Distribuisci pod di pre-addestramento e addestra LoRA sui tuoi dati
Avvia un pod GPU reale su singolo nodo per il pre-addestramento continuo, o esegui post-addestramento LoRA gestito per Flux, Qwen Image e Wan 2.2. Dataset, fatturazione, progressi, annullamento e output rimangono all'interno di Hypereal.
Inizia qui se sei nuovo
Non è necessario comprendere ogni impostazione della GPU in anticipo. Scegli il percorso che corrisponde al tuo obiettivo, prepara un set di dati, quindi lascia che la console di training guidi l'avvio.
Regola generale: usa LoRA quando desideri un piccolo adattatore riutilizzabile per stile, personaggio, prodotto o movimento. Usa i pod di pretraining quando hai bisogno di un controllo completo su codice, checkpoint e 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 - 06Decisione
Scegli il risultato desiderato
Scegli il post-training LoRA se desideri pesi .safetensors scaricabili. Scegli un pod di pretraining se hai bisogno di eseguire il tuo codice di training su una macchina GPU.
Scegli LoRA o pretraining - 07/infra/storage
Prepara un set di dati
Per LoRA, carica uno zip di immagini o brevi clip in Storage e contrassegnalo come kind=dataset. Per il pretraining, puoi allegare un set di dati ora o importare i dati dopo l'avvio del pod.
Carica in Storage - 08Dashboard
Apri la console di training
Vai su Infrastructure -> Training. Il modulo in alto avvia un pod di pretraining; il modulo LoRA avvia un fine-tuning gestito e mostra il tuo blocco di crediti prima dell'avvio.
Apri /infra/training - 09Un clic
Avvia e monitora i progressi
Fai clic su Deploy pretraining pod o Start training. Il pretraining reindirizza alla pagina del pod. Le esecuzioni LoRA appaiono nell'elenco Runs con progressi, opzioni di annullamento, rimborso e stato dell'output.
Avvia l'esecuzione - 10Completa
Completa l'esecuzione in sicurezza
Scarica i pesi LoRA al completamento dell'esecuzione. Per i pod di pretraining, salva i checkpoint e arresta o termina il pod quando hai finito in modo che la fatturazione oraria si interrompa.
Scarica o arresta
Cosa è disponibile oggi
Pod di pre-addestramento
Distribuisci un pod GPU dedicato per LLM, multimodale o pre-addestramento continuo con la tua immagine runtime e il tuo 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
- Immagine Docker proprietaria, tipo di GPU, numero di GPU, disco e dimensione del volume
- Dataset proprietario opzionale collegato a HYPEREAL_DATASET_URL per 24 ore
- Porte SSH, TensorBoard, API e notebook aperte automaticamente
Post-addestramento LoRA
Addestra modelli LoRA di immagini e video curati contro dataset privati, quindi scarica i pesi risultanti.
- 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 e Wan 2.2 I2V
- Controlli per trigger word, passi, learning rate e rank LoRA
- Progressi, annullamento, rimborso, riconciliazione webhook e storage di output R2
Cluster di pre-addestramento multi-nodo
Pianifica e richiedi capacità di addestramento distribuito con suggerimenti sulla topologia Mercury e sul 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
- Quota numero di GPU, rete, orchestratore, regione e storage
- Ispeziona topologia, scheduler, NCCL e suggerimenti sul runtime
- Non ancora commercializzato come avvio fisico multi-nodo a un clic
Il pre-addestramento su singolo nodo e il post-addestramento LoRA sono a un clic. Il pre-addestramento multi-nodo rimane un flusso di lavoro basato sulla capacità fino a quando il provisioning del cluster fisico non sarà completamente integrato.
Trainer LoRA curati
Flux Dev (LoRA)
Personaggi, prodotti, stili fotorealistici
La scelta generica. Addestra un volto, un prodotto o uno stile visivo e utilizza i pesi ovunque venga eseguito Flux.
Qwen Image (LoRA)
LoRA per illustrazioni e personaggi ad alta fedeltà
Potente per illustrazioni stilizzate e somiglianze di personaggi dell'Asia orientale. Utilizza lo stesso flusso di dataset zippato di Flux.
Wan 2.2 Image (LoRA)
LoRA per immagini stilizzate ad alta risoluzione
LoRA per immagini ad alta risoluzione sulla base Wan 2.2. Restituisce pesi a rumore alto e basso per flussi di lavoro avanzati.
Wan 2.2 I2V (LoRA)
Controllo del movimento da immagine a video
Addestra su brevi clip video per bloccare il movimento, la telecamera o l'animazione del personaggio. Il fiore all'occhiello per video personalizzati.
I crediti vengono trattenuti all'avvio e rimborsati in caso di fallimento dell'invio, fallimento upstream o annullamento prima della consegna.
Il flusso di lavoro di addestramento completo
Pre-addestramento e pre-addestramento continuo
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.
Scegli il runtime GPU
Scegli il tipo di GPU, il numero, l'immagine Docker, il disco, la dimensione del volume, il framework, la precisione e la lunghezza della sequenza.
Collega i dati
Utilizza un dataset di storage di tua proprietà o collegalo in seguito. Gli URL dei dataset vengono firmati per il pod al momento dell'avvio.
Distribuisci il pod
La prima ora viene trattenuta in anticipo, il pod viene registrato localmente e i normali controlli del ciclo di vita del pod prendono il sopravvento.
Addestra e salva checkpoint
Utilizza l'accesso SSH, TensorBoard, API o notebook, quindi scrivi i checkpoint in HYPEREAL_OUTPUT_DIR.
Post-addestramento 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.
Carica il dataset
Carica uno zip di immagini o brevi clip in Storage e contrassegnalo come kind=dataset.
Scegli il trainer
Scegli Flux, Qwen Image, Wan 2.2 Image o Wan 2.2 I2V e imposta gli iperparametri LoRA opzionali.
Avvia e monitora
Hypereal trattiene i crediti, invia l'esecuzione, tiene traccia dei progressi e ti consente di annullare prima della consegna.
Scarica i pesi
Le esecuzioni completate copiano gli output nello storage privato R2 ed espongono i pesi .safetensors scaricabili.
Cosa implementano i 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.
Pre-addestramento LLM continuo
Avvia un pod PyTorch, DeepSpeed o Nanotron riproducibile per dati di dominio, esperimenti sul tokenizer o continuazione dei checkpoint.
LoRA per personaggi e prodotti
Addestra persone, mascotte, prodotti, packaging e stili aziendali coerenti senza ricostruire i prompt da zero.
Movimento video personalizzato
Addestra LoRA su brevi clip per movimenti di telecamera ripetibili, animazioni di personaggi o asset di movimento brandizzati.

