Разгръщайте pretraining pods и обучавайте LoRA върху свои данни
Стартирайте истински single-node GPU pod за продължително pretraining или използвайте управлявано LoRA последващо обучение за Flux, Qwen Image и Wan 2.2. Набори от данни, таксуване, напредък, отказване и резултати остават в Hypereal.
Започнете тук, ако сте нови
Не е нужно първо да разбирате всяка GPU настройка. Изберете пътя, който отговаря на целта ви, подгответе един набор от данни и оставете конзолата за обучение да ви води при стартирането.
Правило на палеца: използвайте LoRA, когато искате малък, многократно използваем адаптер за стил, персонаж, продукт или движение. Използвайте pretraining pods, когато ви е нужен пълен контрол върху кода, checkpoint-ите и runtime-а.
- 01Decision
Choose the result you want
Pick LoRA post-training if you want downloadable .safetensors weights. Pick a pretraining pod if you need to run your own training code on a GPU machine.
Choose LoRA or pretraining - 02/infra/storage
Prepare one dataset
For LoRA, upload a zip of images or short clips in Storage and mark it as kind=dataset. For pretraining, you can attach a dataset now or bring data in after the pod starts.
Upload in Storage - 03Dashboard
Open the training console
Go to Infrastructure -> Training. The top form launches a pretraining pod; the LoRA form starts a managed fine-tune and shows your credit hold before launch.
Open /infra/training - 04One click
Launch and watch progress
Click Deploy pretraining pod or Start training. Pretraining redirects to the pod page. LoRA runs appear in the Runs list with progress, cancel, refund, and output state.
Start the run - 05Finish
Finish the run safely
Download LoRA weights when the run completes. For pretraining pods, save checkpoints and stop or terminate the pod when you are done so hourly billing stops.
Download or stop - 06Решение
Изберете желания резултат
Изберете LoRA последващо обучение, ако искате изтегляеми .safetensors weights. Изберете pretraining pod, ако трябва да изпълнявате собствен код за обучение на GPU машина.
Изберете LoRA или pretraining - 07/infra/storage
Подгответе един набор от данни
За LoRA качете zip с изображения или кратки клипове в Storage и го маркирайте като kind=dataset. За pretraining можете да прикачите набор от данни сега или да внесете данните, след като pod-ът стартира.
Качете в Storage - 08Табло
Отворете конзолата за обучение
Отидете на Infrastructure -> Training. Горната форма стартира pretraining pod, а формата за LoRA започва управлявано fine-tune и показва задържаните ви кредити преди старта.
Отворете /infra/training - 09Едно щракване
Стартирайте и следете напредъка
Щракнете Deploy pretraining pod или Start training. Pretraining пренасочва към страницата на pod-а. LoRA run-овете се появяват в списъка Runs с напредък, отказване, възстановяване и състояние на резултатите.
Стартирайте run-а - 10Завършване
Завършете run-а безопасно
Изтеглете LoRA weights, когато run-ът приключи. За pretraining pods запазете checkpoint-ите и спрете или прекратете pod-а, когато сте готови, за да спре почасовото таксуване.
Изтеглете или спрете
Какво е налично днес
Pretraining pod
Разгръщайте специализиран GPU pod за LLM, multimodal или continued pretraining с вашия runtime image и набор от данни.
- Own Docker image, GPU type, GPU count, disk, and volume size
- Optional owned dataset signed into HYPEREAL_DATASET_URL for 24 hours
- SSH, TensorBoard, API, and notebook ports opened automatically
- Собствен Docker image, тип GPU, брой GPU, диск и размер на volume
- По желание собствен набор от данни, подписан в HYPEREAL_DATASET_URL за 24 часа
- SSH, TensorBoard, API и портове за notebook се отварят автоматично
LoRA дообучение
Обучавайте подбрани image и video LoRA модели върху частни набори от данни, след което изтеглете получените тегла.
- Flux Dev, Qwen Image, Wan 2.2 Image, and Wan 2.2 I2V trainers
- Trigger word, steps, learning rate, and LoRA rank controls
- Progress, cancel, refund, webhook reconciliation, and R2 output storage
- Обучители за Flux Dev, Qwen Image, Wan 2.2 Image и Wan 2.2 I2V
- Контроли за trigger word, steps, learning rate и LoRA rank
- Прогрес, отказ, възстановяване, webhook reconciliation и R2 хранилище за изходни данни
Много-възлов pretraining клъстер
Планирайте и заявявайте разпределен тренировъчен капацитет с Mercury топология и runtime указания.
- Quote GPU count, network, orchestrator, region, and storage
- Inspect topology, scheduler, NCCL, and runtime hints
- Not marketed as one-click physical multi-node launch yet
- Цитирайте GPU брой, мрежа, orchestrator, регион и хранилище
- Преглеждайте топология, scheduler, NCCL и runtime указания
- Все още не е предлагано като еднократно физическо стартиране на няколко възела
Single-node pretraining и LoRA последващо обучение са с едно щракване. Multi-node pretraining остава workflow за капацитет, докато физическото provision-ване на клъстера не бъде свързано от край до край.
Подбрани LoRA обучители
Flux Dev (LoRA)
Фотoreалистични персонажи, продукти, стилове
Универсалният избор. Обучете лице, продукт или визуален стил и използвайте теглата навсякъде, където работи Flux.
Qwen Image (LoRA)
LoRA за висококачествена илюстрация и персонажи
Силен при стилизирани илюстрации и прилика на източноазиатски персонажи. Използва същия поток с zip-нат набор от данни като Flux.
Wan 2.2 Image (LoRA)
Стилизирани image LoRA с висока резолюция
LoRA за изображения с висока резолюция върху базата Wan 2.2. Връща двойни тегла с висок и нисък шум за разширени работни потоци.
Wan 2.2 I2V (LoRA)
Контрол на движение от изображение към видео
Обучавайте върху кратки video клипове, за да фиксирате движение, камера или анимация на персонаж. Флагманът за персонализирано видео.
Кредитите се задържат при стартиране и се възстановяват при грешка при изпращане, upstream failure или отказ преди доставка.
Пълният работен поток за обучение
Pretraining и продължаващ pretraining
Pick GPU runtime
Choose GPU type, count, Docker image, disk, volume size, framework, precision, and sequence length.
Attach data
Use an owned storage dataset or attach it later. Dataset URLs are signed for the pod at launch.
Deploy pod
The first hour is held up front, the pod is recorded locally, and normal pod lifecycle controls take over.
Train and checkpoint
Use SSH, TensorBoard, API, or notebook access, then write checkpoints under HYPEREAL_OUTPUT_DIR.
Изберете GPU runtime
Изберете тип GPU, брой, Docker image, диск, размер на volume, framework, прецизност и дължина на последователността.
Прикачете данни
Използвайте собствен dataset в хранилище или го прикачете по-късно. URL адресите на dataset са подписани за pod-а при стартиране.
Разположете pod
Първият час се задържа предварително, pod-ът се записва локално и влизат в сила стандартните контроли на жизнения цикъл на pod-а.
Обучавайте и създавайте checkpoint
Използвайте SSH, TensorBoard, API или notebook достъп, след което записвайте checkpoint-и под HYPEREAL_OUTPUT_DIR.
LoRA дообучение
Upload dataset
Upload a zip of images or short clips to Storage and mark it as kind=dataset.
Choose trainer
Pick Flux, Qwen Image, Wan 2.2 Image, or Wan 2.2 I2V and set optional LoRA hyperparameters.
Start and monitor
Hypereal holds credits, submits the run, tracks progress, and lets you cancel before delivery.
Download weights
Completed runs copy outputs into private R2 storage and expose downloadable .safetensors weights.
Качете dataset
Качете zip с изображения или кратки клипове в Storage и го маркирайте като kind=dataset.
Изберете обучител
Изберете Flux, Qwen Image, Wan 2.2 Image или Wan 2.2 I2V и задайте незадължителни LoRA хиперпараметри.
Стартирайте и следете
Hypereal задържа кредити, изпраща изпълнението, проследява прогреса и ви позволява да отмените преди доставка.
Изтеглете теглата
Завършените изпълнения копират изходните данни в частно R2 хранилище и предоставят за изтегляне .safetensors тегла.
Какво внедряват екипите
Continued LLM pretraining
Spin up a reproducible PyTorch, DeepSpeed, or Nanotron pod for domain data, tokenizer experiments, or checkpoint continuation.
Character and product LoRAs
Train consistent people, mascots, products, packaging, and house styles without rebuilding prompts from scratch.
Custom video motion
Train short-clip LoRAs for repeatable camera moves, character animation, or branded motion assets.
Продължаващо LLM pretraining
Стартирайте възпроизводим PyTorch, DeepSpeed или Nanotron pod за domain данни, експерименти с tokenizer или продължаване от checkpoint.
LoRA за персонажи и продукти
Обучавайте последователни хора, талисмани, продукти, опаковки и фирмени стилове, без да изграждате prompt-и от нулата.
Персонализирано видео движение
Обучавайте LoRA за кратки клипове за повтаряеми движения на камерата, анимация на персонажи или брандирани motion assets.

