vigilar #training-framework-llm-multimodal hallazgo 05 · boletín 2026-09-22

whitecircle/halo

framework open-source de White Circle (Public Benefit Corporation) para entrenar modelos de lenguaje grandes y multimodales. Soporta pre-training, SFT, preference optimization y RL multi-turn completamente asíncrono. El mismo codebase corre en una sola GPU o en múltiples nodos con EP/CP/TP/ETP/FSDP2, fused kernels, BF16 training y rollouts distribuidos. Entrena modelos Hugging Face directamente, con checkpoints cargables con from_pretrained. La integración de nuevas familias de modelos requiere típicamente menos de 140 líneas.

Estrellas

477

Forks

Lenguaje

Python

Licencia

Apache-2.0

Issues

—

Estado

—

Cómo funciona

Implementa training-framework-llm-multimodal

Núcleo

whitecircle/halo Python · Apache-2.0 agentasync-rldistributed-trainingfine-tuninggrpolarge-language-modelsllmlora +12

Se cruza con usa huggingface-transformers usa vllm

Diagrama derivado de madurez_senales (lenguaje, licencia, estado y topics) y de las relaciones que este repo tiene en el grafo de conocimiento. No es una arquitectura del proyecto: es su posición funcional tal como la registran los boletines.

Posición en el ecosistema

whitecircle/halo

implementa

training-framework-llm-multimodal Concepto

whitecircle/halo

usa

huggingface-transformers Concepto

whitecircle/halo

usa

vllm Concepto

Expandir en el grafo 3D →

Relaciones que aportó este boletín

implementstraining-framework-llm-multimodalnuevo useshuggingface-transformersnuevo usesvllmnuevo enablesasync-multi-turn-rl-trainingnuevo relevant_tocompany:white-circle-pbcnuevo

Por qué importa

Halo entra en la categoría de frameworks de training open-source con stack distribuido maduro que hemos visto consolidarse este año (verl, OpenRLHF, axolotl); lo que aporta de diferencial honesto es la promesa de RL multi-turn asíncrono end-to-end — relevante si trabajas con agentes que necesitan aprender de trayectorias largas donde el roll-out secuencial sería el cuello de botella. El mismo codebase corre desde una sola GPU hasta clusters con EP/CP/TP/ETP/FSDP2, fused kernels y BF16, y entrena modelos Hugging Face con checkpoints cargables con from_pretrained, así que el camino de adopción si ya usas transformers es directo. La advertencia crítica de rigor, sin matices: la licencia es Apache-2.0 con Supplemental Terms — el archivo LICENSE declara explícitamente "as modified by, and subject to, the Supplemental Terms" y GitHub reporta NOASSERTION, no Apache-2.0 puro. Esto significa que White Circle PBC probablemente añade restricciones comerciales encima del Apache base; no lo adoptes como build-dependency hasta leer los Supplemental Terms completos. Madurez: 477★, creado hace menos de un mes (2026-08-26), activo — prometedor pero temprano.

Alerta

es interesante pero 477★ = early stage; no adoptes como build-dependency hasta leer los Supplemental Terms del LICENSE file; si trabajas en RL multi-turn para agentes, vale leer human-docs/performance.md para ver los benchmarks y compararlos con verl; licencia Apache-2.0+ST = restricciones comerciales posibles — para uso en producción comercial pide clarificación a White Circle

Acción concreta

La licencia Apache-2.0 con Supplemental Terms de Halo es decisión arquitectónica; revisar el LICENSE antes de evaluar adopción para training interno.

Apariciones · 1

2026-09-22 hallazgo principal
primera vez en el boletín

Señales de madurez (texto original)

477★ · 17 forks · Python · Apache-2.0 + Supplemental Terms (NO es Apache-2.0 puro — el archivo LICENSE declara "as modified by, and subject to, the Supplemental Terms"; White Circle PBC como entidad). · Creado 2026-08-26 · último push 2026-09-21. · Topics: agent, async-rl, distributed-training, fine-tuning, grpo, large-language-models, llm, lora, model-parallelism, moe, multimodal, peft, post-training, pytorch, qlora, quantization, reinforcement-learning, rlhf, transformers, vllm. · Docs estructuradas: human-docs/README.md, human-docs/performance.md, examples/. · Caveat: 477★ = early stage; Supplemental Terms sin leer atentamente son un blocker para adopción comercial.