metadata
license: apache-2.0
base_model: mistralai/Mistral-7B-v0.1
tags:
- alignment-handbook
- trl
- orpo
- generated_from_trainer
- trl
- orpo
- generated_from_trainer
datasets:
- vipinkatara/dataset_complete_final
model-index:
- name: Mistral-7B-v0.1-orpo-final1
results: []
Mistral-7B-v0.1-orpo-final1
This model is a fine-tuned version of mistralai/Mistral-7B-v0.1 on the vipinkatara/dataset_complete_final dataset. It achieves the following results on the evaluation set:
- Loss: nan
- Rewards/chosen: nan
- Rewards/rejected: nan
- Rewards/accuracies: 0.0
- Rewards/margins: nan
- Logps/rejected: nan
- Logps/chosen: nan
- Logits/rejected: nan
- Logits/chosen: nan
- Nll Loss: nan
- Log Odds Ratio: nan
- Log Odds Chosen: nan
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: 5e-06
- train_batch_size: 8
- eval_batch_size: 8
- seed: 42
- distributed_type: multi-GPU
- num_devices: 4
- total_train_batch_size: 32
- total_eval_batch_size: 32
- optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
- lr_scheduler_type: inverse_sqrt
- lr_scheduler_warmup_steps: 100
- num_epochs: 1
Training results
| Training Loss | Epoch | Step | Validation Loss | Rewards/chosen | Rewards/rejected | Rewards/accuracies | Rewards/margins | Logps/rejected | Logps/chosen | Logits/rejected | Logits/chosen | Nll Loss | Log Odds Ratio | Log Odds Chosen |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 3.4851 | 0.0045 | 10 | 1.5241 | -0.0138 | -0.0138 | 0.0 | 0.0 | -0.2768 | -0.2768 | -2.5524 | -2.5524 | 1.4894 | -0.6931 | 0.0 |
| 1.086 | 0.0089 | 20 | 0.9466 | -0.0000 | -0.0000 | 0.0 | 0.0 | -0.0000 | -0.0000 | -1.7727 | -1.7727 | 0.9119 | -0.6931 | 0.0 |
| 0.9087 | 0.0134 | 30 | 0.8376 | -0.0000 | -0.0000 | 0.0 | 0.0 | -0.0000 | -0.0000 | -1.5712 | -1.5712 | 0.8029 | -0.6931 | 0.0 |
| 0.7774 | 0.0179 | 40 | 0.6912 | -0.0000 | -0.0000 | 0.0 | 0.0 | -0.0000 | -0.0000 | -1.5837 | -1.5837 | 0.6565 | -0.6931 | 0.0 |
| 0.5426 | 0.0224 | 50 | 0.1591 | -0.0000 | -0.0000 | 0.0 | 0.0 | -0.0000 | -0.0000 | -1.5343 | -1.5343 | 0.1244 | -0.6931 | 0.0 |
| 0.4926 | 0.0268 | 60 | 0.0728 | -0.0025 | -0.0025 | 0.0 | 0.0 | -0.0497 | -0.0497 | -2.1702 | -2.1702 | 0.0382 | -0.6931 | 0.0 |
| 0.3784 | 0.0313 | 70 | 0.0374 | -0.0001 | -0.0001 | 0.0 | 0.0 | -0.0015 | -0.0015 | -1.8683 | -1.8683 | 0.0028 | -0.6931 | 0.0 |
| 0.1081 | 0.0358 | 80 | 0.0347 | -0.0000 | -0.0000 | 0.0 | 0.0 | -0.0000 | -0.0000 | -1.9697 | -1.9697 | 0.0000 | -0.6931 | 0.0 |
| 0.2173 | 0.0402 | 90 | 0.5148 | -0.0349 | -0.0349 | 0.0 | 0.0 | -0.6984 | -0.6984 | -2.7805 | -2.7805 | 0.4802 | -0.6931 | 0.0 |
| 0.0845 | 0.0447 | 100 | 0.0565 | -0.0016 | -0.0016 | 0.0 | 0.0 | -0.0317 | -0.0317 | -2.2378 | -2.2378 | 0.0218 | -0.6931 | 0.0 |
| 0.1317 | 0.0492 | 110 | 0.0347 | -0.0000 | -0.0000 | 0.0 | 0.0 | -0.0000 | -0.0000 | -2.4884 | -2.4884 | 0.0000 | -0.6931 | 0.0 |
| 0.21 | 0.0536 | 120 | 0.0348 | -0.0000 | -0.0000 | 0.0 | 0.0 | -0.0002 | -0.0002 | -2.1373 | -2.1373 | 0.0002 | -0.6931 | 0.0 |
| 0.0859 | 0.0581 | 130 | 0.0347 | -0.0000 | -0.0000 | 0.0 | 0.0 | -0.0000 | -0.0000 | -1.8577 | -1.8577 | 0.0000 | -0.6931 | 0.0 |
| 0.0347 | 0.0626 | 140 | 0.0348 | -0.0000 | -0.0000 | 0.0 | 0.0 | -0.0002 | -0.0002 | -1.8252 | -1.8252 | 0.0001 | -0.6931 | 0.0 |
| 0.0495 | 0.0671 | 150 | 0.0347 | -0.0000 | -0.0000 | 0.0 | 0.0 | -0.0000 | -0.0000 | -1.8505 | -1.8505 | 0.0000 | -0.6931 | 0.0 |
| 0.0347 | 0.0715 | 160 | 0.0347 | -0.0000 | -0.0000 | 0.0 | 0.0 | -0.0000 | -0.0000 | -1.9784 | -1.9784 | 0.0000 | -0.6931 | 0.0 |
| 0.0347 | 0.0760 | 170 | 0.0347 | -0.0000 | -0.0000 | 0.0 | 0.0 | -0.0000 | -0.0000 | -1.7608 | -1.7608 | 0.0000 | -0.6931 | 0.0 |
| 0.0347 | 0.0805 | 180 | 0.0347 | -0.0000 | -0.0000 | 0.0 | 0.0 | -0.0000 | -0.0000 | -1.5161 | -1.5161 | 0.0000 | -0.6931 | 0.0 |
| 0.0347 | 0.0849 | 190 | 0.0347 | -0.0000 | -0.0000 | 0.0 | 0.0 | -0.0000 | -0.0000 | -1.4646 | -1.4646 | 0.0000 | -0.6931 | 0.0 |
| 0.0347 | 0.0894 | 200 | 0.0347 | -0.0000 | -0.0000 | 0.0 | 0.0 | -0.0000 | -0.0000 | -1.4565 | -1.4565 | 0.0000 | -0.6931 | 0.0 |
| 0.0347 | 0.0939 | 210 | 0.0347 | -0.0000 | -0.0000 | 0.0 | 0.0 | -0.0000 | -0.0000 | -1.4377 | -1.4377 | 0.0000 | -0.6931 | 0.0 |
| 0.0347 | 0.0983 | 220 | 0.0347 | -0.0000 | -0.0000 | 0.0 | 0.0 | -0.0000 | -0.0000 | -1.4224 | -1.4224 | 0.0000 | -0.6931 | 0.0 |
| 0.0347 | 0.1028 | 230 | 0.0347 | -0.0000 | -0.0000 | 0.0 | 0.0 | -0.0000 | -0.0000 | -1.4131 | -1.4131 | 0.0000 | -0.6931 | 0.0 |
| 0.0347 | 0.1073 | 240 | 0.0347 | -0.0000 | -0.0000 | 0.0 | 0.0 | -0.0000 | -0.0000 | -1.4159 | -1.4159 | 0.0000 | -0.6931 | 0.0 |
| 0.0347 | 0.1118 | 250 | 0.0347 | -0.0000 | -0.0000 | 0.0 | 0.0 | -0.0000 | -0.0000 | -1.4384 | -1.4384 | 0.0000 | -0.6931 | 0.0 |
| 0.0347 | 0.1162 | 260 | 0.0347 | -0.0000 | -0.0000 | 0.0 | 0.0 | -0.0000 | -0.0000 | -1.4592 | -1.4592 | 0.0000 | -0.6931 | 0.0 |
| 0.0347 | 0.1207 | 270 | 0.0347 | -0.0000 | -0.0000 | 0.0 | 0.0 | -0.0000 | -0.0000 | -1.4682 | -1.4682 | 0.0000 | -0.6931 | 0.0 |
| 0.0348 | 0.1252 | 280 | 0.0347 | -0.0000 | -0.0000 | 0.0 | 0.0 | -0.0000 | -0.0000 | -1.1261 | -1.1261 | 0.0000 | -0.6931 | 0.0 |
| 0.066 | 0.1296 | 290 | 0.0347 | -0.0000 | -0.0000 | 0.0 | 0.0 | -0.0000 | -0.0000 | -0.9084 | -0.9084 | 0.0000 | -0.6931 | 0.0 |
| 0.0347 | 0.1341 | 300 | 0.0347 | -0.0000 | -0.0000 | 0.0 | 0.0 | -0.0000 | -0.0000 | -0.8419 | -0.8419 | 0.0000 | -0.6931 | 0.0 |
| 0.0347 | 0.1386 | 310 | 0.0347 | -0.0000 | -0.0000 | 0.0 | 0.0 | -0.0000 | -0.0000 | -0.7935 | -0.7935 | 0.0000 | -0.6931 | 0.0 |
| 0.0347 | 0.1430 | 320 | 0.0347 | -0.0000 | -0.0000 | 0.0 | 0.0 | -0.0000 | -0.0000 | -0.7703 | -0.7703 | 0.0000 | -0.6931 | 0.0 |
| 0.0347 | 0.1475 | 330 | 0.0347 | -0.0000 | -0.0000 | 0.0 | 0.0 | -0.0000 | -0.0000 | -0.7746 | -0.7746 | 0.0000 | -0.6931 | 0.0 |
| 0.0347 | 0.1520 | 340 | 0.0347 | -0.0000 | -0.0000 | 0.0 | 0.0 | -0.0000 | -0.0000 | -0.7745 | -0.7745 | 0.0000 | -0.6931 | 0.0 |
| 0.0347 | 0.1565 | 350 | 0.0347 | -0.0000 | -0.0000 | 0.0 | 0.0 | -0.0000 | -0.0000 | -0.7768 | -0.7768 | 0.0000 | -0.6931 | 0.0 |
| 0.0347 | 0.1609 | 360 | 0.0347 | -0.0000 | -0.0000 | 0.0 | 0.0 | -0.0000 | -0.0000 | -0.7753 | -0.7753 | 0.0000 | -0.6931 | 0.0 |
| 0.0347 | 0.1654 | 370 | 0.0347 | -0.0000 | -0.0000 | 0.0 | 0.0 | -0.0000 | -0.0000 | -0.7760 | -0.7760 | 0.0000 | -0.6931 | 0.0 |
| 0.0347 | 0.1699 | 380 | 0.0347 | -0.0000 | -0.0000 | 0.0 | 0.0 | -0.0000 | -0.0000 | -0.7688 | -0.7688 | 0.0000 | -0.6931 | 0.0 |
| 0.0347 | 0.1743 | 390 | 0.0347 | -0.0000 | -0.0000 | 0.0 | 0.0 | -0.0000 | -0.0000 | -0.7688 | -0.7688 | 0.0000 | -0.6931 | 0.0 |
| 0.0347 | 0.1788 | 400 | 0.0347 | -0.0000 | -0.0000 | 0.0 | 0.0 | -0.0000 | -0.0000 | -0.7668 | -0.7668 | 0.0000 | -0.6931 | 0.0 |
| 0.0347 | 0.1833 | 410 | 0.0347 | -0.0000 | -0.0000 | 0.0 | 0.0 | -0.0000 | -0.0000 | -0.7660 | -0.7660 | 0.0000 | -0.6931 | 0.0 |
| 0.0347 | 0.1878 | 420 | 0.0347 | -0.0000 | -0.0000 | 0.0 | 0.0 | -0.0000 | -0.0000 | -0.7656 | -0.7656 | 0.0000 | -0.6931 | 0.0 |
| 0.0347 | 0.1922 | 430 | 0.0347 | -0.0000 | -0.0000 | 0.0 | 0.0 | -0.0000 | -0.0000 | -0.7680 | -0.7680 | 0.0000 | -0.6931 | 0.0 |
| 0.0347 | 0.1967 | 440 | 0.0347 | -0.0000 | -0.0000 | 0.0 | 0.0 | -0.0000 | -0.0000 | -0.7653 | -0.7653 | 0.0000 | -0.6931 | 0.0 |
| 0.0347 | 0.2012 | 450 | 0.0347 | -0.0000 | -0.0000 | 0.0 | 0.0 | -0.0000 | -0.0000 | -0.7624 | -0.7624 | 0.0000 | -0.6931 | 0.0 |
| 0.0347 | 0.2056 | 460 | 0.0347 | -0.0000 | -0.0000 | 0.0 | 0.0 | -0.0000 | -0.0000 | -0.7612 | -0.7612 | 0.0000 | -0.6931 | 0.0 |
| 0.0347 | 0.2101 | 470 | 0.0347 | -0.0000 | -0.0000 | 0.0 | 0.0 | -0.0000 | -0.0000 | -0.7622 | -0.7622 | 0.0000 | -0.6931 | 0.0 |
| 0.0347 | 0.2146 | 480 | 0.0347 | -0.0000 | -0.0000 | 0.0 | 0.0 | -0.0000 | -0.0000 | -0.7637 | -0.7637 | 0.0000 | -0.6931 | 0.0 |
| 0.0347 | 0.2190 | 490 | 0.0347 | -0.0000 | -0.0000 | 0.0 | 0.0 | -0.0000 | -0.0000 | -0.7612 | -0.7612 | 0.0000 | -0.6931 | 0.0 |
| 0.0347 | 0.2235 | 500 | 0.0347 | -0.0000 | -0.0000 | 0.0 | 0.0 | -0.0000 | -0.0000 | -0.7622 | -0.7622 | 0.0000 | -0.6931 | 0.0 |
| 0.0347 | 0.2280 | 510 | 0.0347 | -0.0000 | -0.0000 | 0.0 | 0.0 | -0.0000 | -0.0000 | -0.7672 | -0.7672 | 0.0000 | -0.6931 | 0.0 |
| 0.0347 | 0.2325 | 520 | 0.0347 | -0.0000 | -0.0000 | 0.0 | 0.0 | -0.0000 | -0.0000 | -0.7621 | -0.7621 | 0.0000 | -0.6931 | 0.0 |
| 0.0347 | 0.2369 | 530 | 0.0347 | -0.0000 | -0.0000 | 0.0 | 0.0 | -0.0000 | -0.0000 | -0.7622 | -0.7622 | 0.0000 | -0.6931 | 0.0 |
| 0.0347 | 0.2414 | 540 | 0.0347 | -0.0000 | -0.0000 | 0.0 | 0.0 | -0.0000 | -0.0000 | -0.7637 | -0.7637 | 0.0000 | -0.6931 | 0.0 |
| 0.0347 | 0.2459 | 550 | 0.0347 | -0.0000 | -0.0000 | 0.0 | 0.0 | -0.0000 | -0.0000 | -0.7630 | -0.7630 | 0.0000 | -0.6931 | 0.0 |
| 0.0347 | 0.2503 | 560 | 0.0347 | -0.0000 | -0.0000 | 0.0 | 0.0 | -0.0000 | -0.0000 | -0.7591 | -0.7591 | 0.0000 | -0.6931 | 0.0 |
| 0.0347 | 0.2548 | 570 | 0.0347 | -0.0000 | -0.0000 | 0.0 | 0.0 | -0.0000 | -0.0000 | -0.7590 | -0.7590 | 0.0000 | -0.6931 | 0.0 |
| 0.0347 | 0.2593 | 580 | 0.0347 | -0.0000 | -0.0000 | 0.0 | 0.0 | -0.0000 | -0.0000 | -0.7541 | -0.7541 | 0.0000 | -0.6931 | 0.0 |
| 0.0347 | 0.2637 | 590 | 0.0347 | -0.0000 | -0.0000 | 0.0 | 0.0 | -0.0000 | -0.0000 | -0.7554 | -0.7554 | 0.0000 | -0.6931 | 0.0 |
| 0.0347 | 0.2682 | 600 | 0.0347 | -0.0000 | -0.0000 | 0.0 | 0.0 | -0.0000 | -0.0000 | -0.7636 | -0.7636 | 0.0000 | -0.6931 | 0.0 |
| 0.0347 | 0.2727 | 610 | 0.0347 | -0.0000 | -0.0000 | 0.0 | 0.0 | -0.0000 | -0.0000 | -0.7175 | -0.7175 | 0.0000 | -0.6931 | 0.0 |
| 0.0347 | 0.2772 | 620 | 0.0347 | -0.0000 | -0.0000 | 0.0 | 0.0 | -0.0000 | -0.0000 | -0.9073 | -0.9073 | 0.0000 | -0.6931 | 0.0 |
| 0.0347 | 0.2816 | 630 | 0.0347 | -0.0000 | -0.0000 | 0.0 | 0.0 | -0.0000 | -0.0000 | -1.0013 | -1.0013 | 0.0000 | -0.6931 | 0.0 |
| 0.0347 | 0.2861 | 640 | 0.0347 | -0.0000 | -0.0000 | 0.0 | 0.0 | -0.0000 | -0.0000 | -1.0971 | -1.0971 | 0.0000 | -0.6931 | 0.0 |
| 0.0347 | 0.2906 | 650 | 0.0347 | -0.0000 | -0.0000 | 0.0 | 0.0 | -0.0000 | -0.0000 | -0.8988 | -0.8988 | 0.0000 | -0.6931 | 0.0 |
| 0.1054 | 0.2950 | 660 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.2995 | 670 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.3040 | 680 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.3084 | 690 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.3129 | 700 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.3174 | 710 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.3219 | 720 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.3263 | 730 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.3308 | 740 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.3353 | 750 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.3397 | 760 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.3442 | 770 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.3487 | 780 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.3532 | 790 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.3576 | 800 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.3621 | 810 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.3666 | 820 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.3710 | 830 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.3755 | 840 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.3800 | 850 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.3844 | 860 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.3889 | 870 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.3934 | 880 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.3979 | 890 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.4023 | 900 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.4068 | 910 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.4113 | 920 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.4157 | 930 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.4202 | 940 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.4247 | 950 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.4291 | 960 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.4336 | 970 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.4381 | 980 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.4426 | 990 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.4470 | 1000 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.4515 | 1010 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.4560 | 1020 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.4604 | 1030 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.4649 | 1040 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.4694 | 1050 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.4738 | 1060 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.4783 | 1070 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.4828 | 1080 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.4873 | 1090 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.4917 | 1100 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.4962 | 1110 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.5007 | 1120 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.5051 | 1130 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.5096 | 1140 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.5141 | 1150 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.5186 | 1160 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.5230 | 1170 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.5275 | 1180 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.5320 | 1190 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.5364 | 1200 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.5409 | 1210 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.5454 | 1220 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.5498 | 1230 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.5543 | 1240 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.5588 | 1250 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.5633 | 1260 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.5677 | 1270 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.5722 | 1280 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.5767 | 1290 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.5811 | 1300 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.5856 | 1310 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.5901 | 1320 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.5945 | 1330 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.5990 | 1340 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.6035 | 1350 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.6080 | 1360 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.6124 | 1370 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.6169 | 1380 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.6214 | 1390 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.6258 | 1400 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.6303 | 1410 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.6348 | 1420 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.6392 | 1430 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.6437 | 1440 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.6482 | 1450 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.6527 | 1460 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.6571 | 1470 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.6616 | 1480 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.6661 | 1490 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.6705 | 1500 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.6750 | 1510 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.6795 | 1520 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.6840 | 1530 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.6884 | 1540 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.6929 | 1550 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.6974 | 1560 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.7018 | 1570 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.7063 | 1580 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.7108 | 1590 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.7152 | 1600 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.7197 | 1610 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.7242 | 1620 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.7287 | 1630 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.7331 | 1640 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.7376 | 1650 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.7421 | 1660 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.7465 | 1670 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.7510 | 1680 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.7555 | 1690 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.7599 | 1700 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.7644 | 1710 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.7689 | 1720 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.7734 | 1730 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.7778 | 1740 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.7823 | 1750 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.7868 | 1760 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.7912 | 1770 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.7957 | 1780 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.8002 | 1790 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.8046 | 1800 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.8091 | 1810 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.8136 | 1820 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.8181 | 1830 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.8225 | 1840 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.8270 | 1850 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.8315 | 1860 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.8359 | 1870 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.8404 | 1880 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.8449 | 1890 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.8494 | 1900 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.8538 | 1910 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.8583 | 1920 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.8628 | 1930 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.8672 | 1940 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.8717 | 1950 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.8762 | 1960 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.8806 | 1970 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.8851 | 1980 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.8896 | 1990 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.8941 | 2000 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.8985 | 2010 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.9030 | 2020 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.9075 | 2030 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.9119 | 2040 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.9164 | 2050 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.9209 | 2060 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.9253 | 2070 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.9298 | 2080 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.9343 | 2090 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.9388 | 2100 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.9432 | 2110 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.9477 | 2120 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.9522 | 2130 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.9566 | 2140 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.9611 | 2150 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.9656 | 2160 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.9700 | 2170 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.9745 | 2180 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.9790 | 2190 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.9835 | 2200 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.9879 | 2210 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.9924 | 2220 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.9969 | 2230 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan |
Framework versions
- Transformers 4.40.1
- Pytorch 2.3.0+cu121
- Datasets 2.19.1
- Tokenizers 0.19.1