lemexp-task1-v3-template_full_nodefs-Llama-3.2-1B-8lr-12epochs-no-eos

This model is a fine-tuned version of meta-llama/Llama-3.2-1B on an unknown dataset. It achieves the following results on the evaluation set:

• Loss: 0.1352

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

• learning_rate: 0.0008
• train_batch_size: 2
• eval_batch_size: 2
• seed: 42
• distributed_type: multi-GPU
• num_devices: 8
• total_train_batch_size: 16
• total_eval_batch_size: 16
• optimizer: Use OptimizerNames.ADAMW_TORCH with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
• lr_scheduler_type: linear
• num_epochs: 12
• mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss
0.306	0.2000	3114	0.3017
0.2867	0.4000	6228	0.2795
0.2775	0.6000	9342	0.2688
0.2701	0.8001	12456	0.2583
0.268	1.0001	15570	0.2530
0.2609	1.2001	18684	0.2470
0.2549	1.4001	21798	0.2425
0.2542	1.6001	24912	0.2384
0.2489	1.8001	28026	0.2377
0.2469	2.0001	31140	0.2334
0.2416	2.2001	34254	0.2419
0.2402	2.4002	37368	0.2269
0.2401	2.6002	40482	0.2255
0.2368	2.8002	43596	0.2398
0.2309	3.0002	46710	0.2226
0.2289	3.2002	49824	0.2207
0.226	3.4002	52938	0.2194
0.2249	3.6002	56052	0.2178
0.2214	3.8002	59166	0.2173
0.2207	4.0003	62280	0.2128
0.2158	4.2003	65394	0.2104
0.2147	4.4003	68508	0.2071
0.2139	4.6003	71622	0.2083
0.2094	4.8003	74736	0.2077
0.2072	5.0003	77850	0.1972
0.2039	5.2003	80964	0.1964
0.2036	5.4003	84078	0.1948
0.2031	5.6004	87192	0.1950
0.1964	5.8004	90306	0.1934
0.1982	6.0004	93420	0.1839
0.1929	6.2004	96534	0.1882
0.1917	6.4004	99648	0.1845
0.1917	6.6004	102762	0.1811
0.1866	6.8004	105876	0.1800
0.1885	7.0004	108990	0.1778
0.182	7.2005	112104	0.1756
0.1798	7.4005	115218	0.1734
0.1806	7.6005	118332	0.1758
0.175	7.8005	121446	0.1728
0.1729	8.0005	124560	0.1737
0.1695	8.2005	127674	0.1673
0.1674	8.4005	130788	0.1657
0.1676	8.6006	133902	0.1623
0.1679	8.8006	137016	0.1609
0.1617	9.0006	140130	0.1596
0.1572	9.2006	143244	0.1590
0.1565	9.4006	146358	0.1570
0.1544	9.6006	149472	0.1537
0.1525	9.8006	152586	0.1512
0.1493	10.0006	155700	0.1524
0.1471	10.2007	158814	0.1479
0.1466	10.4007	161928	0.1452
0.1431	10.6007	165042	0.1442
0.1403	10.8007	168156	0.1418
0.1381	11.0007	171270	0.1400
0.1354	11.2007	174384	0.1383
0.1341	11.4007	177498	0.1374
0.1294	11.6007	180612	0.1364
0.1314	11.8008	183726	0.1352

Framework versions

• PEFT 0.14.0
• Transformers 4.47.0
• Pytorch 2.5.1+cu124
• Datasets 4.2.0
• Tokenizers 0.21.0