Training Loss	Epoch	Step	Validation Loss	Input Tokens Seen
No log	0	0	1.3956	0
1.6281	0.0043	5	1.3934	274928
1.6766	0.0085	10	1.3767	544864
1.667	0.0128	15	1.3401	809432
1.509	0.0170	20	1.2828	1087464
1.4846	0.0213	25	1.2412	1359432
1.4854	0.0256	30	1.2019	1633040
1.3541	0.0298	35	1.1764	1897344
1.3155	0.0341	40	1.1756	2165096
1.0909	0.0384	45	1.1668	2444600
1.1077	0.0426	50	1.1836	2713008
0.9467	0.0469	55	1.1976	2984504
0.8303	0.0511	60	1.2374	3258672
0.7233	0.0554	65	1.2594	3526576
0.6752	0.0597	70	1.2789	3802264
0.6404	0.0639	75	1.2678	4073752
0.503	0.0682	80	1.2459	4336176
0.6266	0.0724	85	1.2244	4604864
0.4903	0.0767	90	1.2451	4879872
0.3967	0.0810	95	1.2479	5147992
0.478	0.0852	100	1.2385	5423432
0.3776	0.0895	105	1.2452	5690880
0.5358	0.0938	110	1.2197	5960008
0.3677	0.0980	115	1.2249	6227992
0.3285	0.1023	120	1.2273	6491128
0.3436	0.1065	125	1.2202	6750096
0.3619	0.1108	130	1.2275	7019536
0.2643	0.1151	135	1.2136	7290928
0.3383	0.1193	140	1.2097	7559208
0.2027	0.1236	145	1.2155	7833224
0.268	0.1278	150	1.2159	8099480
0.1734	0.1321	155	1.2109	8367592
0.2535	0.1364	160	1.2149	8642344
0.3114	0.1406	165	1.2048	8910480
0.2827	0.1449	170	1.2074	9185168
0.241	0.1492	175	1.2048	9457328
0.2103	0.1534	180	1.2092	9726280
0.2186	0.1577	185	1.2012	10003424
0.2764	0.1619	190	1.2015	10272208
0.3248	0.1662	195	1.2095	10544896
0.1936	0.1705	200	1.1958	10812488
0.2836	0.1747	205	1.2073	11089456
0.2181	0.1790	210	1.1978	11359256
0.2808	0.1832	215	1.2115	11622536
0.2303	0.1875	220	1.2023	11894088
0.2649	0.1918	225	1.1951	12169736
0.163	0.1960	230	1.2074	12438536
0.2623	0.2003	235	1.1926	12712496
0.2829	0.2045	240	1.1889	12973344
0.1654	0.2088	245	1.2087	13238288
0.2101	0.2131	250	1.1974	13497064
0.2679	0.2173	255	1.1970	13762864
0.21	0.2216	260	1.2069	14031040
0.2882	0.2259	265	1.1903	14305152
0.161	0.2301	270	1.1928	14565352
0.212	0.2344	275	1.1942	14832368
0.2318	0.2386	280	1.1857	15100944
0.2449	0.2429	285	1.1835	15373648
0.2106	0.2472	290	1.1859	15643152
0.1681	0.2514	295	1.1896	15916112
0.1699	0.2557	300	1.1857	16185920
0.1487	0.2599	305	1.1913	16451496
0.1664	0.2642	310	1.1857	16711480
0.187	0.2685	315	1.1839	16978216
0.1805	0.2727	320	1.1826	17252816
0.113	0.2770	325	1.1844	17524376
0.1424	0.2813	330	1.1780	17797640
0.1878	0.2855	335	1.1773	18070776
0.1559	0.2898	340	1.1812	18340296
0.1767	0.2940	345	1.1787	18607856
0.1796	0.2983	350	1.1758	18877784
0.1905	0.3026	355	1.1769	19145032
0.2067	0.3068	360	1.1701	19411080
0.1735	0.3111	365	1.1703	19683120
0.1467	0.3153	370	1.1710	19954368
0.1899	0.3196	375	1.1679	20220928
0.1742	0.3239	380	1.1711	20484120
0.1914	0.3281	385	1.1710	20756952
0.2192	0.3324	390	1.1657	21020880
0.1977	0.3367	395	1.1681	21289296
0.2191	0.3409	400	1.1701	21550608
0.2034	0.3452	405	1.1586	21819224
0.0956	0.3494	410	1.1638	22091752
0.2299	0.3537	415	1.1632	22362592
0.2555	0.3580	420	1.1605	22636728
0.1571	0.3622	425	1.1625	22904584
0.1971	0.3665	430	1.1617	23172496
0.184	0.3707	435	1.1643	23445400
0.1952	0.3750	440	1.1570	23714944
0.1909	0.3793	445	1.1621	23982496
0.1895	0.3835	450	1.1596	24260496
0.2287	0.3878	455	1.1568	24522088
0.2005	0.3921	460	1.1558	24794496
0.2329	0.3963	465	1.1526	25068160
0.1996	0.4006	470	1.1563	25338592
0.1696	0.4048	475	1.1597	25605840
0.1521	0.4091	480	1.1532	25868568
0.22	0.4134	485	1.1542	26134856
0.1432	0.4176	490	1.1551	26399024
0.2086	0.4219	495	1.1515	26672664
0.2092	0.4261	500	1.1499	26942488
0.2645	0.4304	505	1.1498	27215440
0.1131	0.4347	510	1.1493	27490712
0.1224	0.4389	515	1.1499	27763952
0.1864	0.4432	520	1.1474	28039296
0.1936	0.4475	525	1.1494	28312376
0.1106	0.4517	530	1.1513	28585312
0.1908	0.4560	535	1.1464	28865768
0.1765	0.4602	540	1.1448	29134744
0.1541	0.4645	545	1.1474	29409200
0.2046	0.4688	550	1.1473	29681272
0.2496	0.4730	555	1.1475	29955096
0.1368	0.4773	560	1.1476	30226144
0.1218	0.4815	565	1.1459	30504928
0.2231	0.4858	570	1.1427	30776800
0.163	0.4901	575	1.1443	31046360
0.2059	0.4943	580	1.1467	31322592
0.1813	0.4986	585	1.1417	31595528
0.1555	0.5028	590	1.1418	31860016
0.2493	0.5071	595	1.1478	32134176
0.2077	0.5114	600	1.1402	32404440
0.1179	0.5156	605	1.1431	32677328
0.1535	0.5199	610	1.1459	32946528
0.1342	0.5242	615	1.1429	33211040
0.1166	0.5284	620	1.1404	33480416
0.1949	0.5327	625	1.1422	33754328
0.1487	0.5369	630	1.1394	34023400
0.2949	0.5412	635	1.1387	34301016
0.1005	0.5455	640	1.1392	34568856
0.1058	0.5497	645	1.1401	34835552
0.2073	0.5540	650	1.1370	35107216
0.1519	0.5582	655	1.1394	35380776
0.1598	0.5625	660	1.1409	35650240
0.1849	0.5668	665	1.1389	35923440
0.2379	0.5710	670	1.1376	36202688
0.1738	0.5753	675	1.1405	36468728
0.1388	0.5796	680	1.1376	36743760
0.1362	0.5838	685	1.1347	37008264
0.1655	0.5881	690	1.1386	37274384
0.1673	0.5923	695	1.1373	37542432
0.1822	0.5966	700	1.1318	37814184
0.2159	0.6009	705	1.1359	38079800
0.0818	0.6051	710	1.1377	38353440
0.1606	0.6094	715	1.1314	38622312
0.2045	0.6136	720	1.1298	38888976
0.1382	0.6179	725	1.1335	39157440
0.1373	0.6222	730	1.1324	39424448
0.1212	0.6264	735	1.1321	39685152
0.1736	0.6307	740	1.1328	39955296
0.2216	0.6350	745	1.1322	40224264
0.159	0.6392	750	1.1309	40489880
0.2088	0.6435	755	1.1308	40760920
0.1727	0.6477	760	1.1288	41036304
0.1264	0.6520	765	1.1313	41308776
0.143	0.6563	770	1.1341	41587328
0.1625	0.6605	775	1.1328	41858424
0.2043	0.6648	780	1.1314	42130400
0.1761	0.6690	785	1.1297	42408016
0.1527	0.6733	790	1.1288	42679608
0.1701	0.6776	795	1.1300	42942480
0.2072	0.6818	800	1.1308	43218032
0.1241	0.6861	805	1.1280	43496640
0.1741	0.6904	810	1.1297	43772392
0.174	0.6946	815	1.1314	44035960
0.1829	0.6989	820	1.1298	44311064
0.1704	0.7031	825	1.1278	44579240
0.174	0.7074	830	1.1272	44853824
0.1689	0.7117	835	1.1281	45122712
0.1658	0.7159	840	1.1275	45396376
0.1402	0.7202	845	1.1272	45659992
0.1506	0.7244	850	1.1272	45938136
0.1741	0.7287	855	1.1271	46205480
0.1701	0.7330	860	1.1284	46465984
0.1296	0.7372	865	1.1305	46725880
0.222	0.7415	870	1.1291	46996672
0.1797	0.7458	875	1.1266	47262816
0.1854	0.7500	880	1.1240	47542048
0.1431	0.7543	885	1.1235	47820544
0.1636	0.7585	890	1.1276	48087000
0.1267	0.7628	895	1.1238	48357488
0.1658	0.7671	900	1.1219	48629528
0.1863	0.7713	905	1.1293	48899952
0.1718	0.7756	910	1.1283	49171336
0.2038	0.7798	915	1.1232	49434544
0.1561	0.7841	920	1.1253	49697136
0.1312	0.7884	925	1.1250	49959432
0.1334	0.7926	930	1.1256	50228984
0.1727	0.7969	935	1.1272	50492880
0.1703	0.8012	940	1.1220	50761584
0.1577	0.8054	945	1.1225	51026360
0.1965	0.8097	950	1.1240	51298120
0.128	0.8139	955	1.1219	51565616
0.1908	0.8182	960	1.1229	51835072
0.1182	0.8225	965	1.1249	52098072
0.121	0.8267	970	1.1219	52363024
0.1408	0.8310	975	1.1221	52633408
0.1766	0.8352	980	1.1262	52901664
0.1924	0.8395	985	1.1221	53172064
0.0933	0.8438	990	1.1195	53439088
0.1967	0.8480	995	1.1248	53708936
0.2113	0.8523	1000	1.1240	53972568
0.1773	0.8565	1005	1.1232	54246864
0.1417	0.8608	1010	1.1192	54508856
0.1155	0.8651	1015	1.1206	54774728
0.2128	0.8693	1020	1.1234	55045544
0.1417	0.8736	1025	1.1195	55322176
0.1838	0.8779	1030	1.1187	55594384
0.1663	0.8821	1035	1.1188	55867672
0.1767	0.8864	1040	1.1180	56144856
0.0898	0.8906	1045	1.1197	56423512
0.2001	0.8949	1050	1.1176	56700800
0.2134	0.8992	1055	1.1176	56967968
0.1479	0.9034	1060	1.1187	57237424
0.135	0.9077	1065	1.1166	57512288
0.1949	0.9119	1070	1.1154	57785904
0.1553	0.9162	1075	1.1168	58061496
0.1645	0.9205	1080	1.1176	58337408
0.1523	0.9247	1085	1.1163	58612048
0.2493	0.9290	1090	1.1176	58885584
0.1114	0.9333	1095	1.1175	59162552
0.1506	0.9375	1100	1.1158	59425968
0.1647	0.9418	1105	1.1154	59701184
0.1982	0.9460	1110	1.1149	59966112
0.1758	0.9503	1115	1.1135	60230008
0.1625	0.9546	1120	1.1132	60497792
0.1389	0.9588	1125	1.1136	60773880
0.1207	0.9631	1130	1.1148	61040768
0.1471	0.9673	1135	1.1152	61313120
0.162	0.9716	1140	1.1124	61587408
0.1433	0.9759	1145	1.1122	61853400
0.1479	0.9801	1150	1.1130	62126856
0.1043	0.9844	1155	1.1137	62392328
0.125	0.9887	1160	1.1138	62659824
0.2094	0.9929	1165	1.1131	62932648
0.1797	0.9972	1170	1.1126	63200224

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_iter8_sftsd1

collapse_gemma-2-2b_hs2_accumulate_iter8_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_iter8_sftsd1