Views
No views yet
0.4.11base_model: meta-llama/Llama-3.3-70B-Instruct
2
3plugins:
4 - axolotl.integrations.liger.LigerPlugin
5liger_rope: true
6liger_rms_norm: true
7liger_swiglu: true
8liger_fused_linear_cross_entropy: true
9
10strict: false
11
12chat_template: llama3
13datasets:
14 - path: datasets/Celeste_Filtered_utf8fix.jsonl
15 type: sharegpt
16 - path: datasets/deduped_not_samantha_norefusals.jsonl
17 type: sharegpt
18 - path: datasets/deduped_SynthRP-Gens_processed_ShareGPT_converted_cleaned.jsonl
19 type: sharegpt
20 - path: datasets/deduped_Synthstruct-Gens_processed_sharegpt_converted_cleaned.jsonl
21 type: sharegpt
22 - path: datasets/Gryphe-4o-WP-filtered-sharegpt_utf8fix.jsonl
23 type: sharegpt
24 - path: datasets/opus-instruct-22k-no_refusals-filtered_utf8fix.jsonl
25 type: sharegpt
26 - path: datasets/Sonnet3-5-charcard-names-filtered-sharegpt_utf8fix.jsonl
27 type: sharegpt
28 - path: datasets/SystemChat_subset_filtered_sharegpt_utf8fix.jsonl
29 type: sharegpt
30
31dataset_prepared_path: last_run_prepared
32val_set_size: 0.001
33output_dir: /dev/shm/EVA-LLaMA-3.33-70B-v0.1
34
35sequence_len: 8192
36sample_packing: true
37eval_sample_packing: false
38pad_to_sequence_len: true
39
40wandb_project: EVA-LLaMA-3.33-70B
41wandb_entity:
42wandb_watch:
43wandb_name: Unit-v0.1
44wandb_log_model:
45
46unfrozen_parameters:
47- ^lm_head.weight$
48- ^model.embed_tokens.weight$
49# mlp.down_proj layers
50- model.layers.40.mlp.down_proj
51- model.layers.44.mlp.down_proj
52- model.layers.45.mlp.down_proj
53- model.layers.46.mlp.down_proj
54- model.layers.43.mlp.down_proj
55- model.layers.52.mlp.down_proj
56- model.layers.47.mlp.down_proj
57- model.layers.39.mlp.down_proj
58- model.layers.48.mlp.down_proj
59- model.layers.49.mlp.down_proj
60- model.layers.38.mlp.down_proj
61- model.layers.53.mlp.down_proj
62- model.layers.35.mlp.down_proj
63- model.layers.41.mlp.down_proj
64- model.layers.51.mlp.down_proj
65- model.layers.42.mlp.down_proj
66- model.layers.37.mlp.down_proj
67- model.layers.50.mlp.down_proj
68- model.layers.76.mlp.down_proj
69- model.layers.60.mlp.down_proj
70- model.layers.36.mlp.down_proj
71- model.layers.54.mlp.down_proj
72- model.layers.57.mlp.down_proj
73- model.layers.56.mlp.down_proj
74- model.layers.59.mlp.down_proj
75- model.layers.55.mlp.down_proj
76- model.layers.77.mlp.down_proj
77- model.layers.61.mlp.down_proj
78- model.layers.58.mlp.down_proj
79- model.layers.65.mlp.down_proj
80- model.layers.75.mlp.down_proj
81- model.layers.64.mlp.down_proj
82- model.layers.62.mlp.down_proj
83- model.layers.68.mlp.down_proj
84- model.layers.19.mlp.down_proj
85- model.layers.73.mlp.down_proj
86- model.layers.66.mlp.down_proj
87- model.layers.67.mlp.down_proj
88- model.layers.63.mlp.down_proj
89- model.layers.74.mlp.down_proj
90# mlp.gate_proj layers
91- model.layers.70.mlp.gate_proj
92- model.layers.71.mlp.gate_proj
93- model.layers.67.mlp.gate_proj
94- model.layers.58.mlp.gate_proj
95- model.layers.55.mlp.gate_proj
96- model.layers.57.mlp.gate_proj
97- model.layers.56.mlp.gate_proj
98- model.layers.66.mlp.gate_proj
99- model.layers.72.mlp.gate_proj
100- model.layers.52.mlp.gate_proj
101- model.layers.69.mlp.gate_proj
102- model.layers.54.mlp.gate_proj
103- model.layers.62.mlp.gate_proj
104- model.layers.60.mlp.gate_proj
105- model.layers.59.mlp.gate_proj
106- model.layers.74.mlp.gate_proj
107- model.layers.51.mlp.gate_proj
108- model.layers.68.mlp.gate_proj
109- model.layers.61.mlp.gate_proj
110- model.layers.53.mlp.gate_proj
111- model.layers.73.mlp.gate_proj
112- model.layers.63.mlp.gate_proj
113- model.layers.48.mlp.gate_proj
114- model.layers.49.mlp.gate_proj
115- model.layers.64.mlp.gate_proj
116- model.layers.50.mlp.gate_proj
117- model.layers.65.mlp.gate_proj
118- model.layers.47.mlp.gate_proj
119- model.layers.44.mlp.gate_proj
120- model.layers.45.mlp.gate_proj
121- model.layers.75.mlp.gate_proj
122- model.layers.46.mlp.gate_proj
123- model.layers.43.mlp.gate_proj
124- model.layers.77.mlp.gate_proj
125- model.layers.41.mlp.gate_proj
126- model.layers.40.mlp.gate_proj
127- model.layers.42.mlp.gate_proj
128- model.layers.32.mlp.gate_proj
129- model.layers.30.mlp.gate_proj
130- model.layers.39.mlp.gate_proj
131# mlp.up_proj layers
132- model.layers.70.mlp.up_proj
133- model.layers.67.mlp.up_proj
134- model.layers.66.mlp.up_proj
135- model.layers.69.mlp.up_proj
136- model.layers.62.mlp.up_proj
137- model.layers.63.mlp.up_proj
138- model.layers.65.mlp.up_proj
139- model.layers.68.mlp.up_proj
140- model.layers.71.mlp.up_proj
141- model.layers.64.mlp.up_proj
142- model.layers.61.mlp.up_proj
143- model.layers.58.mlp.up_proj
144- model.layers.59.mlp.up_proj
145- model.layers.57.mlp.up_proj
146- model.layers.55.mlp.up_proj
147- model.layers.72.mlp.up_proj
148- model.layers.54.mlp.up_proj
149- model.layers.56.mlp.up_proj
150- model.layers.60.mlp.up_proj
151- model.layers.73.mlp.up_proj
152- model.layers.50.mlp.up_proj
153- model.layers.51.mlp.up_proj
154- model.layers.53.mlp.up_proj
155- model.layers.52.mlp.up_proj
156- model.layers.74.mlp.up_proj
157- model.layers.49.mlp.up_proj
158- model.layers.30.mlp.up_proj
159- model.layers.47.mlp.up_proj
160- model.layers.46.mlp.up_proj
161- model.layers.34.mlp.up_proj
162- model.layers.48.mlp.up_proj
163- model.layers.38.mlp.up_proj
164- model.layers.45.mlp.up_proj
165- model.layers.43.mlp.up_proj
166- model.layers.29.mlp.up_proj
167- model.layers.42.mlp.up_proj
168- model.layers.75.mlp.up_proj
169- model.layers.35.mlp.up_proj
170- model.layers.44.mlp.up_proj
171- model.layers.31.mlp.up_proj
172# self_attn.k_proj layers
173- model.layers.72.self_attn.k_proj
174- model.layers.75.self_attn.k_proj
175- model.layers.71.self_attn.k_proj
176- model.layers.74.self_attn.k_proj
177- model.layers.44.self_attn.k_proj
178- model.layers.31.self_attn.k_proj
179- model.layers.33.self_attn.k_proj
180- model.layers.34.self_attn.k_proj
181- model.layers.76.self_attn.k_proj
182- model.layers.78.self_attn.k_proj
183- model.layers.77.self_attn.k_proj
184- model.layers.60.self_attn.k_proj
185- model.layers.56.self_attn.k_proj
186- model.layers.22.self_attn.k_proj
187- model.layers.2.self_attn.k_proj
188- model.layers.18.self_attn.k_proj
189- model.layers.17.self_attn.k_proj
190- model.layers.21.self_attn.k_proj
191- model.layers.19.self_attn.k_proj
192- model.layers.23.self_attn.k_proj
193- model.layers.52.self_attn.k_proj
194- model.layers.73.self_attn.k_proj
195- model.layers.35.self_attn.k_proj
196- model.layers.15.self_attn.k_proj
197- model.layers.27.self_attn.k_proj
198- model.layers.29.self_attn.k_proj
199- model.layers.36.self_attn.k_proj
200- model.layers.28.self_attn.k_proj
201- model.layers.20.self_attn.k_proj
202- model.layers.25.self_attn.k_proj
203- model.layers.37.self_attn.k_proj
204- model.layers.30.self_attn.k_proj
205- model.layers.41.self_attn.k_proj
206- model.layers.16.self_attn.k_proj
207- model.layers.32.self_attn.k_proj
208- model.layers.68.self_attn.k_proj
209- model.layers.26.self_attn.k_proj
210- model.layers.38.self_attn.k_proj
211- model.layers.39.self_attn.k_proj
212- model.layers.70.self_attn.k_proj
213# self_attn.o_proj layers
214- model.layers.50.self_attn.o_proj
215- model.layers.61.self_attn.o_proj
216- model.layers.46.self_attn.o_proj
217- model.layers.53.self_attn.o_proj
218- model.layers.54.self_attn.o_proj
219- model.layers.19.self_attn.o_proj
220- model.layers.42.self_attn.o_proj
221- model.layers.41.self_attn.o_proj
222- model.layers.49.self_attn.o_proj
223- model.layers.68.self_attn.o_proj
224- model.layers.18.self_attn.o_proj
225- model.layers.45.self_attn.o_proj
226- model.layers.11.self_attn.o_proj
227- model.layers.48.self_attn.o_proj
228- model.layers.51.self_attn.o_proj
229- model.layers.67.self_attn.o_proj
230- model.layers.64.self_attn.o_proj
231- model.layers.13.self_attn.o_proj
232- model.layers.14.self_attn.o_proj
233- model.layers.16.self_attn.o_proj
234- model.layers.17.self_attn.o_proj
235- model.layers.47.self_attn.o_proj
236- model.layers.0.self_attn.o_proj
237- model.layers.20.self_attn.o_proj
238- model.layers.63.self_attn.o_proj
239- model.layers.5.self_attn.o_proj
240- model.layers.15.self_attn.o_proj
241- model.layers.21.self_attn.o_proj
242- model.layers.52.self_attn.o_proj
243- model.layers.12.self_attn.o_proj
244- model.layers.10.self_attn.o_proj
245- model.layers.56.self_attn.o_proj
246- model.layers.62.self_attn.o_proj
247- model.layers.22.self_attn.o_proj
248- model.layers.6.self_attn.o_proj
249- model.layers.7.self_attn.o_proj
250- model.layers.43.self_attn.o_proj
251- model.layers.38.self_attn.o_proj
252- model.layers.9.self_attn.o_proj
253- model.layers.44.self_attn.o_proj
254# self_attn.q_proj layers
255- model.layers.2.self_attn.q_proj
256- model.layers.4.self_attn.q_proj
257- model.layers.46.self_attn.q_proj
258- model.layers.5.self_attn.q_proj
259- model.layers.7.self_attn.q_proj
260- model.layers.6.self_attn.q_proj
261- model.layers.9.self_attn.q_proj
262- model.layers.10.self_attn.q_proj
263- model.layers.1.self_attn.q_proj
264- model.layers.18.self_attn.q_proj
265- model.layers.62.self_attn.q_proj
266- model.layers.8.self_attn.q_proj
267- model.layers.15.self_attn.q_proj
268- model.layers.14.self_attn.q_proj
269- model.layers.31.self_attn.q_proj
270- model.layers.17.self_attn.q_proj
271- model.layers.16.self_attn.q_proj
272- model.layers.19.self_attn.q_proj
273- model.layers.12.self_attn.q_proj
274- model.layers.33.self_attn.q_proj
275- model.layers.35.self_attn.q_proj
276- model.layers.21.self_attn.q_proj
277- model.layers.13.self_attn.q_proj
278- model.layers.27.self_attn.q_proj
279- model.layers.56.self_attn.q_proj
280- model.layers.34.self_attn.q_proj
281- model.layers.11.self_attn.q_proj
282- model.layers.52.self_attn.q_proj
283- model.layers.28.self_attn.q_proj
284- model.layers.54.self_attn.q_proj
285- model.layers.30.self_attn.q_proj
286- model.layers.29.self_attn.q_proj
287- model.layers.20.self_attn.q_proj
288- model.layers.75.self_attn.q_proj
289- model.layers.37.self_attn.q_proj
290- model.layers.44.self_attn.q_proj
291- model.layers.23.self_attn.q_proj
292- model.layers.64.self_attn.q_proj
293- model.layers.60.self_attn.q_proj
294- model.layers.36.self_attn.q_proj
295# self_attn.v_proj layers
296- model.layers.11.self_attn.v_proj
297- model.layers.17.self_attn.v_proj
298- model.layers.37.self_attn.v_proj
299- model.layers.40.self_attn.v_proj
300- model.layers.41.self_attn.v_proj
301- model.layers.42.self_attn.v_proj
302- model.layers.43.self_attn.v_proj
303- model.layers.44.self_attn.v_proj
304- model.layers.45.self_attn.v_proj
305- model.layers.46.self_attn.v_proj
306- model.layers.48.self_attn.v_proj
307- model.layers.49.self_attn.v_proj
308- model.layers.50.self_attn.v_proj
309- model.layers.51.self_attn.v_proj
310- model.layers.53.self_attn.v_proj
311- model.layers.54.self_attn.v_proj
312- model.layers.55.self_attn.v_proj
313- model.layers.57.self_attn.v_proj
314- model.layers.58.self_attn.v_proj
315- model.layers.59.self_attn.v_proj
316- model.layers.60.self_attn.v_proj
317- model.layers.61.self_attn.v_proj
318- model.layers.62.self_attn.v_proj
319- model.layers.63.self_attn.v_proj
320- model.layers.64.self_attn.v_proj
321- model.layers.65.self_attn.v_proj
322- model.layers.66.self_attn.v_proj
323- model.layers.67.self_attn.v_proj
324- model.layers.69.self_attn.v_proj
325- model.layers.75.self_attn.v_proj
326- model.layers.18.self_attn.v_proj
327- model.layers.78.self_attn.v_proj
328- model.layers.68.self_attn.v_proj
329- model.layers.47.self_attn.v_proj
330- model.layers.38.self_attn.v_proj
331- model.layers.39.self_attn.v_proj
332- model.layers.71.self_attn.v_proj
333- model.layers.19.self_attn.v_proj
334- model.layers.36.self_attn.v_proj
335- model.layers.20.self_attn.v_proj
336
337
338gradient_accumulation_steps: 8
339micro_batch_size: 1
340num_epochs: 3
341optimizer: paged_adamw_8bit
342lr_scheduler: cosine
343learning_rate: 0.00003
344max_grad_norm: 2
345
346train_on_inputs: false
347group_by_length: false
348bf16: auto
349fp16:
350tf32: false
351
352gradient_checkpointing: "unsloth"
353gradient_checkpointing_kwargs:
354 use_reentrant: false
355early_stopping_patience:
356resume_from_checkpoint:
357logging_steps: 1
358xformers_attention:
359flash_attention: true
360
361warmup_steps: 20
362evals_per_epoch: 4
363eval_table_size:
364saves_per_epoch: 1
365debug:
366deepspeed: deepspeed_configs/zero3_bf16.json
367weight_decay: 0.2