Guna pod pra-latihan dan latih LoRA pada data anda sendiri
Lancarkan pod GPU satu nod sebenar untuk pra-latihan berterusan, atau jalankan pasca-latihan LoRA terurus untuk Flux, Qwen Image, dan Wan 2.2. Set data, pengebilan, kemajuan, pembatalan, dan output kekal dalam Hypereal.
Mula di sini jika anda baru
Anda tidak perlu memahami setiap tetapan GPU terlebih dahulu. Pilih laluan yang sepadan dengan matlamat anda, sediakan satu set data, kemudian biarkan konsol latihan membimbing pelancaran.
Peraturan umum: gunakan LoRA apabila anda mahukan gaya, watak, produk, atau penyesuai gerakan yang kecil dan boleh diguna semula. Gunakan pod pra-latihan apabila anda memerlukan kawalan penuh ke atas kod, titik semak, dan masa jalan.
- 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-latihan LoRA jika anda mahukan pemberat .safetensors yang boleh dimuat turun. Pilih pod pra-latihan jika anda perlu menjalankan kod latihan anda sendiri pada mesin GPU.
Pilih LoRA atau pra-latihan - 07/infra/storage
Sediakan satu set data
Untuk LoRA, muat naik zip imej atau klip pendek dalam Storan dan tandakannya sebagai kind=dataset. Untuk pra-latihan, anda boleh melampirkan set data sekarang atau membawa data masuk selepas pod bermula.
Muat naik dalam Storan - 08Papan Pemuka
Buka konsol latihan
Pergi ke Infrastruktur -> Latihan. Borang teratas melancarkan pod pra-latihan; borang LoRA memulakan penalaan halus terurus dan menunjukkan pegangan kredit anda sebelum pelancaran.
Buka /infra/training - 09Satu klik
Lancarkan dan pantau kemajuan
Klik Guna pod pra-latihan atau Mulakan latihan. Pra-latihan mengalihkan ke halaman pod. Larian LoRA muncul dalam senarai Larian dengan kemajuan, pembatalan, bayaran balik, dan status output.
Mulakan larian - 10Selesai
Selesaikan larian dengan selamat
Muat turun pemberat LoRA apabila larian selesai. Untuk pod pra-latihan, simpan titik semak dan hentikan atau tamatkan pod apabila anda selesai supaya pengebilan jam berhenti.
Muat turun atau hentikan
Apa yang tersedia hari ini
Pod pra-latihan
Guna pod GPU khusus untuk LLM, multimodal, atau pra-latihan berterusan dengan imej masa jalan dan set data 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
- Imej Docker sendiri, jenis GPU, bilangan GPU, cakera, dan saiz volum
- Set data milik pilihan yang ditandatangani ke HYPEREAL_DATASET_URL selama 24 jam
- SSH, TensorBoard, API, dan port buku nota dibuka secara automatik
Pasca-latihan LoRA
Latih model LoRA imej dan video terpilih terhadap set data peribadi, kemudian muat turun pemberat 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
- Pelatih Flux Dev, Qwen Image, Wan 2.2 Image, dan Wan 2.2 I2V
- Perkataan pencetus, langkah, kadar pembelajaran, dan kawalan pangkat LoRA
- Kemajuan, pembatalan, bayaran balik, penyelarasan webhook, dan storan output R2
Kluster pra-latihan berbilang nod
Rancang dan minta kapasiti latihan teragih dengan topologi Mercury dan petunjuk masa jalan.
- 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
- Petikan bilangan GPU, rangkaian, orkestrator, wilayah, dan storan
- Periksa topologi, penjadual, NCCL, dan petunjuk masa jalan
- Belum dipasarkan sebagai pelancaran berbilang nod fizikal satu klik
Pra-latihan satu nod dan pasca-latihan LoRA adalah satu klik. Pra-latihan berbilang nod kekal sebagai aliran kerja kapasiti sehingga penyediaan kluster fizikal disambungkan hujung ke hujung.
Pelatih LoRA terpilih
Flux Dev (LoRA)
Watak, produk, gaya fotorealistik
Pilihan serba guna. Latih wajah, produk, atau gaya visual dan gunakan pemberat di mana-mana Flux berjalan.
Qwen Image (LoRA)
Ilustrasi kesetiaan tinggi dan LoRA watak
Kuat pada ilustrasi bergaya dan persamaan watak Asia Timur. Gunakan aliran set data berzip yang sama seperti Flux.
Wan 2.2 Image (LoRA)
LoRA imej resolusi tinggi bergaya
LoRA imej resolusi tinggi pada pangkalan Wan 2.2. Mengembalikan pemberat dwi hingar tinggi dan rendah untuk aliran kerja lanjutan.
Wan 2.2 I2V (LoRA)
Kawalan gerakan imej-ke-video
Latih pada klip video pendek untuk mengunci gerakan, kamera, atau animasi watak. Yang utama untuk video tersuai.
Kredit dipegang apabila anda bermula dan dibayar balik atas kegagalan penghantaran, kegagalan huluan, atau pembatalan sebelum penghantaran.
Aliran kerja latihan yang lengkap
Pra-latihan dan pra-latihan berterusan
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 masa jalan GPU
Pilih jenis GPU, bilangan, imej Docker, cakera, saiz volum, rangka kerja, ketepatan, dan panjang urutan.
Lampirkan data
Gunakan set data storan milik atau lampirkannya kemudian. URL set data ditandatangani untuk pod semasa pelancaran.
Guna pod
Jam pertama dipegang di muka, pod direkodkan secara tempatan, dan kawalan kitaran hayat pod biasa mengambil alih.
Latih dan titik semak
Gunakan SSH, TensorBoard, API, atau akses buku nota, kemudian tulis titik semak di bawah HYPEREAL_OUTPUT_DIR.
Pasca-latihan 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.
Muat naik set data
Muat naik zip imej atau klip pendek ke Storan dan tandakannya sebagai kind=dataset.
Pilih pelatih
Pilih Flux, Qwen Image, Wan 2.2 Image, atau Wan 2.2 I2V dan tetapkan hiperparameter LoRA pilihan.
Mula dan pantau
Hypereal memegang kredit, menghantar larian, menjejaki kemajuan, dan membenarkan anda membatalkan sebelum penghantaran.
Muat turun pemberat
Larian yang selesai menyalin output ke storan R2 peribadi dan mendedahkan pemberat .safetensors yang boleh dimuat turun.
Apa yang digunakan oleh pasukan
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.
Pra-latihan LLM berterusan
Lancarkan pod PyTorch, DeepSpeed, atau Nanotron yang boleh dihasilkan semula untuk data domain, eksperimen tokenisasi, atau kesinambungan titik semak.
LoRA watak dan produk
Latih orang, maskot, produk, pembungkusan, dan gaya rumah yang konsisten tanpa membina semula gesaan dari awal.
Gerakan video tersuai
Latih LoRA klip pendek untuk pergerakan kamera yang boleh diulang, animasi watak, atau aset gerakan berjenama.