287 lines
97 KiB
Plaintext
287 lines
97 KiB
Plaintext
|
[2026-03-29 17:06:48,176] [DEBUG] [axolotl.utils.config.resolve_dtype:66] [PID:1870] bf16 support detected, enabling for this configuration.
|
|||
|
|
[2026-03-29 17:06:48,413] [DEBUG] [axolotl.utils.config.log_gpu_memory_usage:127] [PID:1870] baseline 0.000GB ()
|
|||
|
|
[2026-03-29 17:06:48,417] [INFO] [axolotl.cli.config.load_cfg:248] [PID:1870] config:
|
|||
|
|
{
|
|||
|
|
"activation_offloading": false,
|
|||
|
|
"adapter": "lora",
|
|||
|
|
"axolotl_config_path": "config.yaml",
|
|||
|
|
"base_model": "dphn/Dolphin3.0-Llama3.2-3B",
|
|||
|
|
"base_model_config": "dphn/Dolphin3.0-Llama3.2-3B",
|
|||
|
|
"batch_size": 16,
|
|||
|
|
"bf16": true,
|
|||
|
|
"capabilities": {
|
|||
|
|
"bf16": true,
|
|||
|
|
"compute_capability": "sm_90",
|
|||
|
|
"fp8": false,
|
|||
|
|
"n_gpu": 1,
|
|||
|
|
"n_node": 1
|
|||
|
|
},
|
|||
|
|
"chat_template": "tokenizer_default",
|
|||
|
|
"context_parallel_size": 1,
|
|||
|
|
"dataloader_num_workers": 1,
|
|||
|
|
"dataloader_pin_memory": true,
|
|||
|
|
"dataloader_prefetch_factor": 256,
|
|||
|
|
"dataset_processes": 26,
|
|||
|
|
"datasets": [
|
|||
|
|
{
|
|||
|
|
"chat_template": "tokenizer_default",
|
|||
|
|
"data_files": [
|
|||
|
|
"train.jsonl"
|
|||
|
|
],
|
|||
|
|
"field_messages": "messages",
|
|||
|
|
"message_property_mappings": {
|
|||
|
|
"content": "content",
|
|||
|
|
"role": "role"
|
|||
|
|
},
|
|||
|
|
"path": "karan11/defender-judge-fine-tune",
|
|||
|
|
"trust_remote_code": false,
|
|||
|
|
"type": "chat_template"
|
|||
|
|
}
|
|||
|
|
],
|
|||
|
|
"ddp": false,
|
|||
|
|
"device": "cuda:0",
|
|||
|
|
"dion_rank_fraction": 1.0,
|
|||
|
|
"dion_rank_multiple_of": 1,
|
|||
|
|
"env_capabilities": {
|
|||
|
|
"torch_version": "2.7.1"
|
|||
|
|
},
|
|||
|
|
"eval_batch_size": 4,
|
|||
|
|
"eval_causal_lm_metrics": [
|
|||
|
|
"sacrebleu",
|
|||
|
|
"comet",
|
|||
|
|
"ter",
|
|||
|
|
"chrf"
|
|||
|
|
],
|
|||
|
|
"eval_max_new_tokens": 128,
|
|||
|
|
"eval_sample_packing": false,
|
|||
|
|
"eval_steps": 50,
|
|||
|
|
"eval_table_size": 0,
|
|||
|
|
"experimental_skip_move_to_device": true,
|
|||
|
|
"flash_attention": true,
|
|||
|
|
"fp16": false,
|
|||
|
|
"gradient_accumulation_steps": 4,
|
|||
|
|
"gradient_checkpointing": true,
|
|||
|
|
"gradient_checkpointing_kwargs": {
|
|||
|
|
"use_reentrant": true
|
|||
|
|
},
|
|||
|
|
"include_tkps": true,
|
|||
|
|
"is_llama_derived_model": true,
|
|||
|
|
"learning_rate": 0.00015,
|
|||
|
|
"lisa_layers_attribute": "model.layers",
|
|||
|
|
"load_best_model_at_end": false,
|
|||
|
|
"load_in_4bit": false,
|
|||
|
|
"load_in_8bit": true,
|
|||
|
|
"local_rank": 0,
|
|||
|
|
"logging_steps": 5,
|
|||
|
|
"lora_alpha": 64,
|
|||
|
|
"lora_dropout": 0.1,
|
|||
|
|
"lora_r": 32,
|
|||
|
|
"lora_target_modules": [
|
|||
|
|
"q_proj",
|
|||
|
|
"k_proj",
|
|||
|
|
"v_proj",
|
|||
|
|
"o_proj",
|
|||
|
|
"gate_proj",
|
|||
|
|
"up_proj",
|
|||
|
|
"down_proj"
|
|||
|
|
],
|
|||
|
|
"loraplus_lr_embedding": 1e-06,
|
|||
|
|
"lr_scheduler": "cosine",
|
|||
|
|
"max_grad_norm": 1.0,
|
|||
|
|
"mean_resizing_embeddings": false,
|
|||
|
|
"micro_batch_size": 4,
|
|||
|
|
"model_config_type": "llama",
|
|||
|
|
"neftune_noise_alpha": 5.0,
|
|||
|
|
"num_epochs": 3.0,
|
|||
|
|
"optimizer": "adamw_bnb_8bit",
|
|||
|
|
"output_dir": "./outputs/defender-judge",
|
|||
|
|
"pad_to_sequence_len": true,
|
|||
|
|
"pretrain_multipack_attn": true,
|
|||
|
|
"profiler_steps_start": 0,
|
|||
|
|
"qlora_sharded_model_loading": false,
|
|||
|
|
"ray_num_workers": 1,
|
|||
|
|
"remove_unused_columns": false,
|
|||
|
|
"resources_per_worker": {
|
|||
|
|
"GPU": 1
|
|||
|
|
},
|
|||
|
|
"sample_packing": true,
|
|||
|
|
"sample_packing_bin_size": 200,
|
|||
|
|
"sample_packing_group_size": 100000,
|
|||
|
|
"save_only_model": false,
|
|||
|
|
"save_safetensors": true,
|
|||
|
|
"save_steps": 50,
|
|||
|
|
"sequence_len": 8192,
|
|||
|
|
"shuffle_before_merging_datasets": false,
|
|||
|
|
"shuffle_merged_datasets": true,
|
|||
|
|
"skip_prepare_dataset": false,
|
|||
|
|
"streaming_multipack_buffer_size": 10000,
|
|||
|
|
"strict": false,
|
|||
|
|
"tensor_parallel_size": 1,
|
|||
|
|
"tiled_mlp_use_original_mlp": true,
|
|||
|
|
"tokenizer_config": "dphn/Dolphin3.0-Llama3.2-3B",
|
|||
|
|
"tokenizer_save_jinja_files": true,
|
|||
|
|
"torch_dtype": "torch.bfloat16",
|
|||
|
|
"train_on_inputs": false,
|
|||
|
|
"trl": {
|
|||
|
|
"log_completions": false,
|
|||
|
|
"mask_truncated_completions": false,
|
|||
|
|
"ref_model_mixup_alpha": 0.9,
|
|||
|
|
"ref_model_sync_steps": 64,
|
|||
|
|
"scale_rewards": true,
|
|||
|
|
"sync_ref_model": false,
|
|||
|
|
"use_vllm": false,
|
|||
|
|
"vllm_server_host": "0.0.0.0",
|
|||
|
|
"vllm_server_port": 8000
|
|||
|
|
},
|
|||
|
|
"use_ray": false,
|
|||
|
|
"val_set_size": 0.0,
|
|||
|
|
"vllm": {
|
|||
|
|
"device": "auto",
|
|||
|
|
"dtype": "auto",
|
|||
|
|
"gpu_memory_utilization": 0.9,
|
|||
|
|
"host": "0.0.0.0",
|
|||
|
|
"port": 8000
|
|||
|
|
},
|
|||
|
|
"warmup_ratio": 0.1,
|
|||
|
|
"weight_decay": 0.05,
|
|||
|
|
"world_size": 1
|
|||
|
|
}
|
|||
|
|
[2026-03-29 17:06:48,431] [WARNING] [axolotl.cli.checks.check_user_token:46] [PID:1870] Error verifying HuggingFace token. Remember to log in using `huggingface-cli login` and get your access token from https://huggingface.co/settings/tokens if you want to use gated models or datasets.
|
|||
|
|
[2026-03-29 17:06:49,360] [DEBUG] [axolotl.loaders.tokenizer.load_tokenizer:278] [PID:1870] EOS: 128256 / <|im_end|>
|
|||
|
|
[2026-03-29 17:06:49,362] [DEBUG] [axolotl.loaders.tokenizer.load_tokenizer:279] [PID:1870] BOS: 128000 / <|begin_of_text|>
|
|||
|
|
[2026-03-29 17:06:49,364] [DEBUG] [axolotl.loaders.tokenizer.load_tokenizer:280] [PID:1870] PAD: 128001 / <|end_of_text|>
|
|||
|
|
[2026-03-29 17:06:49,365] [DEBUG] [axolotl.loaders.tokenizer.load_tokenizer:281] [PID:1870] UNK: None / None
|
|||
|
|
[2026-03-29 17:06:49,368] [INFO] [axolotl.utils.data.shared.load_preprocessed_dataset:476] [PID:1870] Unable to find prepared dataset in last_run_prepared/b72df10b48d5f00efef65cbe761c72f7
|
|||
|
|
[2026-03-29 17:06:49,370] [INFO] [axolotl.utils.data.sft._load_raw_datasets:320] [PID:1870] Loading raw datasets...
|
|||
|
|
[2026-03-29 17:06:49,372] [WARNING] [axolotl.utils.data.sft._load_raw_datasets:322] [PID:1870] Processing datasets during training can lead to VRAM instability. Please pre-process your dataset using `axolotl preprocess path/to/config.yml`.
|
|||
|
|
[2026-03-29 17:06:50,431] [INFO] [axolotl.utils.data.wrappers.get_dataset_wrapper:87] [PID:1870] Loading dataset: karan11/defender-judge-fine-tune with base_type: chat_template and prompt_style: None
|
|||
|
|
[2026-03-29 17:06:50,440] [INFO] [axolotl.prompt_strategies.chat_template.__call__:969] [PID:1870] Using chat template:
|
|||
|
|
---
|
|||
|
|
{%- if tools %}
|
|||
|
|
{{- '<|im_start|>system\n' }}
|
|||
|
|
{%- if messages[0]['role'] == 'system' %}
|
|||
|
|
{{- messages[0]['content'] }}
|
|||
|
|
{%- else %}
|
|||
|
|
{{- 'You are Dolphin, created by Eric Hartford. You are a helpful assistant.' }}
|
|||
|
|
{%- endif %}
|
|||
|
|
{{- "\n\n# Tools\n\nYou may call one or more functions to assist with the user query.\n\nYou are provided with function signatures within <tools></tools> XML tags:\n<tools>" }}
|
|||
|
|
{%- for tool in tools %}
|
|||
|
|
{{- "\n" }}
|
|||
|
|
{{- tool | tojson }}
|
|||
|
|
{%- endfor %}
|
|||
|
|
{{- "\n</tools>\n\nFor each function call, return a json object with function name and arguments within <tool_call></tool_call> XML tags:\n<tool_call>\n{\"name\": <function-name>, \"arguments\": <args-json-object>}\n</tool_call><|im_end|>\n" }}
|
|||
|
|
{%- else %}
|
|||
|
|
{%- if messages[0]['role'] == 'system' %}
|
|||
|
|
{{- '<|im_start|>system\n' + messages[0]['content'] + '<|im_end|>\n' }}
|
|||
|
|
{%- else %}
|
|||
|
|
{{- '<|im_start|>system\nYou are Dolphin, created by Eric Hartford. You are a helpful assistant.<|im_end|>\n' }}
|
|||
|
|
{%- endif %}
|
|||
|
|
{%- endif %}
|
|||
|
|
{%- for message in messages %}
|
|||
|
|
{%- if (message.role == "user") or (message.role == "system" and not loop.first) or (message.role == "assistant" and not message.tool_calls) %}
|
|||
|
|
{{- '<|im_start|>' + message.role + '\n' + message.content + '<|im_end|>' + '\n' }}
|
|||
|
|
{%- elif message.role == "assistant" %}
|
|||
|
|
{{- '<|im_start|>' + message.role }}
|
|||
|
|
{%- if message.content %}
|
|||
|
|
{{- '\n' + message.content }}
|
|||
|
|
{%- endif %}
|
|||
|
|
{%- for tool_call in message.tool_calls %}
|
|||
|
|
{%- if tool_call.function is defined %}
|
|||
|
|
{%- set tool_call = tool_call.function %}
|
|||
|
|
{%- endif %}
|
|||
|
|
{{- '\n<tool_call>\n{"name": "' }}
|
|||
|
|
{{- tool_call.name }}
|
|||
|
|
{{- '", "arguments": ' }}
|
|||
|
|
{{- tool_call.arguments | tojson }}
|
|||
|
|
{{- '}\n</tool_call>' }}
|
|||
|
|
{%- endfor %}
|
|||
|
|
{{- '<|im_end|>\n' }}
|
|||
|
|
{%- elif message.role == "tool" %}
|
|||
|
|
{%- if (loop.index0 == 0) or (messages[loop.index0 - 1].role != "tool") %}
|
|||
|
|
{{- '<|im_start|>user' }}
|
|||
|
|
{%- endif %}
|
|||
|
|
{{- '\n<tool_response>\n' }}
|
|||
|
|
{{- message.content }}
|
|||
|
|
{{- '\n</tool_response>' }}
|
|||
|
|
{%- if loop.last or (messages[loop.index0 + 1].role != "tool") %}
|
|||
|
|
{{- '<|im_end|>\n' }}
|
|||
|
|
{%- endif %}
|
|||
|
|
{%- endif %}
|
|||
|
|
{%- endfor %}
|
|||
|
|
{%- if add_generation_prompt %}
|
|||
|
|
{{- '<|im_start|>assistant\n' }}
|
|||
|
|
{%- endif %}
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
Tokenizing Prompts (num_proc=26): 0%| | 0/2700 [00:00<?, ? examples/s]
Tokenizing Prompts (num_proc=26): 4%|████ | 104/2700 [00:01<00:33, 77.15 examples/s]
Tokenizing Prompts (num_proc=26): 8%|███████▉ | 208/2700 [00:01<00:16, 147.13 examples/s]
Tokenizing Prompts (num_proc=26): 12%|███████████▉ | 312/2700 [00:01<00:09, 241.56 examples/s]
Tokenizing Prompts (num_proc=26): 15%|███████████████▊ | 416/2700 [00:01<00:07, 324.49 examples/s]
Tokenizing Prompts (num_proc=26): 19%|███████████████████▊ | 520/2700 [00:01<00:05, 411.19 examples/s]
Tokenizing Prompts (num_proc=26): 23%|███████████████████████▊ | 624/2700 [00:02<00:04, 468.20 examples/s]
Tokenizing Prompts (num_proc=26): 27%|███████████████████████████▊ | 728/2700 [00:02<00:03, 525.61 examples/s]
Tokenizing Prompts (num_proc=26): 31%|███████████████████████████████▋ | 832/2700 [00:02<00:03, 579.18 examples/s]
Tokenizing Prompts (num_proc=26): 35%|███████████████████████████████████▋ | 936/2700 [00:02<00:02, 623.87 examples/s]
Tokenizing Prompts (num_proc=26): 39%|███████████████████████████████████████▎ | 1040/2700 [00:02<00:02, 631.67 examples/s]
Tokenizing Prompts (num_proc=26): 42%|███████████████████████████████████████████▏ | 1144/2700 [00:02<00:02, 631.58 examples/s]
Tokenizing Prompts (num_proc=26): 46%|███████████████████████████████████████████████▏ | 1248/2700 [00:03<00:02, 645.11 examples/s]
Tokenizing Prompts (num_proc=26): 54%|███████████████████████████████████████████████████████ | 1456/2700 [00:03<00:01, 821.63 examples/s]
Tokenizing Prompts (num_proc=26): 58%|██████████████████████████████████████████████████████████▉ | 1560/2700 [00:03<00:01, 804.13 examples/s]
Tokenizing Prompts (num_proc=26): 62%|██████████████████████████████████████████████████████████████▊ | 1664/2700 [00:03<00:01, 772.18 examples/s]
Tokenizing Prompts (num_proc=26): 65%|█████████████████████████████████<E29688><E29688>
|
|||
|
|
[2026-03-29 17:06:56,225] [INFO] [axolotl.utils.data.utils.handle_long_seq_in_dataset:218] [PID:1870] min_input_len: 915
|
|||
|
|
[2026-03-29 17:06:56,227] [INFO] [axolotl.utils.data.utils.handle_long_seq_in_dataset:220] [PID:1870] max_input_len: 5341
|
|||
|
|
Dropping Long Sequences (>8192) (num_proc=26): 0%| | 0/2700 [00:00<?, ? examples/s]
Dropping Long Sequences (>8192) (num_proc=26): 4%|███▌ | 104/2700 [00:01<00:26, 99.21 examples/s]
Dropping Long Sequences (>8192) (num_proc=26): 23%|████████████████████▊ | 624/2700 [00:01<00:02, 701.67 examples/s]
Dropping Long Sequences (>8192) (num_proc=26): 39%|█████████████████████████████████▉ | 1040/2700 [00:01<00:01, 1190.54 examples/s]
Dropping Long Sequences (>8192) (num_proc=26): 100%|████████████████████████████████████████████████████████████████████████████████████████| 2700/2700 [00:01<00:00, 1481.80 examples/s]
|
|||
|
|
Drop Samples with Zero Trainable Tokens (num_proc=26): 0%| | 0/2700 [00:00<?, ? examples/s]
Drop Samples with Zero Trainable Tokens (num_proc=26): 4%|███▏ | 104/2700 [00:01<00:36, 71.14 examples/s]
Drop Samples with Zero Trainable Tokens (num_proc=26): 39%|███████████████████████████████▏ | 1040/2700 [00:01<00:01, 881.31 examples/s]
Drop Samples with Zero Trainable Tokens (num_proc=26): 58%|██████████████████████████████████████████████▏ | 1559/2700 [00:01<00:01, 1117.53 examples/s]
Drop Samples with Zero Trainable Tokens (num_proc=26): 100%|████████████████████████████████████████████████████████████████████████████████| 2700/2700 [00:02<00:00, 1205.04 examples/s]
|
|||
|
|
Add position_id column (Sample Packing) (num_proc=26): 0%| | 0/2700 [00:00<?, ? examples/s]
Add position_id column (Sample Packing) (num_proc=26): 4%|███▏ | 104/2700 [00:00<00:13, 188.30 examples/s]
Add position_id column (Sample Packing) (num_proc=26): 15%|████████████▋ | 416/2700 [00:00<00:02, 773.39 examples/s]
Add position_id column (Sample Packing) (num_proc=26): 58%|██████████████████████████████████████████████▏ | 1560/2700 [00:00<00:00, 3137.08 examples/s]
Add position_id column (Sample Packing) (num_proc=26): 100%|████████████████████████████████████████████████████████████████████████████████| 2700/2700 [00:00<00:00, 5046.91 examples/s]
Add position_id column (Sample Packing) (num_proc=26): 100%|████████████████████████████████████████████████████████████████████████████████| 2700/2700 [00:01<00:00, 2033.93 examples/s]
|
|||
|
|
Saving the dataset (0/10 shards): 0%| | 0/2700 [00:00<?, ? examples/s]
Saving the dataset (0/10 shards): 10%|██████████▏ | 270/2700 [00:00<00:01, 1392.03 examples/s]
Saving the dataset (1/10 shards): 10%|██████████▏ | 270/2700 [00:00<00:01, 1392.03 examples/s]
Saving the dataset (2/10 shards): 40%|████████████████████████████████████████▍ | 1080/2700 [00:00<00:01, 1392.03 examples/s]
Saving the dataset (3/10 shards): 40%|████████████████████████████████████████▍ | 1080/2700 [00:00<00:01, 1392.03 examples/s]
Saving the dataset (4/10 shards): 40%|████████████████████████████████████████▍ | 1080/2700 [00:00<00:01, 1392.03 examples/s]
Saving the dataset (5/10 shards): 70%|██████████████████████████████████████████████████████████████████████▋ | 1890/2700 [00:00<00:00, 1392.03 examples/s]
Saving the dataset (6/10 shards): 70%|██████████████████████████████████████████████████████████████████████▋ | 1890/2700 [00:00<00:00, 1392.03 examples/s]
Saving the dataset (7/10 shards): 70%|██████████████████████████████████████████████████████████████████████▋ | 1890/2700 [00:00<00:00, 1392.03 examples/s]
Saving the dataset (8/10 shards): 80%|████████████████████████████████████████████████████████████████████████████████▊ | 2160/2700 [00:00<00:00, 1392.03 examples/s]
Saving the dataset (9/10 shards): 90%|██████████████████████████████████████████████████████████████████████████████████████████▉ | 2430/2700 [00:00<00:00, 1392.03 examples/s]
Saving the dataset (10/10 shards): 100%|████████████████████████████████████████████████████████████████████████████████████████████████████| 2700/2700 [00:00<00:00, 1392.03 examples/s]
Saving the dataset (10/10 shards): 100%|████████████████████████████████████████████████████████████████████████████████████████████████████| 2700/2700 [00:00<00:00, 8593.97 examples/s]
|
|||
|
|
[2026-03-29 17:07:02,957] [DEBUG] [axolotl.utils.trainer.calculate_total_num_steps:404] [PID:1870] total_num_tokens: 2_740_122
|
|||
|
|
[2026-03-29 17:07:03,005] [DEBUG] [axolotl.utils.trainer.calculate_total_num_steps:422] [PID:1870] `total_supervised_tokens: 202_860`
|
|||
|
|
[2026-03-29 17:07:04,075] [DEBUG] [axolotl.utils.samplers.multipack.__len__:458] [PID:1870] generate_batches time: 0.48715806007385254
|
|||
|
|
[2026-03-29 17:07:04,570] [DEBUG] [axolotl.utils.samplers.multipack.__len__:458] [PID:1870] generate_batches time: 0.4939417839050293
|
|||
|
|
[2026-03-29 17:07:05,063] [DEBUG] [axolotl.utils.samplers.multipack.__len__:458] [PID:1870] generate_batches time: 0.4897637367248535
|
|||
|
|
[2026-03-29 17:07:05,552] [DEBUG] [axolotl.utils.samplers.multipack.__len__:458] [PID:1870] generate_batches time: 0.4878394603729248
|
|||
|
|
[2026-03-29 17:07:05,581] [INFO] [axolotl.utils.samplers.multipack.calc_min_len:434] [PID:1870] gather_len_batches: [85]
|
|||
|
|
[2026-03-29 17:07:05,582] [DEBUG] [axolotl.utils.trainer.calculate_total_num_steps:481] [PID:1870] data_loader_len: 21
|
|||
|
|
[2026-03-29 17:07:05,583] [INFO] [axolotl.utils.trainer.calc_sample_packing_eff_est:497] [PID:1870] sample_packing_eff_est across ranks: [0.9837869083180147]
|
|||
|
|
[2026-03-29 17:07:05,585] [DEBUG] [axolotl.utils.trainer.calculate_total_num_steps:509] [PID:1870] sample_packing_eff_est: 0.99
|
|||
|
|
[2026-03-29 17:07:05,586] [DEBUG] [axolotl.utils.trainer.calculate_total_num_steps:520] [PID:1870] total_num_steps: 63
|
|||
|
|
[2026-03-29 17:07:05,588] [INFO] [axolotl.utils.data.sft._prepare_standard_dataset:121] [PID:1870] Maximum number of steps set at 63
|
|||
|
|
[2026-03-29 17:07:05,617] [DEBUG] [axolotl.train.setup_model_and_tokenizer:65] [PID:1870] Loading tokenizer... dphn/Dolphin3.0-Llama3.2-3B
|
|||
|
|
[2026-03-29 17:07:06,638] [DEBUG] [axolotl.loaders.tokenizer.load_tokenizer:278] [PID:1870] EOS: 128256 / <|im_end|>
|
|||
|
|
[2026-03-29 17:07:06,639] [DEBUG] [axolotl.loaders.tokenizer.load_tokenizer:279] [PID:1870] BOS: 128000 / <|begin_of_text|>
|
|||
|
|
[2026-03-29 17:07:06,641] [DEBUG] [axolotl.loaders.tokenizer.load_tokenizer:280] [PID:1870] PAD: 128001 / <|end_of_text|>
|
|||
|
|
[2026-03-29 17:07:06,642] [DEBUG] [axolotl.loaders.tokenizer.load_tokenizer:281] [PID:1870] UNK: None / None
|
|||
|
|
[2026-03-29 17:07:06,644] [DEBUG] [axolotl.train.setup_model_and_tokenizer:74] [PID:1870] Loading model
|
|||
|
|
[2026-03-29 17:07:06,747] [DEBUG] [axolotl.monkeypatch.transformers.trainer_loss_calc.patch_evaluation_loop:87] [PID:1870] Patched Trainer.evaluation_loop with nanmean loss calculation
|
|||
|
|
[2026-03-29 17:07:06,752] [DEBUG] [axolotl.monkeypatch.transformers.trainer_loss_calc.patch_maybe_log_save_evaluate:138] [PID:1870] Patched Trainer._maybe_log_save_evaluate with nanmean loss calculation
|
|||
|
|
[2026-03-29 17:07:06,755] [INFO] [axolotl.loaders.patch_manager._apply_multipack_patches:301] [PID:1870] Applying multipack dataloader patch for sample packing...
|
|||
|
|
model.safetensors.index.json: 0.00B [00:00, ?B/s]
model.safetensors.index.json: 20.9kB [00:00, 78.6MB/s]
|
|||
|
|
model-00001-of-00002.safetensors: 0%| | 0.00/4.97G [00:00<?, ?B/s]
model-00001-of-00002.safetensors: 0%| | 931k/4.97G [00:01<2:46:31, 497kB/s]
model-00001-of-00002.safetensors: 1%|█▌ | 70.1M/4.97G [00:03<02:56, 27.8MB/s]
model-00001-of-00002.safetensors: 3%|███ | 140M/4.97G [00:03<01:34, 51.2MB/s]
model-00001-of-00002.safetensors: 4%|████▌ | 207M/4.97G [00:06<02:08, 37.1MB/s]
model-00001-of-00002.safetensors: 6%|██████ | 274M/4.97G [00:08<02:34, 30.4MB/s]
model-00001-of-00002.safetensors: 7%|███████▌ | 341M/4.97G [00:11<02:47, 27.6MB/s]
model-00001-of-00002.safetensors: 7%|███████▋ | 345M/4.97G [00:12<02:53, 26.6MB/s]
model-00001-of-00002.safetensors: 8%|█████████▏ | 414M/4.97G [00:13<02:31, 30.0MB/s]
model-00001-of-00002.safetensors: 10%|██████████▋ | 481M/4.97G [00:15<02:12, 33.8MB/s]
model-00001-of-00002.safetensors: 11%|████████████▏ | 548M/4.97G [00:16<01:45, 41.9MB/s]
model-00001-of-00002.safetensors: 12%|█████████████▋ | 616M/4.97G [00:17<01:43, 41.8MB/s]
model-00001-of-00002.safetensors: 14%|███████████████ | 683M/4.97G [00:20<01:53, 37.7MB/s]
model-00001-of-00002.safetensors: 15%|████████████████▌ | 750M/4.97G [00:22<02:02, 34.5MB/s]
model-00001-of-00002.safetensors: 16%|██████████████████ | 817M/4.97G [00:23<01:47, 38.6MB/s]
model-00001-of-00002.safetensors: 18%|███████████████████▌ | 884M/4.97G [00:26<01:59, 34.3MB/s]
model-00001-of-00002.safetensors: 19%|█████████████████████ | 951M/4.97G [00:26<01:25, 47.2MB/s]
model-00001-of-00002.safetensors: 20%|██████████████████████▎ | 1.02G/4.97G [00:28<01:28, 44.4MB/s]
model-00001-of-00002.safetensors: 22%|███████████████████████▊ | 1.08G/4.97G [00:29<01:21, 47.4MB/s]
model-00001-of-00002.safetensors: 23%|█████████████████████████▎
|
|||
|
|
model-00002-of-00002.safetensors: 0%| | 0.00/1.46G [00:00<?, ?B/s]
model-00002-of-00002.safetensors: 0%| | 609k/1.46G [00:02<1:34:37, 257kB/s]
model-00002-of-00002.safetensors: 5%|█████ | 67.7M/1.46G [00:05<01:45, 13.2MB/s]
model-00002-of-00002.safetensors: 9%|██████████▏ | 135M/1.46G [00:07<00:56, 23.3MB/s]
model-00002-of-00002.safetensors: 14%|███████████████▏ | 202M/1.46G [00:10<00:56, 22.2MB/s]
model-00002-of-00002.safetensors: 18%|████████████████████▎ | 269M/1.46G [00:11<00:39, 30.3MB/s]
model-00002-of-00002.safetensors: 23%|█████████████████████████▎ | 336M/1.46G [00:11<00:27, 41.4MB/s]
model-00002-of-00002.safetensors: 28%|██████████████████████████████▎ | 403M/1.46G [00:12<00:21, 48.1MB/s]
model-00002-of-00002.safetensors: 32%|███████████████████████████████████▍ | 470M/1.46G [00:13<00:17, 55.8MB/s]
model-00002-of-00002.safetensors: 37%|████████████████████████████████████████▍ | 537M/1.46G [00:14<00:14, 64.2MB/s]
model-00002-of-00002.safetensors: 41%|█████████████████████████████████████████████▌ | 604M/1.46G [00:15<00:12, 66.4MB/s]
model-00002-of-00002.safetensors: 46%|██████████████████████████████████████████████████▌ | 671M/1.46G [00:15<00:10, 73.8MB/s]
model-00002-of-00002.safetensors: 51%|███████████████████████████████████████████████████████▋ | 738M/1.46G [00:16<00:09, 75.1MB/s]
model-00002-of-00002.safetensors: 54%|███████████████████████████████████████████████████████████▍ | 789M/1.46G [00:17<00:09, 71.6MB/s]
model-00002-of-00002.safetensors: 59%|████████████████████████████████████████████████████████████████▌ | 856M/1.46G [00:18<00:08, 71.0MB/s]
model-00002-of-00002.safetensors: 63%|█████████████████████████████████████████████████████████████████████▌ | 924M/1.46G [00:19<00:07, 71.9MB/s]
model-00002-of-00002.safetensors: 68%|███
|
|||
|
|
Loading checkpoint shards: 0%| | 0/2 [00:00<?, ?it/s]
Loading checkpoint shards: 50%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 1/2 [00:06<00:06, 6.41s/it]
Loading checkpoint shards: 100%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 2/2 [00:08<00:00, 3.97s/it]
Loading checkpoint shards: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████<E29688><E29688>
|
|||
|
|
generation_config.json: 0%| | 0.00/206 [00:00<?, ?B/s]
generation_config.json: 100%|██████████████████████████████████████████████████████████████████████████████| 206/206 [00:00<00:00, 556kB/s]
|
|||
|
|
[2026-03-29 17:08:50,906] [INFO] [axolotl.loaders.model._prepare_model_for_quantization:863] [PID:1870] converting PEFT model w/ prepare_model_for_kbit_training
|
|||
|
|
[2026-03-29 17:08:50,909] [INFO] [axolotl.loaders.model._configure_embedding_dtypes:345] [PID:1870] Converting modules to torch.bfloat16
|
|||
|
|
[2026-03-29 17:08:50,913] [DEBUG] [axolotl.loaders.model.log_gpu_memory_usage:127] [PID:1870] Memory usage after model load 4.879GB (+4.879GB allocated, +4.984GB reserved)
|
|||
|
|
trainable params: 48,627,712 || all params: 3,261,383,680 || trainable%: 1.4910
|
|||
|
|
[2026-03-29 17:08:51,319] [DEBUG] [axolotl.loaders.model.log_gpu_memory_usage:127] [PID:1870] after adapters 3.559GB (+3.559GB allocated, +5.166GB reserved)
|
|||
|
|
[2026-03-29 17:08:55,931] [INFO] [axolotl.train.save_initial_configs:398] [PID:1870] Pre-saving adapter config to ./outputs/defender-judge...
|
|||
|
|
[2026-03-29 17:08:55,954] [INFO] [axolotl.train.save_initial_configs:402] [PID:1870] Pre-saving tokenizer to ./outputs/defender-judge...
|
|||
|
|
[2026-03-29 17:08:56,307] [INFO] [axolotl.train.save_initial_configs:407] [PID:1870] Pre-saving model config to ./outputs/defender-judge...
|
|||
|
|
[2026-03-29 17:08:56,337] [INFO] [axolotl.train.execute_training:196] [PID:1870] Starting trainer...
|
|||
|
|
[2026-03-29 17:08:58,996] [DEBUG] [axolotl.utils.samplers.multipack.__len__:458] [PID:1870] generate_batches time: 0.915003776550293
|
|||
|
|
[2026-03-29 17:08:59,888] [DEBUG] [axolotl.utils.samplers.multipack.__len__:458] [PID:1870] generate_batches time: 0.8903026580810547
|
|||
|
|
[2026-03-29 17:09:00,762] [DEBUG] [axolotl.utils.samplers.multipack.__len__:458] [PID:1870] generate_batches time: 0.8731865882873535
|
|||
|
|
[2026-03-29 17:09:01,657] [DEBUG] [axolotl.utils.samplers.multipack.__len__:458] [PID:1870] generate_batches time: 0.8936741352081299
|
|||
|
|
[2026-03-29 17:09:01,660] [INFO] [axolotl.utils.samplers.multipack.calc_min_len:434] [PID:1870] gather_len_batches: [85]
|
|||
|
|
0%| | 0/63 [00:00<?, ?it/s][2026-03-29 17:09:05,685] [WARNING] [py.warnings._showwarnmsg:110] [PID:1870] /root/miniconda3/envs/py3.11/lib/python3.11/site-packages/bitsandbytes/autograd/_functions.py:186: UserWarning: MatMul8bitLt: inputs will be cast from torch.bfloat16 to float16 during quantization
|
|||
|
|
warnings.warn(f"MatMul8bitLt: inputs will be cast from {A.dtype} to float16 during quantization")
|
|||
|
|
|
|||
|
|
2%|██▍ | 1/63 [00:17<18:06, 17.53s/it]
3%|████▉ | 2/63 [00:30<15:12, 14.96s/it]
5%|███████▌ | 3/63 [00:43<14:08, 14.14s/it]
6%|██████████▏ | 4/63 [00:56<13:31, 13.75s/it]
8%|████████████▋ | 5/63 [01:10<13:07, 13.57s/it]
{'loss': 2.3013, 'grad_norm': 1.6521763801574707, 'learning_rate': 9.999999999999999e-05, 'memory/max_active (GiB)': 57.73, 'memory/max_allocated (GiB)': 57.73, 'memory/device_reserved (GiB)': 66.98, 'tokens_per_second_per_gpu': 718.74, 'epoch': 0.24}
|
|||
|
|
8%|████████████▋ | 5/63 [01:10<13:07, 13.57s/it]
10%|███████████████▏ | 6/63 [01:23<12:45, 13.43s/it]
11%|█████████████████▊ | 7/63 [01:36<12:26, 13.34s/it]
13%|████████████████████▎ | 8/63 [01:49<12:10, 13.27s/it]
14%|██████████████████████▊ | 9/63 [02:02<11:54, 13.23s/it]
16%|█████████████████████████▏ | 10/63 [02:15<11:39, 13.20s/it]
{'loss': 1.3236, 'grad_norm': 1.0924193859100342, 'learning_rate': 0.00014897709775520417, 'memory/max_active (GiB)': 57.73, 'memory/max_allocated (GiB)': 57.73, 'memory/device_reserved (GiB)': 66.98, 'tokens_per_second_per_gpu': 731.56, 'epoch': 0.47}
|
|||
|
|
16%|█████████████████████████▏ | 10/63 [02:15<11:39, 13.20s/it]
17%|███████████████████████████▊ | 11/63 [02:29<11:25, 13.18s/it]
19%|██████████████████████████████▎ | 12/63 [02:42<11:12, 13.18s/it]
21%|████████████████████████████████▊ | 13/63 [02:55<10:58, 13.18s/it]
22%|███████████████████████████████████▎ | 14/63 [03:08<10:45, 13.17s/it]
24%|█████████████████████████████████████▊ | 15/63 [03:21<10:32, 13.17s/it]
{'loss': 0.5684, 'grad_norm': 0.6611356735229492, 'learning_rate': 0.00014282678705231832, 'memory/max_active (GiB)': 57.73, 'memory/max_allocated (GiB)': 57.73, 'memory/device_reserved (GiB)': 66.98, 'tokens_per_second_per_gpu': 722.65, 'epoch': 0.71}
|
|||
|
|
24%|█████████████████████████████████████▊ | 15/63 [03:21<10:32, 13.17s/it]
25%|████████████████████████████████████████▍ | 16/63 [03:34<10:18, 13.16s/it]
27%|██████████████████████████████████████████▉ | 17/63 [03:48<10:05, 13.16s/it]
29%|█████████████████████████████████████████████▍ | 18/63 [04:01<09:52, 13.17s/it]
30%|███████████████████████████████████████████████▉ | 19/63 [04:14<09:39, 13.17s/it]
32%|██████████████████████████████████████████████████▍ | 20/63 [04:27<09:25, 13.16s/it]
{'loss': 0.3071, 'grad_norm': 0.6052656173706055, 'learning_rate': 0.00013155799573326722, 'memory/max_active (GiB)': 57.73, 'memory/max_allocated (GiB)': 57.73, 'memory/device_reserved (GiB)': 66.98, 'tokens_per_second_per_gpu': 728.39, 'epoch': 0.94}
|
|||
|
|
32%|██████████████████████████████████████████████████▍ | 20/63 [04:27<09:25, 13.16s/it]
33%|█████████████████████████████████████████████████████ | 21/63 [04:40<09:12, 13.15s/it]
35%|███████████████████████████████████████████████████████▌ | 22/63 [04:43<06:50, 10.00s/it]
37%|██████████████████████████████████████████████████████████ | 23/63 [05:00<07:59, 12.00s/it]
38%|████████████████████████████████████████████████████████████▌ | 24/63 [05:13<08:01, 12.34s/it]
40%|███████████████████████████████████████████████████████████████ | 25/63 [05:26<07:58, 12.58s/it]
{'loss': 0.2304, 'grad_norm': 0.5231208801269531, 'learning_rate': 0.00011602111185918203, 'memory/max_active (GiB)': 57.73, 'memory/max_allocated (GiB)': 57.73, 'memory/device_reserved (GiB)': 66.98, 'tokens_per_second_per_gpu': 625.16, 'epoch': 1.14}
|
|||
|
|
40%|███████████████████████████████████████████████████████████████ | 25/63 [05:26<07:58, 12.58s/it]
41%|█████████████████████████████████████████████████████████████████▌ | 26/63 [05:39<07:52, 12.77s/it]
43%|████████████████████████████████████████████████████████████████████▏ | 27/63 [05:52<07:43, 12.89s/it]
44%|██████████████████████████████████████████████████████████████████████▋ | 28/63 [06:05<07:33, 12.96s/it]
46%|█████████████████████████████████████████████████████████████████████████▏ | 29/63 [06:18<07:22, 13.02s/it]
48%|███████████████████████████████████████████████████████████████████████████▋ | 30/63 [06:32<07:11, 13.06s/it]
{'loss': 0.2163, 'grad_norm': 0.34258556365966797, 'learning_rate': 9.738861082512709e-05, 'memory/max_active (GiB)': 57.73, 'memory/max_allocated (GiB)': 57.73, 'memory/device_reserved (GiB)': 66.98, 'tokens_per_second_per_gpu': 724.72, 'epoch': 1.38}
|
|||
|
|
48%|███████████████████████████████████████████████████████████████████████████▋ | 30/63 [06:32<07:11, 13.06s/it]
49%|██████████████████████████████████████████████████████████████████████████████▏ | 31/63 [06:45<06:59, 13.11s/it]
51%|████████████████████████████████████████████████████████████████████████████████▊ | 32/63 [06:58<06:46, 13.12s/it]
52%|███████████████████████████████████████████████████████████████████████████████████▎ | 33/63 [07:11<06:34, 13.14s/it]
54%|█████████████████████████████████████████████████████████████████████████████████████▊ | 34/63 [07:24<06:20, 13.13s/it]
56%|████████████████████████████████████████████████████████████████████████████████████████▎ | 35/63 [07:37<06:07, 13.14s/it]
{'loss': 0.2039, 'grad_norm': 0.3575713038444519, 'learning_rate': 7.706657567761216e-05, 'memory/max_active (GiB)': 57.73, 'memory/max_allocated (GiB)': 57.73, 'memory/device_reserved (GiB)': 66.98, 'tokens_per_second_per_gpu': 723.32, 'epoch': 1.61}
|
|||
|
|
56%|████████████████████████████████████████████████████████████████████████████████████████▎ | 35/63 [07:37<06:07, 13.14s/it]
57%|██████████████████████████████████████████████████████████████████████████████████████████▊ | 36/63 [07:51<05:54, 13.15s/it]
59%|█████████████████████████████████████████████████████████████████████████████████████████████▍ | 37/63 [08:04<05:42, 13.16s/it]
60%|███████████████████████████████████████████████████████████████████████████████████████████████▉ | 38/63 [08:17<05:28, 13.15s/it]
62%|██████████████████████████████████████████████████████████████████████████████████████████████████▍ | 39/63 [08:30<05:15, 13.16s/it]
63%|████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 40/63 [08:43<05:02, 13.17s/it]
{'loss': 0.1938, 'grad_norm': 0.4452803134918213, 'learning_rate': 5.658858846444006e-05, 'memory/max_active (GiB)': 57.73, 'memory/max_allocated (GiB)': 57.73, 'memory/device_reserved (GiB)': 66.98, 'tokens_per_second_per_gpu': 725.05, 'epoch': 1.85}
|
|||
|
|
63%|████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 40/63 [08:43<05:02, 13.17s/it]
65%|███████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 41/63 [08:56<04:49, 13.16s/it]
67%|██████████████████████████████████████████████████████████████████████████████████████████████████████████ | 42/63 [09:10<04:36, 13.16s/it]
68%|████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 43/63 [09:23<04:23, 13.16s/it]
70%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████ | 44/63 [09:26<03:14, 10.26s/it]
71%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 45/63 [09:43<03:38, 12.13s/it]
{'loss': 0.1849, 'grad_norm': 0.2797813415527344, 'learning_rate': 3.750000000000001e-05, 'memory/max_active (GiB)': 57.73, 'memory/max_allocated (GiB)': 57.73, 'memory/device_reserved (GiB)': 66.98, 'tokens_per_second_per_gpu': 607.58, 'epoch': 2.05}
|
|||
|
|
71%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 45/63 [09:43<03:38, 12.13s/it]
73%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████ | 46/63 [09:56<03:31, 12.44s/it]
75%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 47/63 [10:09<03:22, 12.66s/it]
76%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 48/63 [10:22<03:12, 12.80s/it]
78%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 49/63 [10:35<03:00, 12.92s/it]
79%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 50/63 [10:49<02:48, 12.99s/it]
{'loss': 0.1819, 'grad_norm': 0.36559921503067017, 'learning_rate': 2.1241311512366167e-05, 'memory/max_active (GiB)': 57.73, 'memory/max_allocated (GiB)': 57.73, 'memory/device_reserved (GiB)': 66.98, 'tokens_per_second_per_gpu': 730.88, 'epoch': 2.28}
|
|||
|
|
79%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 50/63 [10:49<02:48, 12.99s/it][2026-03-29 17:19:50,790] [INFO] [axolotl.core.trainers.base._save:671] [PID:1870] Saving model checkpoint to ./outputs/defender-judge/checkpoint-50
|
|||
|
|
[2026-03-29 17:19:53,187] [WARNING] [py.warnings._showwarnmsg:110] [PID:1870] /root/miniconda3/envs/py3.11/lib/python3.11/site-packages/bitsandbytes/autograd/_functions.py:186: UserWarning: MatMul8bitLt: inputs will be cast from torch.bfloat16 to float16 during quantization
|
|||
|
|
warnings.warn(f"MatMul8bitLt: inputs will be cast from {A.dtype} to float16 during quantization")
|
|||
|
|
|
|||
|
|
81%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 51/63 [11:04<02:45, 13.77s/it]
83%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 52/63 [11:17<02:29, 13.59s/it]
84%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 53/63 [11:31<02:14, 13.47s/it]
86%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 54/63 [11:44<02:00, 13.37s/it]
87%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 55/63 [11:57<01:46, 13.30s/it]
{'loss': 0.1818, 'grad_norm': 0.2546774744987488, 'learning_rate': 9.039468659513327e-06, 'memory/max_active (GiB)': 57.73, 'memory/max_allocated (GiB)': 57.73, 'memory/device_reserved (GiB)': 66.98, 'tokens_per_second_per_gpu': 729.82, 'epoch': 2.52}
|
|||
|
|
87%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 55/63 [11:57<01:46, 13.30s/it]
89%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 56/63 [12:10<01:32, 13.26s/it]
90%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 57/63 [12:23<01:19, 13.22s/it]
92%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 58/63 [12:36<01:06, 13.21s/it]
94%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 59/63 [12:49<00:52, 13.19s/it]
95%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 60/63 [13:03<00:39, 13.18s/it]
{'loss': 0.1846, 'grad_norm': 0.27984631061553955, 'learning_rate': 1.8152713029423283e-06, 'memory/max_active (GiB)': 57.73, 'memory/max_allocated (GiB)': 57.73, 'memory/device_reserved (GiB)': 66.98, 'tokens_per_second_per_gpu': 723.26, 'epoch': 2.75}
|
|||
|
|
95%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 60/63 [13:03<00:39, 13.18s/it]
97%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 61/63 [13:16<00:26, 13.17s/it]
98%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 62/63 [13:29<00:13, 13.17s/it]
100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 63/63 [13:42<00:00, 13.17s/it][2026-03-29 17:22:44,281] [INFO] [axolotl.core.trainers.base._save:671] [PID:1870] Saving model checkpoint to ./outputs/defender-judge/checkpoint-63
|
|||
|
|
{'train_runtime': 825.577, 'train_samples_per_second': 1.221, 'train_steps_per_second': 0.076, 'train_loss': 0.49069616813508293, 'memory/max_active (GiB)': 57.73, 'memory/max_allocated (GiB)': 57.73, 'memory/device_reserved (GiB)': 66.98, 'epoch': 2.89}
|
|||
|
|
100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 63/63 [13:45<00:00, 13.17s/it]
100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 63/63 [13:45<00:00, 13.10s/it]
|
|||
|
|
[2026-03-29 17:22:47,727] [INFO] [axolotl.train.save_trained_model:218] [PID:1870] Training completed! Saving trained model to ./outputs/defender-judge.
|
|||
|
|
[2026-03-29 17:22:48,827] [INFO] [axolotl.train.save_trained_model:336] [PID:1870] Model successfully saved to ./outputs/defender-judge
|