# Integración de Trackio

[Trackio](https://huggingface.co/docs/trackio) es una biblioteca ligera y gratuita para el seguimiento de experimentos, construida sobre **🤗 Datasets** y **🤗 Spaces**. Es la **solución de seguimiento recomendada para TRL** y viene integrada de forma nativa con todos los trainers.

Para habilitar el registro, simplemente establece `report_to="trackio"` en tu configuración de entrenamiento:

```python
from trl import SFTConfig  # works with any trainer config (e.g. DPOConfig, GRPOConfig, etc.)

training_args = SFTConfig(
    ...,
    report_to="trackio",  # enable Trackio logging
)
```

## Organizar tus experimentos con nombres de ejecución y proyectos

Por defecto, Trackio generará un nombre para identificar cada ejecución. Sin embargo, recomendamos encarecidamente establecer un `run_name` descriptivo para facilitar la organización de los experimentos. Por ejemplo:

```python
from trl import SFTConfig

training_args = SFTConfig(
    ...,
    report_to="trackio",
    run_name="sft_qwen3-4b_lr2e-5_bs128",  # descriptive run name
)
```

También puede agrupar experimentos relacionados por proyecto estableciendo la siguiente variable de entorno:

```bash
export TRACKIO_PROJECT="my_project"
```

## Alojar tus registros en 🤗 Spaces

Trackio tiene un diseño local-first, lo que significa que tus registros se quedan en tu máquina. Si deseas alojarlos y desplegar un panel en **🤗 Spaces**, configura:

```bash
export TRACKIO_SPACE_ID="username/space_id"
```

Ejecutar el siguiente ejemplo:

```python
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()
```

te dará un panel alojado en https://huggingface.co/spaces/trl-lib/trackio.