Start her, hvis du er ny
Du behøver ikke forstå alle GPU-indstillinger med det samme. Vælg den vej, der matcher dit mål, klargør ét datasæt, og lad træningskonsollen guide lanceringen.
Tommelfingerregel: brug LoRA, når du vil have en lille genanvendelig stil-, karakter-, produkt- eller bevægelsestilpasning. Brug fortræningspods, når du har brug for fuld kontrol over kode, checkpoints og runtime.
- 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 - 06Beslutning
Vælg det resultat, du ønsker
Vælg LoRA-eftertræning, hvis du vil have downloadbare .safetensors-weights. Vælg en fortræningspod, hvis du skal køre din egen træningskode på en GPU-maskine.
Vælg LoRA eller fortræning - 07/infra/storage
Klargør ét datasæt
For LoRA skal du uploade en zip med billeder eller korte klip i Storage og markere den som kind=dataset. For fortræning kan du tilknytte et datasæt nu eller tilføje data, efter at podden starter.
Upload i Storage - 08Dashboard
Åbn træningskonsollen
Gå til Infrastructure -> Training. Den øverste formular starter en fortræningspod; LoRA-formularen starter en administreret fine-tune og viser din kreditreservation før lancering.
Åbn /infra/training - 09Ét klik
Start og følg med i fremskridtet
Klik Deploy pretraining pod eller Start training. Fortræning sender dig videre til podsiden. LoRA-kørsler vises i listen over kørsler med fremskridt, annullering, refusion og output-status.
Start kørslen - 10Afslut
Afslut kørslen sikkert
Download LoRA-weights, når kørslen er færdig. For fortræningspods skal du gemme checkpoints og stoppe eller terminere podden, når du er færdig, så timebaseret fakturering stopper.
Download eller stop
Hvad der er live i dag
Fortræningspod
Deploy en dedikeret GPU-pod til LLM, multimodal eller fortsat fortræning med dit runtime-image og datasæt.
- 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
- Eget Docker-image, GPU-type, antal GPU'er, disk og volumenstørrelse
- Valgfrit eget datasæt signeret ind i HYPEREAL_DATASET_URL i 24 timer
- SSH-, TensorBoard-, API- og notebook-porte åbnes automatisk
LoRA eftertræning
Træn kuraterede image- og video-LoRA-modeller på private datasæt, og download derefter de resulterende weights.
- 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
- Flux Dev-, Qwen Image-, Wan 2.2 Image- og Wan 2.2 I2V-trænere
- Styring af trigger word, steps, læringsrate og LoRA-rank
- Progress, annullering, refusion, webhook-afstemning og R2-outputlagring
Pretraining-klynge med flere noder
Planlæg og anmod om distribueret træningskapacitet med Mercury-topologi og runtime-hints.
- 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
- Anfør GPU-antal, netværk, orchestrator, region og storage
- Gennemse topologi-, scheduler-, NCCL- og runtime-hints
- Markedsføres endnu ikke som fysisk one-click multi-node launch
Enkelt-node fortræning og LoRA-eftertræning er med ét klik. Fler-node fortræning forbliver en kapacitetsarbejdsgang, indtil fysisk cluster-provisionering er koblet sammen ende-til-ende.
Kuraterede LoRA-trænere
Flux Dev (LoRA)
Fotorealistiske karakterer, produkter, stilarter
Det alsidige valg. Træn et ansigt, et produkt eller en visuel stil, og brug weights hvor som helst Flux kører.
Qwen Image (LoRA)
LoRA'er til illustration og karakterer i høj kvalitet
Stærk til stiliseret illustration og østasiatisk karakterlighed. Brug det samme zippede datasætflow som Flux.
Wan 2.2 Image (LoRA)
Stiliserede image-LoRA'er i høj opløsning
Image-LoRA i høj opløsning på Wan 2.2-basen. Returnerer både high- og low-noise weights til avancerede workflows.
Wan 2.2 I2V (LoRA)
Bevægelsesstyring fra billede til video
Træn på korte videoklip for at låse bevægelse, kamera eller karakteranimation fast. Flagskibet til brugerdefineret video.
Kreditter holdes, når du starter, og refunderes ved fejl under indsendelse, upstream-fejl eller annullering før levering.
Det komplette træningsworkflow
Pretraining og fortsat 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.
Vælg GPU-runtime
Vælg GPU-type, antal, Docker-image, disk, volumenstørrelse, framework, præcision og sekvenslængde.
Tilføj data
Brug et datasæt i egen storage, eller tilføj det senere. Datasæt-URL'er er signeret til pod'en ved launch.
Deploy pod
Den første time holdes på forhånd, pod'en registreres lokalt, og normal pod-livscyklusstyring tager over.
Træn og gem checkpoints
Brug SSH-, TensorBoard-, API- eller notebook-adgang, og skriv derefter checkpoints under HYPEREAL_OUTPUT_DIR.
LoRA eftertræning
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.
Upload datasæt
Upload en zip med billeder eller korte klip til Storage, og markér den som kind=dataset.
Vælg træner
Vælg Flux, Qwen Image, Wan 2.2 Image eller Wan 2.2 I2V, og angiv valgfrie LoRA-hyperparametre.
Start og overvåg
Hypereal holder kreditter, indsender kørslen, følger progress og lader dig annullere før levering.
Download weights
Fuldførte kørsler kopierer outputs til privat R2-storage og eksponerer downloadbare .safetensors weights.
Hvad teams deployer
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.
Fortsat pretraining af LLM'er
Start en reproducerbar PyTorch-, DeepSpeed- eller Nanotron-pod til domænedata, tokenizer-eksperimenter eller fortsættelse af checkpoints.
Karakter- og produkt-LoRA'er
Træn konsistente personer, maskotter, produkter, emballage og husstilarter uden at genopbygge prompts fra bunden.
Brugerdefineret videobevægelse
Træn LoRA'er på korte klip til gentagelige kamerabevægelser, karakteranimation eller branded motion-assets.