开源后训练框架，把行业标准按在了摩擦区

没有发布会，没有高管站台。只有一段GitHub代码和一条推文。但就是它，让开源圈安静了整整一周。

吞吐量干到标准TRL的2.8倍，峰值内存反而砍掉四分之一。模型格式还死死兼容HuggingFace原生加载。说实话，这组数据放在昨天，属于实验室里的理论幻想。今天，它叫Halo。

9月21日，White Circle团队正式放出该项目。短短时间，推文飙出近40万播放，上千次互动。开发者没空看概念，直接跑基准测试。结果很直观：在8张B300显卡的集群上，Halo不仅跑得比原版TRL快得多，还顺手把显存压力卸下了大半。

“Every model we train at White Circle now uses Halo.”

速度翻倍，内存却敢“做减法”

训练大模型，最怕什么？怕卡在显存墙前，只能调小batch size；怕吞吐量上不去，烧钱的速度赶不上发版的速度。Halo这次的Benchmark直接撕开了一道口子。

官方实测数据摆在这：单卡跑gpt-oss-20b，吞吐量冲到24,456 tok/s。换到Qwen3.5-35B-A3B，BF16混合精度下跑出1,410 TFLOPS。更狠的是内存控制。同样处理16k上下文，EP8+CP8配置下，单卡显存占用压到23GB，而传统密集并行方案要吞掉76GB。

个人觉得，这组对比最恐怖的不是“快”，而是“稳”。2.3到2.8倍的吞吐量提升，背后是FA4注意力机制、Grouped GEMM和融合Loss算子的底层重构。显存省了，并行度才能拉满。长上下文训练不再是个烧钱玩具，普通实验室也能跑256k序列了。

一行YAML，打碎开发者的焦虑

技术再强，如果接入成本像登天一样，照样进不了工业界。很多框架赢在参数，输在生态。Halo选了条反直觉的路子。

它不要求你重写模型架构。加一个新模型家族，只需要写大约140行包装代码。所有配置塞进一个YAML文件：模型路径、训练方法、GPU拓扑、Checkpoint设置，一目了然。终端敲一句halo launch --list，SFT、DPO、在线GRPO还是环境驱动RL，全列出来等你挑。

“One YAML file contains the model, training method, GPU setup and checkpoint settings. One command starts training.”

这种“开箱即用”的粗暴美学，对苦逼的算法工程师简直是降维打击。从单卡24GB跑LoRA，到多节点分布式 rollout，同一套代码无缝切换。不用在多个框架间反复倒腾依赖库，也不用为了适配新模型去啃几千行的底层代码。

反转：真正的赢家不是算力，而是“后训练”

有意思的是，Halo这次抛出的不只是微调工具。它的野心藏在异步多轮强化学习（Async Multi-turn RL）里。

团队已经跟sgl_project搭上线，准备把它做成rollout的主力引擎。实测也验证了这一点：用Halo在1.77亿条智能体轨迹上微调GLM-4.7-Flash，SWE-bench-V2的得分直接从33%飙到42%。纯吞吐量对比，它依然能咬住TRL的1.63倍优势。

老实讲，我之前对这类“全能型”框架总是持保留态度。参数越多，往往意味着系统越脆弱。但Halo这次把重点放在了“可验证性”和“外部环境的交互”上。当后训练从简单的指令跟随，变成需要复杂环境反馈的智能体博弈时，传统框架的同步阻塞模式早就该被淘汰了。暗处的赢家，其实是那些终于能低成本跑通Agent闭环的独立开发者。

开源社区从来不缺新名字，但能同时解决“算得快、占得少、接得顺”这三个死结的项目，确实不多。TRL曾是标杆，但技术迭代从不认资历。当YAML取代了繁琐的配置地狱，当异步RL成为标配，后训练的时代门槛，已经被彻底踩碎了。

只是，当算力优化卷到极致，下一个被重新定义的，会是模型本身，还是我们训练模型的逻辑？

【锐评】：开源框架拼到最后，拼的不是参数堆砌，而是把复杂留给底层，把简单还给开发者。

参考链接：
https://x.com/whitecircle/status/2102087563913609534