TRL documentation
Trackio 集成
入门指南
概念指南
Trainers
操作指南
命令行界面(CLI)使用 Jobs 进行训练自定义训练减少内存使用加速训练分布式训练在 AWS Trainium 上进行训练在 AMD GPU 上进行训练训练超过 100 万个 Token使用训练好的模型
集成
示例
API
实验性
Trackio 集成
Trackio 是一个轻量级、免费的实验跟踪库,构建于 🤗 Datasets 和 🤗 Spaces 之上。它是 TRL 推荐的跟踪方案,并与所有 trainer 原生集成。
要启用日志记录,只需在训练配置中设置 report_to="trackio":
from trl import SFTConfig # works with any trainer config (e.g. DPOConfig, GRPOConfig, etc.)
training_args = SFTConfig(
...,
report_to="trackio", # enable Trackio logging
)使用运行名称和项目组织实验
默认情况下,Trackio 会生成一个名称来标识每次运行。但我们强烈建议设置一个描述性的 run_name,以便于组织实验。例如:
from trl import SFTConfig
training_args = SFTConfig(
...,
report_to="trackio",
run_name="sft_qwen3-4b_lr2e-5_bs128", # descriptive run name
)你还可以通过设置以下环境变量,将相关实验按项目分组:
export TRACKIO_PROJECT="my_project"在 🤗 Spaces 上托管您的日志
Trackio 采用本地优先的设计,这意味着您的日志将保留在您的机器上。如果您希望托管这些日志并在 🤗 Spaces 上部署仪表板,请设置:
export TRACKIO_SPACE_ID="username/space_id"运行以下示例:
import os
from trl import SFTConfig, SFTTrainer
from datasets import load_dataset
os.environ["TRACKIO_SPACE_ID"] = "trl-lib/trackio"
os.environ["TRACKIO_PROJECT"] = "trl-documentation"
trainer = SFTTrainer(
model="Qwen/Qwen3-0.6B",
train_dataset=load_dataset("trl-lib/Capybara", split="train"),
args=SFTConfig(
report_to="trackio",
run_name="sft_qwen3-0.6b_capybara",
),
)
trainer.train()将为您提供一个托管在 https://huggingface.co/spaces/trl-lib/trackio 的仪表板。
Update on GitHub