Telepíts előtanító podokat, és taníts LoRA-kat saját adataidon
Indíts valódi, egycsomópontos GPU podot folytatólagos előtanításhoz, vagy futtass menedzselt LoRA utótanítást Flux, Qwen Image és Wan 2.2 modellekhez. Az adatkészletek, a számlázás, az előrehaladás, a leállítás és a kimenetek a Hypereal-ben maradnak.
Itt kezdd, ha még új vagy
Nem kell rögtön minden GPU-beállítást értened. Válaszd ki a célodhoz illő utat, készíts elő egy adatkészletet, majd hagyd, hogy a tanítási konzol végigvezessen az indításon.
Ökölszabály: LoRA-t használj, ha egy kicsi, újrahasznosítható stílus-, karakter-, termék- vagy mozgás-adaptert szeretnél. Előtanító podot használj, ha teljes kontrollra van szükséged a kód, a checkpointok és a futtatási környezet felett.
- 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 - 06Döntés
Válaszd ki a kívánt eredményt
Válaszd a LoRA utótanítást, ha letölthető .safetensors súlyokra van szükséged. Válassz előtanító podot, ha saját tanítási kódodat kell futtatnod egy GPU gépen.
LoRA vagy előtanítás kiválasztása - 07/infra/storage
Készíts elő egy adatkészletet
LoRA esetén tölts fel egy zip fájlt képekkel vagy rövid klipekkel a Storage-ba, és jelöld kind=dataset értékkel. Előtanításhoz most is csatlakoztathatsz adatkészletet, vagy a pod indulása után is beviheted az adatokat.
Feltöltés a Storage-ba - 08Irányítópult
Nyisd meg a tanítási konzolt
Lépj az Infrastructure -> Training részre. A felső űrlap egy előtanító podot indít; a LoRA űrlap egy menedzselt fine-tune-t indít, és a kreditfoglalást már indulás előtt megjeleníti.
/infra/training megnyitása - 09Egy kattintás
Indítsd el, és kövesd az előrehaladást
Kattints a Deploy pretraining pod vagy a Start training gombra. Az előtanítás átirányít a pod oldalra. A LoRA futások a Runs listában jelennek meg előrehaladással, leállítással, visszatérítéssel és kimeneti állapottal együtt.
A futás indítása - 10Befejezés
Biztonságosan fejezd be a futást
A LoRA súlyokat a futás befejezésekor töltsd le. Előtanító podoknál mentsd el a checkpointokat, majd amikor végeztél, állítsd le vagy szüntesd meg a podot, hogy az óradíjas számlázás leálljon.
Letöltés vagy leállítás
Mi érhető el most
Előtanító pod
Telepíts dedikált GPU podot LLM, multimodális vagy folytatólagos előtanításhoz a saját futtatási képfájloddal és adatkészleteddel.
- 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
- Saját Docker image, GPU típus, GPU darabszám, lemez- és kötetméret
- Opcionális, saját adatkészlet, amely 24 órára a HYPEREAL_DATASET_URL alatt van aláírva
- SSH-, TensorBoard-, API- és notebook portok automatikusan megnyitva
LoRA utótréning
Kurált kép- és videó LoRA modellek tréningje privát adatkészleteken, majd a kapott súlyok letöltése.
- 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 és Wan 2.2 I2V tréningek
- Trigger word, lépésszám, tanulási ráta és LoRA rang vezérlők
- Haladás, megszakítás, visszatérítés, webhook egyeztetés és R2 kimenettárolás
Többcsomópontos pretraining klaszter
Tervezd meg és igényeld a megosztott tréningkapacitást Mercury topológiával és futásidejű tippekkel.
- 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
- GPU-szám, hálózat, orkchestrátor, régió és tárhely árajánlása
- Topológia, ütemező, NCCL és futásidejű tippek ellenőrzése
- Még nem piacosítva mint egykattintásos fizikai többcsomópontos indítás
Az egycsomópontos előtanítás és a LoRA utótanítás egy kattintással elérhető. A többcsomópontos előtanítás továbbra is kapacitásalapú munkafolyamat marad, amíg a fizikai кластер provisioning teljes körűen nincs bekötve.
Kurált LoRA tréningek
Flux Dev (LoRA)
Fotorealisztikus karakterek, termékek, stílusok
Az általános célú választás. Tréningelj egy arcot, terméket vagy vizuális stílust, és használd a súlyokat bárhol, ahol a Flux fut.
Qwen Image (LoRA)
Nagy hűségű illusztrációs és karakter LoRA-k
Erős stilizált illusztrációban és kelet-ázsiai karakterhasonlóságban. Ugyanazt a zipelt adatkészlet-folyamatot használd, mint a Flux esetén.
Wan 2.2 Image (LoRA)
Stilizált, nagy felbontású kép LoRA-k
Nagy felbontású kép LoRA a Wan 2.2 alapra építve. Kettős, magas és alacsony zajú súlyokat ad vissza fejlettebb munkafolyamatokhoz.
Wan 2.2 I2V (LoRA)
Kép-videó mozgásvezérlés
Tréningelj rövid videóklippeken, hogy rögzítsd a mozgást, a kamerát vagy a karakteranimációt. A zászlóshajó egyedi videókhoz.
A kreditek zárolásra kerülnek indításkor, és visszatérítésre kerülnek beküldési hiba, upstream hiba vagy kézbesítés előtti megszakítás esetén.
A teljes tréningfolyamat
Pretraining és folytatólagos 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 futtatókörnyezet kiválasztása
Válaszd ki a GPU típusát, darabszámát, Docker image-et, lemezt, kötetméretet, keretrendszert, precizitást és szekvenciahosszt.
Adatok csatlakoztatása
Használj saját tárolt adatkészletet, vagy csatlakoztasd később. Az adatkészlet-URL-ek alá vannak írva a pod számára indításkor.
Pod telepítése
Az első óra előre zárolásra kerül, a pod helyileg rögzítésre kerül, majd átveszik a normál pod életciklus-vezérlők.
Tréning és checkpoint
Használj SSH, TensorBoard, API vagy notebook hozzáférést, majd írd a checkpointokat a HYPEREAL_OUTPUT_DIR alá.
LoRA utótréning
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.
Adatkészlet feltöltése
Tölts fel képekből vagy rövid klipekből álló zipet a Storage-ba, és jelöld kind=datasetként.
Tréner kiválasztása
Válaszd a Flux, Qwen Image, Wan 2.2 Image vagy Wan 2.2 I2V opciót, és állítsd be az opcionális LoRA hiperparamétereket.
Indítás és monitorozás
Hypereal zárolja a krediteket, beküldi a futtatást, követi a haladást, és lehetővé teszi a kézbesítés előtti megszakítást.
Súlyok letöltése
A befejezett futások a kimeneteket privát R2 tárhelyre másolják, és letölthető .safetensors súlyokat tesznek elérhetővé.
Mit telepítenek a csapatok
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.
LLM folytatólagos pretraining
Indíts reprodukálható PyTorch, DeepSpeed vagy Nanotron podot domainadatokhoz, tokenizer-kísérletekhez vagy checkpoint-folytatáshoz.
Karakter- és termék LoRA-k
Tréningelj következetes embereket, kabalákat, termékeket, csomagolásokat és arculati stílusokat anélkül, hogy nulláról építenéd újra a promptokat.
Egyedi videómozgás
Tréningelj rövidklipes LoRA-kat ismételhető kameramozgásokhoz, karakteranimációhoz vagy márkázott mozgóanyagokhoz.