learning_rate: 5e-05
train_batch_size: 2
eval_batch_size: 2
seed: 42
distributed_type: multi-GPU
num_devices: 8
gradient_accumulation_steps: 2
total_train_batch_size: 32
total_eval_batch_size: 16
optimizer: Use OptimizerNames.ADAMW_TORCH_FUSED with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: cosine
lr_scheduler_warmup_ratio: 0.05
num_epochs: 1.0

Training Loss	Epoch	Step	Validation Loss
0.2558	0.0194	100	0.2367
0.1315	0.0388	200	0.1327
0.11	0.0582	300	0.1104
0.1012	0.0775	400	0.1001
0.0926	0.0969	500	0.0948
0.092	0.1163	600	0.0913
0.0866	0.1357	700	0.0884
0.0846	0.1551	800	0.0864
0.0843	0.1745	900	0.0848
0.08	0.1939	1000	0.0834
0.0813	0.2132	1100	0.0823
0.0801	0.2326	1200	0.0812
0.0814	0.2520	1300	0.0801
0.0781	0.2714	1400	0.0792
0.0774	0.2908	1500	0.0785
0.0754	0.3102	1600	0.0777
0.078	0.3296	1700	0.0771
0.0758	0.3489	1800	0.0763
0.074	0.3683	1900	0.0758
0.0731	0.3877	2000	0.0751
0.0739	0.4071	2100	0.0746
0.0736	0.4265	2200	0.0740
0.0739	0.4459	2300	0.0737
0.0692	0.4653	2400	0.0731
0.0712	0.4846	2500	0.0726
0.0714	0.5040	2600	0.0721
0.0698	0.5234	2700	0.0718
0.0718	0.5428	2800	0.0712
0.0691	0.5622	2900	0.0709
0.0693	0.5816	3000	0.0705
0.0691	0.6009	3100	0.0700
0.0707	0.6203	3200	0.0696
0.0693	0.6397	3300	0.0693
0.0694	0.6591	3400	0.0689
0.0687	0.6785	3500	0.0686
0.0659	0.6979	3600	0.0682
0.0658	0.7173	3700	0.0678
0.0677	0.7366	3800	0.0676
0.0671	0.7560	3900	0.0672
0.0662	0.7754	4000	0.0670
0.0675	0.7948	4100	0.0667
0.0665	0.8142	4200	0.0665
0.0644	0.8336	4300	0.0662
0.0643	0.8530	4400	0.0661
0.0636	0.8723	4500	0.0659
0.0667	0.8917	4600	0.0658
0.0644	0.9111	4700	0.0657
0.0654	0.9305	4800	0.0656
0.0662	0.9499	4900	0.0655
0.0651	0.9693	5000	0.0655
0.0642	0.9887	5100	0.0655

formalmathatepfl/OLMo-3-7B-finetuned

olmo3-lean-sft