처음이시라면 여기서 시작하세요
처음부터 모든 GPU 설정을 이해할 필요는 없습니다. 목표에 맞는 경로를 선택하고, 데이터셋 하나를 준비한 다음, 트레이닝 콘솔이 시작을 안내하도록 하세요.
경험 법칙: 작고 재사용 가능한 스타일, 캐릭터, 제품 또는 모션 어댑터를 원할 때는 LoRA를 사용하세요. 코드, 체크포인트 및 런타임을 완전히 제어해야 하는 경우에는 사전 학습 파드를 사용하세요.
- 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 - 06결정
원하는 결과 선택
다운로드 가능한 .safetensors 가중치를 원하면 LoRA 후 학습을 선택하세요. GPU 머신에서 자체 학습 코드를 실행해야 하는 경우 사전 학습 파드를 선택하세요.
LoRA 또는 사전 학습 선택 - 07/infra/storage
데이터셋 하나 준비
LoRA의 경우, 스토리지에 이미지 또는 짧은 클립의 zip 파일을 업로드하고 kind=dataset으로 표시하세요. 사전 학습의 경우, 지금 데이터셋을 첨부하거나 파드가 시작된 후에 데이터를 가져올 수 있습니다.
스토리지에서 업로드 - 08대시보드
트레이닝 콘솔 열기
인프라 -> 트레이닝으로 이동하세요. 상단 양식은 사전 학습 파드를 시작하고, LoRA 양식은 관리형 미세 조정을 시작하며 시작 전 크레딧 보류를 표시합니다.
/infra/training 열기 - 09원클릭
시작하고 진행 상황 보기
사전 학습 파드 배포 또는 트레이닝 시작을 클릭하세요. 사전 학습은 파드 페이지로 리디렉션됩니다. LoRA 실행은 진행 상황, 취소, 환불 및 출력 상태와 함께 실행 목록에 나타납니다.
실행 시작 - 10마무리
안전하게 실행 완료
실행이 완료되면 LoRA 가중치를 다운로드하세요. 사전 학습 파드의 경우, 체크포인트를 저장하고 완료되면 파드를 중지하거나 종료하여 시간당 요금 청구를 중지하세요.
다운로드 또는 중지
오늘 사용 가능한 기능
사전 학습 Pod
자체 런타임 이미지 및 데이터셋으로 LLM, 멀티모달 또는 지속적인 사전 학습을 위한 전용 GPU Pod를 배포하세요.
- 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
- 자체 Docker 이미지, GPU 유형, GPU 수, 디스크 및 볼륨 크기
- 선택 사항: HYPEREAL_DATASET_URL에 24시간 동안 서명된 자체 데이터셋
- SSH, TensorBoard, API 및 노트북 포트 자동 열림
LoRA 사후 학습
개인 데이터셋으로 큐레이션된 이미지 및 비디오 LoRA 모델을 학습한 후 결과 가중치를 다운로드하세요.
- 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, Wan 2.2 I2V 트레이너
- 트리거 단어, 스텝, 학습률 및 LoRA 랭크 제어
- 진행 상황, 취소, 환불, 웹훅 조정 및 R2 출력 스토리지
다중 노드 사전 학습 클러스터
Mercury 토폴로지 및 런타임 힌트를 사용하여 분산 학습 용량을 계획하고 요청하세요.
- 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 수, 네트워크, 오케스트레이터, 리전 및 스토리지 견적
- 토폴로지, 스케줄러, NCCL 및 런타임 힌트 검토
- 아직 원클릭 물리적 다중 노드 실행으로 마케팅되지 않음
단일 노드 사전 학습 및 LoRA 사후 학습은 원클릭으로 가능합니다. 다중 노드 사전 학습은 물리적 클러스터 프로비저닝이 완전히 연동될 때까지 용량 워크플로우로 유지됩니다.
큐레이션된 LoRA 트레이너
Flux Dev (LoRA)
실사 같은 캐릭터, 제품, 스타일
범용 선택 항목입니다. 얼굴, 제품 또는 시각적 스타일을 학습하고 Flux가 실행되는 모든 곳에서 가중치를 사용하세요.
Qwen Image (LoRA)
고품질 일러스트 및 캐릭터 LoRA
스타일화된 일러스트 및 동아시아 캐릭터 유사성에 강합니다. Flux와 동일한 zip 데이터셋 흐름을 사용하세요.
Wan 2.2 Image (LoRA)
스타일화된 고해상도 이미지 LoRA
Wan 2.2 기반의 고해상도 이미지 LoRA입니다. 고급 워크플로우를 위해 고노이즈 및 저노이즈 가중치를 모두 반환합니다.
Wan 2.2 I2V (LoRA)
이미지-비디오 모션 제어
짧은 비디오 클립으로 학습하여 모션, 카메라 또는 캐릭터 애니메이션을 고정하세요. 맞춤형 비디오의 주력입니다.
크레딧은 시작 시 보유되며, 전송 실패, 업스트림 실패 또는 배송 전 취소 시 환불됩니다.
전체 학습 워크플로우
사전 학습 및 지속적인 사전 학습
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 런타임 선택
GPU 유형, 수, Docker 이미지, 디스크, 볼륨 크기, 프레임워크, 정밀도 및 시퀀스 길이를 선택하세요.
데이터 연결
자체 스토리지 데이터셋을 사용하거나 나중에 연결하세요. 데이터셋 URL은 시작 시 Pod에 서명됩니다.
Pod 배포
처음 1시간은 선결제되며, Pod는 로컬에 기록되고 일반적인 Pod 수명 주기 제어가 적용됩니다.
학습 및 체크포인트
SSH, TensorBoard, API 또는 노트북 액세스를 사용하고 HYPEREAL_OUTPUT_DIR 아래에 체크포인트를 작성하세요.
LoRA 사후 학습
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.
데이터셋 업로드
이미지 또는 짧은 클립의 zip 파일을 스토리지에 업로드하고 kind=dataset으로 표시하세요.
트레이너 선택
Flux, Qwen Image, Wan 2.2 Image 또는 Wan 2.2 I2V를 선택하고 선택적 LoRA 하이퍼파라미터를 설정하세요.
시작 및 모니터링
Hypereal이 크레딧을 보유하고, 실행을 제출하고, 진행 상황을 추적하며, 배송 전에 취소할 수 있도록 합니다.
가중치 다운로드
완료된 실행은 출력을 개인 R2 스토리지에 복사하고 다운로드 가능한 .safetensors 가중치를 제공합니다.
팀들이 배포하는 것
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.
지속적인 LLM 사전 학습
도메인 데이터, 토크나이저 실험 또는 체크포인트 연속을 위해 재현 가능한 PyTorch, DeepSpeed 또는 Nanotron Pod를 실행하세요.
캐릭터 및 제품 LoRA
프롬프트를 처음부터 다시 구축하지 않고 일관된 사람, 마스코트, 제품, 포장 및 브랜드 스타일을 학습하세요.
맞춤형 비디오 모션
반복 가능한 카메라 이동, 캐릭터 애니메이션 또는 브랜드 모션 에셋을 위해 짧은 클립 LoRA를 학습하세요.