Mag-deploy ng mga pretraining pod at sanayin ang LoRA sa iyong sariling data
Maglunsad ng totoong single-node GPU pod para sa patuloy na pretraining, o magpatakbo ng pinamamahalaang LoRA post-training para sa Flux, Qwen Image, at Wan 2.2. Ang mga dataset, billing, progreso, pagkansela, at output ay mananatili sa loob ng Hypereal.
Magsimula dito kung bago ka
Hindi mo kailangang intindihin muna ang bawat setting ng GPU. Piliin ang landas na tumutugma sa iyong layunin, maghanda ng isang dataset, pagkatapos ay hayaan ang training console na gabayan ang paglulunsad.
Pangkalahatang tuntunin: gamitin ang LoRA kapag gusto mo ng maliit na reusable style, character, produkto, o motion adapter. Gamitin ang mga pretraining pod kapag kailangan mo ng ganap na kontrol sa code, checkpoints, at 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 - 06Desisyon
Piliin ang resulta na gusto mo
Piliin ang LoRA post-training kung gusto mo ng nada-download na .safetensors weights. Piliin ang pretraining pod kung kailangan mong patakbuhin ang iyong sariling training code sa isang GPU machine.
Piliin ang LoRA o pretraining - 07/infra/storage
Maghanda ng isang dataset
Para sa LoRA, mag-upload ng zip ng mga larawan o maikling clip sa Storage at markahan ito bilang kind=dataset. Para sa pretraining, maaari kang maglakip ng dataset ngayon o magdala ng data pagkatapos magsimula ang pod.
Mag-upload sa Storage - 08Dashboard
Buksan ang training console
Pumunta sa Infrastructure -> Training. Ang tuktok na form ay naglulunsad ng pretraining pod; ang LoRA form ay nagsisimula ng pinamamahalaang fine-tune at nagpapakita ng iyong credit hold bago ang paglulunsad.
Buksan ang /infra/training - 09Isang click
Ilunsad at panoorin ang progreso
I-click ang Deploy pretraining pod o Start training. Ang pretraining ay nagre-redirect sa pahina ng pod. Ang mga LoRA run ay lumalabas sa listahan ng Runs na may progreso, pagkansela, refund, at output state.
Simulan ang run - 10Tapusin
Tapusin ang run nang ligtas
I-download ang LoRA weights kapag natapos ang run. Para sa mga pretraining pod, i-save ang mga checkpoint at ihinto o tapusin ang pod kapag tapos ka na upang huminto ang hourly billing.
I-download o ihinto
Ano ang live ngayon
Pretraining pod
Mag-deploy ng dedikadong GPU pod para sa LLM, multimodal, o patuloy na pretraining gamit ang iyong runtime image at dataset.
- 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
- Sariling Docker image, uri ng GPU, bilang ng GPU, disk, at laki ng volume
- Opsyonal na pagmamay-ari na dataset na naka-sign in sa HYPEREAL_DATASET_URL sa loob ng 24 na oras
- Ang SSH, TensorBoard, API, at notebook ports ay awtomatikong binubuksan
LoRA post-training
Sanayin ang mga curated na model ng larawan at video ng LoRA laban sa mga pribadong dataset, pagkatapos ay i-download ang nagreresultang 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, at Wan 2.2 I2V trainers
- Trigger word, steps, learning rate, at LoRA rank controls
- Progreso, pagkansela, refund, webhook reconciliation, at R2 output storage
Multi-node pretraining cluster
Magplano at humiling ng distributed training capacity na may Mercury topology at 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
- Quote GPU count, network, orchestrator, rehiyon, at storage
- Suriin ang topology, scheduler, NCCL, at runtime hints
- Hindi pa ibinebenta bilang one-click physical multi-node launch
Ang single-node pretraining at LoRA post-training ay one-click. Ang multi-node pretraining ay nananatiling workflow ng kapasidad hanggang sa ang pisikal na paglalaan ng cluster ay nakakonekta end to end.
Mga curated na LoRA trainer
Flux Dev (LoRA)
Mga photoreal na karakter, produkto, estilo
Ang pangkalahatang pagpipilian. Sanayin ang isang mukha, isang produkto, o isang visual na estilo at gamitin ang mga weights saanman tumatakbo ang Flux.
Qwen Image (LoRA)
Mga high-fidelity na ilustrasyon at karakter na LoRA
Malakas sa stylized illustration at pagkakahawig sa East-Asian na mga karakter. Gamitin ang parehong zipped dataset flow gaya ng Flux.
Wan 2.2 Image (LoRA)
Stylized na high-resolution image LoRAs
High-resolution image LoRA sa Wan 2.2 base. Nagbabalik ng dual na high at low-noise weights para sa mga advanced workflow.
Wan 2.2 I2V (LoRA)
Image-to-video motion control
Mag-train sa maiikling video clip para ma-lock in ang motion, camera, o character animation. Ang flagship para sa custom video.
Ang mga credits ay hawak kapag nagsimula ka at ibabalik sa pagkabigo ng pagsumite, pagkabigo sa upstream, o pagkansela bago ang paghahatid.
Ang kumpletong training workflow
Pretraining at continued 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.
Pumili ng GPU runtime
Pumili ng uri ng GPU, dami, Docker image, disk, laki ng volume, framework, precision, at sequence length.
Ikabit ang data
Gumamit ng owned storage dataset o ikabit ito mamaya. Ang mga Dataset URL ay naka-sign para sa pod sa paglulunsad.
I-deploy ang pod
Ang unang oras ay ihahold nang pauna, ang pod ay lokal na irerecord, at ang karaniwang pod lifecycle control ang susunod na mamamahala.
Mag-train at mag-checkpoint
Gamitin ang SSH, TensorBoard, API, o notebook access, tapos magsulat ng checkpoints sa ilalim ng 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.
Mag-upload ng dataset
Mag-upload ng zip ng mga larawan o maiikling clip sa Storage at markahan ito bilang kind=dataset.
Pumili ng trainer
Piliin ang Flux, Qwen Image, Wan 2.2 Image, o Wan 2.2 I2V at itakda ang mga opsyonal na LoRA hyperparameter.
Simulan at i-monitor
Hino-hold ng Hypereal ang credits, isinusumite ang run, tine-track ang progress, at pinapayagan kang mag-cancel bago ang delivery.
I-download ang weights
Ang mga natapos na run ay kumokopya ng outputs sa pribadong R2 storage at nagbibigay ng downloadable na .safetensors weights.
Ang mga dina-deploy ng mga team
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.
Continued LLM pretraining
Mag-spin up ng reproducible na PyTorch, DeepSpeed, o Nanotron pod para sa domain data, tokenizer experiments, o checkpoint continuation.
Character at product LoRAs
Mag-train ng consistent na mga tao, mascot, produkto, packaging, at house style nang hindi binubuo muli ang prompts mula sa simula.
Custom video motion
Mag-train ng short-clip LoRAs para sa paulit-ulit na camera move, character animation, o branded motion assets.