Implementirajte pretraining podove i trenirajte LoRA modele na sopstvenim podacima
Pokrenite pravi GPU pod sa jednim čvorom za kontinuirano pretreniranje ili koristite upravljano LoRA post-treniranje za Flux, Qwen Image i Wan 2.2. Skupovi podataka, naplata, napredak, otkazivanje i izlaz ostaju unutar Hypereal.
Krenite ovde ako ste novi
Ne morate odmah da razumete svako GPU podešavanje. Izaberite putanju koja odgovara vašem cilju, pripremite jedan skup podataka, a zatim prepustite trening konzoli da vas vodi kroz pokretanje.
Pravilo: koristite LoRA kada želite mali, višekratno upotrebljiv adapter za stil, lik, proizvod ili pokret. Koristite pretraining podove kada vam je potrebna potpuna kontrola nad kodom, checkpointovima i runtime okruženjem.
- 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 - 06Odluka
Izaberite željeni rezultat
Izaberite LoRA post-treniranje ako želite .safetensors težine za preuzimanje. Izaberite pretraining pod ako treba da pokrećete sopstveni trening kod na GPU mašini.
Izaberite LoRA ili pretraining - 07/infra/storage
Pripremite jedan skup podataka
Za LoRA, otpremite zip sa slikama ili kratkim klipovima u Storage i označite ga kao kind=dataset. Za pretraining, sada možete da povežete skup podataka ili da unesete podatke nakon što se pod pokrene.
Otpremi u Storage - 08Kontrolna tabla
Otvori konzolu za trening
Idite na Infrastructure -> Training. Gornji obrazac pokreće pretraining pod; LoRA obrazac započinje upravljani fine-tune i prikazuje zadržavanje kredita pre pokretanja.
Otvori /infra/training - 09Jedan klik
Pokrenite i pratite napredak
Kliknite Deploy pretraining pod ili Start training. Pretraining preusmerava na stranicu poda. LoRA runovi se prikazuju na listi Runs sa napretkom, otkazivanjem, povraćajem i statusom izlaza.
Pokreni run - 10Završetak
Bezbedno završite run
Preuzmite LoRA težine kada se run završi. Za pretraining podove, sačuvajte checkpointove i zaustavite ili terminirajte pod kada završite kako bi satna naplata prestala.
Preuzmi ili zaustavi
Šta je danas dostupno uživo
Pretraining pod
Implementirajte namenski GPU pod za LLM, multimodalno ili kontinuirano pretreniranje sa svojim runtime image-om i skupom podataka.
- 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
- Sopstveni Docker image, tip GPU-a, broj GPU-ova, disk i veličina volumena
- Opcioni sopstveni skup podataka potpisan u HYPEREAL_DATASET_URL na 24 sata
- SSH, TensorBoard, API i notebook portovi se otvaraju automatski
LoRA post-trening
Trenirajte kurirane image i video LoRA modele na privatnim skupovima podataka, a zatim preuzmite dobijene težine.
- 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 i Wan 2.2 I2V trenere
- Kontrole za trigger reč, korake, stopu učenja i LoRA rank
- Napredak, otkazivanje, povraćaj, webhook usklađivanje i R2 skladištenje izlaza
Pretraining klaster sa više čvorova
Planirajte i zatražite distribuirani kapacitet za trening sa Mercury topologijom i runtime smernicama.
- 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
- Zatražite broj GPU-ova, mrežu, orkestrator, region i skladište
- Pregledajte topologiju, scheduler, NCCL i runtime smernice
- Još nije promovisan kao jednoklik fizičko pokretanje više čvorova
Pretraining sa jednim čvorom i LoRA post-treniranje dostupni su jednim klikom. Višečvorni pretraining ostaje workflow za kapacitet dok se fizičko provisioniranje klastera ne poveže od početka do kraja.
Kurirani LoRA treneri
Flux Dev (LoRA)
Fotorealistični likovi, proizvodi, stilovi
Univerzalni izbor. Trenirajte lice, proizvod ili vizuelni stil i koristite težine gde god Flux radi.
Qwen Image (LoRA)
Visokofidelne ilustracije i LoRA modeli za likove
Odličan za stilizovanu ilustraciju i sličnost istočnoazijskih likova. Koristi isti flow sa zipovanim skupom podataka kao Flux.
Wan 2.2 Image (LoRA)
Stilizovani image LoRA modeli visoke rezolucije
LoRA za image visoke rezolucije na Wan 2.2 bazi. Vraća dualne težine visokog i niskog šuma za napredne tokove rada.
Wan 2.2 I2V (LoRA)
Kontrola kretanja image-to-video
Trenirajte na kratkim video klipovima da zaključate pokret, kameru ili animaciju lika. Glavna opcija za prilagođeni video.
Krediti se zadržavaju kada pokrenete i vraćaju se u slučaju greške pri slanju, greške uzvodnog servisa ili otkazivanja pre isporuke.
Kompletan radni tok za trening
Pretraining i kontinuirani 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.
Izaberite GPU runtime
Izaberite tip GPU-a, broj, Docker image, disk, veličinu volumena, framework, preciznost i dužinu sekvence.
Priključite podatke
Koristite skup podataka u vlasništvu ili ga priključite kasnije. URL-ovi skupa podataka se potpisuju za pod prilikom pokretanja.
Rasporedite pod
Prvi sat se unapred zadržava, pod se beleži lokalno, a preuzimaju se uobičajene kontrole životnog ciklusa poda.
Trenirajte i pravite checkpointove
Koristite SSH, TensorBoard, API ili notebook pristup, a zatim upisujte checkpointove u HYPEREAL_OUTPUT_DIR.
LoRA post-trening
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.
Otpremite skup podataka
Otpremite zip sa slikama ili kratkim klipovima u Storage i označite ga kao kind=dataset.
Izaberite trenera
Izaberite Flux, Qwen Image, Wan 2.2 Image ili Wan 2.2 I2V i podesite opcionalne LoRA hiperparametre.
Pokrenite i pratite
Hypereal zadržava kredite, šalje pokretanje, prati napredak i omogućava da otkažete pre isporuke.
Preuzmite težine
Završena pokretanja kopiraju izlaze u privatno R2 skladište i izlažu .safetensors težine za preuzimanje.
Šta timovi implementiraju
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.
Kontinuirani LLM pretraining
Pokrenite reproduktivni PyTorch, DeepSpeed ili Nanotron pod za domenске podatke, eksperimente sa tokenizerom ili nastavak checkpointa.
LoRA modeli za likove i proizvode
Trenirajte konzistentne ljude, maskote, proizvode, pakovanja i kućne stilove bez ponovnog pravljenja promptova od nule.
Prilagođeni video pokret
Trenirajte LoRA modele za kratke klipove za ponovljive pokrete kamere, animaciju lika ili brendirane motion assete.