Training Loss	Epoch	Step	Validation Loss	Input Tokens Seen
No log	0	0	1.3956	0
1.6431	0.0058	5	1.3921	264984
1.6241	0.0116	10	1.3641	535648
1.4051	0.0175	15	1.2992	800240
1.5876	0.0233	20	1.2507	1073112
1.3807	0.0291	25	1.1996	1347016
1.2183	0.0349	30	1.1734	1615616
1.1851	0.0407	35	1.1704	1880656
1.0742	0.0466	40	1.1514	2153152
1.0297	0.0524	45	1.1704	2424296
0.9492	0.0582	50	1.1980	2695960
0.7815	0.0640	55	1.2180	2962216
0.7623	0.0698	60	1.2289	3227360
0.7636	0.0756	65	1.2421	3500744
0.6613	0.0815	70	1.2315	3779408
0.6356	0.0873	75	1.2200	4053928
0.6672	0.0931	80	1.2323	4331008
0.5271	0.0989	85	1.2129	4602472
0.5037	0.1047	90	1.2189	4873224
0.4633	0.1106	95	1.2236	5147608
0.4207	0.1164	100	1.2128	5417824
0.4687	0.1222	105	1.2353	5696952
0.4262	0.1280	110	1.2156	5969312
0.337	0.1338	115	1.2143	6237376
0.4211	0.1397	120	1.2174	6503136
0.4425	0.1455	125	1.2196	6778056
0.3559	0.1513	130	1.2159	7044456
0.3527	0.1571	135	1.2179	7319944
0.3773	0.1629	140	1.2227	7595752
0.3808	0.1688	145	1.2085	7861112
0.2374	0.1746	150	1.2166	8132616
0.3131	0.1804	155	1.2032	8401248
0.3532	0.1862	160	1.2054	8674528
0.3413	0.1920	165	1.2023	8944928
0.2576	0.1978	170	1.2011	9216296
0.3644	0.2037	175	1.1936	9485720
0.3706	0.2095	180	1.1979	9756120
0.3878	0.2153	185	1.1899	10024952
0.2939	0.2211	190	1.1965	10299896
0.2989	0.2269	195	1.1915	10572560
0.2456	0.2328	200	1.1873	10846784
0.1816	0.2386	205	1.1903	11108672
0.239	0.2444	210	1.1874	11383016
0.2948	0.2502	215	1.1812	11661568
0.3583	0.2560	220	1.1855	11932480
0.2711	0.2619	225	1.1820	12199352
0.2866	0.2677	230	1.1806	12473000
0.3271	0.2735	235	1.1784	12744776
0.2437	0.2793	240	1.1869	13016800
0.2826	0.2851	245	1.1758	13288768
0.3314	0.2910	250	1.1756	13553368
0.2358	0.2968	255	1.1795	13821840
0.3026	0.3026	260	1.1727	14098640
0.2495	0.3084	265	1.1736	14374192
0.2872	0.3142	270	1.1759	14652616
0.2568	0.3200	275	1.1668	14938544
0.328	0.3259	280	1.1726	15213896
0.2527	0.3317	285	1.1672	15489920
0.3146	0.3375	290	1.1697	15759584
0.1983	0.3433	295	1.1637	16022096
0.2168	0.3491	300	1.1648	16293072
0.221	0.3550	305	1.1634	16561968
0.2198	0.3608	310	1.1575	16832872
0.2786	0.3666	315	1.1648	17105808
0.2173	0.3724	320	1.1617	17374320
0.2877	0.3782	325	1.1557	17647448
0.2808	0.3841	330	1.1635	17917328
0.2804	0.3899	335	1.1539	18193776
0.2334	0.3957	340	1.1550	18461696
0.2657	0.4015	345	1.1561	18724640
0.1737	0.4073	350	1.1495	19003296
0.2516	0.4132	355	1.1541	19280768
0.3132	0.4190	360	1.1517	19550224
0.2641	0.4248	365	1.1507	19819248
0.2591	0.4306	370	1.1512	20094128
0.215	0.4364	375	1.1495	20367488
0.2797	0.4422	380	1.1492	20642144
0.2126	0.4481	385	1.1504	20917808
0.3087	0.4539	390	1.1475	21184408
0.1771	0.4597	395	1.1451	21452160
0.2377	0.4655	400	1.1483	21718312
0.2599	0.4713	405	1.1438	21994088
0.2298	0.4772	410	1.1431	22268376
0.2435	0.4830	415	1.1492	22538448
0.2934	0.4888	420	1.1446	22814416
0.2063	0.4946	425	1.1420	23086096
0.2981	0.5004	430	1.1409	23356416
0.3038	0.5063	435	1.1370	23619720
0.2098	0.5121	440	1.1403	23892528
0.2594	0.5179	445	1.1364	24168608
0.2006	0.5237	450	1.1346	24440016
0.2499	0.5295	455	1.1387	24709424
0.2211	0.5354	460	1.1360	24990024
0.1828	0.5412	465	1.1355	25265688
0.2653	0.5470	470	1.1351	25542568
0.2151	0.5528	475	1.1322	25813784
0.1926	0.5586	480	1.1341	26086664
0.157	0.5644	485	1.1341	26356544
0.1892	0.5703	490	1.1333	26635400
0.3106	0.5761	495	1.1305	26904360
0.1614	0.5819	500	1.1326	27184040
0.167	0.5877	505	1.1315	27455864
0.3046	0.5935	510	1.1295	27728928
0.2692	0.5994	515	1.1292	27996232
0.2264	0.6052	520	1.1299	28263184
0.1975	0.6110	525	1.1311	28537608
0.2387	0.6168	530	1.1294	28813056
0.2272	0.6226	535	1.1277	29084176
0.2716	0.6285	540	1.1277	29362624
0.2671	0.6343	545	1.1302	29628688
0.2361	0.6401	550	1.1273	29902968
0.1919	0.6459	555	1.1264	30172120
0.2404	0.6517	560	1.1290	30445752
0.2735	0.6576	565	1.1292	30716584
0.2106	0.6634	570	1.1254	30985528
0.1771	0.6692	575	1.1271	31253904
0.261	0.6750	580	1.1262	31526560
0.2022	0.6808	585	1.1257	31801248
0.239	0.6866	590	1.1262	32080248
0.1411	0.6925	595	1.1238	32355240
0.1716	0.6983	600	1.1274	32629448
0.2373	0.7041	605	1.1242	32897784
0.1741	0.7099	610	1.1234	33176000
0.259	0.7157	615	1.1246	33445920
0.2467	0.7216	620	1.1224	33721408
0.2188	0.7274	625	1.1226	33995480
0.1498	0.7332	630	1.1243	34263184
0.2158	0.7390	635	1.1216	34536136
0.2308	0.7448	640	1.1227	34806344
0.2639	0.7507	645	1.1227	35081560
0.2219	0.7565	650	1.1216	35351968
0.2636	0.7623	655	1.1224	35634136
0.1625	0.7681	660	1.1211	35901584
0.2168	0.7739	665	1.1206	36168800
0.2333	0.7797	670	1.1210	36440928
0.2245	0.7856	675	1.1210	36707552
0.2281	0.7914	680	1.1211	36972984
0.1866	0.7972	685	1.1199	37242600
0.1528	0.8030	690	1.1214	37508736
0.1361	0.8088	695	1.1217	37776072
0.156	0.8147	700	1.1211	38051040
0.2196	0.8205	705	1.1203	38327440
0.1363	0.8263	710	1.1184	38599216
0.2088	0.8321	715	1.1204	38873840
0.1602	0.8379	720	1.1188	39142536
0.2504	0.8438	725	1.1176	39419640
0.212	0.8496	730	1.1182	39686288
0.2011	0.8554	735	1.1174	39958408
0.2094	0.8612	740	1.1175	40237848
0.2247	0.8670	745	1.1185	40505448
0.2153	0.8729	750	1.1166	40764696
0.1854	0.8787	755	1.1185	41037240
0.1969	0.8845	760	1.1189	41307488
0.158	0.8903	765	1.1161	41580360
0.2089	0.8961	770	1.1168	41856912
0.2437	0.9019	775	1.1183	42129208
0.1061	0.9078	780	1.1141	42409088
0.2042	0.9136	785	1.1142	42679096
0.2322	0.9194	790	1.1196	42942296
0.1988	0.9252	795	1.1157	43218264
0.2296	0.9310	800	1.1132	43483408
0.2049	0.9369	805	1.1147	43751320
0.2268	0.9427	810	1.1136	44025576
0.1569	0.9485	815	1.1144	44300560
0.2396	0.9543	820	1.1137	44569304
0.1751	0.9601	825	1.1126	44852352
0.2868	0.9660	830	1.1159	45129736
0.2112	0.9718	835	1.1127	45402976
0.2482	0.9776	840	1.1118	45672168
0.1128	0.9834	845	1.1142	45945280
0.2071	0.9892	850	1.1129	46216976
0.1574	0.9951	855	1.1140	46496856

Framework versions

Transformers 4.44.0
Pytorch 2.4.0+cu121
Datasets 2.20.0
Tokenizers 0.19.1

jkazdan/collapse_gemma-2-2b_hs2_accumulate_iter6_sftsd1

collapse_gemma-2-2b_hs2_accumulate_iter6_sftsd1

Model description

Intended uses & limitations

Training and evaluation data

Training procedure

Training hyperparameters

Training results

Framework versions

jkazdan/
collapse_gemma-2-2b_hs2_accumulate_iter6_sftsd1