List your company

Language Modeling Pre-training on C4 (val)

13.33PPL (60k)FOAM-2
13.21813.97414.7315.486Jan 13, 2025Mar 8, 2025May 2, 2025Jun 26, 2025Aug 20, 2025Oct 14, 2025Dec 8, 2025

Evaluation results

MethodLinks
FOAM-2Backbone=LLaMA-7B2025.1213.33—15.7812.0111.3911.13270.2———————
FOAM-2Backbone=LLaMA-3B2025.1213.46—15.7112.2911.98—126.2———————
GWT-2Backbone=LLaMA 3B2025.0114.88.54——13.21—279.10.532——19.7416.4113.7713.46
APOLLO-1/4Backbone=LLaMA-7B2025.1215.17—18.4913.5412.812.63270.1———————
MUONBackbone=LLaMA-3B2025.1215.4—18.1414.1314.02—297.3———————
APOLLO-1/4Backbone=LLaMA-3B2025.1215.4—19.4914.0913.75—125.6———————
APOLLO-1/4Backbone=LLaMA 3B2025.0115.49.28——13.75—274.40.541——20.7817.1914.413.9
GaLore-1/4Backbone=LLaMA-7B2025.1215.63—18.3514.3313.7713.69341.8———————
8-bit AdamBackbone=LLaMA-3B2025.1215.69—18.6314.3614.19—130.1———————
8bit-AdamBackbone=LLaMA 3B2025.0115.710.7——14.31—541.90.274——21.7917.4414.9914.52
MUONBackbone=LLaMA-7B2025.1215.71—18.1613.8713.2313.19350———————
GaLore-1/4Backbone=LLaMA-3B2025.1215.98—18.4414.914.73—143.6———————
GaLore-1/4Backbone=LLaMA 3B2025.0115.989.28——14.73—335.40.526——20.4217.3615.1214.79
8-bit AdamBackbone=LLaMA-7B2025.1216.13—18.7314.5613.413.23285.5———————
ADAMWweight decay (wd)=true, momentum parameter (β)=true, learning rate (lr)=true, cosine scheduler (cosine sc)=true2025.06————————2.92918.698————
ALIAS Adam versionweight decay (wd)=true, momentum parameter (β)=true, cosine scheduler (cosine sc)=false2025.06————————2.97619.609————
ALIAS Adam versionweight decay (wd)=true, momentum parameter (β)=true, cosine scheduler (cosine sc)=true2025.06————————2.91818.504————
Full-Rank AdamBackbone=LLaMA 3B2025.01—16————————————
NORMALIZED SGDweight decay (wd)=true, momentum parameter (β)=true, learning rate (lr)=true, cosine scheduler (cosine sc)=true2025.06————————2.93418.803————
PRODIGYweight decay (wd)=true, momentum parameter (β)=true, cosine scheduler (cosine sc)=false2025.06————————3.00320.145————
PRODIGYweight decay (wd)=true, momentum parameter (β)=true, cosine scheduler (cosine sc)=true2025.06————————2.9318.727————
SIGN-SGDweight decay (wd)=true, momentum parameter (β)=true, learning rate (lr)=true, cosine scheduler (cosine sc)=false2025.06————————2.96819.459————
SIGN-SGDweight decay (wd)=true, momentum parameter (β)=true, learning rate (lr)=true, cosine scheduler (cosine sc)=true2025.06————————2.92318.596————
STEEPEST DESCENTweight decay (wd)=true, momentum parameter (β)=true, learning rate (lr)=true, cosine scheduler (cosine sc)=true2025.06————————2.93218.765————