התחילו כאן אם זו הפעם הראשונה שלכם
אין צורך להבין קודם כל הגדרת GPU. בחרו את המסלול שמתאים למטרה שלכם, הכינו dataset אחד, ואז תנו לקונסולת האימון להנחות את ההפעלה.
כלל אצבע: השתמשו ב-LoRA כשאתם רוצים מתאם קטן לשימוש חוזר עבור סגנון, דמות, מוצר או תנועה. השתמשו ב-pretraining pods כשאתם צריכים שליטה מלאה על הקוד, checkpoints וזמן הריצה.
- 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 - 06החלטה
בחרו את התוצאה הרצויה
בחרו LoRA post-training אם אתם רוצים משקלי .safetensors להורדה. בחרו pretraining pod אם אתם צריכים להריץ קוד האימון שלכם על מכונת GPU.
בחירה בין LoRA ל-pretraining - 07/infra/storage
הכינו dataset אחד
עבור LoRA, העלו zip של תמונות או קליפים קצרים ב-Storage וסמנו אותו כ-kind=dataset. עבור pretraining, אפשר לצרף dataset עכשיו או להביא נתונים לאחר שה-pod מופעל.
העלאה ב-Storage - 08לוח בקרה
פתחו את קונסולת האימון
עברו אל Infrastructure -> Training. הטופס העליון מפעיל pretraining pod; טופס ה-LoRA מתחיל fine-tune מנוהל ומציג את החזקת הקרדיטים לפני ההפעלה.
פתיחת /infra/training - 09קליק אחד
הפעילו ועקבו אחר ההתקדמות
לחצו על Deploy pretraining pod או Start training. Pretraining מפנה לדף ה-pod. ריצות LoRA מופיעות ברשימת Runs עם התקדמות, ביטול, החזר ומצב התוצר.
התחלת הריצה - 10סיום
סיימו את הריצה בצורה בטוחה
הורידו משקלי LoRA כשהריצה מסתיימת. עבור pretraining pods, שמרו checkpoints ועצרו או סיימו את ה-pod כשסיימתם כדי שהחיוב לפי שעה ייפסק.
הורדה או עצירה
מה זמין עכשיו
Pretraining pod
פרסו pod GPU ייעודי עבור LLM, מולטימודלי או continued pretraining עם image הריצה וה-dataset שלכם.
- 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
- Image Docker שלכם, סוג GPU, כמות GPU, דיסק וגודל volume
- Dataset בבעלותכם אופציונלי חתום ל-HYPEREAL_DATASET_URL למשך 24 שעות
- SSH, TensorBoard, API ו-portים של notebook נפתחים אוטומטית
פוסט-טריינינג של LoRA
אימון מודלי LoRA נבחרים לתמונות ולווידאו מול דאטה סטים פרטיים, ואז הורדת המשקולות שנוצרו.
- 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
- מאמני Flux Dev, Qwen Image, Wan 2.2 Image ו-Wan 2.2 I2V
- בקרות למילת טריגר, steps, learning rate ו-LoRA rank
- התקדמות, ביטול, החזר, reconciliation של webhook ואחסון פלט ב-R2
קלאסטר pretraining רב-צמתי
תכנון ובקשה לקיבולת של אימון מבוזר עם טופולוגיית Mercury ורמזי runtime.
- 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
- הצעת מחיר למספר GPU, רשת, orchestrator, אזור ואחסון
- בדיקת טופולוגיה, scheduler, NCCL ורמזי runtime
- עדיין לא משווק כהרצה פיזית בלחיצה אחת על כמה צמתים
Pretraining עם צומת יחיד ו-LoRA post-training זמינים בלחיצה אחת. Pretraining מרובה-צמתים נשאר תהליך מבוסס קיבולת עד שהקצאת הקלאסטר הפיזי תחובר מקצה לקצה.
מאמני LoRA נבחרים
Flux Dev (LoRA)
דמויות פוטוריאליסטיות, מוצרים, סגנונות
הבחירה הכללית. אימון פנים, מוצר או סגנון ויזואלי ושימוש במשקולות בכל מקום שבו Flux רץ.
Qwen Image (LoRA)
LoRA-ים באיכות גבוהה לאיור ולדמויות
מצטיין באיור מסוגנן ובדמיון לדמויות ממזרח אסיה. שימוש באותו תהליך דאטה סט דחוס כמו Flux.
Wan 2.2 Image (LoRA)
LoRA-ים מסוגננים לתמונות ברזולוציה גבוהה
LoRA לתמונות ברזולוציה גבוהה על בסיס Wan 2.2. מחזיר משקולות כפולות עם רעש גבוה ונמוך ל-workflows מתקדמים.
Wan 2.2 I2V (LoRA)
שליטה בתנועה מתמונה לווידאו
אימון על קליפים קצרים כדי לנעול תנועה, מצלמה או אנימציית דמות. הדגל המרכזי לווידאו מותאם אישית.
קרדיטים נשמרים כשמתחילים ומוחזרים במקרה של כשל בשליחה, כשל upstream או ביטול לפני המסירה.
תהליך האימון המלא
Pretraining ו-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.
בחירת runtime ל-GPU
בחירת סוג GPU, כמות, תמונת Docker, דיסק, נפח, framework, precision ואורך רצף.
צירוף דאטה
שימוש בדאטה סט מאחסון שבבעלותך או צירופו מאוחר יותר. כתובות ה-URL של הדאטה סט נחתמות עבור ה-pod בעת ההפעלה.
פריסת pod
השעה הראשונה נשמרת מראש, ה-pod מתועד מקומית, ובקרות מחזור החיים הרגילות של pod נכנסות לפעולה.
אימון ו-checkpoint
שימוש ב-SSH, TensorBoard, API או גישת notebook, ואז כתיבת checkpoints תחת HYPEREAL_OUTPUT_DIR.
פוסט-טריינינג של LoRA
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.
העלאת דאטה סט
העלאת zip של תמונות או קליפים קצרים ל-Storage וסימון שלו כ-kind=dataset.
בחירת מאמן
בחירת Flux, Qwen Image, Wan 2.2 Image או Wan 2.2 I2V והגדרת היפר-פרמטרים אופציונליים ל-LoRA.
הפעלה ומעקב
Hypereal שומר קרדיטים, שולח את ההרצה, עוקב אחרי ההתקדמות ומאפשר לבטל לפני המסירה.
הורדת משקולות
הרצות שהושלמו מעתיקות פלטים לאחסון R2 פרטי וחושפות משקולות .safetensors להורדה.
מה צוותים פורסים
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 pretraining של LLM
הקמה של pod רב-פעמי ב-PyTorch, DeepSpeed או Nanotron עבור דאטה דומייני, ניסויי tokenizer או המשך checkpoint.
LoRA-ים לדמויות ולמוצרים
אימון אנשים, קמעות, מוצרים, אריזות וסגנונות בית עקביים בלי לבנות prompts מחדש מהתחלה.
תנועה מותאמת אישית לווידאו
אימון LoRA-ים על קליפים קצרים לתנועות מצלמה חוזרות, אנימציית דמויות או נכסי תנועה ממותגים.