Розгортайте pods для попереднього навчання та тренуйте LoRA на власних даних
Запустіть реальний одно-вузловий GPU pod для продовження попереднього навчання або виконайте кероване LoRA post-training для Flux, Qwen Image та Wan 2.2. Датасети, оплата, прогрес, скасування та результати залишаються в Hypereal.
Почніть тут, якщо ви новачок
Вам не потрібно одразу розуміти всі налаштування GPU. Виберіть шлях, що відповідає вашій меті, підготуйте один набір даних, а потім дозвольте консолі навчання керувати запуском.
Практична порада: використовуйте LoRA, коли вам потрібен невеликий багаторазовий адаптер стилю, персонажа, продукту або руху. Використовуйте претрейнінг-поди, коли вам потрібен повний контроль над кодом, чекпойнтами та середовищем виконання.
- 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 - 06Рішення
Виберіть бажаний результат
Виберіть пост-трейнінг LoRA, якщо вам потрібні завантажувані ваги .safetensors. Виберіть претрейнінг-под, якщо вам потрібно запускати власний трейнінг-код на машині з GPU.
Вибрати LoRA або претрейнінг - 07/infra/storage
Підготуйте один набір даних
Для LoRA завантажте zip-архів зображень або коротких кліпів у розділі Storage та позначте його як kind=dataset. Для претрейнінгу ви можете прикріпити набір даних зараз або додати дані після запуску поду.
Завантажити в Storage - 08Панель
Відкрийте консоль навчання
Перейдіть до Infrastructure -> Training. Верхня форма запускає претрейнінг-под; форма LoRA запускає керований файн-тюнінг і показує блокування ваших кредитів перед запуском.
Відкрити /infra/training - 09Один клік
Запустіть і спостерігайте за прогресом
Натисніть Deploy pretraining pod або Start training. Претрейнінг перенаправляє на сторінку поду. Запуски LoRA з'являються у списку Runs з прогресом, кнопками скасування, повернення коштів та статусом виведення.
Запустити прогін - 10Завершення
Безпечно завершіть прогін
Завантажте ваги LoRA після завершення прогону. Для претрейнінг-подів збережіть чекпоінти та зупиніть або термінуйте под, коли ви закінчите, щоб припинити погодинну оплату.
Завантажити або зупинити
Що доступно сьогодні
Pod для попереднього навчання
Розгорніть виділений GPU pod для LLM, мультимодального навчання або продовження попереднього навчання з вашим образом часу виконання та датасетом.
- 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
- Власний образ Docker, тип GPU, кількість GPU, диск та розмір тома
- Опціональний власний датасет, підписаний на HYPEREAL_DATASET_URL протягом 24 годин
- Автоматично відкриті порти SSH, TensorBoard, API та ноутбука
LoRA post-training
Тренуйте куровані моделі LoRA для зображень та відео на приватних датасетах, а потім завантажуйте отримані ваги.
- 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
- Тренери Flux Dev, Qwen Image, Wan 2.2 Image та Wan 2.2 I2V
- Керування тригерним словом, кроками, швидкістю навчання та рангом LoRA
- Прогрес, скасування, повернення коштів, узгодження вебхуків та зберігання результатів у R2
Кластер попереднього навчання на кількох вузлах
Плануйте та запитуйте потужності для розподіленого навчання з топологією Mercury та підказками часу виконання.
- 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
- Ціна GPU, мережа, оркестратор, регіон та сховище
- Аналіз топології, планувальника, NCCL та підказок часу виконання
- Ще не пропонується як запуск фізичного кластера на кількох вузлах одним кліком
Попереднє навчання на одному вузлі та LoRA post-training виконуються одним кліком. Попереднє навчання на кількох вузлах залишається робочим процесом за запитом, доки фізичне виділення кластера не буде повністю реалізовано.
Куровані тренери LoRA
Flux Dev (LoRA)
Фотореалістичні персонажі, продукти, стилі
Універсальний вибір. Тренуйте обличчя, продукт або візуальний стиль і використовуйте ваги будь-де, де працює Flux.
Qwen Image (LoRA)
Високоточні LoRA для ілюстрацій та персонажів
Добре працює зі стилізованими ілюстраціями та схожістю персонажів Східної Азії. Використовуйте той самий потік стиснутих датасетів, що й для Flux.
Wan 2.2 Image (LoRA)
Стилізовані LoRA для зображень високої роздільної здатності
LoRA для зображень високої роздільної здатності на базі Wan 2.2. Повертає ваги з низьким та високим рівнем шуму для розширених робочих процесів.
Wan 2.2 I2V (LoRA)
Керування рухом від зображення до відео
Тренуйте на коротких відеокліпах, щоб зафіксувати рух, камеру або анімацію персонажа. Флагман для кастомного відео.
Кредити блокуються під час запуску та повертаються у разі невдачі подання, збою вищого рівня або скасування до доставки.
Повний робочий процес навчання
Попереднє навчання та продовження попереднього навчання
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.
Виберіть GPU runtime
Виберіть тип GPU, кількість, образ Docker, диск, розмір тома, фреймворк, точність та довжину послідовності.
Приєднайте дані
Використовуйте власний датасет сховища або приєднайте його пізніше. URL-адреси датасетів підписуються для pod під час запуску.
Розгорніть pod
Перша година утримується авансом, pod записується локально, і далі діють звичайні елементи керування життєвим циклом pod.
Тренуйте та створюйте контрольні точки
Використовуйте SSH, TensorBoard, API або доступ до ноутбука, а потім записуйте контрольні точки в HYPEREAL_OUTPUT_DIR.
LoRA post-training
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.
Завантажте датасет
Завантажте zip-архів зображень або коротких кліпів до Сховища та позначте його як kind=dataset.
Виберіть тренера
Виберіть Flux, Qwen Image, Wan 2.2 Image або Wan 2.2 I2V та встановіть опціональні гіперпараметри LoRA.
Запустіть та відстежуйте
Hypereal утримує кредити, надсилає запуск, відстежує прогрес і дозволяє скасувати до доставки.
Завантажте ваги
Завершені запуски копіюють результати до приватного сховища R2 та надають доступні для завантаження ваги .safetensors.
Що розгортають команди
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.
Продовження попереднього навчання LLM
Запустіть відтворюваний pod PyTorch, DeepSpeed або Nanotron для доменних даних, експериментів з токенізатором або продовження контрольних точок.
LoRA для персонажів та продуктів
Тренуйте послідовних людей, талісманів, продукти, упаковку та фірмові стилі без необхідності постійно переробляти запити.
Кастомний рух відео
Тренуйте LoRA на коротких кліпах для повторюваних рухів камери, анімації персонажів або фірмових ассетів руху.

