Börja här om du är ny
Du behöver inte förstå varje GPU-inställning direkt. Välj den väg som matchar ditt mål, förbered ett dataset och låt träningskonsolen guida starten.
Tumregel: använd LoRA när du vill ha en liten återanvändbar stil-, karaktärs-, produkt- eller rörelseadapter. Använd förträningspods när du behöver full kontroll över kod, checkpoints och körning.
- 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 - 06Beslut
Välj resultatet du vill ha
Välj LoRA-efterträning om du vill ha nedladdningsbara .safetensors-vikter. Välj en förträningspod om du behöver köra din egen träningskod på en GPU-maskin.
Välj LoRA eller förträning - 07/infra/storage
Förbered ett dataset
För LoRA, ladda upp en zip med bilder eller korta klipp i Storage och markera den som kind=dataset. För förträning kan du koppla ett dataset nu eller lägga till data efter att podden har startat.
Ladda upp i Storage - 08Instrumentpanel
Öppna träningskonsolen
Gå till Infrastruktur -> Träning. Det översta formuläret startar en förträningspod; LoRA-formuläret startar en hanterad finjustering och visar din kreditspärr före start.
Öppna /infra/training - 09Ett klick
Starta och följ förloppet
Klicka på Distribuera förträningspod eller Starta träning. Förträning omdirigerar till poddsidan. LoRA-körningar visas i listan Runs med förlopp, avbryt, återbetalning och utdatastatus.
Starta körningen - 10Slutför
Avsluta körningen säkert
Ladda ner LoRA-vikter när körningen är klar. För förträningspods, spara checkpoints och stoppa eller terminera podden när du är klar så att den timvisa faktureringen upphör.
Ladda ner eller stoppa
Det som är live idag
Förträningspod
Distribuera en dedikerad GPU-pod för LLM, multimodal eller fortsatt förträning med din runtime-avbild och ditt dataset.
- 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
- Egen Docker-avbild, GPU-typ, antal GPU:er, disk och volymstorlek
- Valfritt eget dataset signerat till HYPEREAL_DATASET_URL i 24 timmar
- SSH-, TensorBoard-, API- och notebook-portar öppnas automatiskt
LoRA-efterträning
Träna kuraterade LoRA-modeller för bild och video mot privata datamängder och ladda sedan ner de resulterande vikterna.
- 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- och Wan 2.2 I2V-tränare
- Kontroller för trigger word, steps, learning rate och LoRA-rank
- Progress, avbryt, återbetalning, webhook-avstämning och R2-lagring för utdata
Multinodskluster för förträning
Planera och begär distribuerad träningskapacitet med Mercury-topologi och körningshintar.
- 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
- Ange GPU-antal, nätverk, orchestrator, region och lagring
- Inspektera topologi, scheduler, NCCL och körningshintar
- Marknadsförs ännu inte som en fysisk multi-node-start med ett klick
Förträning med en nod och LoRA-efterträning är ett klick bort. Förträning med flera noder förblir ett kapacitetsflöde tills fysisk klusterprovisionering kopplas ihop från början till slut.
Kuraterade LoRA-tränare
Flux Dev (LoRA)
Fotorealistiska karaktärer, produkter, stilar
Det allmänna valet. Träna ett ansikte, en produkt eller en visuell stil och använd vikterna varhelst Flux körs.
Qwen Image (LoRA)
Högkvalitativa illustrationer och karaktärs-LoRA:er
Stark på stiliserad illustration och östasiatisk karaktärslikhet. Använd samma zippade datamängdsflöde som med Flux.
Wan 2.2 Image (LoRA)
Stiliserade högupplösta bild-LoRA:er
Högupplöst bild-LoRA på Wan 2.2-basen. Returnerar dubbla vikter för hög och låg brusnivå för avancerade arbetsflöden.
Wan 2.2 I2V (LoRA)
Rörelsekontroll för bild till video
Träna på korta videoklipp för att låsa rörelse, kamera eller karaktärsanimation. Flaggskeppet för anpassad video.
Krediter hålls när du startar och återbetalas vid fel vid skickning, fel uppströms eller avbokning innan leverans.
Det kompletta träningsflödet
Förträning och fortsatt förträning
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.
Välj GPU-körmiljö
Välj GPU-typ, antal, Docker-avbildning, disk, volymstorlek, ramverk, precision och sekvenslängd.
Anslut data
Använd en datamängd i egen lagring eller anslut den senare. Datauppsättnings-URL:er signeras för podden vid start.
Distribuera podd
Den första timmen hålls i förväg, podden registreras lokalt och vanliga livscykelkontroller för poddar tar över.
Träna och spara checkpoints
Använd SSH-, TensorBoard-, API- eller notebook-åtkomst och skriv sedan checkpoints under HYPEREAL_OUTPUT_DIR.
LoRA-efterträning
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.
Ladda upp datamängd
Ladda upp en zip med bilder eller korta klipp till Storage och markera den som kind=dataset.
Välj tränare
Välj Flux, Qwen Image, Wan 2.2 Image eller Wan 2.2 I2V och ange valfria LoRA-hyperparametrar.
Starta och övervaka
Hypereal håller krediter, skickar körningen, spårar framsteg och låter dig avbryta före leverans.
Ladda ner vikter
Slutförda körningar kopierar utdata till privat R2-lagring och exponerar nedladdningsbara .safetensors-vikter.
Vad teamen distribuerar
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 förträning av LLM:er
Starta en reproducerbar PyTorch-, DeepSpeed- eller Nanotron-podd för domändata, tokenizer-experiment eller fortsatt checkpointning.
Karaktärs- och produkt-LoRA:er
Träna konsekventa personer, maskotar, produkter, förpackningar och visuella uttryck utan att bygga om prompts från grunden.
Anpassad videorörelse
Träna LoRA:er på korta klipp för repeterbara kamerarörelser, karaktärsanimation eller varumärkesanpassat rörelsematerial.