222e-05,
3188
+ "loss": 2.1628,
3189
+ "step": 217500
3190
+ },
3191
+ {
3192
+ "epoch": 183.19,
3193
+ "learning_rate": 7.11111111111111e-05,
3194
+ "learning_rate_embeddings": 7.11111111111111e-05,
3195
+ "loss": 2.1528,
3196
+ "step": 218000
3197
+ },
3198
+ {
3199
+ "epoch": 183.61,
3200
+ "learning_rate": 7.000000000000001e-05,
3201
+ "learning_rate_embeddings": 7.000000000000001e-05,
3202
+ "loss": 2.15,
3203
+ "step": 218500
3204
+ },
3205
+ {
3206
+ "epoch": 184.03,
3207
+ "learning_rate": 6.88888888888889e-05,
3208
+ "learning_rate_embeddings": 6.88888888888889e-05,
3209
+ "loss": 2.1555,
3210
+ "step": 219000
3211
+ },
3212
+ {
3213
+ "epoch": 184.45,
3214
+ "learning_rate": 6.777777777777778e-05,
3215
+ "learning_rate_embeddings": 6.777777777777778e-05,
3216
+ "loss": 2.1445,
3217
+ "step": 219500
3218
+ },
3219
+ {
3220
+ "epoch": 184.87,
3221
+ "learning_rate": 6.666666666666667e-05,
3222
+ "learning_rate_embeddings": 6.666666666666667e-05,
3223
+ "loss": 2.1531,
3224
+ "step": 220000
3225
+ },
3226
+ {
3227
+ "epoch": 185.29,
3228
+ "learning_rate": 6.555555555555556e-05,
3229
+ "learning_rate_embeddings": 6.555555555555556e-05,
3230
+ "loss": 2.1524,
3231
+ "step": 220500
3232
+ },
3233
+ {
3234
+ "epoch": 185.71,
3235
+ "learning_rate": 6.444444444444444e-05,
3236
+ "learning_rate_embeddings": 6.444444444444444e-05,
3237
+ "loss": 2.1533,
3238
+ "step": 221000
3239
+ },
3240
+ {
3241
+ "epoch": 186.13,
3242
+ "learning_rate": 6.333333333333335e-05,
3243
+ "learning_rate_embeddings": 6.333333333333335e-05,
3244
+ "loss": 2.1517,
3245
+ "step": 221500
3246
+ },
3247
+ {
3248
+ "epoch": 186.55,
3249
+ "learning_rate": 6.222222222222222e-05,
3250
+ "learning_rate_embeddings": 6.222222222222222e-05,
3251
+ "loss": 2.147,
3252
+ "step": 222000
3253
+ },
3254
+ {
3255
+ "epoch": 186.97,
3256
+ "learning_rate": 6.111111111111111e-05,
3257
+ "learning_rate_embeddings": 6.111111111111111e-05,
3258
+ "loss": 2.1503,
3259
+ "step": 222500
3260
+ },
3261
+ {
3262
+ "epoch": 187.39,
3263
+ "learning_rate": 6e-05,
3264
+ "learning_rate_embeddings": 6e-05,
3265
+ "loss": 2.1482,
3266
+ "step": 223000
3267
+ },
3268
+ {
3269
+ "epoch": 187.81,
3270
+ "learning_rate": 5.888888888888889e-05,
3271
+ "learning_rate_embeddings": 5.888888888888889e-05,
3272
+ "loss": 2.1409,
3273
+ "step": 223500
3274
+ },
3275
+ {
3276
+ "epoch": 188.24,
3277
+ "learning_rate": 5.7777777777777776e-05,
3278
+ "learning_rate_embeddings": 5.7777777777777776e-05,
3279
+ "loss": 2.1478,
3280
+ "step": 224000
3281
+ },
3282
+ {
3283
+ "epoch": 188.66,
3284
+ "learning_rate": 5.6666666666666664e-05,
3285
+ "learning_rate_embeddings": 5.6666666666666664e-05,
3286
+ "loss": 2.1479,
3287
+ "step": 224500
3288
+ },
3289
+ {
3290
+ "epoch": 189.08,
3291
+ "learning_rate": 5.555555555555555e-05,
3292
+ "learning_rate_embeddings": 5.555555555555555e-05,
3293
+ "loss": 2.1633,
3294
+ "step": 225000
3295
+ },
3296
+ {
3297
+ "epoch": 189.08,
3298
+ "eval_loss": 2.321134567260742,
3299
+ "eval_runtime": 117.9835,
3300
+ "eval_samples_per_second": 573.877,
3301
+ "eval_steps_per_second": 4.484,
3302
+ "step": 225000
3303
+ },
3304
+ {
3305
+ "epoch": 189.5,
3306
+ "learning_rate": 5.444444444444444e-05,
3307
+ "learning_rate_embeddings": 5.444444444444444e-05,
3308
+ "loss": 2.1425,
3309
+ "step": 225500
3310
+ },
3311
+ {
3312
+ "epoch": 189.92,
3313
+ "learning_rate": 5.333333333333334e-05,
3314
+ "learning_rate_embeddings": 5.333333333333334e-05,
3315
+ "loss": 2.1498,
3316
+ "step": 226000
3317
+ },
3318
+ {
3319
+ "epoch": 190.34,
3320
+ "learning_rate": 5.222222222222223e-05,
3321
+ "learning_rate_embeddings": 5.222222222222223e-05,
3322
+ "loss": 2.1415,
3323
+ "step": 226500
3324
+ },
3325
+ {
3326
+ "epoch": 190.76,
3327
+ "learning_rate": 5.1111111111111115e-05,
3328
+ "learning_rate_embeddings": 5.1111111111111115e-05,
3329
+ "loss": 2.145,
3330
+ "step": 227000
3331
+ },
3332
+ {
3333
+ "epoch": 191.18,
3334
+ "learning_rate": 5e-05,
3335
+ "learning_rate_embeddings": 5e-05,
3336
+ "loss": 2.1516,
3337
+ "step": 227500
3338
+ },
3339
+ {
3340
+ "epoch": 191.6,
3341
+ "learning_rate": 4.888888888888889e-05,
3342
+ "learning_rate_embeddings": 4.888888888888889e-05,
3343
+ "loss": 2.1514,
3344
+ "step": 228000
3345
+ },
3346
+ {
3347
+ "epoch": 192.02,
3348
+ "learning_rate": 4.7777777777777784e-05,
3349
+ "learning_rate_embeddings": 4.7777777777777784e-05,
3350
+ "loss": 2.14,
3351
+ "step": 228500
3352
+ },
3353
+ {
3354
+ "epoch": 192.44,
3355
+ "learning_rate": 4.666666666666667e-05,
3356
+ "learning_rate_embeddings": 4.666666666666667e-05,
3357
+ "loss": 2.1454,
3358
+ "step": 229000
3359
+ },
3360
+ {
3361
+ "epoch": 192.86,
3362
+ "learning_rate": 4.555555555555556e-05,
3363
+ "learning_rate_embeddings": 4.555555555555556e-05,
3364
+ "loss": 2.1453,
3365
+ "step": 229500
3366
+ },
3367
+ {
3368
+ "epoch": 193.28,
3369
+ "learning_rate": 4.4444444444444447e-05,
3370
+ "learning_rate_embeddings": 4.4444444444444447e-05,
3371
+ "loss": 2.151,
3372
+ "step": 230000
3373
+ },
3374
+ {
3375
+ "epoch": 193.7,
3376
+ "learning_rate": 4.3333333333333334e-05,
3377
+ "learning_rate_embeddings": 4.3333333333333334e-05,
3378
+ "loss": 2.144,
3379
+ "step": 230500
3380
+ },
3381
+ {
3382
+ "epoch": 194.12,
3383
+ "learning_rate": 4.222222222222222e-05,
3384
+ "learning_rate_embeddings": 4.222222222222222e-05,
3385
+ "loss": 2.1479,
3386
+ "step": 231000
3387
+ },
3388
+ {
3389
+ "epoch": 194.54,
3390
+ "learning_rate": 4.1111111111111116e-05,
3391
+ "learning_rate_embeddings": 4.1111111111111116e-05,
3392
+ "loss": 2.1408,
3393
+ "step": 231500
3394
+ },
3395
+ {
3396
+ "epoch": 194.96,
3397
+ "learning_rate": 4e-05,
3398
+ "learning_rate_embeddings": 4e-05,
3399
+ "loss": 2.1473,
3400
+ "step": 232000
3401
+ },
3402
+ {
3403
+ "epoch": 195.38,
3404
+ "learning_rate": 3.888888888888889e-05,
3405
+ "learning_rate_embeddings": 3.888888888888889e-05,
3406
+ "loss": 2.1388,
3407
+ "step": 232500
3408
+ },
3409
+ {
3410
+ "epoch": 195.8,
3411
+ "learning_rate": 3.777777777777778e-05,
3412
+ "learning_rate_embeddings": 3.777777777777778e-05,
3413
+ "loss": 2.1355,
3414
+ "step": 233000
3415
+ },
3416
+ {
3417
+ "epoch": 196.22,
3418
+ "learning_rate": 3.6666666666666666e-05,
3419
+ "learning_rate_embeddings": 3.6666666666666666e-05,
3420
+ "loss": 2.1448,
3421
+ "step": 233500
3422
+ },
3423
+ {
3424
+ "epoch": 196.64,
3425
+ "learning_rate": 3.555555555555555e-05,
3426
+ "learning_rate_embeddings": 3.555555555555555e-05,
3427
+ "loss": 2.136,
3428
+ "step": 234000
3429
+ },
3430
+ {
3431
+ "epoch": 197.06,
3432
+ "learning_rate": 3.444444444444445e-05,
3433
+ "learning_rate_embeddings": 3.444444444444445e-05,
3434
+ "loss": 2.1362,
3435
+ "step": 234500
3436
+ },
3437
+ {
3438
+ "epoch": 197.48,
3439
+ "learning_rate": 3.3333333333333335e-05,
3440
+ "learning_rate_embeddings": 3.3333333333333335e-05,
3441
+ "loss": 2.1379,
3442
+ "step": 235000
3443
+ },
3444
+ {
3445
+ "epoch": 197.9,
3446
+ "learning_rate": 3.222222222222222e-05,
3447
+ "learning_rate_embeddings": 3.222222222222222e-05,
3448
+ "loss": 2.1405,
3449
+ "step": 235500
3450
+ },
3451
+ {
3452
+ "epoch": 198.32,
3453
+ "learning_rate": 3.111111111111111e-05,
3454
+ "learning_rate_embeddings": 3.111111111111111e-05,
3455
+ "loss": 2.1439,
3456
+ "step": 236000
3457
+ },
3458
+ {
3459
+ "epoch": 198.74,
3460
+ "learning_rate": 3e-05,
3461
+ "learning_rate_embeddings": 3e-05,
3462
+ "loss": 2.1311,
3463
+ "step": 236500
3464
+ },
3465
+ {
3466
+ "epoch": 199.16,
3467
+ "learning_rate": 2.8888888888888888e-05,
3468
+ "learning_rate_embeddings": 2.8888888888888888e-05,
3469
+ "loss": 2.1411,
3470
+ "step": 237000
3471
+ },
3472
+ {
3473
+ "epoch": 199.58,
3474
+ "learning_rate": 2.7777777777777776e-05,
3475
+ "learning_rate_embeddings": 2.7777777777777776e-05,
3476
+ "loss": 2.1369,
3477
+ "step": 237500
3478
+ },
3479
+ {
3480
+ "epoch": 199.58,
3481
+ "eval_loss": 2.3181934356689453,
3482
+ "eval_runtime": 117.8788,
3483
+ "eval_samples_per_second": 574.387,
3484
+ "eval_steps_per_second": 4.488,
3485
+ "step": 237500
3486
+ },
3487
+ {
3488
+ "epoch": 200.0,
3489
+ "learning_rate": 2.666666666666667e-05,
3490
+ "learning_rate_embeddings": 2.666666666666667e-05,
3491
+ "loss": 2.143,
3492
+ "step": 238000
3493
+ },
3494
+ {
3495
+ "epoch": 200.42,
3496
+ "learning_rate": 2.5555555555555557e-05,
3497
+ "learning_rate_embeddings": 2.5555555555555557e-05,
3498
+ "loss": 2.134,
3499
+ "step": 238500
3500
+ },
3501
+ {
3502
+ "epoch": 200.84,
3503
+ "learning_rate": 2.4444444444444445e-05,
3504
+ "learning_rate_embeddings": 2.4444444444444445e-05,
3505
+ "loss": 2.1366,
3506
+ "step": 239000
3507
+ },
3508
+ {
3509
+ "epoch": 201.26,
3510
+ "learning_rate": 2.3333333333333336e-05,
3511
+ "learning_rate_embeddings": 2.3333333333333336e-05,
3512
+ "loss": 2.1355,
3513
+ "step": 239500
3514
+ },
3515
+ {
3516
+ "epoch": 201.68,
3517
+ "learning_rate": 2.2222222222222223e-05,
3518
+ "learning_rate_embeddings": 2.2222222222222223e-05,
3519
+ "loss": 2.1378,
3520
+ "step": 240000
3521
+ },
3522
+ {
3523
+ "epoch": 202.1,
3524
+ "learning_rate": 2.111111111111111e-05,
3525
+ "learning_rate_embeddings": 2.111111111111111e-05,
3526
+ "loss": 2.1364,
3527
+ "step": 240500
3528
+ },
3529
+ {
3530
+ "epoch": 202.52,
3531
+ "learning_rate": 2e-05,
3532
+ "learning_rate_embeddings": 2e-05,
3533
+ "loss": 2.1378,
3534
+ "step": 241000
3535
+ },
3536
+ {
3537
+ "epoch": 202.94,
3538
+ "learning_rate": 1.888888888888889e-05,
3539
+ "learning_rate_embeddings": 1.888888888888889e-05,
3540
+ "loss": 2.1364,
3541
+ "step": 241500
3542
+ },
3543
+ {
3544
+ "epoch": 203.36,
3545
+ "learning_rate": 1.7777777777777777e-05,
3546
+ "learning_rate_embeddings": 1.7777777777777777e-05,
3547
+ "loss": 2.1386,
3548
+ "step": 242000
3549
+ },
3550
+ {
3551
+ "epoch": 203.78,
3552
+ "learning_rate": 1.6666666666666667e-05,
3553
+ "learning_rate_embeddings": 1.6666666666666667e-05,
3554
+ "loss": 2.1351,
3555
+ "step": 242500
3556
+ },
3557
+ {
3558
+ "epoch": 204.2,
3559
+ "learning_rate": 1.5555555555555555e-05,
3560
+ "learning_rate_embeddings": 1.5555555555555555e-05,
3561
+ "loss": 2.1299,
3562
+ "step": 243000
3563
+ },
3564
+ {
3565
+ "epoch": 204.62,
3566
+ "learning_rate": 1.4444444444444444e-05,
3567
+ "learning_rate_embeddings": 1.4444444444444444e-05,
3568
+ "loss": 2.1334,
3569
+ "step": 243500
3570
+ },
3571
+ {
3572
+ "epoch": 205.04,
3573
+ "learning_rate": 1.3333333333333335e-05,
3574
+ "learning_rate_embeddings": 1.3333333333333335e-05,
3575
+ "loss": 2.1388,
3576
+ "step": 244000
3577
+ },
3578
+ {
3579
+ "epoch": 205.46,
3580
+ "learning_rate": 1.2222222222222222e-05,
3581
+ "learning_rate_embeddings": 1.2222222222222222e-05,
3582
+ "loss": 2.126,
3583
+ "step": 244500
3584
+ },
3585
+ {
3586
+ "epoch": 205.88,
3587
+ "learning_rate": 1.1111111111111112e-05,
3588
+ "learning_rate_embeddings": 1.1111111111111112e-05,
3589
+ "loss": 2.1353,
3590
+ "step": 245000
3591
+ },
3592
+ {
3593
+ "epoch": 206.3,
3594
+ "learning_rate": 1e-05,
3595
+ "learning_rate_embeddings": 1e-05,
3596
+ "loss": 2.1333,
3597
+ "step": 245500
3598
+ },
3599
+ {
3600
+ "epoch": 206.72,
3601
+ "learning_rate": 8.888888888888888e-06,
3602
+ "learning_rate_embeddings": 8.888888888888888e-06,
3603
+ "loss": 2.1291,
3604
+ "step": 246000
3605
+ },
3606
+ {
3607
+ "epoch": 207.14,
3608
+ "learning_rate": 7.777777777777777e-06,
3609
+ "learning_rate_embeddings": 7.777777777777777e-06,
3610
+ "loss": 2.1352,
3611
+ "step": 246500
3612
+ },
3613
+ {
3614
+ "epoch": 207.56,
3615
+ "learning_rate": 6.6666666666666675e-06,
3616
+ "learning_rate_embeddings": 6.6666666666666675e-06,
3617
+ "loss": 2.1403,
3618
+ "step": 247000
3619
+ },
3620
+ {
3621
+ "epoch": 207.98,
3622
+ "learning_rate": 5.555555555555556e-06,
3623
+ "learning_rate_embeddings": 5.555555555555556e-06,
3624
+ "loss": 2.1278,
3625
+ "step": 247500
3626
+ },
3627
+ {
3628
+ "epoch": 208.4,
3629
+ "learning_rate": 4.444444444444444e-06,
3630
+ "learning_rate_embeddings": 4.444444444444444e-06,
3631
+ "loss": 2.1254,
3632
+ "step": 248000
3633
+ },
3634
+ {
3635
+ "epoch": 208.82,
3636
+ "learning_rate": 3.3333333333333337e-06,
3637
+ "learning_rate_embeddings": 3.3333333333333337e-06,
3638
+ "loss": 2.1348,
3639
+ "step": 248500
3640
+ },
3641
+ {
3642
+ "epoch": 209.24,
3643
+ "learning_rate": 2.222222222222222e-06,
3644
+ "learning_rate_embeddings": 2.222222222222222e-06,
3645
+ "loss": 2.1306,
3646
+ "step": 249000
3647
+ },
3648
+ {
3649
+ "epoch": 209.66,
3650
+ "learning_rate": 1.111111111111111e-06,
3651
+ "learning_rate_embeddings": 1.111111111111111e-06,
3652
+ "loss": 2.1266,
3653
+ "step": 249500
3654
+ },
3655
+ {
3656
+ "epoch": 210.08,
3657
+ "learning_rate": 0.0,
3658
+ "learning_rate_embeddings": 0.0,
3659
+ "loss": 2.1316,
3660
+ "step": 250000
3661
+ },
3662
+ {
3663
+ "epoch": 210.08,
3664
+ "eval_loss": 2.3166539669036865,
3665
+ "eval_runtime": 117.9198,
3666
+ "eval_samples_per_second": 574.187,
3667
+ "eval_steps_per_second": 4.486,
3668
+ "step": 250000
3669
+ }
3670
+ ],
3671
+ "max_steps": 250000,
3672
+ "num_train_epochs": 211,
3673
+ "total_flos": 4.18242839445504e+18,
3674
+ "trial_name": null,
3675
+ "trial_params": null
3676
+ }
training_args.bin ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:bbd1908fc8d370d186b01a876f55f855779baf9597e41f409fbe65507e7e0098
3
+ size 2927
vocab.json ADDED
The diff for this file is too large to render. See raw diff