diff --git "a/trainer_state.json" "b/trainer_state.json"
new file mode 100644--- /dev/null
+++ "b/trainer_state.json"
@@ -0,0 +1,5363 @@
+{
+  "best_metric": 0.04972463101148605,
+  "best_model_checkpoint": "./results/checkpoint-3000",
+  "epoch": 10.0,
+  "eval_steps": 500,
+  "global_step": 7500,
+  "is_hyper_param_search": false,
+  "is_local_process_zero": true,
+  "is_world_process_zero": true,
+  "log_history": [
+    {
+      "epoch": 0.013333333333333334,
+      "grad_norm": 8.725549697875977,
+      "learning_rate": 1.0000000000000002e-06,
+      "loss": 0.684,
+      "step": 10
+    },
+    {
+      "epoch": 0.02666666666666667,
+      "grad_norm": 5.472214221954346,
+      "learning_rate": 2.0000000000000003e-06,
+      "loss": 0.4894,
+      "step": 20
+    },
+    {
+      "epoch": 0.04,
+      "grad_norm": 2.4220633506774902,
+      "learning_rate": 3e-06,
+      "loss": 0.2556,
+      "step": 30
+    },
+    {
+      "epoch": 0.05333333333333334,
+      "grad_norm": 0.7857047915458679,
+      "learning_rate": 4.000000000000001e-06,
+      "loss": 0.145,
+      "step": 40
+    },
+    {
+      "epoch": 0.06666666666666667,
+      "grad_norm": 0.4604698121547699,
+      "learning_rate": 5e-06,
+      "loss": 0.1109,
+      "step": 50
+    },
+    {
+      "epoch": 0.08,
+      "grad_norm": 0.7275335192680359,
+      "learning_rate": 6e-06,
+      "loss": 0.0831,
+      "step": 60
+    },
+    {
+      "epoch": 0.09333333333333334,
+      "grad_norm": 0.4567217528820038,
+      "learning_rate": 7.000000000000001e-06,
+      "loss": 0.0714,
+      "step": 70
+    },
+    {
+      "epoch": 0.10666666666666667,
+      "grad_norm": 0.5304622054100037,
+      "learning_rate": 8.000000000000001e-06,
+      "loss": 0.0628,
+      "step": 80
+    },
+    {
+      "epoch": 0.12,
+      "grad_norm": 0.8135391473770142,
+      "learning_rate": 9e-06,
+      "loss": 0.0559,
+      "step": 90
+    },
+    {
+      "epoch": 0.13333333333333333,
+      "grad_norm": 0.5205259323120117,
+      "learning_rate": 1e-05,
+      "loss": 0.056,
+      "step": 100
+    },
+    {
+      "epoch": 0.14666666666666667,
+      "grad_norm": 0.48187530040740967,
+      "learning_rate": 1.1000000000000001e-05,
+      "loss": 0.0596,
+      "step": 110
+    },
+    {
+      "epoch": 0.16,
+      "grad_norm": 0.6816896200180054,
+      "learning_rate": 1.2e-05,
+      "loss": 0.0554,
+      "step": 120
+    },
+    {
+      "epoch": 0.17333333333333334,
+      "grad_norm": 0.2854405641555786,
+      "learning_rate": 1.3000000000000001e-05,
+      "loss": 0.0559,
+      "step": 130
+    },
+    {
+      "epoch": 0.18666666666666668,
+      "grad_norm": 0.3061729967594147,
+      "learning_rate": 1.4000000000000001e-05,
+      "loss": 0.0563,
+      "step": 140
+    },
+    {
+      "epoch": 0.2,
+      "grad_norm": 0.4867664575576782,
+      "learning_rate": 1.5e-05,
+      "loss": 0.0566,
+      "step": 150
+    },
+    {
+      "epoch": 0.21333333333333335,
+      "grad_norm": 0.23565839231014252,
+      "learning_rate": 1.6000000000000003e-05,
+      "loss": 0.0577,
+      "step": 160
+    },
+    {
+      "epoch": 0.22666666666666666,
+      "grad_norm": 0.3666606843471527,
+      "learning_rate": 1.7000000000000003e-05,
+      "loss": 0.06,
+      "step": 170
+    },
+    {
+      "epoch": 0.24,
+      "grad_norm": 0.24223241209983826,
+      "learning_rate": 1.8e-05,
+      "loss": 0.0564,
+      "step": 180
+    },
+    {
+      "epoch": 0.25333333333333335,
+      "grad_norm": 0.5945714712142944,
+      "learning_rate": 1.9e-05,
+      "loss": 0.0554,
+      "step": 190
+    },
+    {
+      "epoch": 0.26666666666666666,
+      "grad_norm": 0.19689810276031494,
+      "learning_rate": 2e-05,
+      "loss": 0.0577,
+      "step": 200
+    },
+    {
+      "epoch": 0.28,
+      "grad_norm": 0.34613969922065735,
+      "learning_rate": 2.1e-05,
+      "loss": 0.0558,
+      "step": 210
+    },
+    {
+      "epoch": 0.29333333333333333,
+      "grad_norm": 0.6478371620178223,
+      "learning_rate": 2.2000000000000003e-05,
+      "loss": 0.0554,
+      "step": 220
+    },
+    {
+      "epoch": 0.30666666666666664,
+      "grad_norm": 0.2349582463502884,
+      "learning_rate": 2.3000000000000003e-05,
+      "loss": 0.0577,
+      "step": 230
+    },
+    {
+      "epoch": 0.32,
+      "grad_norm": 0.2001052051782608,
+      "learning_rate": 2.4e-05,
+      "loss": 0.0493,
+      "step": 240
+    },
+    {
+      "epoch": 0.3333333333333333,
+      "grad_norm": 0.30669882893562317,
+      "learning_rate": 2.5e-05,
+      "loss": 0.06,
+      "step": 250
+    },
+    {
+      "epoch": 0.3466666666666667,
+      "grad_norm": 0.2223307192325592,
+      "learning_rate": 2.6000000000000002e-05,
+      "loss": 0.0547,
+      "step": 260
+    },
+    {
+      "epoch": 0.36,
+      "grad_norm": 0.22245067358016968,
+      "learning_rate": 2.7000000000000002e-05,
+      "loss": 0.0549,
+      "step": 270
+    },
+    {
+      "epoch": 0.37333333333333335,
+      "grad_norm": 0.37316733598709106,
+      "learning_rate": 2.8000000000000003e-05,
+      "loss": 0.0501,
+      "step": 280
+    },
+    {
+      "epoch": 0.38666666666666666,
+      "grad_norm": 0.23923040926456451,
+      "learning_rate": 2.9e-05,
+      "loss": 0.0584,
+      "step": 290
+    },
+    {
+      "epoch": 0.4,
+      "grad_norm": 0.16949036717414856,
+      "learning_rate": 3e-05,
+      "loss": 0.0584,
+      "step": 300
+    },
+    {
+      "epoch": 0.41333333333333333,
+      "grad_norm": 0.1930493414402008,
+      "learning_rate": 3.1e-05,
+      "loss": 0.0526,
+      "step": 310
+    },
+    {
+      "epoch": 0.4266666666666667,
+      "grad_norm": 0.26514557003974915,
+      "learning_rate": 3.2000000000000005e-05,
+      "loss": 0.0525,
+      "step": 320
+    },
+    {
+      "epoch": 0.44,
+      "grad_norm": 0.4111441969871521,
+      "learning_rate": 3.3e-05,
+      "loss": 0.0507,
+      "step": 330
+    },
+    {
+      "epoch": 0.4533333333333333,
+      "grad_norm": 0.2635890245437622,
+      "learning_rate": 3.4000000000000007e-05,
+      "loss": 0.0562,
+      "step": 340
+    },
+    {
+      "epoch": 0.4666666666666667,
+      "grad_norm": 0.16341601312160492,
+      "learning_rate": 3.5e-05,
+      "loss": 0.0552,
+      "step": 350
+    },
+    {
+      "epoch": 0.48,
+      "grad_norm": 0.13680022954940796,
+      "learning_rate": 3.6e-05,
+      "loss": 0.0608,
+      "step": 360
+    },
+    {
+      "epoch": 0.49333333333333335,
+      "grad_norm": 0.17087237536907196,
+      "learning_rate": 3.7e-05,
+      "loss": 0.0524,
+      "step": 370
+    },
+    {
+      "epoch": 0.5066666666666667,
+      "grad_norm": 0.19987235963344574,
+      "learning_rate": 3.8e-05,
+      "loss": 0.0522,
+      "step": 380
+    },
+    {
+      "epoch": 0.52,
+      "grad_norm": 0.17424574494361877,
+      "learning_rate": 3.9000000000000006e-05,
+      "loss": 0.053,
+      "step": 390
+    },
+    {
+      "epoch": 0.5333333333333333,
+      "grad_norm": 0.2626163959503174,
+      "learning_rate": 4e-05,
+      "loss": 0.0562,
+      "step": 400
+    },
+    {
+      "epoch": 0.5466666666666666,
+      "grad_norm": 0.30992329120635986,
+      "learning_rate": 4.1e-05,
+      "loss": 0.0586,
+      "step": 410
+    },
+    {
+      "epoch": 0.56,
+      "grad_norm": 0.15127162635326385,
+      "learning_rate": 4.2e-05,
+      "loss": 0.0558,
+      "step": 420
+    },
+    {
+      "epoch": 0.5733333333333334,
+      "grad_norm": 0.3681893050670624,
+      "learning_rate": 4.3e-05,
+      "loss": 0.0566,
+      "step": 430
+    },
+    {
+      "epoch": 0.5866666666666667,
+      "grad_norm": 0.21431119740009308,
+      "learning_rate": 4.4000000000000006e-05,
+      "loss": 0.0504,
+      "step": 440
+    },
+    {
+      "epoch": 0.6,
+      "grad_norm": 0.5735889077186584,
+      "learning_rate": 4.5e-05,
+      "loss": 0.0561,
+      "step": 450
+    },
+    {
+      "epoch": 0.6133333333333333,
+      "grad_norm": 0.16527162492275238,
+      "learning_rate": 4.600000000000001e-05,
+      "loss": 0.0539,
+      "step": 460
+    },
+    {
+      "epoch": 0.6266666666666667,
+      "grad_norm": 0.221268430352211,
+      "learning_rate": 4.7e-05,
+      "loss": 0.0534,
+      "step": 470
+    },
+    {
+      "epoch": 0.64,
+      "grad_norm": 0.15448009967803955,
+      "learning_rate": 4.8e-05,
+      "loss": 0.054,
+      "step": 480
+    },
+    {
+      "epoch": 0.6533333333333333,
+      "grad_norm": 0.1298859566450119,
+      "learning_rate": 4.9e-05,
+      "loss": 0.0562,
+      "step": 490
+    },
+    {
+      "epoch": 0.6666666666666666,
+      "grad_norm": 0.4119648039340973,
+      "learning_rate": 5e-05,
+      "loss": 0.0583,
+      "step": 500
+    },
+    {
+      "epoch": 0.68,
+      "grad_norm": 0.4405224919319153,
+      "learning_rate": 4.992857142857143e-05,
+      "loss": 0.0573,
+      "step": 510
+    },
+    {
+      "epoch": 0.6933333333333334,
+      "grad_norm": 0.1450592279434204,
+      "learning_rate": 4.985714285714286e-05,
+      "loss": 0.0526,
+      "step": 520
+    },
+    {
+      "epoch": 0.7066666666666667,
+      "grad_norm": 0.12949694693088531,
+      "learning_rate": 4.978571428571429e-05,
+      "loss": 0.0525,
+      "step": 530
+    },
+    {
+      "epoch": 0.72,
+      "grad_norm": 0.3533790409564972,
+      "learning_rate": 4.971428571428572e-05,
+      "loss": 0.0522,
+      "step": 540
+    },
+    {
+      "epoch": 0.7333333333333333,
+      "grad_norm": 0.1314944475889206,
+      "learning_rate": 4.964285714285715e-05,
+      "loss": 0.0581,
+      "step": 550
+    },
+    {
+      "epoch": 0.7466666666666667,
+      "grad_norm": 0.20394937694072723,
+      "learning_rate": 4.957142857142857e-05,
+      "loss": 0.0571,
+      "step": 560
+    },
+    {
+      "epoch": 0.76,
+      "grad_norm": 0.2799670398235321,
+      "learning_rate": 4.9500000000000004e-05,
+      "loss": 0.0576,
+      "step": 570
+    },
+    {
+      "epoch": 0.7733333333333333,
+      "grad_norm": 0.13372468948364258,
+      "learning_rate": 4.942857142857143e-05,
+      "loss": 0.0547,
+      "step": 580
+    },
+    {
+      "epoch": 0.7866666666666666,
+      "grad_norm": 0.18102829158306122,
+      "learning_rate": 4.935714285714286e-05,
+      "loss": 0.0519,
+      "step": 590
+    },
+    {
+      "epoch": 0.8,
+      "grad_norm": 0.29366248846054077,
+      "learning_rate": 4.928571428571429e-05,
+      "loss": 0.0565,
+      "step": 600
+    },
+    {
+      "epoch": 0.8133333333333334,
+      "grad_norm": 0.12053946405649185,
+      "learning_rate": 4.921428571428572e-05,
+      "loss": 0.0544,
+      "step": 610
+    },
+    {
+      "epoch": 0.8266666666666667,
+      "grad_norm": 0.23446927964687347,
+      "learning_rate": 4.9142857142857144e-05,
+      "loss": 0.0568,
+      "step": 620
+    },
+    {
+      "epoch": 0.84,
+      "grad_norm": 0.3044653534889221,
+      "learning_rate": 4.9071428571428574e-05,
+      "loss": 0.0472,
+      "step": 630
+    },
+    {
+      "epoch": 0.8533333333333334,
+      "grad_norm": 0.23837679624557495,
+      "learning_rate": 4.9e-05,
+      "loss": 0.0573,
+      "step": 640
+    },
+    {
+      "epoch": 0.8666666666666667,
+      "grad_norm": 0.10183203965425491,
+      "learning_rate": 4.892857142857143e-05,
+      "loss": 0.0598,
+      "step": 650
+    },
+    {
+      "epoch": 0.88,
+      "grad_norm": 0.14676718413829803,
+      "learning_rate": 4.885714285714286e-05,
+      "loss": 0.0586,
+      "step": 660
+    },
+    {
+      "epoch": 0.8933333333333333,
+      "grad_norm": 0.13648320734500885,
+      "learning_rate": 4.878571428571429e-05,
+      "loss": 0.0574,
+      "step": 670
+    },
+    {
+      "epoch": 0.9066666666666666,
+      "grad_norm": 0.10775018483400345,
+      "learning_rate": 4.8714285714285714e-05,
+      "loss": 0.0558,
+      "step": 680
+    },
+    {
+      "epoch": 0.92,
+      "grad_norm": 0.07217590510845184,
+      "learning_rate": 4.8642857142857145e-05,
+      "loss": 0.0518,
+      "step": 690
+    },
+    {
+      "epoch": 0.9333333333333333,
+      "grad_norm": 0.24559026956558228,
+      "learning_rate": 4.8571428571428576e-05,
+      "loss": 0.056,
+      "step": 700
+    },
+    {
+      "epoch": 0.9466666666666667,
+      "grad_norm": 0.3462614417076111,
+      "learning_rate": 4.85e-05,
+      "loss": 0.057,
+      "step": 710
+    },
+    {
+      "epoch": 0.96,
+      "grad_norm": 0.19252799451351166,
+      "learning_rate": 4.842857142857143e-05,
+      "loss": 0.0575,
+      "step": 720
+    },
+    {
+      "epoch": 0.9733333333333334,
+      "grad_norm": 0.1303693950176239,
+      "learning_rate": 4.835714285714286e-05,
+      "loss": 0.0546,
+      "step": 730
+    },
+    {
+      "epoch": 0.9866666666666667,
+      "grad_norm": 0.1383420079946518,
+      "learning_rate": 4.828571428571429e-05,
+      "loss": 0.0518,
+      "step": 740
+    },
+    {
+      "epoch": 1.0,
+      "grad_norm": 0.2627663314342499,
+      "learning_rate": 4.8214285714285716e-05,
+      "loss": 0.0516,
+      "step": 750
+    },
+    {
+      "epoch": 1.0,
+      "eval_loss": 0.0562853068113327,
+      "eval_runtime": 10.019,
+      "eval_samples_per_second": 49.905,
+      "eval_steps_per_second": 6.288,
+      "step": 750
+    },
+    {
+      "epoch": 1.0133333333333334,
+      "grad_norm": 0.33433371782302856,
+      "learning_rate": 4.8142857142857147e-05,
+      "loss": 0.0533,
+      "step": 760
+    },
+    {
+      "epoch": 1.0266666666666666,
+      "grad_norm": 0.13513435423374176,
+      "learning_rate": 4.807142857142857e-05,
+      "loss": 0.0604,
+      "step": 770
+    },
+    {
+      "epoch": 1.04,
+      "grad_norm": 0.2732197046279907,
+      "learning_rate": 4.8e-05,
+      "loss": 0.0546,
+      "step": 780
+    },
+    {
+      "epoch": 1.0533333333333332,
+      "grad_norm": 0.22010153532028198,
+      "learning_rate": 4.7928571428571425e-05,
+      "loss": 0.0542,
+      "step": 790
+    },
+    {
+      "epoch": 1.0666666666666667,
+      "grad_norm": 0.13326552510261536,
+      "learning_rate": 4.785714285714286e-05,
+      "loss": 0.0548,
+      "step": 800
+    },
+    {
+      "epoch": 1.08,
+      "grad_norm": 0.34271347522735596,
+      "learning_rate": 4.7785714285714287e-05,
+      "loss": 0.0553,
+      "step": 810
+    },
+    {
+      "epoch": 1.0933333333333333,
+      "grad_norm": 0.1879703551530838,
+      "learning_rate": 4.771428571428572e-05,
+      "loss": 0.0526,
+      "step": 820
+    },
+    {
+      "epoch": 1.1066666666666667,
+      "grad_norm": 0.1101825013756752,
+      "learning_rate": 4.764285714285715e-05,
+      "loss": 0.053,
+      "step": 830
+    },
+    {
+      "epoch": 1.12,
+      "grad_norm": 0.2390560805797577,
+      "learning_rate": 4.757142857142857e-05,
+      "loss": 0.0538,
+      "step": 840
+    },
+    {
+      "epoch": 1.1333333333333333,
+      "grad_norm": 0.14126978814601898,
+      "learning_rate": 4.75e-05,
+      "loss": 0.0519,
+      "step": 850
+    },
+    {
+      "epoch": 1.1466666666666667,
+      "grad_norm": 0.1727863997220993,
+      "learning_rate": 4.742857142857143e-05,
+      "loss": 0.0545,
+      "step": 860
+    },
+    {
+      "epoch": 1.16,
+      "grad_norm": 0.24541416764259338,
+      "learning_rate": 4.7357142857142864e-05,
+      "loss": 0.0567,
+      "step": 870
+    },
+    {
+      "epoch": 1.1733333333333333,
+      "grad_norm": 0.14753466844558716,
+      "learning_rate": 4.728571428571429e-05,
+      "loss": 0.052,
+      "step": 880
+    },
+    {
+      "epoch": 1.1866666666666668,
+      "grad_norm": 0.08342089504003525,
+      "learning_rate": 4.721428571428572e-05,
+      "loss": 0.0531,
+      "step": 890
+    },
+    {
+      "epoch": 1.2,
+      "grad_norm": 0.1875409483909607,
+      "learning_rate": 4.714285714285714e-05,
+      "loss": 0.0512,
+      "step": 900
+    },
+    {
+      "epoch": 1.2133333333333334,
+      "grad_norm": 0.20995482802391052,
+      "learning_rate": 4.707142857142857e-05,
+      "loss": 0.0546,
+      "step": 910
+    },
+    {
+      "epoch": 1.2266666666666666,
+      "grad_norm": 0.2344016134738922,
+      "learning_rate": 4.7e-05,
+      "loss": 0.0531,
+      "step": 920
+    },
+    {
+      "epoch": 1.24,
+      "grad_norm": 0.1306418776512146,
+      "learning_rate": 4.6928571428571435e-05,
+      "loss": 0.0507,
+      "step": 930
+    },
+    {
+      "epoch": 1.2533333333333334,
+      "grad_norm": 0.33188673853874207,
+      "learning_rate": 4.685714285714286e-05,
+      "loss": 0.0533,
+      "step": 940
+    },
+    {
+      "epoch": 1.2666666666666666,
+      "grad_norm": 0.12947222590446472,
+      "learning_rate": 4.678571428571429e-05,
+      "loss": 0.053,
+      "step": 950
+    },
+    {
+      "epoch": 1.28,
+      "grad_norm": 0.19594353437423706,
+      "learning_rate": 4.671428571428571e-05,
+      "loss": 0.0546,
+      "step": 960
+    },
+    {
+      "epoch": 1.2933333333333334,
+      "grad_norm": 0.1253182739019394,
+      "learning_rate": 4.6642857142857144e-05,
+      "loss": 0.0579,
+      "step": 970
+    },
+    {
+      "epoch": 1.3066666666666666,
+      "grad_norm": 0.2498236447572708,
+      "learning_rate": 4.6571428571428575e-05,
+      "loss": 0.0509,
+      "step": 980
+    },
+    {
+      "epoch": 1.32,
+      "grad_norm": 0.22198714315891266,
+      "learning_rate": 4.6500000000000005e-05,
+      "loss": 0.046,
+      "step": 990
+    },
+    {
+      "epoch": 1.3333333333333333,
+      "grad_norm": 0.284244567155838,
+      "learning_rate": 4.642857142857143e-05,
+      "loss": 0.0553,
+      "step": 1000
+    },
+    {
+      "epoch": 1.3466666666666667,
+      "grad_norm": 0.12197231501340866,
+      "learning_rate": 4.635714285714286e-05,
+      "loss": 0.0562,
+      "step": 1010
+    },
+    {
+      "epoch": 1.3599999999999999,
+      "grad_norm": 0.5158632397651672,
+      "learning_rate": 4.628571428571429e-05,
+      "loss": 0.0593,
+      "step": 1020
+    },
+    {
+      "epoch": 1.3733333333333333,
+      "grad_norm": 0.07657347619533539,
+      "learning_rate": 4.6214285714285715e-05,
+      "loss": 0.0531,
+      "step": 1030
+    },
+    {
+      "epoch": 1.3866666666666667,
+      "grad_norm": 0.13441196084022522,
+      "learning_rate": 4.6142857142857145e-05,
+      "loss": 0.0468,
+      "step": 1040
+    },
+    {
+      "epoch": 1.4,
+      "grad_norm": 0.4040902554988861,
+      "learning_rate": 4.607142857142857e-05,
+      "loss": 0.0547,
+      "step": 1050
+    },
+    {
+      "epoch": 1.4133333333333333,
+      "grad_norm": 0.1260378658771515,
+      "learning_rate": 4.600000000000001e-05,
+      "loss": 0.0507,
+      "step": 1060
+    },
+    {
+      "epoch": 1.4266666666666667,
+      "grad_norm": 0.15826746821403503,
+      "learning_rate": 4.592857142857143e-05,
+      "loss": 0.0508,
+      "step": 1070
+    },
+    {
+      "epoch": 1.44,
+      "grad_norm": 0.27735596895217896,
+      "learning_rate": 4.585714285714286e-05,
+      "loss": 0.0494,
+      "step": 1080
+    },
+    {
+      "epoch": 1.4533333333333334,
+      "grad_norm": 0.16800598800182343,
+      "learning_rate": 4.5785714285714285e-05,
+      "loss": 0.0544,
+      "step": 1090
+    },
+    {
+      "epoch": 1.4666666666666668,
+      "grad_norm": 0.21816496551036835,
+      "learning_rate": 4.5714285714285716e-05,
+      "loss": 0.0527,
+      "step": 1100
+    },
+    {
+      "epoch": 1.48,
+      "grad_norm": 0.13412387669086456,
+      "learning_rate": 4.564285714285714e-05,
+      "loss": 0.053,
+      "step": 1110
+    },
+    {
+      "epoch": 1.4933333333333334,
+      "grad_norm": 0.2320614606142044,
+      "learning_rate": 4.557142857142858e-05,
+      "loss": 0.0507,
+      "step": 1120
+    },
+    {
+      "epoch": 1.5066666666666668,
+      "grad_norm": 0.31624799966812134,
+      "learning_rate": 4.55e-05,
+      "loss": 0.0548,
+      "step": 1130
+    },
+    {
+      "epoch": 1.52,
+      "grad_norm": 0.22088557481765747,
+      "learning_rate": 4.542857142857143e-05,
+      "loss": 0.0575,
+      "step": 1140
+    },
+    {
+      "epoch": 1.5333333333333332,
+      "grad_norm": 0.13105565309524536,
+      "learning_rate": 4.5357142857142856e-05,
+      "loss": 0.0599,
+      "step": 1150
+    },
+    {
+      "epoch": 1.5466666666666666,
+      "grad_norm": 0.33955448865890503,
+      "learning_rate": 4.528571428571429e-05,
+      "loss": 0.0535,
+      "step": 1160
+    },
+    {
+      "epoch": 1.56,
+      "grad_norm": 0.12070120871067047,
+      "learning_rate": 4.521428571428572e-05,
+      "loss": 0.0523,
+      "step": 1170
+    },
+    {
+      "epoch": 1.5733333333333333,
+      "grad_norm": 0.1361754834651947,
+      "learning_rate": 4.514285714285714e-05,
+      "loss": 0.0533,
+      "step": 1180
+    },
+    {
+      "epoch": 1.5866666666666667,
+      "grad_norm": 0.3271886110305786,
+      "learning_rate": 4.507142857142858e-05,
+      "loss": 0.0509,
+      "step": 1190
+    },
+    {
+      "epoch": 1.6,
+      "grad_norm": 0.13583555817604065,
+      "learning_rate": 4.5e-05,
+      "loss": 0.0517,
+      "step": 1200
+    },
+    {
+      "epoch": 1.6133333333333333,
+      "grad_norm": 0.09063301235437393,
+      "learning_rate": 4.4928571428571434e-05,
+      "loss": 0.0491,
+      "step": 1210
+    },
+    {
+      "epoch": 1.6266666666666667,
+      "grad_norm": 0.13109685480594635,
+      "learning_rate": 4.485714285714286e-05,
+      "loss": 0.0507,
+      "step": 1220
+    },
+    {
+      "epoch": 1.6400000000000001,
+      "grad_norm": 0.2342015653848648,
+      "learning_rate": 4.478571428571429e-05,
+      "loss": 0.0555,
+      "step": 1230
+    },
+    {
+      "epoch": 1.6533333333333333,
+      "grad_norm": 0.23255020380020142,
+      "learning_rate": 4.471428571428571e-05,
+      "loss": 0.0501,
+      "step": 1240
+    },
+    {
+      "epoch": 1.6666666666666665,
+      "grad_norm": 0.10982577502727509,
+      "learning_rate": 4.464285714285715e-05,
+      "loss": 0.0498,
+      "step": 1250
+    },
+    {
+      "epoch": 1.6800000000000002,
+      "grad_norm": 0.21275991201400757,
+      "learning_rate": 4.4571428571428574e-05,
+      "loss": 0.0507,
+      "step": 1260
+    },
+    {
+      "epoch": 1.6933333333333334,
+      "grad_norm": 0.3174327611923218,
+      "learning_rate": 4.4500000000000004e-05,
+      "loss": 0.0489,
+      "step": 1270
+    },
+    {
+      "epoch": 1.7066666666666666,
+      "grad_norm": 0.13145875930786133,
+      "learning_rate": 4.442857142857143e-05,
+      "loss": 0.0535,
+      "step": 1280
+    },
+    {
+      "epoch": 1.72,
+      "grad_norm": 0.10083083808422089,
+      "learning_rate": 4.435714285714286e-05,
+      "loss": 0.0508,
+      "step": 1290
+    },
+    {
+      "epoch": 1.7333333333333334,
+      "grad_norm": 0.12133139371871948,
+      "learning_rate": 4.428571428571428e-05,
+      "loss": 0.0504,
+      "step": 1300
+    },
+    {
+      "epoch": 1.7466666666666666,
+      "grad_norm": 0.16503684222698212,
+      "learning_rate": 4.4214285714285714e-05,
+      "loss": 0.0558,
+      "step": 1310
+    },
+    {
+      "epoch": 1.76,
+      "grad_norm": 0.12504585087299347,
+      "learning_rate": 4.4142857142857144e-05,
+      "loss": 0.0518,
+      "step": 1320
+    },
+    {
+      "epoch": 1.7733333333333334,
+      "grad_norm": 0.10716963559389114,
+      "learning_rate": 4.4071428571428575e-05,
+      "loss": 0.0532,
+      "step": 1330
+    },
+    {
+      "epoch": 1.7866666666666666,
+      "grad_norm": 0.2373497486114502,
+      "learning_rate": 4.4000000000000006e-05,
+      "loss": 0.0528,
+      "step": 1340
+    },
+    {
+      "epoch": 1.8,
+      "grad_norm": 0.1100727766752243,
+      "learning_rate": 4.392857142857143e-05,
+      "loss": 0.0531,
+      "step": 1350
+    },
+    {
+      "epoch": 1.8133333333333335,
+      "grad_norm": 0.14225316047668457,
+      "learning_rate": 4.385714285714286e-05,
+      "loss": 0.057,
+      "step": 1360
+    },
+    {
+      "epoch": 1.8266666666666667,
+      "grad_norm": 0.1384698450565338,
+      "learning_rate": 4.3785714285714284e-05,
+      "loss": 0.0552,
+      "step": 1370
+    },
+    {
+      "epoch": 1.8399999999999999,
+      "grad_norm": 0.10602777451276779,
+      "learning_rate": 4.371428571428572e-05,
+      "loss": 0.0506,
+      "step": 1380
+    },
+    {
+      "epoch": 1.8533333333333335,
+      "grad_norm": 0.2008180022239685,
+      "learning_rate": 4.3642857142857146e-05,
+      "loss": 0.053,
+      "step": 1390
+    },
+    {
+      "epoch": 1.8666666666666667,
+      "grad_norm": 0.1649533063173294,
+      "learning_rate": 4.3571428571428576e-05,
+      "loss": 0.0555,
+      "step": 1400
+    },
+    {
+      "epoch": 1.88,
+      "grad_norm": 0.14544807374477386,
+      "learning_rate": 4.35e-05,
+      "loss": 0.0477,
+      "step": 1410
+    },
+    {
+      "epoch": 1.8933333333333333,
+      "grad_norm": 0.24377340078353882,
+      "learning_rate": 4.342857142857143e-05,
+      "loss": 0.0528,
+      "step": 1420
+    },
+    {
+      "epoch": 1.9066666666666667,
+      "grad_norm": 0.29177284240722656,
+      "learning_rate": 4.3357142857142855e-05,
+      "loss": 0.0533,
+      "step": 1430
+    },
+    {
+      "epoch": 1.92,
+      "grad_norm": 0.3291325271129608,
+      "learning_rate": 4.328571428571429e-05,
+      "loss": 0.0548,
+      "step": 1440
+    },
+    {
+      "epoch": 1.9333333333333333,
+      "grad_norm": 0.15374711155891418,
+      "learning_rate": 4.3214285714285716e-05,
+      "loss": 0.0503,
+      "step": 1450
+    },
+    {
+      "epoch": 1.9466666666666668,
+      "grad_norm": 0.1259704977273941,
+      "learning_rate": 4.314285714285715e-05,
+      "loss": 0.0504,
+      "step": 1460
+    },
+    {
+      "epoch": 1.96,
+      "grad_norm": 0.24009272456169128,
+      "learning_rate": 4.307142857142857e-05,
+      "loss": 0.0505,
+      "step": 1470
+    },
+    {
+      "epoch": 1.9733333333333334,
+      "grad_norm": 0.22257213294506073,
+      "learning_rate": 4.3e-05,
+      "loss": 0.0503,
+      "step": 1480
+    },
+    {
+      "epoch": 1.9866666666666668,
+      "grad_norm": 0.4394012987613678,
+      "learning_rate": 4.292857142857143e-05,
+      "loss": 0.0498,
+      "step": 1490
+    },
+    {
+      "epoch": 2.0,
+      "grad_norm": 0.13578003644943237,
+      "learning_rate": 4.2857142857142856e-05,
+      "loss": 0.0461,
+      "step": 1500
+    },
+    {
+      "epoch": 2.0,
+      "eval_loss": 0.054075684398412704,
+      "eval_runtime": 10.0156,
+      "eval_samples_per_second": 49.922,
+      "eval_steps_per_second": 6.29,
+      "step": 1500
+    },
+    {
+      "epoch": 2.013333333333333,
+      "grad_norm": 0.16438980400562286,
+      "learning_rate": 4.278571428571429e-05,
+      "loss": 0.0522,
+      "step": 1510
+    },
+    {
+      "epoch": 2.026666666666667,
+      "grad_norm": 0.20826704800128937,
+      "learning_rate": 4.271428571428572e-05,
+      "loss": 0.0519,
+      "step": 1520
+    },
+    {
+      "epoch": 2.04,
+      "grad_norm": 0.11790334433317184,
+      "learning_rate": 4.264285714285715e-05,
+      "loss": 0.0546,
+      "step": 1530
+    },
+    {
+      "epoch": 2.0533333333333332,
+      "grad_norm": 0.10623537749052048,
+      "learning_rate": 4.257142857142857e-05,
+      "loss": 0.0463,
+      "step": 1540
+    },
+    {
+      "epoch": 2.066666666666667,
+      "grad_norm": 0.1282428652048111,
+      "learning_rate": 4.25e-05,
+      "loss": 0.05,
+      "step": 1550
+    },
+    {
+      "epoch": 2.08,
+      "grad_norm": 0.17629238963127136,
+      "learning_rate": 4.242857142857143e-05,
+      "loss": 0.0539,
+      "step": 1560
+    },
+    {
+      "epoch": 2.0933333333333333,
+      "grad_norm": 0.12544283270835876,
+      "learning_rate": 4.2357142857142864e-05,
+      "loss": 0.0449,
+      "step": 1570
+    },
+    {
+      "epoch": 2.1066666666666665,
+      "grad_norm": 0.20133888721466064,
+      "learning_rate": 4.228571428571429e-05,
+      "loss": 0.0572,
+      "step": 1580
+    },
+    {
+      "epoch": 2.12,
+      "grad_norm": 0.2364024966955185,
+      "learning_rate": 4.221428571428572e-05,
+      "loss": 0.0527,
+      "step": 1590
+    },
+    {
+      "epoch": 2.1333333333333333,
+      "grad_norm": 0.06316623836755753,
+      "learning_rate": 4.214285714285714e-05,
+      "loss": 0.0506,
+      "step": 1600
+    },
+    {
+      "epoch": 2.1466666666666665,
+      "grad_norm": 0.17969930171966553,
+      "learning_rate": 4.2071428571428574e-05,
+      "loss": 0.0522,
+      "step": 1610
+    },
+    {
+      "epoch": 2.16,
+      "grad_norm": 0.43240031599998474,
+      "learning_rate": 4.2e-05,
+      "loss": 0.052,
+      "step": 1620
+    },
+    {
+      "epoch": 2.1733333333333333,
+      "grad_norm": 0.1348673552274704,
+      "learning_rate": 4.192857142857143e-05,
+      "loss": 0.0543,
+      "step": 1630
+    },
+    {
+      "epoch": 2.1866666666666665,
+      "grad_norm": 0.10737530887126923,
+      "learning_rate": 4.185714285714286e-05,
+      "loss": 0.0517,
+      "step": 1640
+    },
+    {
+      "epoch": 2.2,
+      "grad_norm": 0.35941430926322937,
+      "learning_rate": 4.178571428571429e-05,
+      "loss": 0.0555,
+      "step": 1650
+    },
+    {
+      "epoch": 2.2133333333333334,
+      "grad_norm": 0.07631855458021164,
+      "learning_rate": 4.1714285714285714e-05,
+      "loss": 0.0488,
+      "step": 1660
+    },
+    {
+      "epoch": 2.2266666666666666,
+      "grad_norm": 0.06476607173681259,
+      "learning_rate": 4.1642857142857144e-05,
+      "loss": 0.0509,
+      "step": 1670
+    },
+    {
+      "epoch": 2.24,
+      "grad_norm": 0.16520707309246063,
+      "learning_rate": 4.1571428571428575e-05,
+      "loss": 0.053,
+      "step": 1680
+    },
+    {
+      "epoch": 2.2533333333333334,
+      "grad_norm": 0.44324541091918945,
+      "learning_rate": 4.15e-05,
+      "loss": 0.0524,
+      "step": 1690
+    },
+    {
+      "epoch": 2.2666666666666666,
+      "grad_norm": 0.12983335554599762,
+      "learning_rate": 4.1428571428571437e-05,
+      "loss": 0.0491,
+      "step": 1700
+    },
+    {
+      "epoch": 2.2800000000000002,
+      "grad_norm": 0.1432163417339325,
+      "learning_rate": 4.135714285714286e-05,
+      "loss": 0.0487,
+      "step": 1710
+    },
+    {
+      "epoch": 2.2933333333333334,
+      "grad_norm": 0.13836470246315002,
+      "learning_rate": 4.128571428571429e-05,
+      "loss": 0.0504,
+      "step": 1720
+    },
+    {
+      "epoch": 2.3066666666666666,
+      "grad_norm": 0.23527877032756805,
+      "learning_rate": 4.1214285714285715e-05,
+      "loss": 0.0505,
+      "step": 1730
+    },
+    {
+      "epoch": 2.32,
+      "grad_norm": 0.07424179464578629,
+      "learning_rate": 4.1142857142857146e-05,
+      "loss": 0.0495,
+      "step": 1740
+    },
+    {
+      "epoch": 2.3333333333333335,
+      "grad_norm": 0.14068065583705902,
+      "learning_rate": 4.107142857142857e-05,
+      "loss": 0.0474,
+      "step": 1750
+    },
+    {
+      "epoch": 2.3466666666666667,
+      "grad_norm": 0.12768574059009552,
+      "learning_rate": 4.1e-05,
+      "loss": 0.0493,
+      "step": 1760
+    },
+    {
+      "epoch": 2.36,
+      "grad_norm": 0.1718904823064804,
+      "learning_rate": 4.092857142857143e-05,
+      "loss": 0.048,
+      "step": 1770
+    },
+    {
+      "epoch": 2.3733333333333335,
+      "grad_norm": 0.13147805631160736,
+      "learning_rate": 4.085714285714286e-05,
+      "loss": 0.0475,
+      "step": 1780
+    },
+    {
+      "epoch": 2.3866666666666667,
+      "grad_norm": 0.08944166451692581,
+      "learning_rate": 4.0785714285714286e-05,
+      "loss": 0.0501,
+      "step": 1790
+    },
+    {
+      "epoch": 2.4,
+      "grad_norm": 0.24558790028095245,
+      "learning_rate": 4.0714285714285717e-05,
+      "loss": 0.0506,
+      "step": 1800
+    },
+    {
+      "epoch": 2.413333333333333,
+      "grad_norm": 0.16107410192489624,
+      "learning_rate": 4.064285714285714e-05,
+      "loss": 0.0512,
+      "step": 1810
+    },
+    {
+      "epoch": 2.4266666666666667,
+      "grad_norm": 0.1700991988182068,
+      "learning_rate": 4.057142857142857e-05,
+      "loss": 0.0499,
+      "step": 1820
+    },
+    {
+      "epoch": 2.44,
+      "grad_norm": 0.2655865550041199,
+      "learning_rate": 4.05e-05,
+      "loss": 0.0541,
+      "step": 1830
+    },
+    {
+      "epoch": 2.453333333333333,
+      "grad_norm": 0.20461224019527435,
+      "learning_rate": 4.042857142857143e-05,
+      "loss": 0.0523,
+      "step": 1840
+    },
+    {
+      "epoch": 2.466666666666667,
+      "grad_norm": 0.3652881383895874,
+      "learning_rate": 4.035714285714286e-05,
+      "loss": 0.0513,
+      "step": 1850
+    },
+    {
+      "epoch": 2.48,
+      "grad_norm": 0.2154848426580429,
+      "learning_rate": 4.028571428571429e-05,
+      "loss": 0.0517,
+      "step": 1860
+    },
+    {
+      "epoch": 2.493333333333333,
+      "grad_norm": 0.26713937520980835,
+      "learning_rate": 4.021428571428572e-05,
+      "loss": 0.0492,
+      "step": 1870
+    },
+    {
+      "epoch": 2.506666666666667,
+      "grad_norm": 0.15230190753936768,
+      "learning_rate": 4.014285714285714e-05,
+      "loss": 0.0559,
+      "step": 1880
+    },
+    {
+      "epoch": 2.52,
+      "grad_norm": 0.30474409461021423,
+      "learning_rate": 4.007142857142857e-05,
+      "loss": 0.0488,
+      "step": 1890
+    },
+    {
+      "epoch": 2.533333333333333,
+      "grad_norm": 0.2997805178165436,
+      "learning_rate": 4e-05,
+      "loss": 0.0498,
+      "step": 1900
+    },
+    {
+      "epoch": 2.546666666666667,
+      "grad_norm": 0.19172672927379608,
+      "learning_rate": 3.9928571428571434e-05,
+      "loss": 0.0585,
+      "step": 1910
+    },
+    {
+      "epoch": 2.56,
+      "grad_norm": 0.382513165473938,
+      "learning_rate": 3.985714285714286e-05,
+      "loss": 0.0552,
+      "step": 1920
+    },
+    {
+      "epoch": 2.5733333333333333,
+      "grad_norm": 0.23635518550872803,
+      "learning_rate": 3.978571428571429e-05,
+      "loss": 0.0538,
+      "step": 1930
+    },
+    {
+      "epoch": 2.586666666666667,
+      "grad_norm": 0.11122988909482956,
+      "learning_rate": 3.971428571428571e-05,
+      "loss": 0.046,
+      "step": 1940
+    },
+    {
+      "epoch": 2.6,
+      "grad_norm": 0.2611789405345917,
+      "learning_rate": 3.964285714285714e-05,
+      "loss": 0.053,
+      "step": 1950
+    },
+    {
+      "epoch": 2.6133333333333333,
+      "grad_norm": 0.12125597149133682,
+      "learning_rate": 3.9571428571428574e-05,
+      "loss": 0.05,
+      "step": 1960
+    },
+    {
+      "epoch": 2.626666666666667,
+      "grad_norm": 0.4137856066226959,
+      "learning_rate": 3.9500000000000005e-05,
+      "loss": 0.0502,
+      "step": 1970
+    },
+    {
+      "epoch": 2.64,
+      "grad_norm": 0.11748076975345612,
+      "learning_rate": 3.942857142857143e-05,
+      "loss": 0.0497,
+      "step": 1980
+    },
+    {
+      "epoch": 2.6533333333333333,
+      "grad_norm": 0.377098947763443,
+      "learning_rate": 3.935714285714286e-05,
+      "loss": 0.0505,
+      "step": 1990
+    },
+    {
+      "epoch": 2.6666666666666665,
+      "grad_norm": 0.11372966319322586,
+      "learning_rate": 3.928571428571429e-05,
+      "loss": 0.0487,
+      "step": 2000
+    },
+    {
+      "epoch": 2.68,
+      "grad_norm": 0.19125735759735107,
+      "learning_rate": 3.9214285714285714e-05,
+      "loss": 0.0483,
+      "step": 2010
+    },
+    {
+      "epoch": 2.6933333333333334,
+      "grad_norm": 0.44038212299346924,
+      "learning_rate": 3.9142857142857145e-05,
+      "loss": 0.0527,
+      "step": 2020
+    },
+    {
+      "epoch": 2.7066666666666666,
+      "grad_norm": 0.15510571002960205,
+      "learning_rate": 3.9071428571428575e-05,
+      "loss": 0.0509,
+      "step": 2030
+    },
+    {
+      "epoch": 2.7199999999999998,
+      "grad_norm": 0.25460880994796753,
+      "learning_rate": 3.9000000000000006e-05,
+      "loss": 0.0553,
+      "step": 2040
+    },
+    {
+      "epoch": 2.7333333333333334,
+      "grad_norm": 0.1712125986814499,
+      "learning_rate": 3.892857142857143e-05,
+      "loss": 0.0498,
+      "step": 2050
+    },
+    {
+      "epoch": 2.7466666666666666,
+      "grad_norm": 0.12470956891775131,
+      "learning_rate": 3.885714285714286e-05,
+      "loss": 0.0508,
+      "step": 2060
+    },
+    {
+      "epoch": 2.76,
+      "grad_norm": 0.16354122757911682,
+      "learning_rate": 3.8785714285714285e-05,
+      "loss": 0.0532,
+      "step": 2070
+    },
+    {
+      "epoch": 2.7733333333333334,
+      "grad_norm": 0.08440346270799637,
+      "learning_rate": 3.8714285714285715e-05,
+      "loss": 0.0489,
+      "step": 2080
+    },
+    {
+      "epoch": 2.7866666666666666,
+      "grad_norm": 0.13046309351921082,
+      "learning_rate": 3.8642857142857146e-05,
+      "loss": 0.0508,
+      "step": 2090
+    },
+    {
+      "epoch": 2.8,
+      "grad_norm": 0.1991935819387436,
+      "learning_rate": 3.857142857142858e-05,
+      "loss": 0.0478,
+      "step": 2100
+    },
+    {
+      "epoch": 2.8133333333333335,
+      "grad_norm": 0.15155845880508423,
+      "learning_rate": 3.85e-05,
+      "loss": 0.0538,
+      "step": 2110
+    },
+    {
+      "epoch": 2.8266666666666667,
+      "grad_norm": 0.17168861627578735,
+      "learning_rate": 3.842857142857143e-05,
+      "loss": 0.0497,
+      "step": 2120
+    },
+    {
+      "epoch": 2.84,
+      "grad_norm": 0.12003040313720703,
+      "learning_rate": 3.8357142857142855e-05,
+      "loss": 0.0482,
+      "step": 2130
+    },
+    {
+      "epoch": 2.8533333333333335,
+      "grad_norm": 0.2565872073173523,
+      "learning_rate": 3.8285714285714286e-05,
+      "loss": 0.0484,
+      "step": 2140
+    },
+    {
+      "epoch": 2.8666666666666667,
+      "grad_norm": 0.13114257156848907,
+      "learning_rate": 3.821428571428572e-05,
+      "loss": 0.0504,
+      "step": 2150
+    },
+    {
+      "epoch": 2.88,
+      "grad_norm": 0.3810775578022003,
+      "learning_rate": 3.814285714285715e-05,
+      "loss": 0.0552,
+      "step": 2160
+    },
+    {
+      "epoch": 2.8933333333333335,
+      "grad_norm": 0.2469027042388916,
+      "learning_rate": 3.807142857142857e-05,
+      "loss": 0.0563,
+      "step": 2170
+    },
+    {
+      "epoch": 2.9066666666666667,
+      "grad_norm": 0.14966650307178497,
+      "learning_rate": 3.8e-05,
+      "loss": 0.0545,
+      "step": 2180
+    },
+    {
+      "epoch": 2.92,
+      "grad_norm": 0.1862277090549469,
+      "learning_rate": 3.792857142857143e-05,
+      "loss": 0.0474,
+      "step": 2190
+    },
+    {
+      "epoch": 2.9333333333333336,
+      "grad_norm": 0.26608338952064514,
+      "learning_rate": 3.785714285714286e-05,
+      "loss": 0.0493,
+      "step": 2200
+    },
+    {
+      "epoch": 2.9466666666666668,
+      "grad_norm": 0.125716432929039,
+      "learning_rate": 3.778571428571429e-05,
+      "loss": 0.0507,
+      "step": 2210
+    },
+    {
+      "epoch": 2.96,
+      "grad_norm": 0.16496026515960693,
+      "learning_rate": 3.771428571428572e-05,
+      "loss": 0.049,
+      "step": 2220
+    },
+    {
+      "epoch": 2.9733333333333336,
+      "grad_norm": 0.22474133968353271,
+      "learning_rate": 3.764285714285715e-05,
+      "loss": 0.0501,
+      "step": 2230
+    },
+    {
+      "epoch": 2.986666666666667,
+      "grad_norm": 0.11562592536211014,
+      "learning_rate": 3.757142857142857e-05,
+      "loss": 0.0521,
+      "step": 2240
+    },
+    {
+      "epoch": 3.0,
+      "grad_norm": 0.19955560564994812,
+      "learning_rate": 3.7500000000000003e-05,
+      "loss": 0.0464,
+      "step": 2250
+    },
+    {
+      "epoch": 3.0,
+      "eval_loss": 0.05110824480652809,
+      "eval_runtime": 10.0148,
+      "eval_samples_per_second": 49.926,
+      "eval_steps_per_second": 6.291,
+      "step": 2250
+    },
+    {
+      "epoch": 3.013333333333333,
+      "grad_norm": 0.16816431283950806,
+      "learning_rate": 3.742857142857143e-05,
+      "loss": 0.0443,
+      "step": 2260
+    },
+    {
+      "epoch": 3.026666666666667,
+      "grad_norm": 0.45735976099967957,
+      "learning_rate": 3.735714285714286e-05,
+      "loss": 0.0515,
+      "step": 2270
+    },
+    {
+      "epoch": 3.04,
+      "grad_norm": 0.1592942327260971,
+      "learning_rate": 3.728571428571428e-05,
+      "loss": 0.0481,
+      "step": 2280
+    },
+    {
+      "epoch": 3.0533333333333332,
+      "grad_norm": 0.32670077681541443,
+      "learning_rate": 3.721428571428572e-05,
+      "loss": 0.0503,
+      "step": 2290
+    },
+    {
+      "epoch": 3.066666666666667,
+      "grad_norm": 0.20668624341487885,
+      "learning_rate": 3.7142857142857143e-05,
+      "loss": 0.051,
+      "step": 2300
+    },
+    {
+      "epoch": 3.08,
+      "grad_norm": 0.13852283358573914,
+      "learning_rate": 3.7071428571428574e-05,
+      "loss": 0.0479,
+      "step": 2310
+    },
+    {
+      "epoch": 3.0933333333333333,
+      "grad_norm": 0.2132701426744461,
+      "learning_rate": 3.7e-05,
+      "loss": 0.0489,
+      "step": 2320
+    },
+    {
+      "epoch": 3.1066666666666665,
+      "grad_norm": 0.1702883541584015,
+      "learning_rate": 3.692857142857143e-05,
+      "loss": 0.044,
+      "step": 2330
+    },
+    {
+      "epoch": 3.12,
+      "grad_norm": 0.18299806118011475,
+      "learning_rate": 3.685714285714286e-05,
+      "loss": 0.0494,
+      "step": 2340
+    },
+    {
+      "epoch": 3.1333333333333333,
+      "grad_norm": 0.1809345781803131,
+      "learning_rate": 3.678571428571429e-05,
+      "loss": 0.05,
+      "step": 2350
+    },
+    {
+      "epoch": 3.1466666666666665,
+      "grad_norm": 0.1421690732240677,
+      "learning_rate": 3.671428571428572e-05,
+      "loss": 0.0464,
+      "step": 2360
+    },
+    {
+      "epoch": 3.16,
+      "grad_norm": 0.20509889721870422,
+      "learning_rate": 3.6642857142857145e-05,
+      "loss": 0.0491,
+      "step": 2370
+    },
+    {
+      "epoch": 3.1733333333333333,
+      "grad_norm": 0.12411938607692719,
+      "learning_rate": 3.6571428571428576e-05,
+      "loss": 0.0505,
+      "step": 2380
+    },
+    {
+      "epoch": 3.1866666666666665,
+      "grad_norm": 0.19250600039958954,
+      "learning_rate": 3.65e-05,
+      "loss": 0.0458,
+      "step": 2390
+    },
+    {
+      "epoch": 3.2,
+      "grad_norm": 0.37988996505737305,
+      "learning_rate": 3.642857142857143e-05,
+      "loss": 0.0504,
+      "step": 2400
+    },
+    {
+      "epoch": 3.2133333333333334,
+      "grad_norm": 0.11754297465085983,
+      "learning_rate": 3.6357142857142854e-05,
+      "loss": 0.0488,
+      "step": 2410
+    },
+    {
+      "epoch": 3.2266666666666666,
+      "grad_norm": 0.1923026740550995,
+      "learning_rate": 3.628571428571429e-05,
+      "loss": 0.0488,
+      "step": 2420
+    },
+    {
+      "epoch": 3.24,
+      "grad_norm": 0.2408144474029541,
+      "learning_rate": 3.6214285714285716e-05,
+      "loss": 0.0505,
+      "step": 2430
+    },
+    {
+      "epoch": 3.2533333333333334,
+      "grad_norm": 0.23655633628368378,
+      "learning_rate": 3.6142857142857146e-05,
+      "loss": 0.0449,
+      "step": 2440
+    },
+    {
+      "epoch": 3.2666666666666666,
+      "grad_norm": 0.1541142463684082,
+      "learning_rate": 3.607142857142857e-05,
+      "loss": 0.0516,
+      "step": 2450
+    },
+    {
+      "epoch": 3.2800000000000002,
+      "grad_norm": 0.2851203978061676,
+      "learning_rate": 3.6e-05,
+      "loss": 0.0495,
+      "step": 2460
+    },
+    {
+      "epoch": 3.2933333333333334,
+      "grad_norm": 0.20948311686515808,
+      "learning_rate": 3.5928571428571425e-05,
+      "loss": 0.0489,
+      "step": 2470
+    },
+    {
+      "epoch": 3.3066666666666666,
+      "grad_norm": 0.15014463663101196,
+      "learning_rate": 3.585714285714286e-05,
+      "loss": 0.0518,
+      "step": 2480
+    },
+    {
+      "epoch": 3.32,
+      "grad_norm": 0.14630897343158722,
+      "learning_rate": 3.5785714285714286e-05,
+      "loss": 0.0493,
+      "step": 2490
+    },
+    {
+      "epoch": 3.3333333333333335,
+      "grad_norm": 0.12098649889230728,
+      "learning_rate": 3.571428571428572e-05,
+      "loss": 0.0491,
+      "step": 2500
+    },
+    {
+      "epoch": 3.3466666666666667,
+      "grad_norm": 0.6136795878410339,
+      "learning_rate": 3.564285714285715e-05,
+      "loss": 0.0519,
+      "step": 2510
+    },
+    {
+      "epoch": 3.36,
+      "grad_norm": 0.19456863403320312,
+      "learning_rate": 3.557142857142857e-05,
+      "loss": 0.0512,
+      "step": 2520
+    },
+    {
+      "epoch": 3.3733333333333335,
+      "grad_norm": 0.5618788003921509,
+      "learning_rate": 3.55e-05,
+      "loss": 0.0503,
+      "step": 2530
+    },
+    {
+      "epoch": 3.3866666666666667,
+      "grad_norm": 0.30272796750068665,
+      "learning_rate": 3.5428571428571426e-05,
+      "loss": 0.0489,
+      "step": 2540
+    },
+    {
+      "epoch": 3.4,
+      "grad_norm": 0.19792865216732025,
+      "learning_rate": 3.5357142857142864e-05,
+      "loss": 0.0528,
+      "step": 2550
+    },
+    {
+      "epoch": 3.413333333333333,
+      "grad_norm": 0.31040942668914795,
+      "learning_rate": 3.528571428571429e-05,
+      "loss": 0.0497,
+      "step": 2560
+    },
+    {
+      "epoch": 3.4266666666666667,
+      "grad_norm": 0.19779431819915771,
+      "learning_rate": 3.521428571428572e-05,
+      "loss": 0.0518,
+      "step": 2570
+    },
+    {
+      "epoch": 3.44,
+      "grad_norm": 0.15589947998523712,
+      "learning_rate": 3.514285714285714e-05,
+      "loss": 0.0493,
+      "step": 2580
+    },
+    {
+      "epoch": 3.453333333333333,
+      "grad_norm": 0.1930648535490036,
+      "learning_rate": 3.507142857142857e-05,
+      "loss": 0.0525,
+      "step": 2590
+    },
+    {
+      "epoch": 3.466666666666667,
+      "grad_norm": 0.18375195562839508,
+      "learning_rate": 3.5e-05,
+      "loss": 0.0461,
+      "step": 2600
+    },
+    {
+      "epoch": 3.48,
+      "grad_norm": 0.2192424237728119,
+      "learning_rate": 3.4928571428571434e-05,
+      "loss": 0.0497,
+      "step": 2610
+    },
+    {
+      "epoch": 3.493333333333333,
+      "grad_norm": 0.1559227854013443,
+      "learning_rate": 3.485714285714286e-05,
+      "loss": 0.053,
+      "step": 2620
+    },
+    {
+      "epoch": 3.506666666666667,
+      "grad_norm": 0.15121030807495117,
+      "learning_rate": 3.478571428571429e-05,
+      "loss": 0.045,
+      "step": 2630
+    },
+    {
+      "epoch": 3.52,
+      "grad_norm": 0.16507183015346527,
+      "learning_rate": 3.471428571428571e-05,
+      "loss": 0.0518,
+      "step": 2640
+    },
+    {
+      "epoch": 3.533333333333333,
+      "grad_norm": 0.22757488489151,
+      "learning_rate": 3.4642857142857144e-05,
+      "loss": 0.0451,
+      "step": 2650
+    },
+    {
+      "epoch": 3.546666666666667,
+      "grad_norm": 0.1340194046497345,
+      "learning_rate": 3.4571428571428574e-05,
+      "loss": 0.0463,
+      "step": 2660
+    },
+    {
+      "epoch": 3.56,
+      "grad_norm": 0.384883850812912,
+      "learning_rate": 3.45e-05,
+      "loss": 0.0466,
+      "step": 2670
+    },
+    {
+      "epoch": 3.5733333333333333,
+      "grad_norm": 0.19904693961143494,
+      "learning_rate": 3.442857142857143e-05,
+      "loss": 0.0457,
+      "step": 2680
+    },
+    {
+      "epoch": 3.586666666666667,
+      "grad_norm": 0.3202771246433258,
+      "learning_rate": 3.435714285714286e-05,
+      "loss": 0.0518,
+      "step": 2690
+    },
+    {
+      "epoch": 3.6,
+      "grad_norm": 0.3006669580936432,
+      "learning_rate": 3.428571428571429e-05,
+      "loss": 0.0472,
+      "step": 2700
+    },
+    {
+      "epoch": 3.6133333333333333,
+      "grad_norm": 0.1989063322544098,
+      "learning_rate": 3.4214285714285714e-05,
+      "loss": 0.0523,
+      "step": 2710
+    },
+    {
+      "epoch": 3.626666666666667,
+      "grad_norm": 0.16822995245456696,
+      "learning_rate": 3.4142857142857145e-05,
+      "loss": 0.0495,
+      "step": 2720
+    },
+    {
+      "epoch": 3.64,
+      "grad_norm": 0.1562507003545761,
+      "learning_rate": 3.407142857142857e-05,
+      "loss": 0.0527,
+      "step": 2730
+    },
+    {
+      "epoch": 3.6533333333333333,
+      "grad_norm": 0.1633797138929367,
+      "learning_rate": 3.4000000000000007e-05,
+      "loss": 0.0458,
+      "step": 2740
+    },
+    {
+      "epoch": 3.6666666666666665,
+      "grad_norm": 0.16070666909217834,
+      "learning_rate": 3.392857142857143e-05,
+      "loss": 0.0502,
+      "step": 2750
+    },
+    {
+      "epoch": 3.68,
+      "grad_norm": 0.2407410889863968,
+      "learning_rate": 3.385714285714286e-05,
+      "loss": 0.0503,
+      "step": 2760
+    },
+    {
+      "epoch": 3.6933333333333334,
+      "grad_norm": 0.35909250378608704,
+      "learning_rate": 3.3785714285714285e-05,
+      "loss": 0.0531,
+      "step": 2770
+    },
+    {
+      "epoch": 3.7066666666666666,
+      "grad_norm": 0.18820758163928986,
+      "learning_rate": 3.3714285714285716e-05,
+      "loss": 0.0462,
+      "step": 2780
+    },
+    {
+      "epoch": 3.7199999999999998,
+      "grad_norm": 0.14336512982845306,
+      "learning_rate": 3.364285714285714e-05,
+      "loss": 0.0458,
+      "step": 2790
+    },
+    {
+      "epoch": 3.7333333333333334,
+      "grad_norm": 0.22497084736824036,
+      "learning_rate": 3.357142857142857e-05,
+      "loss": 0.0507,
+      "step": 2800
+    },
+    {
+      "epoch": 3.7466666666666666,
+      "grad_norm": 0.19693425297737122,
+      "learning_rate": 3.35e-05,
+      "loss": 0.0491,
+      "step": 2810
+    },
+    {
+      "epoch": 3.76,
+      "grad_norm": 0.13213084638118744,
+      "learning_rate": 3.342857142857143e-05,
+      "loss": 0.0514,
+      "step": 2820
+    },
+    {
+      "epoch": 3.7733333333333334,
+      "grad_norm": 0.16602641344070435,
+      "learning_rate": 3.3357142857142856e-05,
+      "loss": 0.0453,
+      "step": 2830
+    },
+    {
+      "epoch": 3.7866666666666666,
+      "grad_norm": 0.2550041675567627,
+      "learning_rate": 3.3285714285714286e-05,
+      "loss": 0.0479,
+      "step": 2840
+    },
+    {
+      "epoch": 3.8,
+      "grad_norm": 0.1765415370464325,
+      "learning_rate": 3.321428571428572e-05,
+      "loss": 0.0448,
+      "step": 2850
+    },
+    {
+      "epoch": 3.8133333333333335,
+      "grad_norm": 0.11827313154935837,
+      "learning_rate": 3.314285714285714e-05,
+      "loss": 0.0486,
+      "step": 2860
+    },
+    {
+      "epoch": 3.8266666666666667,
+      "grad_norm": 0.2375144213438034,
+      "learning_rate": 3.307142857142858e-05,
+      "loss": 0.0436,
+      "step": 2870
+    },
+    {
+      "epoch": 3.84,
+      "grad_norm": 0.3061915636062622,
+      "learning_rate": 3.3e-05,
+      "loss": 0.0495,
+      "step": 2880
+    },
+    {
+      "epoch": 3.8533333333333335,
+      "grad_norm": 0.10031377524137497,
+      "learning_rate": 3.292857142857143e-05,
+      "loss": 0.0487,
+      "step": 2890
+    },
+    {
+      "epoch": 3.8666666666666667,
+      "grad_norm": 0.21883299946784973,
+      "learning_rate": 3.285714285714286e-05,
+      "loss": 0.046,
+      "step": 2900
+    },
+    {
+      "epoch": 3.88,
+      "grad_norm": 1.590725302696228,
+      "learning_rate": 3.278571428571429e-05,
+      "loss": 0.0502,
+      "step": 2910
+    },
+    {
+      "epoch": 3.8933333333333335,
+      "grad_norm": 0.22590704262256622,
+      "learning_rate": 3.271428571428571e-05,
+      "loss": 0.0521,
+      "step": 2920
+    },
+    {
+      "epoch": 3.9066666666666667,
+      "grad_norm": 0.1639569103717804,
+      "learning_rate": 3.264285714285714e-05,
+      "loss": 0.0477,
+      "step": 2930
+    },
+    {
+      "epoch": 3.92,
+      "grad_norm": 0.12696650624275208,
+      "learning_rate": 3.257142857142857e-05,
+      "loss": 0.0505,
+      "step": 2940
+    },
+    {
+      "epoch": 3.9333333333333336,
+      "grad_norm": 0.3780568540096283,
+      "learning_rate": 3.2500000000000004e-05,
+      "loss": 0.0489,
+      "step": 2950
+    },
+    {
+      "epoch": 3.9466666666666668,
+      "grad_norm": 0.3392542600631714,
+      "learning_rate": 3.242857142857143e-05,
+      "loss": 0.0496,
+      "step": 2960
+    },
+    {
+      "epoch": 3.96,
+      "grad_norm": 0.17197130620479584,
+      "learning_rate": 3.235714285714286e-05,
+      "loss": 0.0534,
+      "step": 2970
+    },
+    {
+      "epoch": 3.9733333333333336,
+      "grad_norm": 0.17180047929286957,
+      "learning_rate": 3.228571428571428e-05,
+      "loss": 0.0522,
+      "step": 2980
+    },
+    {
+      "epoch": 3.986666666666667,
+      "grad_norm": 0.11891971528530121,
+      "learning_rate": 3.221428571428571e-05,
+      "loss": 0.0483,
+      "step": 2990
+    },
+    {
+      "epoch": 4.0,
+      "grad_norm": 0.26933804154396057,
+      "learning_rate": 3.2142857142857144e-05,
+      "loss": 0.045,
+      "step": 3000
+    },
+    {
+      "epoch": 4.0,
+      "eval_loss": 0.04972463101148605,
+      "eval_runtime": 9.9852,
+      "eval_samples_per_second": 50.074,
+      "eval_steps_per_second": 6.309,
+      "step": 3000
+    },
+    {
+      "epoch": 4.013333333333334,
+      "grad_norm": 0.1280890852212906,
+      "learning_rate": 3.2071428571428575e-05,
+      "loss": 0.0439,
+      "step": 3010
+    },
+    {
+      "epoch": 4.026666666666666,
+      "grad_norm": 0.19228434562683105,
+      "learning_rate": 3.2000000000000005e-05,
+      "loss": 0.0472,
+      "step": 3020
+    },
+    {
+      "epoch": 4.04,
+      "grad_norm": 0.14311255514621735,
+      "learning_rate": 3.192857142857143e-05,
+      "loss": 0.0416,
+      "step": 3030
+    },
+    {
+      "epoch": 4.053333333333334,
+      "grad_norm": 0.2973020374774933,
+      "learning_rate": 3.185714285714286e-05,
+      "loss": 0.0461,
+      "step": 3040
+    },
+    {
+      "epoch": 4.066666666666666,
+      "grad_norm": 0.35978373885154724,
+      "learning_rate": 3.1785714285714284e-05,
+      "loss": 0.0453,
+      "step": 3050
+    },
+    {
+      "epoch": 4.08,
+      "grad_norm": 0.1885947585105896,
+      "learning_rate": 3.1714285714285715e-05,
+      "loss": 0.0465,
+      "step": 3060
+    },
+    {
+      "epoch": 4.093333333333334,
+      "grad_norm": 0.1686437427997589,
+      "learning_rate": 3.1642857142857145e-05,
+      "loss": 0.0436,
+      "step": 3070
+    },
+    {
+      "epoch": 4.1066666666666665,
+      "grad_norm": 0.32327356934547424,
+      "learning_rate": 3.1571428571428576e-05,
+      "loss": 0.0468,
+      "step": 3080
+    },
+    {
+      "epoch": 4.12,
+      "grad_norm": 0.1771514117717743,
+      "learning_rate": 3.15e-05,
+      "loss": 0.0435,
+      "step": 3090
+    },
+    {
+      "epoch": 4.133333333333334,
+      "grad_norm": 0.24426552653312683,
+      "learning_rate": 3.142857142857143e-05,
+      "loss": 0.0473,
+      "step": 3100
+    },
+    {
+      "epoch": 4.1466666666666665,
+      "grad_norm": 0.34170758724212646,
+      "learning_rate": 3.1357142857142855e-05,
+      "loss": 0.0488,
+      "step": 3110
+    },
+    {
+      "epoch": 4.16,
+      "grad_norm": 0.389569491147995,
+      "learning_rate": 3.1285714285714285e-05,
+      "loss": 0.0471,
+      "step": 3120
+    },
+    {
+      "epoch": 4.173333333333334,
+      "grad_norm": 0.154135063290596,
+      "learning_rate": 3.1214285714285716e-05,
+      "loss": 0.0504,
+      "step": 3130
+    },
+    {
+      "epoch": 4.1866666666666665,
+      "grad_norm": 0.20886152982711792,
+      "learning_rate": 3.114285714285715e-05,
+      "loss": 0.0493,
+      "step": 3140
+    },
+    {
+      "epoch": 4.2,
+      "grad_norm": 0.25208762288093567,
+      "learning_rate": 3.107142857142857e-05,
+      "loss": 0.046,
+      "step": 3150
+    },
+    {
+      "epoch": 4.213333333333333,
+      "grad_norm": 0.22597253322601318,
+      "learning_rate": 3.1e-05,
+      "loss": 0.0471,
+      "step": 3160
+    },
+    {
+      "epoch": 4.226666666666667,
+      "grad_norm": 0.3389430046081543,
+      "learning_rate": 3.092857142857143e-05,
+      "loss": 0.0467,
+      "step": 3170
+    },
+    {
+      "epoch": 4.24,
+      "grad_norm": 0.14547674357891083,
+      "learning_rate": 3.0857142857142856e-05,
+      "loss": 0.0478,
+      "step": 3180
+    },
+    {
+      "epoch": 4.253333333333333,
+      "grad_norm": 0.14806978404521942,
+      "learning_rate": 3.078571428571429e-05,
+      "loss": 0.0432,
+      "step": 3190
+    },
+    {
+      "epoch": 4.266666666666667,
+      "grad_norm": 0.1521328240633011,
+      "learning_rate": 3.071428571428572e-05,
+      "loss": 0.0427,
+      "step": 3200
+    },
+    {
+      "epoch": 4.28,
+      "grad_norm": 0.25624796748161316,
+      "learning_rate": 3.064285714285715e-05,
+      "loss": 0.0426,
+      "step": 3210
+    },
+    {
+      "epoch": 4.293333333333333,
+      "grad_norm": 0.16778859496116638,
+      "learning_rate": 3.057142857142857e-05,
+      "loss": 0.0484,
+      "step": 3220
+    },
+    {
+      "epoch": 4.306666666666667,
+      "grad_norm": 0.33370229601860046,
+      "learning_rate": 3.05e-05,
+      "loss": 0.0529,
+      "step": 3230
+    },
+    {
+      "epoch": 4.32,
+      "grad_norm": 0.12687399983406067,
+      "learning_rate": 3.042857142857143e-05,
+      "loss": 0.0509,
+      "step": 3240
+    },
+    {
+      "epoch": 4.333333333333333,
+      "grad_norm": 0.16694316267967224,
+      "learning_rate": 3.0357142857142857e-05,
+      "loss": 0.0486,
+      "step": 3250
+    },
+    {
+      "epoch": 4.346666666666667,
+      "grad_norm": 0.20952953398227692,
+      "learning_rate": 3.0285714285714288e-05,
+      "loss": 0.0467,
+      "step": 3260
+    },
+    {
+      "epoch": 4.36,
+      "grad_norm": 0.17989033460617065,
+      "learning_rate": 3.021428571428572e-05,
+      "loss": 0.0417,
+      "step": 3270
+    },
+    {
+      "epoch": 4.373333333333333,
+      "grad_norm": 0.21700678765773773,
+      "learning_rate": 3.0142857142857146e-05,
+      "loss": 0.0446,
+      "step": 3280
+    },
+    {
+      "epoch": 4.386666666666667,
+      "grad_norm": 0.24408932030200958,
+      "learning_rate": 3.0071428571428573e-05,
+      "loss": 0.0436,
+      "step": 3290
+    },
+    {
+      "epoch": 4.4,
+      "grad_norm": 0.26848065853118896,
+      "learning_rate": 3e-05,
+      "loss": 0.0477,
+      "step": 3300
+    },
+    {
+      "epoch": 4.413333333333333,
+      "grad_norm": 0.21593162417411804,
+      "learning_rate": 2.9928571428571428e-05,
+      "loss": 0.0504,
+      "step": 3310
+    },
+    {
+      "epoch": 4.426666666666667,
+      "grad_norm": 0.1462465077638626,
+      "learning_rate": 2.9857142857142862e-05,
+      "loss": 0.0495,
+      "step": 3320
+    },
+    {
+      "epoch": 4.44,
+      "grad_norm": 0.21064093708992004,
+      "learning_rate": 2.978571428571429e-05,
+      "loss": 0.051,
+      "step": 3330
+    },
+    {
+      "epoch": 4.453333333333333,
+      "grad_norm": 0.2157047837972641,
+      "learning_rate": 2.9714285714285717e-05,
+      "loss": 0.0469,
+      "step": 3340
+    },
+    {
+      "epoch": 4.466666666666667,
+      "grad_norm": 0.46844473481178284,
+      "learning_rate": 2.9642857142857144e-05,
+      "loss": 0.0467,
+      "step": 3350
+    },
+    {
+      "epoch": 4.48,
+      "grad_norm": 0.21853956580162048,
+      "learning_rate": 2.957142857142857e-05,
+      "loss": 0.046,
+      "step": 3360
+    },
+    {
+      "epoch": 4.493333333333333,
+      "grad_norm": 0.35187217593193054,
+      "learning_rate": 2.95e-05,
+      "loss": 0.0465,
+      "step": 3370
+    },
+    {
+      "epoch": 4.506666666666667,
+      "grad_norm": 0.19527539610862732,
+      "learning_rate": 2.9428571428571426e-05,
+      "loss": 0.0496,
+      "step": 3380
+    },
+    {
+      "epoch": 4.52,
+      "grad_norm": 0.14757445454597473,
+      "learning_rate": 2.935714285714286e-05,
+      "loss": 0.0454,
+      "step": 3390
+    },
+    {
+      "epoch": 4.533333333333333,
+      "grad_norm": 0.23194049298763275,
+      "learning_rate": 2.9285714285714288e-05,
+      "loss": 0.0466,
+      "step": 3400
+    },
+    {
+      "epoch": 4.546666666666667,
+      "grad_norm": 0.4799308776855469,
+      "learning_rate": 2.9214285714285715e-05,
+      "loss": 0.0465,
+      "step": 3410
+    },
+    {
+      "epoch": 4.5600000000000005,
+      "grad_norm": 0.6150541305541992,
+      "learning_rate": 2.9142857142857146e-05,
+      "loss": 0.0448,
+      "step": 3420
+    },
+    {
+      "epoch": 4.573333333333333,
+      "grad_norm": 0.6280333995819092,
+      "learning_rate": 2.9071428571428573e-05,
+      "loss": 0.0476,
+      "step": 3430
+    },
+    {
+      "epoch": 4.586666666666667,
+      "grad_norm": 0.1919979453086853,
+      "learning_rate": 2.9e-05,
+      "loss": 0.0444,
+      "step": 3440
+    },
+    {
+      "epoch": 4.6,
+      "grad_norm": 0.20357218384742737,
+      "learning_rate": 2.8928571428571434e-05,
+      "loss": 0.0465,
+      "step": 3450
+    },
+    {
+      "epoch": 4.613333333333333,
+      "grad_norm": 0.20106828212738037,
+      "learning_rate": 2.885714285714286e-05,
+      "loss": 0.047,
+      "step": 3460
+    },
+    {
+      "epoch": 4.626666666666667,
+      "grad_norm": 0.1517418622970581,
+      "learning_rate": 2.878571428571429e-05,
+      "loss": 0.0537,
+      "step": 3470
+    },
+    {
+      "epoch": 4.64,
+      "grad_norm": 0.1732490360736847,
+      "learning_rate": 2.8714285714285716e-05,
+      "loss": 0.0496,
+      "step": 3480
+    },
+    {
+      "epoch": 4.653333333333333,
+      "grad_norm": 0.27341416478157043,
+      "learning_rate": 2.8642857142857144e-05,
+      "loss": 0.048,
+      "step": 3490
+    },
+    {
+      "epoch": 4.666666666666667,
+      "grad_norm": 0.224649578332901,
+      "learning_rate": 2.857142857142857e-05,
+      "loss": 0.0485,
+      "step": 3500
+    },
+    {
+      "epoch": 4.68,
+      "grad_norm": 0.2698359489440918,
+      "learning_rate": 2.8499999999999998e-05,
+      "loss": 0.0461,
+      "step": 3510
+    },
+    {
+      "epoch": 4.693333333333333,
+      "grad_norm": 0.4223543405532837,
+      "learning_rate": 2.8428571428571432e-05,
+      "loss": 0.0499,
+      "step": 3520
+    },
+    {
+      "epoch": 4.706666666666667,
+      "grad_norm": 0.1418469399213791,
+      "learning_rate": 2.835714285714286e-05,
+      "loss": 0.0518,
+      "step": 3530
+    },
+    {
+      "epoch": 4.72,
+      "grad_norm": 0.2546938359737396,
+      "learning_rate": 2.8285714285714287e-05,
+      "loss": 0.0446,
+      "step": 3540
+    },
+    {
+      "epoch": 4.733333333333333,
+      "grad_norm": 0.17660008370876312,
+      "learning_rate": 2.8214285714285714e-05,
+      "loss": 0.0465,
+      "step": 3550
+    },
+    {
+      "epoch": 4.746666666666667,
+      "grad_norm": 0.22174446284770966,
+      "learning_rate": 2.814285714285714e-05,
+      "loss": 0.0464,
+      "step": 3560
+    },
+    {
+      "epoch": 4.76,
+      "grad_norm": 0.20787426829338074,
+      "learning_rate": 2.8071428571428572e-05,
+      "loss": 0.0486,
+      "step": 3570
+    },
+    {
+      "epoch": 4.773333333333333,
+      "grad_norm": 0.10017558187246323,
+      "learning_rate": 2.8000000000000003e-05,
+      "loss": 0.0484,
+      "step": 3580
+    },
+    {
+      "epoch": 4.786666666666667,
+      "grad_norm": 0.26309919357299805,
+      "learning_rate": 2.792857142857143e-05,
+      "loss": 0.0469,
+      "step": 3590
+    },
+    {
+      "epoch": 4.8,
+      "grad_norm": 0.150121808052063,
+      "learning_rate": 2.785714285714286e-05,
+      "loss": 0.0443,
+      "step": 3600
+    },
+    {
+      "epoch": 4.8133333333333335,
+      "grad_norm": 0.27192163467407227,
+      "learning_rate": 2.778571428571429e-05,
+      "loss": 0.0455,
+      "step": 3610
+    },
+    {
+      "epoch": 4.826666666666666,
+      "grad_norm": 0.1837795376777649,
+      "learning_rate": 2.7714285714285716e-05,
+      "loss": 0.0465,
+      "step": 3620
+    },
+    {
+      "epoch": 4.84,
+      "grad_norm": 0.2993681728839874,
+      "learning_rate": 2.7642857142857143e-05,
+      "loss": 0.0422,
+      "step": 3630
+    },
+    {
+      "epoch": 4.8533333333333335,
+      "grad_norm": 0.19127249717712402,
+      "learning_rate": 2.757142857142857e-05,
+      "loss": 0.0483,
+      "step": 3640
+    },
+    {
+      "epoch": 4.866666666666667,
+      "grad_norm": 0.3117179870605469,
+      "learning_rate": 2.7500000000000004e-05,
+      "loss": 0.0479,
+      "step": 3650
+    },
+    {
+      "epoch": 4.88,
+      "grad_norm": 0.18669332563877106,
+      "learning_rate": 2.742857142857143e-05,
+      "loss": 0.0469,
+      "step": 3660
+    },
+    {
+      "epoch": 4.8933333333333335,
+      "grad_norm": 0.3257408142089844,
+      "learning_rate": 2.735714285714286e-05,
+      "loss": 0.052,
+      "step": 3670
+    },
+    {
+      "epoch": 4.906666666666666,
+      "grad_norm": 0.1863989531993866,
+      "learning_rate": 2.7285714285714286e-05,
+      "loss": 0.049,
+      "step": 3680
+    },
+    {
+      "epoch": 4.92,
+      "grad_norm": 0.2505623400211334,
+      "learning_rate": 2.7214285714285714e-05,
+      "loss": 0.0478,
+      "step": 3690
+    },
+    {
+      "epoch": 4.933333333333334,
+      "grad_norm": 0.15007373690605164,
+      "learning_rate": 2.714285714285714e-05,
+      "loss": 0.0515,
+      "step": 3700
+    },
+    {
+      "epoch": 4.946666666666666,
+      "grad_norm": 0.22236911952495575,
+      "learning_rate": 2.7071428571428575e-05,
+      "loss": 0.0436,
+      "step": 3710
+    },
+    {
+      "epoch": 4.96,
+      "grad_norm": 0.13962723314762115,
+      "learning_rate": 2.7000000000000002e-05,
+      "loss": 0.0458,
+      "step": 3720
+    },
+    {
+      "epoch": 4.973333333333334,
+      "grad_norm": 0.20792247354984283,
+      "learning_rate": 2.692857142857143e-05,
+      "loss": 0.0399,
+      "step": 3730
+    },
+    {
+      "epoch": 4.986666666666666,
+      "grad_norm": 0.224558025598526,
+      "learning_rate": 2.6857142857142857e-05,
+      "loss": 0.0456,
+      "step": 3740
+    },
+    {
+      "epoch": 5.0,
+      "grad_norm": 0.3151889741420746,
+      "learning_rate": 2.6785714285714288e-05,
+      "loss": 0.042,
+      "step": 3750
+    },
+    {
+      "epoch": 5.0,
+      "eval_loss": 0.052445825189352036,
+      "eval_runtime": 10.0051,
+      "eval_samples_per_second": 49.975,
+      "eval_steps_per_second": 6.297,
+      "step": 3750
+    },
+    {
+      "epoch": 5.013333333333334,
+      "grad_norm": 0.22088025510311127,
+      "learning_rate": 2.6714285714285715e-05,
+      "loss": 0.0466,
+      "step": 3760
+    },
+    {
+      "epoch": 5.026666666666666,
+      "grad_norm": 0.18221135437488556,
+      "learning_rate": 2.6642857142857142e-05,
+      "loss": 0.0432,
+      "step": 3770
+    },
+    {
+      "epoch": 5.04,
+      "grad_norm": 0.18888497352600098,
+      "learning_rate": 2.6571428571428576e-05,
+      "loss": 0.0473,
+      "step": 3780
+    },
+    {
+      "epoch": 5.053333333333334,
+      "grad_norm": 0.22202156484127045,
+      "learning_rate": 2.6500000000000004e-05,
+      "loss": 0.0422,
+      "step": 3790
+    },
+    {
+      "epoch": 5.066666666666666,
+      "grad_norm": 0.35848468542099,
+      "learning_rate": 2.642857142857143e-05,
+      "loss": 0.0497,
+      "step": 3800
+    },
+    {
+      "epoch": 5.08,
+      "grad_norm": 0.5926501750946045,
+      "learning_rate": 2.635714285714286e-05,
+      "loss": 0.0474,
+      "step": 3810
+    },
+    {
+      "epoch": 5.093333333333334,
+      "grad_norm": 0.2399061918258667,
+      "learning_rate": 2.6285714285714286e-05,
+      "loss": 0.0474,
+      "step": 3820
+    },
+    {
+      "epoch": 5.1066666666666665,
+      "grad_norm": 0.15344364941120148,
+      "learning_rate": 2.6214285714285713e-05,
+      "loss": 0.0453,
+      "step": 3830
+    },
+    {
+      "epoch": 5.12,
+      "grad_norm": 0.28791823983192444,
+      "learning_rate": 2.6142857142857147e-05,
+      "loss": 0.0457,
+      "step": 3840
+    },
+    {
+      "epoch": 5.133333333333334,
+      "grad_norm": 0.42499181628227234,
+      "learning_rate": 2.6071428571428574e-05,
+      "loss": 0.0447,
+      "step": 3850
+    },
+    {
+      "epoch": 5.1466666666666665,
+      "grad_norm": 0.2630499005317688,
+      "learning_rate": 2.6000000000000002e-05,
+      "loss": 0.0444,
+      "step": 3860
+    },
+    {
+      "epoch": 5.16,
+      "grad_norm": 0.3585303723812103,
+      "learning_rate": 2.592857142857143e-05,
+      "loss": 0.0462,
+      "step": 3870
+    },
+    {
+      "epoch": 5.173333333333334,
+      "grad_norm": 0.4009641408920288,
+      "learning_rate": 2.5857142857142856e-05,
+      "loss": 0.0438,
+      "step": 3880
+    },
+    {
+      "epoch": 5.1866666666666665,
+      "grad_norm": 0.30510854721069336,
+      "learning_rate": 2.5785714285714284e-05,
+      "loss": 0.0423,
+      "step": 3890
+    },
+    {
+      "epoch": 5.2,
+      "grad_norm": 0.33192190527915955,
+      "learning_rate": 2.5714285714285714e-05,
+      "loss": 0.0462,
+      "step": 3900
+    },
+    {
+      "epoch": 5.213333333333333,
+      "grad_norm": 0.22773562371730804,
+      "learning_rate": 2.5642857142857145e-05,
+      "loss": 0.0406,
+      "step": 3910
+    },
+    {
+      "epoch": 5.226666666666667,
+      "grad_norm": 0.1751355677843094,
+      "learning_rate": 2.5571428571428572e-05,
+      "loss": 0.0434,
+      "step": 3920
+    },
+    {
+      "epoch": 5.24,
+      "grad_norm": 0.47083598375320435,
+      "learning_rate": 2.5500000000000003e-05,
+      "loss": 0.0499,
+      "step": 3930
+    },
+    {
+      "epoch": 5.253333333333333,
+      "grad_norm": 0.3869628608226776,
+      "learning_rate": 2.542857142857143e-05,
+      "loss": 0.044,
+      "step": 3940
+    },
+    {
+      "epoch": 5.266666666666667,
+      "grad_norm": 0.30719777941703796,
+      "learning_rate": 2.5357142857142858e-05,
+      "loss": 0.0468,
+      "step": 3950
+    },
+    {
+      "epoch": 5.28,
+      "grad_norm": 0.31004104018211365,
+      "learning_rate": 2.5285714285714285e-05,
+      "loss": 0.0424,
+      "step": 3960
+    },
+    {
+      "epoch": 5.293333333333333,
+      "grad_norm": 0.1561647355556488,
+      "learning_rate": 2.521428571428572e-05,
+      "loss": 0.0467,
+      "step": 3970
+    },
+    {
+      "epoch": 5.306666666666667,
+      "grad_norm": 0.23501700162887573,
+      "learning_rate": 2.5142857142857147e-05,
+      "loss": 0.0408,
+      "step": 3980
+    },
+    {
+      "epoch": 5.32,
+      "grad_norm": 0.25091812014579773,
+      "learning_rate": 2.5071428571428574e-05,
+      "loss": 0.0464,
+      "step": 3990
+    },
+    {
+      "epoch": 5.333333333333333,
+      "grad_norm": 0.22517889738082886,
+      "learning_rate": 2.5e-05,
+      "loss": 0.0385,
+      "step": 4000
+    },
+    {
+      "epoch": 5.346666666666667,
+      "grad_norm": 0.32612693309783936,
+      "learning_rate": 2.492857142857143e-05,
+      "loss": 0.049,
+      "step": 4010
+    },
+    {
+      "epoch": 5.36,
+      "grad_norm": 0.3170875608921051,
+      "learning_rate": 2.485714285714286e-05,
+      "loss": 0.0424,
+      "step": 4020
+    },
+    {
+      "epoch": 5.373333333333333,
+      "grad_norm": 0.28239452838897705,
+      "learning_rate": 2.4785714285714287e-05,
+      "loss": 0.0451,
+      "step": 4030
+    },
+    {
+      "epoch": 5.386666666666667,
+      "grad_norm": 0.266434907913208,
+      "learning_rate": 2.4714285714285714e-05,
+      "loss": 0.043,
+      "step": 4040
+    },
+    {
+      "epoch": 5.4,
+      "grad_norm": 0.4982646703720093,
+      "learning_rate": 2.4642857142857145e-05,
+      "loss": 0.0398,
+      "step": 4050
+    },
+    {
+      "epoch": 5.413333333333333,
+      "grad_norm": 0.23417595028877258,
+      "learning_rate": 2.4571428571428572e-05,
+      "loss": 0.0416,
+      "step": 4060
+    },
+    {
+      "epoch": 5.426666666666667,
+      "grad_norm": 0.3201580345630646,
+      "learning_rate": 2.45e-05,
+      "loss": 0.0468,
+      "step": 4070
+    },
+    {
+      "epoch": 5.44,
+      "grad_norm": 0.13527755439281464,
+      "learning_rate": 2.442857142857143e-05,
+      "loss": 0.041,
+      "step": 4080
+    },
+    {
+      "epoch": 5.453333333333333,
+      "grad_norm": 0.2432165890932083,
+      "learning_rate": 2.4357142857142857e-05,
+      "loss": 0.0474,
+      "step": 4090
+    },
+    {
+      "epoch": 5.466666666666667,
+      "grad_norm": 0.3149632513523102,
+      "learning_rate": 2.4285714285714288e-05,
+      "loss": 0.0441,
+      "step": 4100
+    },
+    {
+      "epoch": 5.48,
+      "grad_norm": 0.17609484493732452,
+      "learning_rate": 2.4214285714285715e-05,
+      "loss": 0.0439,
+      "step": 4110
+    },
+    {
+      "epoch": 5.493333333333333,
+      "grad_norm": 0.1788036823272705,
+      "learning_rate": 2.4142857142857146e-05,
+      "loss": 0.0469,
+      "step": 4120
+    },
+    {
+      "epoch": 5.506666666666667,
+      "grad_norm": 0.21031226217746735,
+      "learning_rate": 2.4071428571428573e-05,
+      "loss": 0.0439,
+      "step": 4130
+    },
+    {
+      "epoch": 5.52,
+      "grad_norm": 0.1996523141860962,
+      "learning_rate": 2.4e-05,
+      "loss": 0.0413,
+      "step": 4140
+    },
+    {
+      "epoch": 5.533333333333333,
+      "grad_norm": 0.21124641597270966,
+      "learning_rate": 2.392857142857143e-05,
+      "loss": 0.0416,
+      "step": 4150
+    },
+    {
+      "epoch": 5.546666666666667,
+      "grad_norm": 0.2244388461112976,
+      "learning_rate": 2.385714285714286e-05,
+      "loss": 0.0427,
+      "step": 4160
+    },
+    {
+      "epoch": 5.5600000000000005,
+      "grad_norm": 0.19848261773586273,
+      "learning_rate": 2.3785714285714286e-05,
+      "loss": 0.0396,
+      "step": 4170
+    },
+    {
+      "epoch": 5.573333333333333,
+      "grad_norm": 0.12894198298454285,
+      "learning_rate": 2.3714285714285717e-05,
+      "loss": 0.0387,
+      "step": 4180
+    },
+    {
+      "epoch": 5.586666666666667,
+      "grad_norm": 0.3353809714317322,
+      "learning_rate": 2.3642857142857144e-05,
+      "loss": 0.0404,
+      "step": 4190
+    },
+    {
+      "epoch": 5.6,
+      "grad_norm": 0.6403726935386658,
+      "learning_rate": 2.357142857142857e-05,
+      "loss": 0.0457,
+      "step": 4200
+    },
+    {
+      "epoch": 5.613333333333333,
+      "grad_norm": 0.19038082659244537,
+      "learning_rate": 2.35e-05,
+      "loss": 0.041,
+      "step": 4210
+    },
+    {
+      "epoch": 5.626666666666667,
+      "grad_norm": 0.14913398027420044,
+      "learning_rate": 2.342857142857143e-05,
+      "loss": 0.0413,
+      "step": 4220
+    },
+    {
+      "epoch": 5.64,
+      "grad_norm": 0.2654531002044678,
+      "learning_rate": 2.3357142857142857e-05,
+      "loss": 0.0432,
+      "step": 4230
+    },
+    {
+      "epoch": 5.653333333333333,
+      "grad_norm": 0.24876222014427185,
+      "learning_rate": 2.3285714285714287e-05,
+      "loss": 0.048,
+      "step": 4240
+    },
+    {
+      "epoch": 5.666666666666667,
+      "grad_norm": 0.2298961579799652,
+      "learning_rate": 2.3214285714285715e-05,
+      "loss": 0.0448,
+      "step": 4250
+    },
+    {
+      "epoch": 5.68,
+      "grad_norm": 0.33520784974098206,
+      "learning_rate": 2.3142857142857145e-05,
+      "loss": 0.0406,
+      "step": 4260
+    },
+    {
+      "epoch": 5.693333333333333,
+      "grad_norm": 0.21793897449970245,
+      "learning_rate": 2.3071428571428573e-05,
+      "loss": 0.0409,
+      "step": 4270
+    },
+    {
+      "epoch": 5.706666666666667,
+      "grad_norm": 0.3945554494857788,
+      "learning_rate": 2.3000000000000003e-05,
+      "loss": 0.0399,
+      "step": 4280
+    },
+    {
+      "epoch": 5.72,
+      "grad_norm": 0.25150808691978455,
+      "learning_rate": 2.292857142857143e-05,
+      "loss": 0.0473,
+      "step": 4290
+    },
+    {
+      "epoch": 5.733333333333333,
+      "grad_norm": 0.20286360383033752,
+      "learning_rate": 2.2857142857142858e-05,
+      "loss": 0.0514,
+      "step": 4300
+    },
+    {
+      "epoch": 5.746666666666667,
+      "grad_norm": 0.16253048181533813,
+      "learning_rate": 2.278571428571429e-05,
+      "loss": 0.0448,
+      "step": 4310
+    },
+    {
+      "epoch": 5.76,
+      "grad_norm": 0.19236809015274048,
+      "learning_rate": 2.2714285714285716e-05,
+      "loss": 0.0452,
+      "step": 4320
+    },
+    {
+      "epoch": 5.773333333333333,
+      "grad_norm": 0.2273574024438858,
+      "learning_rate": 2.2642857142857143e-05,
+      "loss": 0.0409,
+      "step": 4330
+    },
+    {
+      "epoch": 5.786666666666667,
+      "grad_norm": 0.2535451650619507,
+      "learning_rate": 2.257142857142857e-05,
+      "loss": 0.0463,
+      "step": 4340
+    },
+    {
+      "epoch": 5.8,
+      "grad_norm": 0.20072722434997559,
+      "learning_rate": 2.25e-05,
+      "loss": 0.0424,
+      "step": 4350
+    },
+    {
+      "epoch": 5.8133333333333335,
+      "grad_norm": 0.24119997024536133,
+      "learning_rate": 2.242857142857143e-05,
+      "loss": 0.0443,
+      "step": 4360
+    },
+    {
+      "epoch": 5.826666666666666,
+      "grad_norm": 0.22056333720684052,
+      "learning_rate": 2.2357142857142856e-05,
+      "loss": 0.0439,
+      "step": 4370
+    },
+    {
+      "epoch": 5.84,
+      "grad_norm": 0.2562674283981323,
+      "learning_rate": 2.2285714285714287e-05,
+      "loss": 0.0478,
+      "step": 4380
+    },
+    {
+      "epoch": 5.8533333333333335,
+      "grad_norm": 0.3935871422290802,
+      "learning_rate": 2.2214285714285714e-05,
+      "loss": 0.0438,
+      "step": 4390
+    },
+    {
+      "epoch": 5.866666666666667,
+      "grad_norm": 0.18070188164710999,
+      "learning_rate": 2.214285714285714e-05,
+      "loss": 0.0426,
+      "step": 4400
+    },
+    {
+      "epoch": 5.88,
+      "grad_norm": 0.4703986346721649,
+      "learning_rate": 2.2071428571428572e-05,
+      "loss": 0.0422,
+      "step": 4410
+    },
+    {
+      "epoch": 5.8933333333333335,
+      "grad_norm": 0.2319023162126541,
+      "learning_rate": 2.2000000000000003e-05,
+      "loss": 0.0437,
+      "step": 4420
+    },
+    {
+      "epoch": 5.906666666666666,
+      "grad_norm": 0.22039149701595306,
+      "learning_rate": 2.192857142857143e-05,
+      "loss": 0.0442,
+      "step": 4430
+    },
+    {
+      "epoch": 5.92,
+      "grad_norm": 0.24316591024398804,
+      "learning_rate": 2.185714285714286e-05,
+      "loss": 0.0488,
+      "step": 4440
+    },
+    {
+      "epoch": 5.933333333333334,
+      "grad_norm": 0.3603535294532776,
+      "learning_rate": 2.1785714285714288e-05,
+      "loss": 0.048,
+      "step": 4450
+    },
+    {
+      "epoch": 5.946666666666666,
+      "grad_norm": 0.16338956356048584,
+      "learning_rate": 2.1714285714285715e-05,
+      "loss": 0.0405,
+      "step": 4460
+    },
+    {
+      "epoch": 5.96,
+      "grad_norm": 0.2578754127025604,
+      "learning_rate": 2.1642857142857146e-05,
+      "loss": 0.0418,
+      "step": 4470
+    },
+    {
+      "epoch": 5.973333333333334,
+      "grad_norm": 0.3756501078605652,
+      "learning_rate": 2.1571428571428574e-05,
+      "loss": 0.0435,
+      "step": 4480
+    },
+    {
+      "epoch": 5.986666666666666,
+      "grad_norm": 0.284015029668808,
+      "learning_rate": 2.15e-05,
+      "loss": 0.04,
+      "step": 4490
+    },
+    {
+      "epoch": 6.0,
+      "grad_norm": 0.27236321568489075,
+      "learning_rate": 2.1428571428571428e-05,
+      "loss": 0.0371,
+      "step": 4500
+    },
+    {
+      "epoch": 6.0,
+      "eval_loss": 0.05113682523369789,
+      "eval_runtime": 10.002,
+      "eval_samples_per_second": 49.99,
+      "eval_steps_per_second": 6.299,
+      "step": 4500
+    },
+    {
+      "epoch": 6.013333333333334,
+      "grad_norm": 0.28439006209373474,
+      "learning_rate": 2.135714285714286e-05,
+      "loss": 0.0383,
+      "step": 4510
+    },
+    {
+      "epoch": 6.026666666666666,
+      "grad_norm": 0.3238149583339691,
+      "learning_rate": 2.1285714285714286e-05,
+      "loss": 0.0431,
+      "step": 4520
+    },
+    {
+      "epoch": 6.04,
+      "grad_norm": 0.2470373958349228,
+      "learning_rate": 2.1214285714285713e-05,
+      "loss": 0.0444,
+      "step": 4530
+    },
+    {
+      "epoch": 6.053333333333334,
+      "grad_norm": 0.34257015585899353,
+      "learning_rate": 2.1142857142857144e-05,
+      "loss": 0.0388,
+      "step": 4540
+    },
+    {
+      "epoch": 6.066666666666666,
+      "grad_norm": 0.27521657943725586,
+      "learning_rate": 2.107142857142857e-05,
+      "loss": 0.041,
+      "step": 4550
+    },
+    {
+      "epoch": 6.08,
+      "grad_norm": 0.26085391640663147,
+      "learning_rate": 2.1e-05,
+      "loss": 0.0399,
+      "step": 4560
+    },
+    {
+      "epoch": 6.093333333333334,
+      "grad_norm": 0.25732582807540894,
+      "learning_rate": 2.092857142857143e-05,
+      "loss": 0.0419,
+      "step": 4570
+    },
+    {
+      "epoch": 6.1066666666666665,
+      "grad_norm": 0.20789028704166412,
+      "learning_rate": 2.0857142857142857e-05,
+      "loss": 0.0401,
+      "step": 4580
+    },
+    {
+      "epoch": 6.12,
+      "grad_norm": 0.37284407019615173,
+      "learning_rate": 2.0785714285714288e-05,
+      "loss": 0.0338,
+      "step": 4590
+    },
+    {
+      "epoch": 6.133333333333334,
+      "grad_norm": 0.3639441132545471,
+      "learning_rate": 2.0714285714285718e-05,
+      "loss": 0.0365,
+      "step": 4600
+    },
+    {
+      "epoch": 6.1466666666666665,
+      "grad_norm": 0.21574179828166962,
+      "learning_rate": 2.0642857142857146e-05,
+      "loss": 0.0391,
+      "step": 4610
+    },
+    {
+      "epoch": 6.16,
+      "grad_norm": 0.5293833017349243,
+      "learning_rate": 2.0571428571428573e-05,
+      "loss": 0.0405,
+      "step": 4620
+    },
+    {
+      "epoch": 6.173333333333334,
+      "grad_norm": 0.2752041816711426,
+      "learning_rate": 2.05e-05,
+      "loss": 0.0462,
+      "step": 4630
+    },
+    {
+      "epoch": 6.1866666666666665,
+      "grad_norm": 0.2359626442193985,
+      "learning_rate": 2.042857142857143e-05,
+      "loss": 0.0399,
+      "step": 4640
+    },
+    {
+      "epoch": 6.2,
+      "grad_norm": 0.44820666313171387,
+      "learning_rate": 2.0357142857142858e-05,
+      "loss": 0.0399,
+      "step": 4650
+    },
+    {
+      "epoch": 6.213333333333333,
+      "grad_norm": 0.33150073885917664,
+      "learning_rate": 2.0285714285714286e-05,
+      "loss": 0.0416,
+      "step": 4660
+    },
+    {
+      "epoch": 6.226666666666667,
+      "grad_norm": 0.3929821848869324,
+      "learning_rate": 2.0214285714285716e-05,
+      "loss": 0.0417,
+      "step": 4670
+    },
+    {
+      "epoch": 6.24,
+      "grad_norm": 0.28515151143074036,
+      "learning_rate": 2.0142857142857144e-05,
+      "loss": 0.0376,
+      "step": 4680
+    },
+    {
+      "epoch": 6.253333333333333,
+      "grad_norm": 0.45453956723213196,
+      "learning_rate": 2.007142857142857e-05,
+      "loss": 0.0436,
+      "step": 4690
+    },
+    {
+      "epoch": 6.266666666666667,
+      "grad_norm": 0.31413015723228455,
+      "learning_rate": 2e-05,
+      "loss": 0.0384,
+      "step": 4700
+    },
+    {
+      "epoch": 6.28,
+      "grad_norm": 0.20988261699676514,
+      "learning_rate": 1.992857142857143e-05,
+      "loss": 0.0382,
+      "step": 4710
+    },
+    {
+      "epoch": 6.293333333333333,
+      "grad_norm": 0.4511539340019226,
+      "learning_rate": 1.9857142857142856e-05,
+      "loss": 0.0415,
+      "step": 4720
+    },
+    {
+      "epoch": 6.306666666666667,
+      "grad_norm": 0.33754661679267883,
+      "learning_rate": 1.9785714285714287e-05,
+      "loss": 0.0373,
+      "step": 4730
+    },
+    {
+      "epoch": 6.32,
+      "grad_norm": 0.27522793412208557,
+      "learning_rate": 1.9714285714285714e-05,
+      "loss": 0.0451,
+      "step": 4740
+    },
+    {
+      "epoch": 6.333333333333333,
+      "grad_norm": 0.2612554728984833,
+      "learning_rate": 1.9642857142857145e-05,
+      "loss": 0.0413,
+      "step": 4750
+    },
+    {
+      "epoch": 6.346666666666667,
+      "grad_norm": 0.2866500914096832,
+      "learning_rate": 1.9571428571428572e-05,
+      "loss": 0.0389,
+      "step": 4760
+    },
+    {
+      "epoch": 6.36,
+      "grad_norm": 0.24721892178058624,
+      "learning_rate": 1.9500000000000003e-05,
+      "loss": 0.0385,
+      "step": 4770
+    },
+    {
+      "epoch": 6.373333333333333,
+      "grad_norm": 0.2447904795408249,
+      "learning_rate": 1.942857142857143e-05,
+      "loss": 0.0465,
+      "step": 4780
+    },
+    {
+      "epoch": 6.386666666666667,
+      "grad_norm": 0.23549911379814148,
+      "learning_rate": 1.9357142857142858e-05,
+      "loss": 0.0404,
+      "step": 4790
+    },
+    {
+      "epoch": 6.4,
+      "grad_norm": 0.3222012221813202,
+      "learning_rate": 1.928571428571429e-05,
+      "loss": 0.0407,
+      "step": 4800
+    },
+    {
+      "epoch": 6.413333333333333,
+      "grad_norm": 0.24000577628612518,
+      "learning_rate": 1.9214285714285716e-05,
+      "loss": 0.0428,
+      "step": 4810
+    },
+    {
+      "epoch": 6.426666666666667,
+      "grad_norm": 0.41279396414756775,
+      "learning_rate": 1.9142857142857143e-05,
+      "loss": 0.0438,
+      "step": 4820
+    },
+    {
+      "epoch": 6.44,
+      "grad_norm": 0.32830923795700073,
+      "learning_rate": 1.9071428571428574e-05,
+      "loss": 0.0414,
+      "step": 4830
+    },
+    {
+      "epoch": 6.453333333333333,
+      "grad_norm": 0.22011080384254456,
+      "learning_rate": 1.9e-05,
+      "loss": 0.0384,
+      "step": 4840
+    },
+    {
+      "epoch": 6.466666666666667,
+      "grad_norm": 0.22864176332950592,
+      "learning_rate": 1.892857142857143e-05,
+      "loss": 0.0424,
+      "step": 4850
+    },
+    {
+      "epoch": 6.48,
+      "grad_norm": 0.33714690804481506,
+      "learning_rate": 1.885714285714286e-05,
+      "loss": 0.0398,
+      "step": 4860
+    },
+    {
+      "epoch": 6.493333333333333,
+      "grad_norm": 0.2948991358280182,
+      "learning_rate": 1.8785714285714286e-05,
+      "loss": 0.0351,
+      "step": 4870
+    },
+    {
+      "epoch": 6.506666666666667,
+      "grad_norm": 0.2972581684589386,
+      "learning_rate": 1.8714285714285714e-05,
+      "loss": 0.044,
+      "step": 4880
+    },
+    {
+      "epoch": 6.52,
+      "grad_norm": 0.26458117365837097,
+      "learning_rate": 1.864285714285714e-05,
+      "loss": 0.042,
+      "step": 4890
+    },
+    {
+      "epoch": 6.533333333333333,
+      "grad_norm": 0.2332325428724289,
+      "learning_rate": 1.8571428571428572e-05,
+      "loss": 0.0345,
+      "step": 4900
+    },
+    {
+      "epoch": 6.546666666666667,
+      "grad_norm": 0.4530335068702698,
+      "learning_rate": 1.85e-05,
+      "loss": 0.0389,
+      "step": 4910
+    },
+    {
+      "epoch": 6.5600000000000005,
+      "grad_norm": 0.2417517900466919,
+      "learning_rate": 1.842857142857143e-05,
+      "loss": 0.0386,
+      "step": 4920
+    },
+    {
+      "epoch": 6.573333333333333,
+      "grad_norm": 0.4352799355983734,
+      "learning_rate": 1.835714285714286e-05,
+      "loss": 0.039,
+      "step": 4930
+    },
+    {
+      "epoch": 6.586666666666667,
+      "grad_norm": 0.2908789813518524,
+      "learning_rate": 1.8285714285714288e-05,
+      "loss": 0.0419,
+      "step": 4940
+    },
+    {
+      "epoch": 6.6,
+      "grad_norm": 0.33274784684181213,
+      "learning_rate": 1.8214285714285715e-05,
+      "loss": 0.0435,
+      "step": 4950
+    },
+    {
+      "epoch": 6.613333333333333,
+      "grad_norm": 0.3407377302646637,
+      "learning_rate": 1.8142857142857146e-05,
+      "loss": 0.0411,
+      "step": 4960
+    },
+    {
+      "epoch": 6.626666666666667,
+      "grad_norm": 0.17707602679729462,
+      "learning_rate": 1.8071428571428573e-05,
+      "loss": 0.0416,
+      "step": 4970
+    },
+    {
+      "epoch": 6.64,
+      "grad_norm": 0.35761526226997375,
+      "learning_rate": 1.8e-05,
+      "loss": 0.0422,
+      "step": 4980
+    },
+    {
+      "epoch": 6.653333333333333,
+      "grad_norm": 0.22335325181484222,
+      "learning_rate": 1.792857142857143e-05,
+      "loss": 0.0393,
+      "step": 4990
+    },
+    {
+      "epoch": 6.666666666666667,
+      "grad_norm": 0.2689099609851837,
+      "learning_rate": 1.785714285714286e-05,
+      "loss": 0.0413,
+      "step": 5000
+    },
+    {
+      "epoch": 6.68,
+      "grad_norm": 0.4584427773952484,
+      "learning_rate": 1.7785714285714286e-05,
+      "loss": 0.0391,
+      "step": 5010
+    },
+    {
+      "epoch": 6.693333333333333,
+      "grad_norm": 0.3261905610561371,
+      "learning_rate": 1.7714285714285713e-05,
+      "loss": 0.0382,
+      "step": 5020
+    },
+    {
+      "epoch": 6.706666666666667,
+      "grad_norm": 0.2664514482021332,
+      "learning_rate": 1.7642857142857144e-05,
+      "loss": 0.0438,
+      "step": 5030
+    },
+    {
+      "epoch": 6.72,
+      "grad_norm": 0.43043455481529236,
+      "learning_rate": 1.757142857142857e-05,
+      "loss": 0.0371,
+      "step": 5040
+    },
+    {
+      "epoch": 6.733333333333333,
+      "grad_norm": 0.40681377053260803,
+      "learning_rate": 1.75e-05,
+      "loss": 0.0393,
+      "step": 5050
+    },
+    {
+      "epoch": 6.746666666666667,
+      "grad_norm": 0.32754334807395935,
+      "learning_rate": 1.742857142857143e-05,
+      "loss": 0.0392,
+      "step": 5060
+    },
+    {
+      "epoch": 6.76,
+      "grad_norm": 0.2980782985687256,
+      "learning_rate": 1.7357142857142856e-05,
+      "loss": 0.0411,
+      "step": 5070
+    },
+    {
+      "epoch": 6.773333333333333,
+      "grad_norm": 0.2525476813316345,
+      "learning_rate": 1.7285714285714287e-05,
+      "loss": 0.0374,
+      "step": 5080
+    },
+    {
+      "epoch": 6.786666666666667,
+      "grad_norm": 0.3402542173862457,
+      "learning_rate": 1.7214285714285715e-05,
+      "loss": 0.0413,
+      "step": 5090
+    },
+    {
+      "epoch": 6.8,
+      "grad_norm": 0.2940175533294678,
+      "learning_rate": 1.7142857142857145e-05,
+      "loss": 0.0384,
+      "step": 5100
+    },
+    {
+      "epoch": 6.8133333333333335,
+      "grad_norm": 0.621030330657959,
+      "learning_rate": 1.7071428571428573e-05,
+      "loss": 0.0438,
+      "step": 5110
+    },
+    {
+      "epoch": 6.826666666666666,
+      "grad_norm": 0.22870491445064545,
+      "learning_rate": 1.7000000000000003e-05,
+      "loss": 0.0374,
+      "step": 5120
+    },
+    {
+      "epoch": 6.84,
+      "grad_norm": 0.4343583285808563,
+      "learning_rate": 1.692857142857143e-05,
+      "loss": 0.0416,
+      "step": 5130
+    },
+    {
+      "epoch": 6.8533333333333335,
+      "grad_norm": 0.41182470321655273,
+      "learning_rate": 1.6857142857142858e-05,
+      "loss": 0.0389,
+      "step": 5140
+    },
+    {
+      "epoch": 6.866666666666667,
+      "grad_norm": 0.3504036068916321,
+      "learning_rate": 1.6785714285714285e-05,
+      "loss": 0.0464,
+      "step": 5150
+    },
+    {
+      "epoch": 6.88,
+      "grad_norm": 0.20417426526546478,
+      "learning_rate": 1.6714285714285716e-05,
+      "loss": 0.0429,
+      "step": 5160
+    },
+    {
+      "epoch": 6.8933333333333335,
+      "grad_norm": 0.29321151971817017,
+      "learning_rate": 1.6642857142857143e-05,
+      "loss": 0.0396,
+      "step": 5170
+    },
+    {
+      "epoch": 6.906666666666666,
+      "grad_norm": 0.6400166153907776,
+      "learning_rate": 1.657142857142857e-05,
+      "loss": 0.0475,
+      "step": 5180
+    },
+    {
+      "epoch": 6.92,
+      "grad_norm": 0.25363731384277344,
+      "learning_rate": 1.65e-05,
+      "loss": 0.0382,
+      "step": 5190
+    },
+    {
+      "epoch": 6.933333333333334,
+      "grad_norm": 0.35815390944480896,
+      "learning_rate": 1.642857142857143e-05,
+      "loss": 0.0396,
+      "step": 5200
+    },
+    {
+      "epoch": 6.946666666666666,
+      "grad_norm": 0.3104015290737152,
+      "learning_rate": 1.6357142857142856e-05,
+      "loss": 0.0419,
+      "step": 5210
+    },
+    {
+      "epoch": 6.96,
+      "grad_norm": 0.4277138113975525,
+      "learning_rate": 1.6285714285714287e-05,
+      "loss": 0.0401,
+      "step": 5220
+    },
+    {
+      "epoch": 6.973333333333334,
+      "grad_norm": 0.32475119829177856,
+      "learning_rate": 1.6214285714285714e-05,
+      "loss": 0.0418,
+      "step": 5230
+    },
+    {
+      "epoch": 6.986666666666666,
+      "grad_norm": 0.4522613286972046,
+      "learning_rate": 1.614285714285714e-05,
+      "loss": 0.0359,
+      "step": 5240
+    },
+    {
+      "epoch": 7.0,
+      "grad_norm": 0.5487978458404541,
+      "learning_rate": 1.6071428571428572e-05,
+      "loss": 0.0434,
+      "step": 5250
+    },
+    {
+      "epoch": 7.0,
+      "eval_loss": 0.0524735189974308,
+      "eval_runtime": 9.9985,
+      "eval_samples_per_second": 50.008,
+      "eval_steps_per_second": 6.301,
+      "step": 5250
+    },
+    {
+      "epoch": 7.013333333333334,
+      "grad_norm": 0.3833777606487274,
+      "learning_rate": 1.6000000000000003e-05,
+      "loss": 0.0359,
+      "step": 5260
+    },
+    {
+      "epoch": 7.026666666666666,
+      "grad_norm": 0.4304543435573578,
+      "learning_rate": 1.592857142857143e-05,
+      "loss": 0.0345,
+      "step": 5270
+    },
+    {
+      "epoch": 7.04,
+      "grad_norm": 0.23763971030712128,
+      "learning_rate": 1.5857142857142857e-05,
+      "loss": 0.0393,
+      "step": 5280
+    },
+    {
+      "epoch": 7.053333333333334,
+      "grad_norm": 0.29464441537857056,
+      "learning_rate": 1.5785714285714288e-05,
+      "loss": 0.0374,
+      "step": 5290
+    },
+    {
+      "epoch": 7.066666666666666,
+      "grad_norm": 0.2814094126224518,
+      "learning_rate": 1.5714285714285715e-05,
+      "loss": 0.0319,
+      "step": 5300
+    },
+    {
+      "epoch": 7.08,
+      "grad_norm": 0.31800875067710876,
+      "learning_rate": 1.5642857142857143e-05,
+      "loss": 0.0355,
+      "step": 5310
+    },
+    {
+      "epoch": 7.093333333333334,
+      "grad_norm": 0.3363518714904785,
+      "learning_rate": 1.5571428571428573e-05,
+      "loss": 0.0363,
+      "step": 5320
+    },
+    {
+      "epoch": 7.1066666666666665,
+      "grad_norm": 0.3628841042518616,
+      "learning_rate": 1.55e-05,
+      "loss": 0.0376,
+      "step": 5330
+    },
+    {
+      "epoch": 7.12,
+      "grad_norm": 0.19503237307071686,
+      "learning_rate": 1.5428571428571428e-05,
+      "loss": 0.034,
+      "step": 5340
+    },
+    {
+      "epoch": 7.133333333333334,
+      "grad_norm": 0.41542547941207886,
+      "learning_rate": 1.535714285714286e-05,
+      "loss": 0.0393,
+      "step": 5350
+    },
+    {
+      "epoch": 7.1466666666666665,
+      "grad_norm": 0.3643752336502075,
+      "learning_rate": 1.5285714285714286e-05,
+      "loss": 0.0355,
+      "step": 5360
+    },
+    {
+      "epoch": 7.16,
+      "grad_norm": 0.4670146703720093,
+      "learning_rate": 1.5214285714285715e-05,
+      "loss": 0.0384,
+      "step": 5370
+    },
+    {
+      "epoch": 7.173333333333334,
+      "grad_norm": 0.2502428889274597,
+      "learning_rate": 1.5142857142857144e-05,
+      "loss": 0.0308,
+      "step": 5380
+    },
+    {
+      "epoch": 7.1866666666666665,
+      "grad_norm": 0.4326808750629425,
+      "learning_rate": 1.5071428571428573e-05,
+      "loss": 0.0367,
+      "step": 5390
+    },
+    {
+      "epoch": 7.2,
+      "grad_norm": 0.4298126697540283,
+      "learning_rate": 1.5e-05,
+      "loss": 0.0345,
+      "step": 5400
+    },
+    {
+      "epoch": 7.213333333333333,
+      "grad_norm": 0.5471469759941101,
+      "learning_rate": 1.4928571428571431e-05,
+      "loss": 0.039,
+      "step": 5410
+    },
+    {
+      "epoch": 7.226666666666667,
+      "grad_norm": 0.1898823380470276,
+      "learning_rate": 1.4857142857142858e-05,
+      "loss": 0.0371,
+      "step": 5420
+    },
+    {
+      "epoch": 7.24,
+      "grad_norm": 0.32298484444618225,
+      "learning_rate": 1.4785714285714286e-05,
+      "loss": 0.0406,
+      "step": 5430
+    },
+    {
+      "epoch": 7.253333333333333,
+      "grad_norm": 0.28163355588912964,
+      "learning_rate": 1.4714285714285713e-05,
+      "loss": 0.037,
+      "step": 5440
+    },
+    {
+      "epoch": 7.266666666666667,
+      "grad_norm": 0.4609764814376831,
+      "learning_rate": 1.4642857142857144e-05,
+      "loss": 0.0365,
+      "step": 5450
+    },
+    {
+      "epoch": 7.28,
+      "grad_norm": 0.2847744822502136,
+      "learning_rate": 1.4571428571428573e-05,
+      "loss": 0.0341,
+      "step": 5460
+    },
+    {
+      "epoch": 7.293333333333333,
+      "grad_norm": 0.39045828580856323,
+      "learning_rate": 1.45e-05,
+      "loss": 0.037,
+      "step": 5470
+    },
+    {
+      "epoch": 7.306666666666667,
+      "grad_norm": 0.6568509936332703,
+      "learning_rate": 1.442857142857143e-05,
+      "loss": 0.0338,
+      "step": 5480
+    },
+    {
+      "epoch": 7.32,
+      "grad_norm": 0.6085466742515564,
+      "learning_rate": 1.4357142857142858e-05,
+      "loss": 0.0387,
+      "step": 5490
+    },
+    {
+      "epoch": 7.333333333333333,
+      "grad_norm": 0.38249829411506653,
+      "learning_rate": 1.4285714285714285e-05,
+      "loss": 0.0335,
+      "step": 5500
+    },
+    {
+      "epoch": 7.346666666666667,
+      "grad_norm": 0.36587628722190857,
+      "learning_rate": 1.4214285714285716e-05,
+      "loss": 0.0397,
+      "step": 5510
+    },
+    {
+      "epoch": 7.36,
+      "grad_norm": 0.43576809763908386,
+      "learning_rate": 1.4142857142857143e-05,
+      "loss": 0.0372,
+      "step": 5520
+    },
+    {
+      "epoch": 7.373333333333333,
+      "grad_norm": 0.45476198196411133,
+      "learning_rate": 1.407142857142857e-05,
+      "loss": 0.0378,
+      "step": 5530
+    },
+    {
+      "epoch": 7.386666666666667,
+      "grad_norm": 0.42212429642677307,
+      "learning_rate": 1.4000000000000001e-05,
+      "loss": 0.0366,
+      "step": 5540
+    },
+    {
+      "epoch": 7.4,
+      "grad_norm": 0.5353995561599731,
+      "learning_rate": 1.392857142857143e-05,
+      "loss": 0.0395,
+      "step": 5550
+    },
+    {
+      "epoch": 7.413333333333333,
+      "grad_norm": 0.30457690358161926,
+      "learning_rate": 1.3857142857142858e-05,
+      "loss": 0.0322,
+      "step": 5560
+    },
+    {
+      "epoch": 7.426666666666667,
+      "grad_norm": 0.35228821635246277,
+      "learning_rate": 1.3785714285714285e-05,
+      "loss": 0.0381,
+      "step": 5570
+    },
+    {
+      "epoch": 7.44,
+      "grad_norm": 0.4502037465572357,
+      "learning_rate": 1.3714285714285716e-05,
+      "loss": 0.0395,
+      "step": 5580
+    },
+    {
+      "epoch": 7.453333333333333,
+      "grad_norm": 0.4583280682563782,
+      "learning_rate": 1.3642857142857143e-05,
+      "loss": 0.0351,
+      "step": 5590
+    },
+    {
+      "epoch": 7.466666666666667,
+      "grad_norm": 0.26433423161506653,
+      "learning_rate": 1.357142857142857e-05,
+      "loss": 0.0384,
+      "step": 5600
+    },
+    {
+      "epoch": 7.48,
+      "grad_norm": 0.34963172674179077,
+      "learning_rate": 1.3500000000000001e-05,
+      "loss": 0.0339,
+      "step": 5610
+    },
+    {
+      "epoch": 7.493333333333333,
+      "grad_norm": 0.3657793402671814,
+      "learning_rate": 1.3428571428571429e-05,
+      "loss": 0.0313,
+      "step": 5620
+    },
+    {
+      "epoch": 7.506666666666667,
+      "grad_norm": 0.5166221261024475,
+      "learning_rate": 1.3357142857142858e-05,
+      "loss": 0.0344,
+      "step": 5630
+    },
+    {
+      "epoch": 7.52,
+      "grad_norm": 0.3821184039115906,
+      "learning_rate": 1.3285714285714288e-05,
+      "loss": 0.0364,
+      "step": 5640
+    },
+    {
+      "epoch": 7.533333333333333,
+      "grad_norm": 0.23523779213428497,
+      "learning_rate": 1.3214285714285716e-05,
+      "loss": 0.0389,
+      "step": 5650
+    },
+    {
+      "epoch": 7.546666666666667,
+      "grad_norm": 0.2710420489311218,
+      "learning_rate": 1.3142857142857143e-05,
+      "loss": 0.0386,
+      "step": 5660
+    },
+    {
+      "epoch": 7.5600000000000005,
+      "grad_norm": 0.3356967866420746,
+      "learning_rate": 1.3071428571428574e-05,
+      "loss": 0.0368,
+      "step": 5670
+    },
+    {
+      "epoch": 7.573333333333333,
+      "grad_norm": 0.3889558017253876,
+      "learning_rate": 1.3000000000000001e-05,
+      "loss": 0.0338,
+      "step": 5680
+    },
+    {
+      "epoch": 7.586666666666667,
+      "grad_norm": 0.29293912649154663,
+      "learning_rate": 1.2928571428571428e-05,
+      "loss": 0.0341,
+      "step": 5690
+    },
+    {
+      "epoch": 7.6,
+      "grad_norm": 0.24440932273864746,
+      "learning_rate": 1.2857142857142857e-05,
+      "loss": 0.0361,
+      "step": 5700
+    },
+    {
+      "epoch": 7.613333333333333,
+      "grad_norm": 0.3795033395290375,
+      "learning_rate": 1.2785714285714286e-05,
+      "loss": 0.0365,
+      "step": 5710
+    },
+    {
+      "epoch": 7.626666666666667,
+      "grad_norm": 0.24400892853736877,
+      "learning_rate": 1.2714285714285715e-05,
+      "loss": 0.0313,
+      "step": 5720
+    },
+    {
+      "epoch": 7.64,
+      "grad_norm": 0.29860273003578186,
+      "learning_rate": 1.2642857142857143e-05,
+      "loss": 0.0359,
+      "step": 5730
+    },
+    {
+      "epoch": 7.653333333333333,
+      "grad_norm": 0.4908790588378906,
+      "learning_rate": 1.2571428571428573e-05,
+      "loss": 0.0373,
+      "step": 5740
+    },
+    {
+      "epoch": 7.666666666666667,
+      "grad_norm": 0.36568260192871094,
+      "learning_rate": 1.25e-05,
+      "loss": 0.0388,
+      "step": 5750
+    },
+    {
+      "epoch": 7.68,
+      "grad_norm": 0.3280797302722931,
+      "learning_rate": 1.242857142857143e-05,
+      "loss": 0.0381,
+      "step": 5760
+    },
+    {
+      "epoch": 7.693333333333333,
+      "grad_norm": 0.46353018283843994,
+      "learning_rate": 1.2357142857142857e-05,
+      "loss": 0.0339,
+      "step": 5770
+    },
+    {
+      "epoch": 7.706666666666667,
+      "grad_norm": 0.3837544918060303,
+      "learning_rate": 1.2285714285714286e-05,
+      "loss": 0.0354,
+      "step": 5780
+    },
+    {
+      "epoch": 7.72,
+      "grad_norm": 0.3167145550251007,
+      "learning_rate": 1.2214285714285715e-05,
+      "loss": 0.038,
+      "step": 5790
+    },
+    {
+      "epoch": 7.733333333333333,
+      "grad_norm": 0.36111217737197876,
+      "learning_rate": 1.2142857142857144e-05,
+      "loss": 0.0386,
+      "step": 5800
+    },
+    {
+      "epoch": 7.746666666666667,
+      "grad_norm": 0.251993328332901,
+      "learning_rate": 1.2071428571428573e-05,
+      "loss": 0.0338,
+      "step": 5810
+    },
+    {
+      "epoch": 7.76,
+      "grad_norm": 0.4600783884525299,
+      "learning_rate": 1.2e-05,
+      "loss": 0.0315,
+      "step": 5820
+    },
+    {
+      "epoch": 7.773333333333333,
+      "grad_norm": 0.32375648617744446,
+      "learning_rate": 1.192857142857143e-05,
+      "loss": 0.0361,
+      "step": 5830
+    },
+    {
+      "epoch": 7.786666666666667,
+      "grad_norm": 0.38023245334625244,
+      "learning_rate": 1.1857142857142858e-05,
+      "loss": 0.0393,
+      "step": 5840
+    },
+    {
+      "epoch": 7.8,
+      "grad_norm": 0.33348438143730164,
+      "learning_rate": 1.1785714285714286e-05,
+      "loss": 0.0372,
+      "step": 5850
+    },
+    {
+      "epoch": 7.8133333333333335,
+      "grad_norm": 0.3421650230884552,
+      "learning_rate": 1.1714285714285715e-05,
+      "loss": 0.0342,
+      "step": 5860
+    },
+    {
+      "epoch": 7.826666666666666,
+      "grad_norm": 0.4711281359195709,
+      "learning_rate": 1.1642857142857144e-05,
+      "loss": 0.0361,
+      "step": 5870
+    },
+    {
+      "epoch": 7.84,
+      "grad_norm": 0.4378104507923126,
+      "learning_rate": 1.1571428571428573e-05,
+      "loss": 0.0413,
+      "step": 5880
+    },
+    {
+      "epoch": 7.8533333333333335,
+      "grad_norm": 0.3001810908317566,
+      "learning_rate": 1.1500000000000002e-05,
+      "loss": 0.0389,
+      "step": 5890
+    },
+    {
+      "epoch": 7.866666666666667,
+      "grad_norm": 0.26972848176956177,
+      "learning_rate": 1.1428571428571429e-05,
+      "loss": 0.0416,
+      "step": 5900
+    },
+    {
+      "epoch": 7.88,
+      "grad_norm": 0.37173739075660706,
+      "learning_rate": 1.1357142857142858e-05,
+      "loss": 0.0414,
+      "step": 5910
+    },
+    {
+      "epoch": 7.8933333333333335,
+      "grad_norm": 0.4304920434951782,
+      "learning_rate": 1.1285714285714285e-05,
+      "loss": 0.0357,
+      "step": 5920
+    },
+    {
+      "epoch": 7.906666666666666,
+      "grad_norm": 0.44841209053993225,
+      "learning_rate": 1.1214285714285714e-05,
+      "loss": 0.0369,
+      "step": 5930
+    },
+    {
+      "epoch": 7.92,
+      "grad_norm": 0.40513983368873596,
+      "learning_rate": 1.1142857142857143e-05,
+      "loss": 0.0364,
+      "step": 5940
+    },
+    {
+      "epoch": 7.933333333333334,
+      "grad_norm": 0.38901185989379883,
+      "learning_rate": 1.107142857142857e-05,
+      "loss": 0.0398,
+      "step": 5950
+    },
+    {
+      "epoch": 7.946666666666666,
+      "grad_norm": 0.3767634928226471,
+      "learning_rate": 1.1000000000000001e-05,
+      "loss": 0.0354,
+      "step": 5960
+    },
+    {
+      "epoch": 7.96,
+      "grad_norm": 0.2898011803627014,
+      "learning_rate": 1.092857142857143e-05,
+      "loss": 0.0376,
+      "step": 5970
+    },
+    {
+      "epoch": 7.973333333333334,
+      "grad_norm": 0.2954081892967224,
+      "learning_rate": 1.0857142857142858e-05,
+      "loss": 0.0352,
+      "step": 5980
+    },
+    {
+      "epoch": 7.986666666666666,
+      "grad_norm": 0.3539218008518219,
+      "learning_rate": 1.0785714285714287e-05,
+      "loss": 0.0413,
+      "step": 5990
+    },
+    {
+      "epoch": 8.0,
+      "grad_norm": 0.3952479362487793,
+      "learning_rate": 1.0714285714285714e-05,
+      "loss": 0.0368,
+      "step": 6000
+    },
+    {
+      "epoch": 8.0,
+      "eval_loss": 0.053337376564741135,
+      "eval_runtime": 10.024,
+      "eval_samples_per_second": 49.88,
+      "eval_steps_per_second": 6.285,
+      "step": 6000
+    },
+    {
+      "epoch": 8.013333333333334,
+      "grad_norm": 0.27596500515937805,
+      "learning_rate": 1.0642857142857143e-05,
+      "loss": 0.0265,
+      "step": 6010
+    },
+    {
+      "epoch": 8.026666666666667,
+      "grad_norm": 0.2773725390434265,
+      "learning_rate": 1.0571428571428572e-05,
+      "loss": 0.031,
+      "step": 6020
+    },
+    {
+      "epoch": 8.04,
+      "grad_norm": 0.42934033274650574,
+      "learning_rate": 1.05e-05,
+      "loss": 0.0303,
+      "step": 6030
+    },
+    {
+      "epoch": 8.053333333333333,
+      "grad_norm": 0.436980277299881,
+      "learning_rate": 1.0428571428571428e-05,
+      "loss": 0.03,
+      "step": 6040
+    },
+    {
+      "epoch": 8.066666666666666,
+      "grad_norm": 0.6325439214706421,
+      "learning_rate": 1.0357142857142859e-05,
+      "loss": 0.0326,
+      "step": 6050
+    },
+    {
+      "epoch": 8.08,
+      "grad_norm": 0.8861053586006165,
+      "learning_rate": 1.0285714285714286e-05,
+      "loss": 0.0283,
+      "step": 6060
+    },
+    {
+      "epoch": 8.093333333333334,
+      "grad_norm": 0.3249625861644745,
+      "learning_rate": 1.0214285714285715e-05,
+      "loss": 0.0323,
+      "step": 6070
+    },
+    {
+      "epoch": 8.106666666666667,
+      "grad_norm": 0.4463777244091034,
+      "learning_rate": 1.0142857142857143e-05,
+      "loss": 0.0347,
+      "step": 6080
+    },
+    {
+      "epoch": 8.12,
+      "grad_norm": 0.4576132297515869,
+      "learning_rate": 1.0071428571428572e-05,
+      "loss": 0.0348,
+      "step": 6090
+    },
+    {
+      "epoch": 8.133333333333333,
+      "grad_norm": 0.44988828897476196,
+      "learning_rate": 1e-05,
+      "loss": 0.0368,
+      "step": 6100
+    },
+    {
+      "epoch": 8.146666666666667,
+      "grad_norm": 0.3282490670681,
+      "learning_rate": 9.928571428571428e-06,
+      "loss": 0.0303,
+      "step": 6110
+    },
+    {
+      "epoch": 8.16,
+      "grad_norm": 0.3981810212135315,
+      "learning_rate": 9.857142857142857e-06,
+      "loss": 0.03,
+      "step": 6120
+    },
+    {
+      "epoch": 8.173333333333334,
+      "grad_norm": 0.6639798283576965,
+      "learning_rate": 9.785714285714286e-06,
+      "loss": 0.0341,
+      "step": 6130
+    },
+    {
+      "epoch": 8.186666666666667,
+      "grad_norm": 0.31547537446022034,
+      "learning_rate": 9.714285714285715e-06,
+      "loss": 0.0361,
+      "step": 6140
+    },
+    {
+      "epoch": 8.2,
+      "grad_norm": 0.3515768349170685,
+      "learning_rate": 9.642857142857144e-06,
+      "loss": 0.0329,
+      "step": 6150
+    },
+    {
+      "epoch": 8.213333333333333,
+      "grad_norm": 0.4336012303829193,
+      "learning_rate": 9.571428571428572e-06,
+      "loss": 0.0284,
+      "step": 6160
+    },
+    {
+      "epoch": 8.226666666666667,
+      "grad_norm": 0.6061497330665588,
+      "learning_rate": 9.5e-06,
+      "loss": 0.0287,
+      "step": 6170
+    },
+    {
+      "epoch": 8.24,
+      "grad_norm": 0.4288567900657654,
+      "learning_rate": 9.42857142857143e-06,
+      "loss": 0.0327,
+      "step": 6180
+    },
+    {
+      "epoch": 8.253333333333334,
+      "grad_norm": 0.329947292804718,
+      "learning_rate": 9.357142857142857e-06,
+      "loss": 0.0334,
+      "step": 6190
+    },
+    {
+      "epoch": 8.266666666666667,
+      "grad_norm": 0.32713133096694946,
+      "learning_rate": 9.285714285714286e-06,
+      "loss": 0.0323,
+      "step": 6200
+    },
+    {
+      "epoch": 8.28,
+      "grad_norm": 0.33366158604621887,
+      "learning_rate": 9.214285714285715e-06,
+      "loss": 0.0319,
+      "step": 6210
+    },
+    {
+      "epoch": 8.293333333333333,
+      "grad_norm": 0.4390224516391754,
+      "learning_rate": 9.142857142857144e-06,
+      "loss": 0.0331,
+      "step": 6220
+    },
+    {
+      "epoch": 8.306666666666667,
+      "grad_norm": 0.46331650018692017,
+      "learning_rate": 9.071428571428573e-06,
+      "loss": 0.0357,
+      "step": 6230
+    },
+    {
+      "epoch": 8.32,
+      "grad_norm": 0.37731102108955383,
+      "learning_rate": 9e-06,
+      "loss": 0.0331,
+      "step": 6240
+    },
+    {
+      "epoch": 8.333333333333334,
+      "grad_norm": 0.28968992829322815,
+      "learning_rate": 8.92857142857143e-06,
+      "loss": 0.028,
+      "step": 6250
+    },
+    {
+      "epoch": 8.346666666666668,
+      "grad_norm": 0.3214893341064453,
+      "learning_rate": 8.857142857142857e-06,
+      "loss": 0.0359,
+      "step": 6260
+    },
+    {
+      "epoch": 8.36,
+      "grad_norm": 0.40379831194877625,
+      "learning_rate": 8.785714285714286e-06,
+      "loss": 0.0305,
+      "step": 6270
+    },
+    {
+      "epoch": 8.373333333333333,
+      "grad_norm": 0.4397960901260376,
+      "learning_rate": 8.714285714285715e-06,
+      "loss": 0.0328,
+      "step": 6280
+    },
+    {
+      "epoch": 8.386666666666667,
+      "grad_norm": 0.50385582447052,
+      "learning_rate": 8.642857142857144e-06,
+      "loss": 0.0306,
+      "step": 6290
+    },
+    {
+      "epoch": 8.4,
+      "grad_norm": 0.39875203371047974,
+      "learning_rate": 8.571428571428573e-06,
+      "loss": 0.0322,
+      "step": 6300
+    },
+    {
+      "epoch": 8.413333333333334,
+      "grad_norm": 0.4327872693538666,
+      "learning_rate": 8.500000000000002e-06,
+      "loss": 0.0297,
+      "step": 6310
+    },
+    {
+      "epoch": 8.426666666666666,
+      "grad_norm": 0.45140984654426575,
+      "learning_rate": 8.428571428571429e-06,
+      "loss": 0.0327,
+      "step": 6320
+    },
+    {
+      "epoch": 8.44,
+      "grad_norm": 0.3679892420768738,
+      "learning_rate": 8.357142857142858e-06,
+      "loss": 0.0294,
+      "step": 6330
+    },
+    {
+      "epoch": 8.453333333333333,
+      "grad_norm": 0.6987299919128418,
+      "learning_rate": 8.285714285714285e-06,
+      "loss": 0.032,
+      "step": 6340
+    },
+    {
+      "epoch": 8.466666666666667,
+      "grad_norm": 0.44229957461357117,
+      "learning_rate": 8.214285714285714e-06,
+      "loss": 0.0354,
+      "step": 6350
+    },
+    {
+      "epoch": 8.48,
+      "grad_norm": 0.3527892529964447,
+      "learning_rate": 8.142857142857143e-06,
+      "loss": 0.033,
+      "step": 6360
+    },
+    {
+      "epoch": 8.493333333333334,
+      "grad_norm": 0.3722743093967438,
+      "learning_rate": 8.07142857142857e-06,
+      "loss": 0.0337,
+      "step": 6370
+    },
+    {
+      "epoch": 8.506666666666666,
+      "grad_norm": 0.5211774706840515,
+      "learning_rate": 8.000000000000001e-06,
+      "loss": 0.0307,
+      "step": 6380
+    },
+    {
+      "epoch": 8.52,
+      "grad_norm": 0.3126635253429413,
+      "learning_rate": 7.928571428571429e-06,
+      "loss": 0.0336,
+      "step": 6390
+    },
+    {
+      "epoch": 8.533333333333333,
+      "grad_norm": 0.48934802412986755,
+      "learning_rate": 7.857142857142858e-06,
+      "loss": 0.0322,
+      "step": 6400
+    },
+    {
+      "epoch": 8.546666666666667,
+      "grad_norm": 0.4217057526111603,
+      "learning_rate": 7.785714285714287e-06,
+      "loss": 0.0284,
+      "step": 6410
+    },
+    {
+      "epoch": 8.56,
+      "grad_norm": 0.3128513693809509,
+      "learning_rate": 7.714285714285714e-06,
+      "loss": 0.0341,
+      "step": 6420
+    },
+    {
+      "epoch": 8.573333333333334,
+      "grad_norm": 0.4288753569126129,
+      "learning_rate": 7.642857142857143e-06,
+      "loss": 0.034,
+      "step": 6430
+    },
+    {
+      "epoch": 8.586666666666666,
+      "grad_norm": 0.38975703716278076,
+      "learning_rate": 7.571428571428572e-06,
+      "loss": 0.0294,
+      "step": 6440
+    },
+    {
+      "epoch": 8.6,
+      "grad_norm": 0.36867496371269226,
+      "learning_rate": 7.5e-06,
+      "loss": 0.033,
+      "step": 6450
+    },
+    {
+      "epoch": 8.613333333333333,
+      "grad_norm": 0.44279348850250244,
+      "learning_rate": 7.428571428571429e-06,
+      "loss": 0.0302,
+      "step": 6460
+    },
+    {
+      "epoch": 8.626666666666667,
+      "grad_norm": 0.43570375442504883,
+      "learning_rate": 7.3571428571428565e-06,
+      "loss": 0.0308,
+      "step": 6470
+    },
+    {
+      "epoch": 8.64,
+      "grad_norm": 0.3775009214878082,
+      "learning_rate": 7.285714285714286e-06,
+      "loss": 0.0343,
+      "step": 6480
+    },
+    {
+      "epoch": 8.653333333333332,
+      "grad_norm": 0.47819623351097107,
+      "learning_rate": 7.214285714285715e-06,
+      "loss": 0.0344,
+      "step": 6490
+    },
+    {
+      "epoch": 8.666666666666666,
+      "grad_norm": 0.31844547390937805,
+      "learning_rate": 7.142857142857143e-06,
+      "loss": 0.0254,
+      "step": 6500
+    },
+    {
+      "epoch": 8.68,
+      "grad_norm": 0.6527644395828247,
+      "learning_rate": 7.071428571428572e-06,
+      "loss": 0.0359,
+      "step": 6510
+    },
+    {
+      "epoch": 8.693333333333333,
+      "grad_norm": 0.49534961581230164,
+      "learning_rate": 7.000000000000001e-06,
+      "loss": 0.035,
+      "step": 6520
+    },
+    {
+      "epoch": 8.706666666666667,
+      "grad_norm": 0.5839009881019592,
+      "learning_rate": 6.928571428571429e-06,
+      "loss": 0.0309,
+      "step": 6530
+    },
+    {
+      "epoch": 8.72,
+      "grad_norm": 0.33588001132011414,
+      "learning_rate": 6.857142857142858e-06,
+      "loss": 0.0342,
+      "step": 6540
+    },
+    {
+      "epoch": 8.733333333333333,
+      "grad_norm": 0.4374123513698578,
+      "learning_rate": 6.785714285714285e-06,
+      "loss": 0.0322,
+      "step": 6550
+    },
+    {
+      "epoch": 8.746666666666666,
+      "grad_norm": 0.5746548771858215,
+      "learning_rate": 6.714285714285714e-06,
+      "loss": 0.0341,
+      "step": 6560
+    },
+    {
+      "epoch": 8.76,
+      "grad_norm": 0.5548771619796753,
+      "learning_rate": 6.642857142857144e-06,
+      "loss": 0.0311,
+      "step": 6570
+    },
+    {
+      "epoch": 8.773333333333333,
+      "grad_norm": 0.34086015820503235,
+      "learning_rate": 6.5714285714285714e-06,
+      "loss": 0.0293,
+      "step": 6580
+    },
+    {
+      "epoch": 8.786666666666667,
+      "grad_norm": 0.44007524847984314,
+      "learning_rate": 6.5000000000000004e-06,
+      "loss": 0.0316,
+      "step": 6590
+    },
+    {
+      "epoch": 8.8,
+      "grad_norm": 0.4433547556400299,
+      "learning_rate": 6.428571428571429e-06,
+      "loss": 0.0335,
+      "step": 6600
+    },
+    {
+      "epoch": 8.813333333333333,
+      "grad_norm": 0.3907774090766907,
+      "learning_rate": 6.357142857142858e-06,
+      "loss": 0.034,
+      "step": 6610
+    },
+    {
+      "epoch": 8.826666666666666,
+      "grad_norm": 0.3344619870185852,
+      "learning_rate": 6.285714285714287e-06,
+      "loss": 0.0335,
+      "step": 6620
+    },
+    {
+      "epoch": 8.84,
+      "grad_norm": 0.4088001251220703,
+      "learning_rate": 6.214285714285715e-06,
+      "loss": 0.0332,
+      "step": 6630
+    },
+    {
+      "epoch": 8.853333333333333,
+      "grad_norm": 0.5895838141441345,
+      "learning_rate": 6.142857142857143e-06,
+      "loss": 0.0301,
+      "step": 6640
+    },
+    {
+      "epoch": 8.866666666666667,
+      "grad_norm": 0.3776351809501648,
+      "learning_rate": 6.071428571428572e-06,
+      "loss": 0.0344,
+      "step": 6650
+    },
+    {
+      "epoch": 8.88,
+      "grad_norm": 0.4882928729057312,
+      "learning_rate": 6e-06,
+      "loss": 0.033,
+      "step": 6660
+    },
+    {
+      "epoch": 8.893333333333333,
+      "grad_norm": 0.2995430529117584,
+      "learning_rate": 5.928571428571429e-06,
+      "loss": 0.0318,
+      "step": 6670
+    },
+    {
+      "epoch": 8.906666666666666,
+      "grad_norm": 0.4289156198501587,
+      "learning_rate": 5.857142857142857e-06,
+      "loss": 0.0282,
+      "step": 6680
+    },
+    {
+      "epoch": 8.92,
+      "grad_norm": 0.252230167388916,
+      "learning_rate": 5.785714285714286e-06,
+      "loss": 0.032,
+      "step": 6690
+    },
+    {
+      "epoch": 8.933333333333334,
+      "grad_norm": 0.2991114854812622,
+      "learning_rate": 5.7142857142857145e-06,
+      "loss": 0.0323,
+      "step": 6700
+    },
+    {
+      "epoch": 8.946666666666667,
+      "grad_norm": 0.29242953658103943,
+      "learning_rate": 5.642857142857143e-06,
+      "loss": 0.0318,
+      "step": 6710
+    },
+    {
+      "epoch": 8.96,
+      "grad_norm": 0.39433249831199646,
+      "learning_rate": 5.571428571428572e-06,
+      "loss": 0.0306,
+      "step": 6720
+    },
+    {
+      "epoch": 8.973333333333333,
+      "grad_norm": 0.4435175061225891,
+      "learning_rate": 5.500000000000001e-06,
+      "loss": 0.0354,
+      "step": 6730
+    },
+    {
+      "epoch": 8.986666666666666,
+      "grad_norm": 0.4153237044811249,
+      "learning_rate": 5.428571428571429e-06,
+      "loss": 0.0354,
+      "step": 6740
+    },
+    {
+      "epoch": 9.0,
+      "grad_norm": 0.47582104802131653,
+      "learning_rate": 5.357142857142857e-06,
+      "loss": 0.0336,
+      "step": 6750
+    },
+    {
+      "epoch": 9.0,
+      "eval_loss": 0.0599554218351841,
+      "eval_runtime": 10.0035,
+      "eval_samples_per_second": 49.982,
+      "eval_steps_per_second": 6.298,
+      "step": 6750
+    },
+    {
+      "epoch": 9.013333333333334,
+      "grad_norm": 0.41843903064727783,
+      "learning_rate": 5.285714285714286e-06,
+      "loss": 0.0273,
+      "step": 6760
+    },
+    {
+      "epoch": 9.026666666666667,
+      "grad_norm": 0.44430795311927795,
+      "learning_rate": 5.214285714285714e-06,
+      "loss": 0.033,
+      "step": 6770
+    },
+    {
+      "epoch": 9.04,
+      "grad_norm": 0.5938581824302673,
+      "learning_rate": 5.142857142857143e-06,
+      "loss": 0.027,
+      "step": 6780
+    },
+    {
+      "epoch": 9.053333333333333,
+      "grad_norm": 0.7742740511894226,
+      "learning_rate": 5.071428571428571e-06,
+      "loss": 0.0364,
+      "step": 6790
+    },
+    {
+      "epoch": 9.066666666666666,
+      "grad_norm": 0.4659274220466614,
+      "learning_rate": 5e-06,
+      "loss": 0.0257,
+      "step": 6800
+    },
+    {
+      "epoch": 9.08,
+      "grad_norm": 0.4654858112335205,
+      "learning_rate": 4.9285714285714286e-06,
+      "loss": 0.0302,
+      "step": 6810
+    },
+    {
+      "epoch": 9.093333333333334,
+      "grad_norm": 0.5938997268676758,
+      "learning_rate": 4.857142857142858e-06,
+      "loss": 0.0229,
+      "step": 6820
+    },
+    {
+      "epoch": 9.106666666666667,
+      "grad_norm": 0.38648200035095215,
+      "learning_rate": 4.785714285714286e-06,
+      "loss": 0.0267,
+      "step": 6830
+    },
+    {
+      "epoch": 9.12,
+      "grad_norm": 0.6443151831626892,
+      "learning_rate": 4.714285714285715e-06,
+      "loss": 0.0269,
+      "step": 6840
+    },
+    {
+      "epoch": 9.133333333333333,
+      "grad_norm": 0.5167721509933472,
+      "learning_rate": 4.642857142857143e-06,
+      "loss": 0.0247,
+      "step": 6850
+    },
+    {
+      "epoch": 9.146666666666667,
+      "grad_norm": 0.44495123624801636,
+      "learning_rate": 4.571428571428572e-06,
+      "loss": 0.0315,
+      "step": 6860
+    },
+    {
+      "epoch": 9.16,
+      "grad_norm": 0.5312309265136719,
+      "learning_rate": 4.5e-06,
+      "loss": 0.0298,
+      "step": 6870
+    },
+    {
+      "epoch": 9.173333333333334,
+      "grad_norm": 0.4099298119544983,
+      "learning_rate": 4.428571428571428e-06,
+      "loss": 0.0315,
+      "step": 6880
+    },
+    {
+      "epoch": 9.186666666666667,
+      "grad_norm": 0.3159441649913788,
+      "learning_rate": 4.357142857142857e-06,
+      "loss": 0.0269,
+      "step": 6890
+    },
+    {
+      "epoch": 9.2,
+      "grad_norm": 0.3764984905719757,
+      "learning_rate": 4.285714285714286e-06,
+      "loss": 0.028,
+      "step": 6900
+    },
+    {
+      "epoch": 9.213333333333333,
+      "grad_norm": 0.4458373785018921,
+      "learning_rate": 4.2142857142857145e-06,
+      "loss": 0.0277,
+      "step": 6910
+    },
+    {
+      "epoch": 9.226666666666667,
+      "grad_norm": 0.33140939474105835,
+      "learning_rate": 4.142857142857143e-06,
+      "loss": 0.0259,
+      "step": 6920
+    },
+    {
+      "epoch": 9.24,
+      "grad_norm": 0.40546560287475586,
+      "learning_rate": 4.071428571428572e-06,
+      "loss": 0.0296,
+      "step": 6930
+    },
+    {
+      "epoch": 9.253333333333334,
+      "grad_norm": 0.4506683051586151,
+      "learning_rate": 4.000000000000001e-06,
+      "loss": 0.0294,
+      "step": 6940
+    },
+    {
+      "epoch": 9.266666666666667,
+      "grad_norm": 0.3401450514793396,
+      "learning_rate": 3.928571428571429e-06,
+      "loss": 0.0324,
+      "step": 6950
+    },
+    {
+      "epoch": 9.28,
+      "grad_norm": 0.52297443151474,
+      "learning_rate": 3.857142857142857e-06,
+      "loss": 0.0258,
+      "step": 6960
+    },
+    {
+      "epoch": 9.293333333333333,
+      "grad_norm": 0.46997833251953125,
+      "learning_rate": 3.785714285714286e-06,
+      "loss": 0.0303,
+      "step": 6970
+    },
+    {
+      "epoch": 9.306666666666667,
+      "grad_norm": 0.5551085472106934,
+      "learning_rate": 3.7142857142857146e-06,
+      "loss": 0.0319,
+      "step": 6980
+    },
+    {
+      "epoch": 9.32,
+      "grad_norm": 0.3970550000667572,
+      "learning_rate": 3.642857142857143e-06,
+      "loss": 0.0288,
+      "step": 6990
+    },
+    {
+      "epoch": 9.333333333333334,
+      "grad_norm": 0.7092918157577515,
+      "learning_rate": 3.5714285714285714e-06,
+      "loss": 0.0304,
+      "step": 7000
+    },
+    {
+      "epoch": 9.346666666666668,
+      "grad_norm": 0.3969880938529968,
+      "learning_rate": 3.5000000000000004e-06,
+      "loss": 0.0262,
+      "step": 7010
+    },
+    {
+      "epoch": 9.36,
+      "grad_norm": 0.42058366537094116,
+      "learning_rate": 3.428571428571429e-06,
+      "loss": 0.0303,
+      "step": 7020
+    },
+    {
+      "epoch": 9.373333333333333,
+      "grad_norm": 0.35471147298812866,
+      "learning_rate": 3.357142857142857e-06,
+      "loss": 0.0301,
+      "step": 7030
+    },
+    {
+      "epoch": 9.386666666666667,
+      "grad_norm": 0.38898906111717224,
+      "learning_rate": 3.2857142857142857e-06,
+      "loss": 0.0292,
+      "step": 7040
+    },
+    {
+      "epoch": 9.4,
+      "grad_norm": 0.4597848951816559,
+      "learning_rate": 3.2142857142857143e-06,
+      "loss": 0.0305,
+      "step": 7050
+    },
+    {
+      "epoch": 9.413333333333334,
+      "grad_norm": 0.35790571570396423,
+      "learning_rate": 3.1428571428571433e-06,
+      "loss": 0.028,
+      "step": 7060
+    },
+    {
+      "epoch": 9.426666666666666,
+      "grad_norm": 0.4128783643245697,
+      "learning_rate": 3.0714285714285715e-06,
+      "loss": 0.027,
+      "step": 7070
+    },
+    {
+      "epoch": 9.44,
+      "grad_norm": 0.4925912916660309,
+      "learning_rate": 3e-06,
+      "loss": 0.0298,
+      "step": 7080
+    },
+    {
+      "epoch": 9.453333333333333,
+      "grad_norm": 0.4631553292274475,
+      "learning_rate": 2.9285714285714287e-06,
+      "loss": 0.03,
+      "step": 7090
+    },
+    {
+      "epoch": 9.466666666666667,
+      "grad_norm": 0.3700734078884125,
+      "learning_rate": 2.8571428571428573e-06,
+      "loss": 0.0286,
+      "step": 7100
+    },
+    {
+      "epoch": 9.48,
+      "grad_norm": 0.5990931391716003,
+      "learning_rate": 2.785714285714286e-06,
+      "loss": 0.0318,
+      "step": 7110
+    },
+    {
+      "epoch": 9.493333333333334,
+      "grad_norm": 0.5871394872665405,
+      "learning_rate": 2.7142857142857144e-06,
+      "loss": 0.0285,
+      "step": 7120
+    },
+    {
+      "epoch": 9.506666666666666,
+      "grad_norm": 0.37236857414245605,
+      "learning_rate": 2.642857142857143e-06,
+      "loss": 0.0296,
+      "step": 7130
+    },
+    {
+      "epoch": 9.52,
+      "grad_norm": 0.585112988948822,
+      "learning_rate": 2.5714285714285716e-06,
+      "loss": 0.0294,
+      "step": 7140
+    },
+    {
+      "epoch": 9.533333333333333,
+      "grad_norm": 0.3314462900161743,
+      "learning_rate": 2.5e-06,
+      "loss": 0.0261,
+      "step": 7150
+    },
+    {
+      "epoch": 9.546666666666667,
+      "grad_norm": 0.40238332748413086,
+      "learning_rate": 2.428571428571429e-06,
+      "loss": 0.029,
+      "step": 7160
+    },
+    {
+      "epoch": 9.56,
+      "grad_norm": 0.5411038994789124,
+      "learning_rate": 2.3571428571428574e-06,
+      "loss": 0.0297,
+      "step": 7170
+    },
+    {
+      "epoch": 9.573333333333334,
+      "grad_norm": 0.3584795892238617,
+      "learning_rate": 2.285714285714286e-06,
+      "loss": 0.0304,
+      "step": 7180
+    },
+    {
+      "epoch": 9.586666666666666,
+      "grad_norm": 0.23877915740013123,
+      "learning_rate": 2.214285714285714e-06,
+      "loss": 0.029,
+      "step": 7190
+    },
+    {
+      "epoch": 9.6,
+      "grad_norm": 0.4653366804122925,
+      "learning_rate": 2.142857142857143e-06,
+      "loss": 0.0271,
+      "step": 7200
+    },
+    {
+      "epoch": 9.613333333333333,
+      "grad_norm": 0.41974076628685,
+      "learning_rate": 2.0714285714285713e-06,
+      "loss": 0.0268,
+      "step": 7210
+    },
+    {
+      "epoch": 9.626666666666667,
+      "grad_norm": 0.2386159747838974,
+      "learning_rate": 2.0000000000000003e-06,
+      "loss": 0.0258,
+      "step": 7220
+    },
+    {
+      "epoch": 9.64,
+      "grad_norm": 0.3894519805908203,
+      "learning_rate": 1.9285714285714285e-06,
+      "loss": 0.0283,
+      "step": 7230
+    },
+    {
+      "epoch": 9.653333333333332,
+      "grad_norm": 0.488768994808197,
+      "learning_rate": 1.8571428571428573e-06,
+      "loss": 0.0311,
+      "step": 7240
+    },
+    {
+      "epoch": 9.666666666666666,
+      "grad_norm": 0.3641781210899353,
+      "learning_rate": 1.7857142857142857e-06,
+      "loss": 0.0242,
+      "step": 7250
+    },
+    {
+      "epoch": 9.68,
+      "grad_norm": 0.7276709079742432,
+      "learning_rate": 1.7142857142857145e-06,
+      "loss": 0.0302,
+      "step": 7260
+    },
+    {
+      "epoch": 9.693333333333333,
+      "grad_norm": 0.6283189058303833,
+      "learning_rate": 1.6428571428571429e-06,
+      "loss": 0.0299,
+      "step": 7270
+    },
+    {
+      "epoch": 9.706666666666667,
+      "grad_norm": 0.6860916614532471,
+      "learning_rate": 1.5714285714285717e-06,
+      "loss": 0.0291,
+      "step": 7280
+    },
+    {
+      "epoch": 9.72,
+      "grad_norm": 0.37233075499534607,
+      "learning_rate": 1.5e-06,
+      "loss": 0.029,
+      "step": 7290
+    },
+    {
+      "epoch": 9.733333333333333,
+      "grad_norm": 0.5310814380645752,
+      "learning_rate": 1.4285714285714286e-06,
+      "loss": 0.0284,
+      "step": 7300
+    },
+    {
+      "epoch": 9.746666666666666,
+      "grad_norm": 0.4718201756477356,
+      "learning_rate": 1.3571428571428572e-06,
+      "loss": 0.0297,
+      "step": 7310
+    },
+    {
+      "epoch": 9.76,
+      "grad_norm": 0.34711670875549316,
+      "learning_rate": 1.2857142857142858e-06,
+      "loss": 0.0295,
+      "step": 7320
+    },
+    {
+      "epoch": 9.773333333333333,
+      "grad_norm": 0.37757256627082825,
+      "learning_rate": 1.2142857142857144e-06,
+      "loss": 0.0292,
+      "step": 7330
+    },
+    {
+      "epoch": 9.786666666666667,
+      "grad_norm": 0.6463954448699951,
+      "learning_rate": 1.142857142857143e-06,
+      "loss": 0.0322,
+      "step": 7340
+    },
+    {
+      "epoch": 9.8,
+      "grad_norm": 0.4733719825744629,
+      "learning_rate": 1.0714285714285716e-06,
+      "loss": 0.0237,
+      "step": 7350
+    },
+    {
+      "epoch": 9.813333333333333,
+      "grad_norm": 0.400206059217453,
+      "learning_rate": 1.0000000000000002e-06,
+      "loss": 0.0317,
+      "step": 7360
+    },
+    {
+      "epoch": 9.826666666666666,
+      "grad_norm": 0.43989384174346924,
+      "learning_rate": 9.285714285714287e-07,
+      "loss": 0.0259,
+      "step": 7370
+    },
+    {
+      "epoch": 9.84,
+      "grad_norm": 0.44566187262535095,
+      "learning_rate": 8.571428571428572e-07,
+      "loss": 0.0285,
+      "step": 7380
+    },
+    {
+      "epoch": 9.853333333333333,
+      "grad_norm": 0.378282368183136,
+      "learning_rate": 7.857142857142858e-07,
+      "loss": 0.0292,
+      "step": 7390
+    },
+    {
+      "epoch": 9.866666666666667,
+      "grad_norm": 0.4129701852798462,
+      "learning_rate": 7.142857142857143e-07,
+      "loss": 0.0304,
+      "step": 7400
+    },
+    {
+      "epoch": 9.88,
+      "grad_norm": 0.3859052062034607,
+      "learning_rate": 6.428571428571429e-07,
+      "loss": 0.0274,
+      "step": 7410
+    },
+    {
+      "epoch": 9.893333333333333,
+      "grad_norm": 0.6175478100776672,
+      "learning_rate": 5.714285714285715e-07,
+      "loss": 0.0291,
+      "step": 7420
+    },
+    {
+      "epoch": 9.906666666666666,
+      "grad_norm": 0.44381043314933777,
+      "learning_rate": 5.000000000000001e-07,
+      "loss": 0.0243,
+      "step": 7430
+    },
+    {
+      "epoch": 9.92,
+      "grad_norm": 0.32128116488456726,
+      "learning_rate": 4.285714285714286e-07,
+      "loss": 0.0253,
+      "step": 7440
+    },
+    {
+      "epoch": 9.933333333333334,
+      "grad_norm": 0.5063470005989075,
+      "learning_rate": 3.5714285714285716e-07,
+      "loss": 0.0331,
+      "step": 7450
+    },
+    {
+      "epoch": 9.946666666666667,
+      "grad_norm": 0.4667315185070038,
+      "learning_rate": 2.8571428571428575e-07,
+      "loss": 0.0305,
+      "step": 7460
+    },
+    {
+      "epoch": 9.96,
+      "grad_norm": 0.6741827726364136,
+      "learning_rate": 2.142857142857143e-07,
+      "loss": 0.0267,
+      "step": 7470
+    },
+    {
+      "epoch": 9.973333333333333,
+      "grad_norm": 0.2599794566631317,
+      "learning_rate": 1.4285714285714287e-07,
+      "loss": 0.0287,
+      "step": 7480
+    },
+    {
+      "epoch": 9.986666666666666,
+      "grad_norm": 0.5331473350524902,
+      "learning_rate": 7.142857142857144e-08,
+      "loss": 0.031,
+      "step": 7490
+    },
+    {
+      "epoch": 10.0,
+      "grad_norm": 0.5690405964851379,
+      "learning_rate": 0.0,
+      "loss": 0.0262,
+      "step": 7500
+    },
+    {
+      "epoch": 10.0,
+      "eval_loss": 0.06324269622564316,
+      "eval_runtime": 10.0528,
+      "eval_samples_per_second": 49.737,
+      "eval_steps_per_second": 6.267,
+      "step": 7500
+    }
+  ],
+  "logging_steps": 10,
+  "max_steps": 7500,
+  "num_input_tokens_seen": 0,
+  "num_train_epochs": 10,
+  "save_steps": 500,
+  "stateful_callbacks": {
+    "TrainerControl": {
+      "args": {
+        "should_epoch_stop": false,
+        "should_evaluate": false,
+        "should_log": false,
+        "should_save": true,
+        "should_training_stop": true
+      },
+      "attributes": {}
+    }
+  },
+  "total_flos": 1.567519243659264e+16,
+  "train_batch_size": 8,
+  "trial_name": null,
+  "trial_params": null
+}