learning_rate: 0.001
train_batch_size: 8
eval_batch_size: 8
seed: 42
gradient_accumulation_steps: 2
total_train_batch_size: 16
optimizer: Use OptimizerNames.ADAMW_TORCH with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: linear
lr_scheduler_warmup_steps: 100
num_epochs: 15
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Cer	Wer
0.6561	0.1762	200	0.5488	0.1709	0.8063
0.5184	0.3524	400	0.4763	0.1553	0.7542
0.4737	0.5286	600	0.4499	0.1455	0.7187
0.4482	0.7048	800	0.4106	0.1327	0.6830
0.4239	0.8811	1000	0.4123	0.1325	0.6827
0.3968	1.0573	1200	0.4069	0.1306	0.6743
0.4092	1.2335	1400	0.3814	0.1248	0.6495
0.4052	1.4097	1600	0.3746	0.1229	0.6473
0.3912	1.5859	1800	0.3828	0.1219	0.6487
0.3712	1.7621	2000	0.3624	0.1175	0.6263
0.3796	1.9383	2200	0.3600	0.1211	0.6593
0.3556	2.1145	2400	0.3544	0.1179	0.6393
0.3636	2.2907	2600	0.3527	0.1158	0.6248
0.3662	2.4670	2800	0.3484	0.1143	0.6176
0.3477	2.6432	3000	0.3405	0.1133	0.6088
0.3633	2.8194	3200	0.3430	0.1151	0.6182
0.3584	2.9956	3400	0.3439	0.1158	0.6259
0.3488	3.1718	3600	0.3465	0.1153	0.6283
0.3425	3.3480	3800	0.3393	0.1107	0.5959
0.3312	3.5242	4000	0.3371	0.1130	0.6077
0.339	3.7004	4200	0.3395	0.1117	0.5997
0.3301	3.8767	4400	0.3340	0.1109	0.5973
0.3335	4.0529	4600	0.3389	0.1114	0.6052
0.3276	4.2291	4800	0.3280	0.1112	0.6076
0.3276	4.4053	5000	0.3359	0.1137	0.6056
0.3159	4.5815	5200	0.3262	0.1097	0.5929
0.325	4.7577	5400	0.3207	0.1073	0.5837
0.3196	4.9339	5600	0.3299	0.1107	0.6048
0.3101	5.1101	5800	0.3153	0.1063	0.5872
0.3114	5.2863	6000	0.3205	0.1064	0.5827
0.3029	5.4626	6200	0.3102	0.1056	0.5788
0.3169	5.6388	6400	0.3132	0.1049	0.5744
0.2966	5.8150	6600	0.3114	0.1049	0.5809
0.3127	5.9912	6800	0.3167	0.1069	0.5875
0.2977	6.1674	7000	0.3124	0.1054	0.5871
0.2919	6.3436	7200	0.3159	0.1066	0.5851
0.2942	6.5198	7400	0.3112	0.1039	0.5741
0.2933	6.6960	7600	0.3071	0.1045	0.5773
0.2994	6.8722	7800	0.3107	0.1048	0.5741
0.2922	7.0485	8000	0.3195	0.1054	0.5741
0.2902	7.2247	8200	0.3152	0.1051	0.5745
0.2794	7.4009	8400	0.3101	0.1042	0.5712
0.2804	7.5771	8600	0.3110	0.1041	0.5728
0.2868	7.7533	8800	0.3030	0.1033	0.5765
0.2873	7.9295	9000	0.3081	0.1037	0.5720
0.272	8.1057	9200	0.2972	0.1009	0.5596
0.2672	8.2819	9400	0.3066	0.1014	0.5630
0.2825	8.4581	9600	0.2982	0.1013	0.5651
0.2694	8.6344	9800	0.2984	0.1000	0.5487
0.2766	8.8106	10000	0.2987	0.0995	0.5500
0.2725	8.9868	10200	0.2996	0.1003	0.5548
0.2653	9.1630	10400	0.2929	0.0994	0.5546
0.2607	9.3392	10600	0.2942	0.0988	0.5513
0.2776	9.5154	10800	0.2956	0.0992	0.5521
0.2584	9.6916	11000	0.2924	0.0984	0.5493
0.2585	9.8678	11200	0.2940	0.0985	0.5509
0.2671	10.0441	11400	0.2933	0.0970	0.5433
0.2535	10.2203	11600	0.2898	0.0981	0.5453
0.2595	10.3965	11800	0.2878	0.0980	0.5517
0.2508	10.5727	12000	0.2868	0.0975	0.5451
0.2486	10.7489	12200	0.2905	0.0977	0.5459
0.2549	10.9251	12400	0.2900	0.0975	0.5440
0.2397	11.1013	12600	0.2880	0.0978	0.5463
0.2501	11.2775	12800	0.2856	0.0966	0.5413
0.2457	11.4537	13000	0.2866	0.0973	0.5401
0.2459	11.6300	13200	0.2867	0.0967	0.5426
0.2438	11.8062	13400	0.2829	0.0974	0.5455
0.2477	11.9824	13600	0.2823	0.0963	0.5433
0.2301	12.1586	13800	0.2817	0.0964	0.5420
0.2448	12.3348	14000	0.2807	0.0951	0.5351
0.242	12.5110	14200	0.2820	0.0955	0.5374
0.2313	12.6872	14400	0.2814	0.0948	0.5350
0.2375	12.8634	14600	0.2794	0.0951	0.5372
0.2365	13.0396	14800	0.2824	0.0948	0.5370
0.2243	13.2159	15000	0.2817	0.0947	0.5347
0.2297	13.3921	15200	0.2817	0.0949	0.5329
0.23	13.5683	15400	0.2815	0.0944	0.5294
0.225	13.7445	15600	0.2807	0.0953	0.5345
0.2416	13.9207	15800	0.2805	0.0953	0.5325
0.2276	14.0969	16000	0.2806	0.0948	0.5368
0.227	14.2731	16200	0.2789	0.0952	0.5334
0.2232	14.4493	16400	0.2786	0.0943	0.5282
0.2267	14.6256	16600	0.2771	0.0947	0.5326
0.2178	14.8018	16800	0.2774	0.0946	0.5329
0.2223	14.9780	17000	0.2775	0.0946	0.5334

Framework versions

Transformers 4.52.1
Pytorch 2.9.1+cu128
Datasets 3.6.0
Tokenizers 0.21.4

ctaguchi/ssc-kbd-mms-model-mix-adapt-max-longcv

ssc-kbd-mms-model-mix-adapt-max-longcv

Model description

Intended uses & limitations

Training and evaluation data

Training procedure

Training hyperparameters

Training results

Framework versions

ctaguchi/
ssc-kbd-mms-model-mix-adapt-max-longcv