Start her hvis du er ny
Du trenger ikke forstå alle GPU-innstillingene først. Velg veien som passer målet ditt, forbered ett datasett, og la treningskonsollen guide deg gjennom oppstarten.
Tommelfingerregel: bruk LoRA når du vil ha en liten gjenbrukbar stil-, karakter-, produkt- eller bevegelsesadapter. Bruk pretraining-pods når du trenger full kontroll over kode, sjekkpunkter og kjøretid.
- 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 - 06Beslutning
Velg resultatet du vil ha
Velg LoRA-ettertrening hvis du vil ha nedlastbare .safetensors-vekter. Velg en pretraining-pod hvis du må kjøre din egen treningskode på en GPU-maskin.
Velg LoRA eller pretraining - 07/infra/storage
Forbered ett datasett
For LoRA laster du opp en zip med bilder eller korte klipp i Storage og markerer den som kind=dataset. For pretraining kan du legge ved et datasett nå eller legge inn data etter at podden starter.
Last opp i Storage - 08Dashbord
Åpne treningskonsollen
Gå til Infrastruktur -> Trening. Skjemaet øverst starter en pretraining-pod; LoRA-skjemaet starter en administrert finjustering og viser kredittreservasjonen din før oppstart.
Åpne /infra/training - 09Ett klikk
Start og følg fremdriften
Klikk Distribuer pretraining-pod eller Start trening. Pretraining videresender til pod-siden. LoRA-kjøringer vises i Kjøringer-listen med fremdrift, avbryt, refusjon og status for resultatene.
Start kjøringen - 10Fullfør
Fullfør kjøringen trygt
Last ned LoRA-vekter når kjøringen er fullført. For pretraining-pods lagrer du sjekkpunkter og stopper eller terminerer podden når du er ferdig, slik at timefaktureringen stopper.
Last ned eller stopp
Hva som er live i dag
Pretraining-pod
Distribuer en dedikert GPU-pod for LLM, multimodal eller fortsatt pretraining med ditt runtime-image og datasett.
- 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
- Eget Docker-image, GPU-type, GPU-antall, disk og volumstørrelse
- Valgfritt eget datasett signert inn til HYPEREAL_DATASET_URL i 24 timer
- SSH-, TensorBoard-, API- og notebook-porter åpnes automatisk
LoRA-posttrening
Tren kuraterte image- og video-LoRA-modeller mot private datasett, og last deretter ned de resulterende vektene.
- 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- og Wan 2.2 I2V-trenere
- Kontroller for triggerord, steg, læringsrate og LoRA-rang
- Fremdrift, avbryt, refusjon, webhook-avstemming og R2-lagring av utdata
Pretraining-klynge med flere noder
Planlegg og be om distribuert treningskapasitet med Mercury-topologi og runtime-hint.
- 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
- Beregn GPU-antall, nettverk, orchestrator, region og lagring
- Inspiser topologi-, scheduler-, NCCL- og runtime-hint
- Ikke markedsført som fysisk lansering med flere noder med ett klikk ennå
Pretraining med én node og LoRA-ettertrening med ett klikk. Pretraining med flere noder er fortsatt en kapasitetsarbeidsflyt til fysisk klargjøring av klynger er koblet sammen ende til ende.
Kuraterte LoRA-trenere
Flux Dev (LoRA)
Fotorealistiske karakterer, produkter og stiler
Det allsidige valget. Tren et ansikt, et produkt eller en visuell stil, og bruk vektene der Flux kjører.
Qwen Image (LoRA)
LoRA-er med høy troverdighet for illustrasjon og karakterer
Sterk på stilisert illustrasjon og østasiatisk karakterlikhet. Bruk samme zippede datasettflyt som for Flux.
Wan 2.2 Image (LoRA)
Stiliserte image-LoRA-er med høy oppløsning
Image-LoRA med høy oppløsning på Wan 2.2-basen. Returnerer doble vekter med høy og lav støy for avanserte arbeidsflyter.
Wan 2.2 I2V (LoRA)
Bevegelseskontroll fra bilde til video
Tren på korte videoklipp for å låse inn bevegelse, kamera eller karakteranimasjon. Flaggskipet for tilpasset video.
Kreditter holdes når du starter, og refunderes ved feil ved innsending, feil oppstrøms eller avbestilling før levering.
Den komplette treningsflyten
Pretraining og fortsatt 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.
Velg GPU-runtime
Velg GPU-type, antall, Docker-image, disk, volumstørrelse, rammeverk, presisjon og sekvenslengde.
Koble til data
Bruk et datasett i egen lagring, eller koble det til senere. Dataset-URL-er signeres for pod-en ved oppstart.
Distribuer pod
Den første timen holdes på forhånd, pod-en registreres lokalt, og vanlige kontroller for pod-livssyklus tar over.
Tren og lag sjekkpunkt
Bruk SSH-, TensorBoard-, API- eller notebook-tilgang, og skriv deretter sjekkpunkter under HYPEREAL_OUTPUT_DIR.
LoRA-posttrening
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.
Last opp datasett
Last opp en zip med bilder eller korte klipp til Storage og merk den som kind=dataset.
Velg trener
Velg Flux, Qwen Image, Wan 2.2 Image eller Wan 2.2 I2V, og angi valgfrie LoRA-hyperparametere.
Start og overvåk
Hypereal holder kreditter, sender inn kjøringen, sporer fremdrift og lar deg avbryte før levering.
Last ned vekter
Fullførte kjøringer kopierer utdata til privat R2-lagring og eksponerer nedlastbare .safetensors-vekter.
Det teamene tar i bruk
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.
Fortsatt pretraining av LLM-er
Start en reproducerbar pod for PyTorch, DeepSpeed eller Nanotron for domenedata, tokenizer-eksperimenter eller fortsettelse av sjekkpunkt.
Karakter- og produkt-LoRA-er
Tren konsistente personer, maskoter, produkter, emballasje og visuelle profiluttrykk uten å bygge opp prompts fra bunnen av.
Tilpasset videobevegelse
Tren LoRA-er på korte klipp for repeterbare kamerabevegelser, karakteranimasjon eller brandede bevegelsesressurser.