Implante pods de pré-treinamento e treine LoRAs em seus próprios dados
Inicie um pod de GPU de nó único real para pré-treinamento contínuo, ou execute pós-treinamento LoRA gerenciado para Flux, Qwen Image e Wan 2.2. Conjuntos de dados, cobrança, progresso, cancelamento e saídas permanecem dentro do Hypereal.
Comece aqui se você for novo
Você não precisa entender todas as configurações de GPU primeiro. Escolha o caminho que corresponde ao seu objetivo, prepare um conjunto de dados e deixe o console de treinamento guiar o lançamento.
Regra geral: use LoRA quando quiser um pequeno adaptador reutilizável de estilo, personagem, produto ou movimento. Use pods de pré-treinamento quando precisar de controle total sobre o código, checkpoints e tempo de execução.
- 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 - 06Decisão
Escolha o resultado que você deseja
Escolha o pós-treinamento LoRA se quiser pesos .safetensors para download. Escolha um pod de pré-treinamento se precisar executar seu próprio código de treinamento em uma máquina GPU.
Escolher LoRA ou pré-treinamento - 07/infra/storage
Prepare um conjunto de dados
Para LoRA, carregue um zip de imagens ou clipes curtos no Armazenamento e marque-o como kind=dataset. Para pré-treinamento, você pode anexar um conjunto de dados agora ou trazer dados após o início do pod.
Carregar no Armazenamento - 08Painel
Abra o console de treinamento
Vá para Infraestrutura -> Treinamento. O formulário superior inicia um pod de pré-treinamento; o formulário LoRA inicia um fine-tune gerenciado e mostra sua retenção de crédito antes do lançamento.
Abrir /infra/training - 09Um clique
Lance e acompanhe o progresso
Clique em Implantar pod de pré-treinamento ou Iniciar treinamento. O pré-treinamento redireciona para a página do pod. As execuções LoRA aparecem na lista de Execuções com progresso, cancelamento, reembolso e estado de saída.
Iniciar a execução - 10Finalizar
Conclua a execução com segurança
Baixe os pesos LoRA quando a execução for concluída. Para pods de pré-treinamento, salve os checkpoints e pare ou termine o pod quando terminar para que a cobrança por hora pare.
Baixar ou parar
O que está ativo hoje
Pod de pré-treinamento
Implante um pod de GPU dedicado para LLM, multimodal ou pré-treinamento contínuo com sua imagem de runtime e conjunto de dados.
- 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
- Imagem Docker própria, tipo de GPU, contagem de GPUs, disco e tamanho do volume
- Conjunto de dados próprio opcional assinado em HYPEREAL_DATASET_URL por 24 horas
- Portas SSH, TensorBoard, API e notebook abertas automaticamente
Pós-treinamento LoRA
Treine modelos LoRA de imagem e vídeo curados contra conjuntos de dados privados, e então baixe os pesos resultantes.
- 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
- Treinadores Flux Dev, Qwen Image, Wan 2.2 Image e Wan 2.2 I2V
- Controles de palavra-gatilho, passos, taxa de aprendizado e rank LoRA
- Progresso, cancelamento, reembolso, reconciliação de webhook e armazenamento de saída R2
Cluster de pré-treinamento multi-nó
Planeje e solicite capacidade de treinamento distribuído com topologia Mercury e dicas de 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
- Estime contagem de GPUs, rede, orquestrador, região e armazenamento
- Inspecione topologia, scheduler, NCCL e dicas de runtime
- Ainda não comercializado como lançamento físico multi-nó de um clique
Pré-treinamento em nó único e pós-treinamento LoRA são de um clique. Pré-treinamento em múltiplos nós permanece um fluxo de trabalho de capacidade até que o provisionamento físico do cluster seja conectado de ponta a ponta.
Treinadores LoRA curados
Flux Dev (LoRA)
Personagens, produtos, estilos fotorrealistas
A escolha de propósito geral. Treine um rosto, um produto ou um estilo visual e use os pesos onde quer que o Flux rode.
Qwen Image (LoRA)
LoRAs de ilustração e personagens de alta fidelidade
Forte em ilustração estilizada e semelhança de personagens do Leste Asiático. Use o mesmo fluxo de conjunto de dados zipado do Flux.
Wan 2.2 Image (LoRA)
LoRAs de imagem estilizadas de alta resolução
LoRA de imagem de alta resolução na base Wan 2.2. Retorna pesos de ruído alto e baixo para fluxos de trabalho avançados.
Wan 2.2 I2V (LoRA)
Controle de movimento de imagem para vídeo
Treine em clipes de vídeo curtos para fixar animação de movimento, câmera ou personagem. O carro-chefe para vídeo personalizado.
Créditos são retidos quando você inicia e reembolsados em caso de falha na submissão, falha upstream ou cancelamento antes da entrega.
O fluxo de trabalho completo de treinamento
Pré-treinamento e pré-treinamento contínuo
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.
Escolha o runtime da GPU
Escolha o tipo de GPU, contagem, imagem Docker, disco, tamanho do volume, framework, precisão e comprimento da sequência.
Anexe dados
Use um conjunto de dados de armazenamento próprio ou anexe-o mais tarde. URLs de conjunto de dados são assinados para o pod no lançamento.
Implante o pod
A primeira hora é retida antecipadamente, o pod é gravado localmente e os controles normais do ciclo de vida do pod assumem.
Treine e faça checkpoint
Use acesso SSH, TensorBoard, API ou notebook, e então escreva checkpoints em HYPEREAL_OUTPUT_DIR.
Pós-treinamento 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.
Faça upload do conjunto de dados
Faça upload de um zip de imagens ou clipes curtos para Armazenamento e marque-o como kind=dataset.
Escolha o treinador
Escolha Flux, Qwen Image, Wan 2.2 Image ou Wan 2.2 I2V e defina hiperparâmetros LoRA opcionais.
Inicie e monitore
Hypereal retém créditos, submete a execução, rastreia o progresso e permite que você cancele antes da entrega.
Baixe os pesos
Execuções concluídas copiam saídas para armazenamento R2 privado e expõem pesos .safetensors para download.
O que as equipes implantam
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.
Pré-treinamento LLM contínuo
Inicie um pod PyTorch, DeepSpeed ou Nanotron reproduzível para dados de domínio, experimentos de tokenizador ou continuação de checkpoint.
LoRAs de personagens e produtos
Treine pessoas, mascotes, produtos, embalagens e estilos de marca consistentes sem reconstruir prompts do zero.
Movimento de vídeo personalizado
Treine LoRAs de clipes curtos para movimentos de câmera repetíveis, animação de personagem ou ativos de movimento de marca.