Deploy pod pretraining dan latih LoRA pada data Anda sendiri
Luncurkan pod GPU single-node sungguhan untuk pretraining berkelanjutan, atau jalankan post-training LoRA terkelola untuk Flux, Qwen Image, dan Wan 2.2. Dataset, penagihan, progres, pembatalan, dan output tetap berada di dalam Hypereal.
Mulai di sini jika Anda baru
Anda tidak perlu memahami setiap pengaturan GPU terlebih dahulu. Pilih jalur yang sesuai dengan tujuan Anda, siapkan satu dataset, lalu biarkan konsol pelatihan memandu peluncuran.
Aturan praktis: gunakan LoRA ketika Anda menginginkan adaptor gaya, karakter, produk, atau gerakan kecil yang dapat digunakan kembali. Gunakan pod pretraining ketika Anda memerlukan kontrol penuh atas kode, checkpoint, dan 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 - 06Keputusan
Pilih hasil yang Anda inginkan
Pilih pasca-pelatihan LoRA jika Anda menginginkan bobot .safetensors yang dapat diunduh. Pilih pod pretraining jika Anda perlu menjalankan kode pelatihan Anda sendiri di mesin GPU.
Pilih LoRA atau pretraining - 07/infra/storage
Siapkan satu dataset
Untuk LoRA, unggah zip gambar atau klip pendek di Storage dan tandai sebagai kind=dataset. Untuk pretraining, Anda dapat melampirkan dataset sekarang atau membawa data setelah pod dimulai.
Unggah di Storage - 08Dasbor
Buka konsol pelatihan
Buka Infrastructure -> Training. Formulir atas meluncurkan pod pretraining; formulir LoRA memulai fine-tune terkelola dan menampilkan penahanan kredit Anda sebelum peluncuran.
Buka /infra/training - 09Satu klik
Luncurkan dan pantau kemajuan
Klik Deploy pretraining pod atau Start training. Pretraining mengarahkan ke halaman pod. Eksekusi LoRA muncul dalam daftar Eksekusi dengan status kemajuan, batal, pengembalian dana, dan keluaran.
Mulai eksekusi - 10Selesai
Selesaikan eksekusi dengan aman
Unduh bobot LoRA saat eksekusi selesai. Untuk pod pretraining, simpan checkpoint dan hentikan atau terminasi pod saat Anda selesai agar penagihan per jam berhenti.
Unduh atau hentikan
Apa yang aktif hari ini
Pod pretraining
Deploy pod GPU khusus untuk LLM, multimodal, atau pretraining berkelanjutan dengan image runtime dan dataset Anda.
- 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 sendiri, tipe GPU, jumlah GPU, disk, dan ukuran volume
- Dataset milik opsional yang ditandatangani ke HYPEREAL_DATASET_URL selama 24 jam
- Port SSH, TensorBoard, API, dan notebook dibuka secara otomatis
Post-training LoRA
Latih model LoRA image dan video yang dikurasi terhadap dataset pribadi, lalu unduh bobot yang dihasilkan.
- 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
- Trainer Flux Dev, Qwen Image, Wan 2.2 Image, dan Wan 2.2 I2V
- Kontrol kata pemicu, langkah, learning rate, dan rank LoRA
- Progres, pembatalan, pengembalian dana, rekonsiliasi webhook, dan penyimpanan output R2
Cluster pretraining multi-node
Rencanakan dan minta kapasitas pelatihan terdistribusi dengan petunjuk topologi dan runtime Mercury.
- 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
- Kutipan jumlah GPU, jaringan, orkestrator, wilayah, dan penyimpanan
- Periksa petunjuk topologi, penjadwal, NCCL, dan runtime
- Belum dipasarkan sebagai peluncuran multi-node fisik one-click
Pretraining single-node dan post-training LoRA adalah one-click. Pretraining multi-node tetap menjadi alur kerja kapasitas hingga penyediaan cluster fisik terhubung dari ujung ke ujung.
Trainer LoRA terkurasi
Flux Dev (LoRA)
Karakter, produk, gaya fotorealistik
Pilihan serbaguna. Latih wajah, produk, atau gaya visual dan gunakan bobot di mana pun Flux berjalan.
Qwen Image (LoRA)
LoRA ilustrasi dan karakter fidelitas tinggi
Kuat pada ilustrasi bergaya dan kemiripan karakter Asia Timur. Gunakan alur dataset zip yang sama seperti Flux.
Wan 2.2 Image (LoRA)
LoRA gambar resolusi tinggi bergaya
LoRA gambar resolusi tinggi pada basis Wan 2.2. Mengembalikan bobot noise tinggi dan rendah ganda untuk alur kerja lanjutan.
Wan 2.2 I2V (LoRA)
Kontrol gerakan image-to-video
Latih pada klip video pendek untuk mengunci gerakan, kamera, atau animasi karakter. Unggulan untuk video kustom.
Kredit ditahan saat Anda memulai dan dikembalikan jika gagal kirim, gagal upstream, atau dibatalkan sebelum pengiriman.
Alur kerja pelatihan lengkap
Pretraining dan pretraining berkelanjutan
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.
Pilih runtime GPU
Pilih tipe GPU, jumlah, image Docker, disk, ukuran volume, framework, presisi, dan panjang urutan.
Lampirkan data
Gunakan dataset penyimpanan milik sendiri atau lampirkan nanti. URL dataset ditandatangani untuk pod saat peluncuran.
Deploy pod
Satu jam pertama ditahan di muka, pod direkam secara lokal, dan kontrol siklus hidup pod normal mengambil alih.
Latih dan checkpoint
Gunakan akses SSH, TensorBoard, API, atau notebook, lalu tulis checkpoint di bawah HYPEREAL_OUTPUT_DIR.
Post-training 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.
Unggah dataset
Unggah zip gambar atau klip pendek ke Penyimpanan dan tandai sebagai kind=dataset.
Pilih trainer
Pilih Flux, Qwen Image, Wan 2.2 Image, atau Wan 2.2 I2V dan atur hyperparameter LoRA opsional.
Mulai dan pantau
Hypereal menahan kredit, mengirimkan run, melacak progres, dan memungkinkan Anda membatalkan sebelum pengiriman.
Unduh bobot
Run yang selesai menyalin output ke penyimpanan R2 pribadi dan menampilkan bobot .safetensors yang dapat diunduh.
Apa yang tim deploy
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.
Pretraining LLM berkelanjutan
Luncurkan pod PyTorch, DeepSpeed, atau Nanotron yang dapat direproduksi untuk data domain, eksperimen tokenizer, atau kelanjutan checkpoint.
LoRA karakter dan produk
Latih orang, maskot, produk, kemasan, dan gaya rumah yang konsisten tanpa membangun ulang prompt dari awal.
Gerakan video kustom
Latih LoRA klip pendek untuk gerakan kamera yang dapat diulang, animasi karakter, atau aset gerakan bermerek.