Pretraining-Pods bereitstellen und LoRAs auf Ihren eigenen Daten trainieren
Starten Sie einen echten Single-Node-GPU-Pod für fortlaufendes Pretraining oder führen Sie ein verwaltetes LoRA-Nach-Training für Flux, Qwen Image und Wan 2.2 durch. Datensätze, Abrechnung, Fortschritt, Abbruch und Ausgaben bleiben innerhalb von Hypereal.
Starten Sie hier, wenn Sie neu sind
Sie müssen nicht sofort jede GPU-Einstellung verstehen. Wählen Sie den Pfad, der Ihrem Ziel entspricht, bereiten Sie einen Datensatz vor und lassen Sie die Trainingskonsole den Start steuern.
Faustregel: Verwenden Sie LoRA, wenn Sie einen kleinen, wiederverwendbaren Stil-, Charakter-, Produkt- oder Bewegungsadapter wünschen. Verwenden Sie Pretraining-Pods, wenn Sie die volle Kontrolle über Code, Checkpoints und Laufzeit benötigen.
- 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 - 06Entscheidung
Wählen Sie das gewünschte Ergebnis
Wählen Sie LoRA Post-Training, wenn Sie herunterladbare .safetensors-Gewichte wünschen. Wählen Sie einen Pretraining-Pod, wenn Sie Ihren eigenen Trainingscode auf einer GPU-Maschine ausführen müssen.
LoRA oder Pretraining wählen - 07/infra/storage
Bereiten Sie einen Datensatz vor
Für LoRA laden Sie ein Zip-Archiv mit Bildern oder kurzen Clips in Storage hoch und kennzeichnen es als kind=dataset. Für Pretraining können Sie jetzt einen Datensatz anhängen oder Daten nach dem Start des Pods hinzufügen.
In Storage hochladen - 08Dashboard
Öffnen Sie die Trainingskonsole
Gehen Sie zu Infrastructure -> Training. Das obere Formular startet einen Pretraining-Pod; das LoRA-Formular startet ein verwaltetes Fine-Tuning und zeigt Ihre Credit-Reservierung vor dem Start an.
/infra/training öffnen - 09Ein Klick
Starten und Fortschritt beobachten
Klicken Sie auf Pretraining-Pod bereitstellen oder Training starten. Pretraining leitet zur Pod-Seite weiter. LoRA-Läufe erscheinen in der Liste der Läufe mit Fortschritt, Abbruch-, Rückerstattungs- und Ausgabestatus.
Den Lauf starten - 10Abschließen
Beenden Sie den Lauf sicher
Laden Sie LoRA-Gewichte herunter, wenn der Lauf abgeschlossen ist. Speichern Sie für Pretraining-Pods Checkpoints und stoppen oder beenden Sie den Pod, wenn Sie fertig sind, damit die stündliche Abrechnung endet.
Herunterladen oder stoppen
Was ist heute verfügbar
Pretraining-Pod
Stellen Sie einen dedizierten GPU-Pod für LLM-, multimodales oder fortlaufendes Pretraining mit Ihrem Laufzeit-Image und Datensatz bereit.
- 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
- Eigenes Docker-Image, GPU-Typ, GPU-Anzahl, Festplatte und Volume-Größe
- Optionaler eigener Datensatz, der für 24 Stunden in HYPEREAL_DATASET_URL signiert ist
- SSH-, TensorBoard-, API- und Notebook-Ports automatisch geöffnet
LoRA-Nach-Training
Trainieren Sie kuratierte Bild- und Video-LoRA-Modelle gegen private Datensätze und laden Sie die resultierenden Gewichte herunter.
- 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- und Wan 2.2 I2V-Trainer
- Steuerung für Trigger-Wort, Schritte, Lernrate und LoRA-Rang
- Fortschritt, Abbruch, Rückerstattung, Webhook-Abgleich und R2-Ausgabespeicher
Multi-Node-Pretraining-Cluster
Planen und fordern Sie verteilte Trainingskapazitäten mit Mercury-Topologie und Laufzeit-Hinweisen an.
- 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
- Angebot für GPU-Anzahl, Netzwerk, Orchestrator, Region und Speicher
- Topologie, Scheduler, NCCL und Laufzeit-Hinweise prüfen
- Noch nicht als One-Click-Physisch-Multi-Node-Start vermarktet
Single-Node-Pretraining und LoRA-Nach-Training sind mit einem Klick verfügbar. Multi-Node-Pretraining bleibt ein Kapazitäts-Workflow, bis die physische Cluster-Bereitstellung Ende-zu-Ende integriert ist.
Kuratierte LoRA-Trainer
Flux Dev (LoRA)
Fotorealistische Charaktere, Produkte, Stile
Die Allzweck-Wahl. Trainieren Sie ein Gesicht, ein Produkt oder einen visuellen Stil und verwenden Sie die Gewichte überall dort, wo Flux läuft.
Qwen Image (LoRA)
Hochauflösende Illustrations- und Charakter-LoRAs
Stark bei stilisierten Illustrationen und der Ähnlichkeit ostasiatischer Charaktere. Verwenden Sie denselben ZIP-Datensatz-Flow wie bei Flux.
Wan 2.2 Image (LoRA)
Stilisierte hochauflösende Bild-LoRAs
Hochauflösende Bild-LoRA auf der Wan 2.2 Basis. Liefert Gewichte mit hohem und niedrigem Rauschen für fortgeschrittene Workflows.
Wan 2.2 I2V (LoRA)
Bild-zu-Video-Bewegungssteuerung
Trainieren Sie auf kurzen Videoclips, um Bewegungs-, Kamera- oder Charakteranimationen zu fixieren. Das Flaggschiff für benutzerdefinierte Videos.
Credits werden bei Start reserviert und bei fehlgeschlagener Einreichung, Upstream-Fehler oder Abbruch vor der Auslieferung zurückerstattet.
Der vollständige Trainings-Workflow
Pretraining und fortlaufendes 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.
GPU-Laufzeit auswählen
Wählen Sie GPU-Typ, Anzahl, Docker-Image, Festplatte, Volume-Größe, Framework, Präzision und Sequenzlänge.
Daten anhängen
Verwenden Sie einen eigenen Speicherdatensatz oder hängen Sie ihn später an. Datensatz-URLs werden beim Start für den Pod signiert.
Pod bereitstellen
Die erste Stunde wird vorab reserviert, der Pod wird lokal aufgezeichnet und die normalen Pod-Lebenszyklussteuerungen übernehmen.
Trainieren und Checkpoint erstellen
Nutzen Sie SSH-, TensorBoard-, API- oder Notebook-Zugriff und schreiben Sie dann Checkpoints unter HYPEREAL_OUTPUT_DIR.
LoRA-Nach-Training
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.
Datensatz hochladen
Laden Sie ein ZIP mit Bildern oder kurzen Clips in den Speicher hoch und kennzeichnen Sie es als kind=dataset.
Trainer auswählen
Wählen Sie Flux, Qwen Image, Wan 2.2 Image oder Wan 2.2 I2V und legen Sie optionale LoRA-Hyperparameter fest.
Starten und überwachen
Hypereal reserviert Credits, reicht den Lauf ein, verfolgt den Fortschritt und erlaubt Ihnen, vor der Auslieferung abzubrechen.
Gewichte herunterladen
Abgeschlossene Läufe kopieren Ausgaben in den privaten R2-Speicher und stellen herunterladbare .safetensors-Gewichte bereit.
Was Teams bereitstellen
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.
Fortlaufendes LLM-Pretraining
Starten Sie einen reproduzierbaren PyTorch-, DeepSpeed- oder Nanotron-Pod für Domänendaten, Tokenizer-Experimente oder Checkpoint-Fortsetzungen.
Charakter- und Produkt-LoRAs
Trainieren Sie konsistente Personen, Maskottchen, Produkte, Verpackungen und Hausstile, ohne Prompts von Grund auf neu erstellen zu müssen.
Benutzerdefinierte Videobewegung
Trainieren Sie LoRAs mit kurzen Clips für wiederholbare Kamerabewegungen, Charakteranimationen oder gebrandete Motion Assets.