Pengumpulan Statistik Penggunaan

TRL mengumpulkan statistik penggunaan anonim untuk membantu para pemelihara memahami trainer, arsitektur model, dan konfigurasi perangkat keras apa saja yang digunakan di lapangan. Data ini menjadi dasar keputusan prioritas mengenai fitur mana yang akan dikembangkan dan fitur mana yang akan dihentikan.

Yang dikumpulkan

Satu ping dikirim setiap kali trainer diinstansiasi. Payload berisi:

• Versi TRL (misalnya 1.5.0)
• Nama kelas Trainer, dilaporkan hanya jika merupakan trainer yang didefinisikan oleh TRL (misalnya SFTTrainer, GRPOTrainer). Subkelas kustom pengguna dilaporkan sebagai other.
• Arsitektur model, hanya dilaporkan jika merupakan tipe model yang dikenal oleh transformers (misalnya llama, qwen3). Arsitektur kustom atau privat dilaporkan sebagai other.
• Apakah PEFT sedang digunakan
• Cara dataset pelatihan dimuat: hub (diunduh dari Hub), files (dibaca melalui builder berbasis file seperti json atau csv — ini juga mencakup repo Hub yang berisi file json/csv mentah), memory (dibangun dalam proses, misalnya Dataset.from_dict), atau other. Nama dan path dataset tidak pernah dikumpulkan.
• Backend terdistribusi (deepspeed, fsdp, ddp, atau none)
• Ukuran dunia, terbucket (1, 2-8, 9-64, 65+)
• Jenis akselerator (cuda, xpu, npu, mlu, mps, cpu)
• Nama model GPU (misalnya NVIDIA H100 80GB HBM3), jika tersedia

Tidak ada nama dataset, jalur file, pengidentifikasi model, nilai hiperparameter, atau data lain yang disediakan pengguna yang dikumpulkan. Seperti pada permintaan HTTP apa pun, IP sumber dan header HTTP standar terlihat oleh server.

Telemetry tidak dikirim di lingkungan CI (yaitu ketika variabel lingkungan CI disetel), maupun dalam mode offline.

Cara untuk tidak ikut serta

Atur salah satu dari variabel lingkungan berikut untuk menonaktifkan telemetri:

export HF_HUB_DISABLE_TELEMETRY=1   # disables telemetry for all HF libraries
export HF_HUB_OFFLINE=1             # disables all network calls to the Hub

Mengapa ini membantu

Tanpa data penggunaan, para pemelihara tidak memiliki cara untuk mengetahui bagian mana dari pustaka yang penting bagi pengguna. Telemetri memungkinkan kami menjawab pertanyaan seperti:

• Trainer mana yang banyak diadopsi, dan mana yang dapat dideprecate dengan aman?
• Arsitektur model mana yang paling sering di-*fine-tune* dengan TRL, sehingga kami dapat memprioritaskan dukungan untuk arsitektur tersebut?
• Konfigurasi hardware apa yang digunakan oleh pengguna, sehingga kami dapat menguji dan mengoptimalkannya untuk mereka?

Jika Anda merasa TRL berguna, meninggalkan telemetri dalam keadaan aktif adalah cara berbiaya rendah untuk membantu kami membuatnya lebih baik.