Разверните pods для предварительного обучения и обучайте LoRA на ваших данных
Запустите настоящий одноузловой GPU pod для продолжения предварительного обучения или выполните управляемое пост-обучение LoRA для Flux, Qwen Image и Wan 2.2. Наборы данных, биллинг, прогресс, отмена и выходные данные остаются в Hypereal.
Начните здесь, если вы новичок
Вам не нужно сразу понимать каждую настройку GPU. Выберите путь, соответствующий вашей цели, подготовьте один набор данных, а затем позвольте консоли обучения помочь вам с запуском.
Практическое правило: используйте LoRA, когда вам нужен небольшой многоразовый адаптер стиля, персонажа, продукта или движения. Используйте претрейнинговые поды, когда вам нужен полный контроль над кодом, чекпоинтами и средой выполнения.
- 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 - 06Решение
Выберите желаемый результат
Выберите LoRA post-training, если вам нужны загружаемые веса .safetensors. Выберите претрейнинговый под, если вам нужно запускать собственный код обучения на машине с GPU.
Выбрать LoRA или претрейнинг - 07/infra/storage
Подготовьте один набор данных
Для LoRA загрузите zip-архив с изображениями или короткими клипами в Storage и пометьте его как kind=dataset. Для претрейнинга вы можете прикрепить набор данных сейчас или загрузить данные после запуска пода.
Загрузить в Storage - 08Панель
Откройте консоль обучения
Перейдите в Infrastructure -> Training. Верхняя форма запускает претрейнинговый под; форма LoRA запускает управляемый fine-tune и показывает сумму удержания кредитов перед запуском.
Открыть /infra/training - 09Один клик
Запустите и наблюдайте за прогрессом
Нажмите Deploy pretraining pod или Start training. Претрейнинг перенаправляет на страницу пода. Запуски LoRA появляются в списке Runs с прогрессом, возможностью отмены, возврата и состоянием вывода.
Запустить выполнение - 10Завершение
Безопасно завершите выполнение
Загрузите веса LoRA по завершении выполнения. Для претрейнинговых подов сохраните чекпоинты и остановите или завершите под, когда закончите, чтобы прекратить почасовую оплату.
Загрузить или остановить
Что доступно сегодня
Pod для предварительного обучения
Разверните выделенный GPU pod для предварительного обучения LLM, мультимодальных моделей или продолжения обучения с вашим образом среды выполнения и набором данных.
- 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
- Собственный Docker-образ, тип GPU, количество GPU, диск и размер тома
- Опциональный собственный набор данных, авторизованный по HYPEREAL_DATASET_URL на 24 часа
- Автоматически открытые порты SSH, TensorBoard, API и ноутбука
LoRA пост-обучение
Обучайте кураторские модели LoRA для изображений и видео на приватных наборах данных, затем загружайте полученные веса.
- 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
- Тренеры Flux Dev, Qwen Image, Wan 2.2 Image и Wan 2.2 I2V
- Управление триггерным словом, шагами, скоростью обучения и рангом LoRA
- Прогресс, отмена, возврат средств, сверка вебхуков и хранение выходных данных R2
Многоузловой кластер предварительного обучения
Планируйте и запрашивайте мощность для распределенного обучения с топологией Mercury и подсказками среды выполнения.
- 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
- Укажите количество GPU, сеть, оркестратор, регион и хранилище
- Проанализируйте топологию, планировщик, NCCL и подсказки среды выполнения
- Пока не предлагается как запуск многоузлового физического кластера в один клик
Одноузловое предварительное обучение и пост-обучение LoRA выполняются в один клик. Многоузловое предварительное обучение остается рабочим процессом по запросу до полной интеграции подготовки физического кластера.
Кураторские тренеры LoRA
Flux Dev (LoRA)
Фотореалистичные персонажи, продукты, стили
Универсальный выбор. Обучите лицо, продукт или визуальный стиль и используйте веса везде, где работает Flux.
Qwen Image (LoRA)
Высокоточные LoRA для иллюстраций и персонажей
Хорошо подходит для стилизованных иллюстраций и сходства с восточноазиатскими персонажами. Используйте тот же поток сжатых наборов данных, что и для Flux.
Wan 2.2 Image (LoRA)
Стилизованные LoRA для изображений высокого разрешения
LoRA для изображений высокого разрешения на базе Wan 2.2. Возвращает веса с низким и высоким уровнем шума для продвинутых рабочих процессов.
Wan 2.2 I2V (LoRA)
Контроль движения от изображения к видео
Обучайте на коротких видеоклипах, чтобы зафиксировать движение, камеру или анимацию персонажа. Флагманский вариант для пользовательского видео.
Кредиты удерживаются при запуске и возвращаются в случае сбоя отправки, сбоя на стороне поставщика или отмены до доставки.
Полный рабочий процесс обучения
Предварительное обучение и продолжение предварительного обучения
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.
Выберите среду выполнения GPU
Выберите тип GPU, количество, Docker-образ, диск, размер тома, фреймворк, точность и длину последовательности.
Подключите данные
Используйте собственный набор данных из хранилища или подключите его позже. URL-адреса наборов данных авторизуются для pod при запуске.
Разверните pod
Первый час удерживается авансом, pod записывается локально, и вступают в силу обычные элементы управления жизненным циклом pod.
Обучайте и сохраняйте контрольные точки
Используйте доступ SSH, TensorBoard, API или ноутбука, затем записывайте контрольные точки в HYPEREAL_OUTPUT_DIR.
LoRA пост-обучение
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.
Загрузите набор данных
Загрузите zip-архив изображений или коротких клипов в Хранилище и пометьте его как kind=dataset.
Выберите тренера
Выберите Flux, Qwen Image, Wan 2.2 Image или Wan 2.2 I2V и настройте опциональные гиперпараметры LoRA.
Запустите и отслеживайте
Hypereal удерживает кредиты, отправляет задание, отслеживает прогресс и позволяет отменить его до доставки.
Загрузите веса
Завершенные задания копируют выходные данные в приватное хранилище R2 и предоставляют доступные для загрузки веса .safetensors.
Что развертывают команды
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.
Продолжение предварительного обучения LLM
Запустите воспроизводимый pod PyTorch, DeepSpeed или Nanotron для доменных данных, экспериментов с токенизатором или продолжения контрольных точек.
LoRA для персонажей и продуктов
Обучайте последовательных людей, маскотов, продукты, упаковку и фирменные стили, не перестраивая промпты с нуля.
Пользовательское движение в видео
Обучайте LoRA на коротких клипах для повторяющихся движений камеры, анимации персонажей или фирменных ассетов движения.