Αναπτύξτε pods προεκπαίδευσης και εκπαιδεύστε LoRA στα δικά σας δεδομένα
Εκκινήστε ένα πραγματικό pod GPU ενός κόμβου για συνεχιζόμενη προεκπαίδευση ή τρέξτε διαχειριζόμενη μεταεκπαίδευση LoRA για Flux, Qwen Image και Wan 2.2. Τα datasets, η χρέωση, η πρόοδος, η ακύρωση και τα outputs παραμένουν μέσα στο Hypereal.
Ξεκινήστε από εδώ αν είστε νέοι
Δεν χρειάζεται να κατανοήσετε όλες τις ρυθμίσεις GPU από την αρχή. Επιλέξτε τη διαδρομή που ταιριάζει στον στόχο σας, προετοιμάστε ένα dataset και αφήστε την κονσόλα εκπαίδευσης να σας καθοδηγήσει στην εκκίνηση.
Γενικός κανόνας: χρησιμοποιήστε LoRA όταν θέλετε ένα μικρό, επαναχρησιμοποιήσιμο adapter για στυλ, χαρακτήρα, προϊόν ή κίνηση. Χρησιμοποιήστε pods προεκπαίδευσης όταν χρειάζεστε πλήρη έλεγχο του κώδικα, των checkpoints και του 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 - 06Απόφαση
Επιλέξτε το αποτέλεσμα που θέλετε
Επιλέξτε μεταεκπαίδευση LoRA αν θέλετε weights .safetensors που μπορείτε να κατεβάσετε. Επιλέξτε pod προεκπαίδευσης αν χρειάζεται να εκτελέσετε τον δικό σας κώδικα εκπαίδευσης σε μηχάνημα GPU.
Επιλέξτε LoRA ή προεκπαίδευση - 07/infra/storage
Προετοιμάστε ένα dataset
Για LoRA, ανεβάστε ένα zip με εικόνες ή σύντομα clips στο Storage και ορίστε το ως kind=dataset. Για προεκπαίδευση, μπορείτε τώρα να επισυνάψετε ένα dataset ή να φέρετε δεδομένα αφού ξεκινήσει το pod.
Μεταφόρτωση στο Storage - 08Πίνακας ελέγχου
Ανοίξτε την κονσόλα εκπαίδευσης
Μεταβείτε στο Infrastructure -> Training. Η επάνω φόρμα εκκινεί ένα pod προεκπαίδευσης· η φόρμα LoRA ξεκινά μια διαχειριζόμενη fine-tune και εμφανίζει το credit hold σας πριν από την εκκίνηση.
Άνοιγμα /infra/training - 09Ένα κλικ
Εκκινήστε και παρακολουθήστε την πρόοδο
Κάντε κλικ στο Deploy pretraining pod ή στο Start training. Η προεκπαίδευση ανακατευθύνεται στη σελίδα του pod. Τα runs LoRA εμφανίζονται στη λίστα Runs με πρόοδο, ακύρωση, επιστροφή χρημάτων και κατάσταση output.
Ξεκινήστε το run - 10Ολοκλήρωση
Ολοκληρώστε το run με ασφάλεια
Κατεβάστε τα weights LoRA όταν ολοκληρωθεί το run. Για pods προεκπαίδευσης, αποθηκεύστε τα checkpoints και σταματήστε ή τερματίστε το pod όταν τελειώσετε ώστε να σταματήσει η ωριαία χρέωση.
Λήψη ή διακοπή
Τι είναι ενεργό σήμερα
Pod προεκπαίδευσης
Αναπτύξτε ένα αποκλειστικό pod GPU για LLM, πολυτροπική εκπαίδευση ή συνεχιζόμενη προεκπαίδευση με το runtime image και το dataset σας.
- 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
- Δικό σας Docker image, τύπος GPU, αριθμός GPU, δίσκος και μέγεθος volume
- Προαιρετικό ιδιόκτητο dataset με υπογραφή στο HYPEREAL_DATASET_URL για 24 ώρες
- Οι θύρες SSH, TensorBoard, API και notebook ανοίγουν αυτόματα
LoRA post-training
Εκπαιδεύστε επιμελημένα μοντέλα LoRA για εικόνα και βίντεο σε ιδιωτικά datasets και, στη συνέχεια, κατεβάστε τα προκύπτοντα 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 και Wan 2.2 I2V trainers
- Έλεγχοι για trigger word, steps, learning rate και LoRA rank
- Progress, cancel, refund, webhook reconciliation και R2 output storage
Πολυκόμβο cluster pretraining
Σχεδιάστε και ζητήστε capacity για κατανεμημένη εκπαίδευση με Mercury topology και 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
- Προσδιορισμός GPU count, network, orchestrator, region και storage
- Επιθεώρηση topology, scheduler, NCCL και runtime hints
- Δεν διατίθεται ακόμη ως one-click φυσική πολυκόμβη εκκίνηση
Η προεκπαίδευση ενός κόμβου και η μεταεκπαίδευση LoRA γίνονται με ένα κλικ. Η πολυκόμβια προεκπαίδευση παραμένει ροή δυναμικότητας μέχρι να συνδεθεί άκρο-σε-άκρο η παροχή φυσικών clusters.
Επιμελημένοι LoRA trainers
Flux Dev (LoRA)
Ρεαλιστικοί χαρακτήρες, προϊόντα, στυλ
Η επιλογή γενικής χρήσης. Εκπαιδεύστε ένα πρόσωπο, ένα προϊόν ή ένα οπτικό στυλ και χρησιμοποιήστε τα weights οπουδήποτε εκτελείται το Flux.
Qwen Image (LoRA)
LoRAs υψηλής πιστότητας για εικονογράφηση και χαρακτήρες
Ισχυρό στην στιλιζαρισμένη εικονογράφηση και στην ομοιότητα χαρακτήρων Ανατολικής Ασίας. Χρησιμοποιήστε την ίδια ροή δεδομένων zip όπως και στο Flux.
Wan 2.2 Image (LoRA)
LoRAs εικόνας υψηλής ανάλυσης με στυλιζαρισμένο αποτέλεσμα
LoRA εικόνας υψηλής ανάλυσης πάνω στη βάση Wan 2.2. Επιστρέφει διπλά weights υψηλού και χαμηλού θορύβου για προχωρημένες ροές εργασίας.
Wan 2.2 I2V (LoRA)
Έλεγχος κίνησης από εικόνα σε βίντεο
Εκπαιδεύστε σε σύντομα video clips για να κλειδώσετε κίνηση, κάμερα ή animation χαρακτήρα. Η ναυαρχίδα για custom βίντεο.
Τα credits δεσμεύονται όταν ξεκινάτε και επιστρέφονται σε αποτυχία υποβολής, αποτυχία upstream ή ακύρωση πριν από την παράδοση.
Η πλήρης ροή εργασίας εκπαίδευσης
Pretraining και συνεχόμενο 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.
Επιλέξτε GPU runtime
Επιλέξτε τύπο GPU, πλήθος, Docker image, δίσκο, μέγεθος volume, framework, precision και sequence length.
Συνδέστε δεδομένα
Χρησιμοποιήστε ένα dataset σε ιδιοκτησία σας ή συνδέστε το αργότερα. Τα URLs του dataset υπογράφονται για το pod κατά την εκκίνηση.
Αναπτύξτε pod
Η πρώτη ώρα δεσμεύεται εκ των προτέρων, το pod καταγράφεται τοπικά και στη συνέχεια αναλαμβάνουν οι συνήθεις έλεγχοι κύκλου ζωής του pod.
Εκπαιδεύστε και αποθηκεύστε checkpoint
Χρησιμοποιήστε SSH, TensorBoard, API ή πρόσβαση σε notebook και στη συνέχεια γράψτε checkpoints στο HYPEREAL_OUTPUT_DIR.
LoRA post-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.
Ανεβάστε dataset
Ανεβάστε ένα zip με εικόνες ή σύντομα clips στο Storage και επισημάνετέ το ως kind=dataset.
Επιλέξτε trainer
Επιλέξτε Flux, Qwen Image, Wan 2.2 Image ή Wan 2.2 I2V και ορίστε προαιρετικές LoRA hyperparameters.
Ξεκινήστε και παρακολουθήστε
Το Hypereal δεσμεύει credits, υποβάλλει την εκτέλεση, παρακολουθεί την πρόοδο και σας επιτρέπει να ακυρώσετε πριν από την παράδοση.
Κατεβάστε weights
Οι ολοκληρωμένες εκτελέσεις αντιγράφουν τα outputs σε ιδιωτικό R2 storage και εκθέτουν downloadable .safetensors weights.
Τι αναπτύσσουν οι ομάδες
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.
Συνεχιζόμενο LLM pretraining
Ξεκινήστε ένα αναπαραγώγιμο pod PyTorch, DeepSpeed ή Nanotron για δεδομένα domain, πειράματα tokenizer ή συνέχιση checkpoint.
LoRAs χαρακτήρων και προϊόντων
Εκπαιδεύστε σταθερά άτομα, mascots, προϊόντα, συσκευασίες και house styles χωρίς να ξαναχτίζετε prompts από την αρχή.
Προσαρμοσμένη κίνηση βίντεο
Εκπαιδεύστε LoRAs σύντομων clips για επαναλήψιμες κινήσεις κάμερας, animation χαρακτήρων ή branded motion assets.