White Circle publica Halo, un entrenador más rápido de Hugging Face

White Circle, una startup parisina centrada en la seguridad de la IA, liberó Halo el 21 de septiembre de 2026 — un framework de entrenamiento distribuido creado para acelerar el post-entrenamiento de los modelos de Hugging Face manteniéndolos en el formato estándar que espera el resto del ecosistema. La compañía desarrolló Halo internamente antes de liberarlo; el propio historial del repositorio muestra una versión inicial un mes antes, el 20 de agosto de 2026.

Qué cambia en el post-entrenamiento

Halo envuelve las definiciones de modelos existentes de Hugging Face en lugar de sustituirlas: los puntos de control se siguen cargando mediante la conocida llamada from_pretrained y permanecen como archivos SafeTensors estándar. White Circle afirma que dar soporte a una nueva familia de modelos suele requerir bastante menos de 150 líneas de código de integración. Internamente, el framework añade paralelismo de expertos, de contexto, de tensores y combinado de expertos y tensores, junto con ajuste fino LoRA/QLoRA y aprendizaje por refuerzo asíncrono multiturno.

El benchmark, y lo que no te cuenta

White Circle afirma que Halo ofrece entre 2,3 y 2,8 veces el rendimiento del TRL estándar de Hugging Face en sus propias pruebas con el modelo gpt-oss-20b de OpenAI, utilizando las mismas optimizaciones de atención y de kernels en ambos sistemas para que la comparación aísle el entrenador y el optimizador. Se trata de benchmarks propios de la compañía, no de un resultado reproducido de forma independiente, y comentarios externos han señalado que la ventaja se reduce con longitudes de contexto muy largas. Los equipos que evalúen Halo deberían tratar ese multiplicador destacado como un punto de partida ligado a un modelo y una configuración de hardware concretos, no como una garantía para una carga de trabajo distinta.

Un detalle de la licencia que conviene leer antes de adoptarlo

Halo se distribuye bajo una licencia Apache modificada que añade condiciones comerciales para organizaciones más grandes o usuarios con mayores ingresos, en lugar de una Apache 2.0 estándar. Los equipos que prevean un uso en producción, especialmente a gran escala, deberían leer directamente el texto de la licencia en lugar de asumir condiciones de código abierto sin restricciones.

Para los MSP y los equipos de producto que ya ejecutan pipelines de entrenamiento basados en Hugging Face, Halo merece una prueba piloto con una carga de trabajo representativa antes de dar por buenas las cifras de rendimiento.

Fuentes: GitHub — whitecircle/halo, RuntimeWire — White Circle publica Halo.