← Alla nyheter
ARTIKEL
26 september 2026 Uppdaterad den 23 oktober 2026 2 min läsning

White Circle öppnar källkoden för Halo, en snabbare Hugging Face-tränare

Parisbaserade startupen White Circle har släppt Halo som öppen källkod, ett distribuerat ramverk för efterträning som behåller modeller i Hugging Face-format och utlovar upp till 2,8 gånger TRL-genomströmningen.

I den här artikeln
  1. Vad det förändrar med efterträning
  2. Riktmärket, och vad det inte säger
  3. En licensdetalj värd att läsa innan man inför den

White Circle, en Parisbaserad startup inom AI-säkerhet, släppte Halo som öppen källkod den 21 september 2026 – ett distribuerat träningsramverk som byggts för att snabba upp efterträningen av Hugging Face-modeller samtidigt som de behålls i det standardformat som resten av ekosystemet förväntar sig. Företaget byggde Halo internt innan det släpptes; arkivets egen historik visar en första release en månad tidigare, den 20 augusti 2026.

En silverfärgad stämgaffel på ett uppslaget tryckt notblad, med mjukt suddiga kanter
Foto: Lukasz Kobus, European Commission (CC BY 4.0), Wikimedia Commons.

Vad det förändrar med efterträning

Halo omsluter befintliga Hugging Face-modelldefinitioner i stället för att ersätta dem: checkpoints laddas fortfarande via det välbekanta from_pretrained-anropet och förblir standardfiler i SafeTensors-format. White Circle uppger att stöd för en ny modellfamilj vanligtvis kräver klart under 150 rader integrationskod. Under huven lägger ramverket till expert-, kontext-, tensor- och kombinerad expert-tensor-parallellism, tillsammans med LoRA/QLoRA-fininjustering och asynkron förstärkningsinlärning med flera rundor.

Riktmärket, och vad det inte säger

White Circle rapporterar att Halo levererar 2,3 till 2,8 gånger genomströmningen jämfört med standard Hugging Face TRL i sina egna tester på OpenAI:s gpt-oss-20b-modell, med samma attention- och kärnoptimeringar i båda systemen så att jämförelsen isolerar tränaren och optimeraren. Detta är företagets egna riktmärken, inte ett oberoende reproducerat resultat, och utomstående kommentarer har noterat att fördelen minskar vid mycket långa kontextlängder. Team som utvärderar Halo bör behandla den framhävda multiplikatorn som en utgångspunkt knuten till en modell och en hårdvaruuppsättning, inte som en garanti för en annan arbetsbelastning.

En licensdetalj värd att läsa innan man inför den

Halo levereras under en modifierad Apache-licens som lägger till kommersiella villkor för större organisationer eller användare med högre intäkter, i stället för ren Apache 2.0. Team som planerar produktionsanvändning, särskilt i stor skala, bör läsa licenstexten direkt i stället för att anta oinskränkta villkor för öppen källkod.

För MSP:er och produktteam som redan kör Hugging Face-baserade träningspipelines är Halo värd en pilot på en representativ arbetsbelastning innan något genomströmningspåstående tas för givet.

Källor: GitHub — whitecircle/halo, RuntimeWire — White Circle släpper Halo.