White Circle 开源后训练框架 Halo，号称吞吐达 TRL 2.8 倍

9 月 22 日，AI 安全公司 White Circle 在 GitHub 开源后训练框架 Halo，用于训练大语言模型和多模态模型，采用修改版 Apache 2.0 许可证。官方称其吞吐量最高可达原生 TRL 的 2.8 倍，同时峰值显存占用更低，模型权重始终保持原生 HuggingFace 格式，无需额外转换。该发布获得 Hugging Face CEO Clem Delangue 转发推荐，开源初期仓库已约 282 星。

已确认

• 框架已在 GitHub 开源，许可证为修改版 Apache 2.0（m4、m6、m8）
• 相比原生 TRL 吞吐最高提升 2.8 倍、峰值内存更低（官方宣称，m1、m2）
• 定位在 HuggingFace TRL 之上、Megatron 之下：面向模型已超出 TRL 舒适区但不需要完整 Megatron 栈的场景（m3）
• 模型保持原生 HuggingFace 格式，无需转换、不打断现有工作流（m2、m7）
• 工程配套完整：提供 Docker 与 docker-compose，内置 sglang 与 vllm 两套部署方案，docker-compose 支持含 EF 相关配置（m4、m6、m8）
• 配套发布两个 MoE 微调配方（m1）
• 仓库开源初期约 282 星（m8）
• Hugging Face CEO Clem Delangue 转发推荐，认为训练模型正变得越来越容易（配合 TRL 和 agent 尤其如此），并称对所有任务仍只用现成模型的人正错过机会（m5）

尚未确认

• 2.8 倍吞吐与更低显存为官方宣称，尚无独立第三方验证

为什么重要

• Halo 面向开源模型的后训练场景，填补 TRL 与完整 Megatron 栈之间的空档，在吞吐和显存上对标 TRL，加上原生 HF 格式兼容与完善的部署配套，降低了团队微调自有模型的门槛
• Hugging Face 高管的公开推荐也为其社区关注度背书，与当前「微调自有模型优于全用现成模型」的行业讨论相呼应

2026-09-22 ~ 2026-09-22 · 8 条相关

• 【源头】开源后训练框架 Halo 发布:吞吐达 TRL 2.8 倍且更省显存 — _akhaliq · 2026-09-22
• White Circle 开源 Halo:大模型与多模态训练框架 — prasenx · 2026-09-22
• 微调框架 Halo 发布：吞吐达 TRL 2.8 倍且内存更低 — JosephJacks_ · 2026-09-22
• Halo 后训练框架号称吞吐达 TRL 2.8 倍且峰值显存更低 — huggingface · 2026-09-22
• White Circle 开源 Halo 后训练框架,吞吐达 TRL 2.8 倍 — rohanpaul_ai · 2026-09-22

另有 3 条近重复转述:rohanpaul_ai · aigclink · prasenx