新手请从这里开始
您无需立即理解所有 GPU 设置。选择符合您目标的路径，准备一个数据集，然后让训练控制台引导您完成启动。
经验法则：当您想要一个小型、可复用的风格、角色、产品或动作适配器时，请使用 LoRA。当您需要完全控制代码、检查点和运行时环境时，请使用预训练 pod。
- 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 - 06决策
选择您想要的结果
如果您想要可下载的 .safetensors 权重，请选择 LoRA 后训练。如果您需要在一台 GPU 机器上运行自己的训练代码，请选择预训练 pod。
选择 LoRA 或预训练 - 07/infra/storage
准备一个数据集
对于 LoRA，请在 Storage 中上传一个包含图像或短视频的 zip 文件，并将其标记为 kind=dataset。对于预训练，您可以立即附加一个数据集，或在 pod 启动后导入数据。
在 Storage 中上传 - 08控制台
打开训练控制台
前往 Infrastructure -> Training。顶部的表单用于启动预训练 pod；LoRA 表单用于启动托管的微调，并在启动前显示您的积分预留。
打开 /infra/training - 09一键式
启动并观察进度
点击 Deploy pretraining pod 或 Start training。预训练将重定向到 pod 页面。LoRA 运行将显示在 Runs 列表中，并包含进度、取消、退款和输出状态。
启动运行 - 10完成
安全完成运行
运行完成后下载 LoRA 权重。对于预训练 pod，请保存检查点并停止或终止 pod，以停止按小时计费。
下载或停止
当前支持的功能
预训练 Pod
部署专用的 GPU Pod，用于使用您自己的运行时镜像和数据集进行 LLM、多模态或持续预训练。
- 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
- 自有 Docker 镜像、GPU 类型、GPU 数量、磁盘和卷大小
- 可选的自有数据集，在 24 小时内签名到 HYPEREAL_DATASET_URL
- 自动开启 SSH、TensorBoard、API 和 Notebook 端口
LoRA 后训练
针对私有数据集训练精选的图像和视频 LoRA 模型，然后下载生成的权重。
- 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 和 Wan 2.2 I2V 训练器
- 触发词、步数、学习率和 LoRA 秩控制
- 进度跟踪、取消、退款、Webhook 协调和 R2 输出存储
多节点预训练集群
规划并请求具有 Mercury 拓扑和运行时提示的分布式训练容量。
- 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
- 报价 GPU 数量、网络、编排器、区域和存储
- 检查拓扑、调度器、NCCL 和运行时提示
- 尚未作为一键式物理多节点启动进行市场推广
单节点预训练和 LoRA 后训练均支持一键式操作。多节点预训练仍为容量工作流，直至物理集群配置的端到端连接完成。
精选 LoRA 训练器
Flux Dev (LoRA)
照片级真实的角色、产品、风格
通用选择。训练人脸、产品或视觉风格，并在任何运行 Flux 的地方使用权重。
Qwen Image (LoRA)
高保真插画和角色 LoRA
在风格化插画和亚洲角色肖像方面表现出色。使用与 Flux 相同的压缩数据集流程。
Wan 2.2 Image (LoRA)
风格化高分辨率图像 LoRA
基于 Wan 2.2 基础模型的高分辨率图像 LoRA。返回高低噪声双权重，适用于高级工作流。
Wan 2.2 I2V (LoRA)
图像到视频运动控制
在短视频片段上训练，以锁定运动、相机或角色动画。定制视频的旗舰模型。
积分在您开始时被预留，并在提交失败、上游失败或交付前取消时退还。
完整的训练工作流
预训练和持续预训练
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.
选择 GPU 运行时
选择 GPU 类型、数量、Docker 镜像、磁盘、卷大小、框架、精度和序列长度。
挂载数据
使用自有存储数据集或稍后挂载。数据集 URL 在 Pod 启动时进行签名。
部署 Pod
预先收取第一个小时的费用，本地记录 Pod，然后正常接管 Pod 生命周期控制。
训练和检查点
使用 SSH、TensorBoard、API 或 Notebook 访问，然后在 HYPEREAL_OUTPUT_DIR 下写入检查点。
LoRA 后训练
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.
上传数据集
将图像或短视频片段的 zip 文件上传到存储，并将其标记为 kind=dataset。
选择训练器
选择 Flux、Qwen Image、Wan 2.2 Image 或 Wan 2.2 I2V，并设置可选的 LoRA 超参数。
启动和监控
Hypereal 预留积分，提交运行，跟踪进度，并在交付前允许您取消。
下载权重
完成的运行会将输出复制到私有 R2 存储中，并提供可下载的 .safetensors 权重。
团队部署
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.
持续 LLM 预训练
为领域数据、分词器实验或检查点续传启动可复现的 PyTorch、DeepSpeed 或 Nanotron Pod。
角色和产品 LoRA
训练一致的人物、吉祥物、产品、包装和品牌风格，无需从头开始重建提示。
定制视频运动
训练短片段 LoRA，以实现可重复的相机移动、角色动画或品牌运动素材。