TRELLIS.2 Trainer

ஒருங்கிணை

மாடல் id trellis-2-lora-trainer

# Run the model; wait up to 20 s for the finished result in the same call
curl -X POST "https://api.doitong.ru/v1/run/trellis-2-lora-trainer?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "data_url": "https://example.com/your-file.zip"
  }'

# Still "queued" or "running"? Poll with the id from the response:
curl "https://api.doitong.ru/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"

const API = "https://api.doitong.ru/v1";
const headers = {
  "Authorization": "Bearer " + process.env.DOITONG_API_KEY,
  "Content-Type": "application/json",
};

// Run the model; wait up to 20 s for the finished result in the same call
let res = await fetch(API + "/run/trellis-2-lora-trainer?wait=20", {
  method: "POST",
  headers,
  body: JSON.stringify({
    "data_url": "https://example.com/your-file.zip"
  }),
});
let request = await res.json();
if (!res.ok) throw new Error(request.error.code + ": " + request.error.message);

// Not finished yet: long-poll until it is
while (request.status === "queued" || request.status === "running") {
  res = await fetch(API + "/requests/" + request.id + "?wait=20", { headers });
  request = await res.json();
}
if (request.status !== "succeeded") throw new Error(JSON.stringify(request.error));
console.log(request.outputs.map((o) => o.url), request.cost.credits + " API credits ($" + request.cost.usd + ")");

import os
import requests

API = "https://api.doitong.ru/v1"
headers = {"Authorization": "Bearer " + os.environ["DOITONG_API_KEY"]}

payload = {
    "data_url": "https://example.com/your-file.zip",
}

# Run the model; wait up to 20 s for the finished result in the same call
r = requests.post(API + "/run/trellis-2-lora-trainer", params={"wait": 20}, json=payload, headers=headers)
request = r.json()
if not r.ok:
    raise RuntimeError(request["error"]["code"] + ": " + request["error"]["message"])

# Not finished yet: long-poll until it is
while request["status"] in ("queued", "running"):
    request = requests.get(API + "/requests/" + request["id"], params={"wait": 20}, headers=headers).json()
if request["status"] != "succeeded":
    raise RuntimeError(request["error"])
print([o["url"] for o in request["outputs"]], request["cost"]["credits"], "API credits", "$" + request["cost"]["usd"])

# 1. Connect once (Claude Code; Cursor, VS Code, Claude Desktop: https://doitong.com/ta/developers/docs/mcp)
claude mcp add --transport http doitong-models https://api.doitong.ru/v1/mcp \
  --header "Authorization: Bearer $DOITONG_API_KEY"

# 2. Your agent calls the "run" tool with:
{
  "model_id": "trellis-2-lora-trainer",
  "input": {
    "data_url": "https://example.com/your-file.zip"
  }
}

Doitong API மூலம் TRELLIS.2 Trainer மாதிரியை (trellis-2-lora-trainer) அழைக்கவும். முகவர்களுக்கான ஆவணங்கள்: https://doitong.com/ta/developers/models/trellis-2-lora-trainer.md

POST https://api.doitong.ru/v1/run/trellis-2-lora-trainer?wait=20
Authorization: Bearer $DOITONG_API_KEY
Content-Type: application/json

{
  "data_url": "https://example.com/your-file.zip"
}

பதிலின் நிலை "queued" அல்லது "running" எனில், அது "succeeded" ஆகும் வரை GET https://api.doitong.ru/v1/requests/REQUEST_ID?wait=20 மூலம் தொடர்ந்து சரிபார்க்கவும்; கோப்புகள் outputs[].url இல் உள்ளன. அதே body-யுடன் POST https://api.doitong.ru/v1/quote/trellis-2-lora-trainer அனுப்பினால், இயக்கத்திற்கு முன் துல்லியமான விலை கிடைக்கும்.

எடுத்துக்காட்டு போன்ற கோப்புகள்: $15.973 15,973 API கிரெடிட்கள் · ≈ ₽1,684.56 இயக்குவதற்கு முன் உங்கள் கோப்புகள் அளவிடப்படும் இந்தப் பக்கத்தில் இயக்குங்கள்

API விசையைப் பெறுக

Microsoft பயிற்சி

3D சொத்துகளின் zip கோப்பில் Trellis 2-க்கான LoRA adapters-ஐப் பயிற்றுவிக்கிறது; அதிகபட்சம் மூன்று denoisers-க்கு

OpenAPI Markdown

Microsoft · கோப்பு

உங்கள் முதல் முடிவு இங்கே வரும்

கீழே ஒரு கோரிக்கையை உருவாக்கி, உங்கள் API விசையுடன் இயக்குங்கள். வெளியீடுகள் எங்கள் சேமிப்பகத்தில் நகலெடுக்கப்பட்டு, நிரந்தரமாக அல்லது இலவசமாக 7 நாட்கள் வைக்கப்படும்.

கோரிக்கையை உருவாக்கு

ஒவ்வொரு இயக்கத்துக்கான விலை

உங்கள் உள்ளீட்டின் அடிப்படையிலான விலை

$15.973ஒரு இயக்கத்திற்கு

15,973 API கிரெடிட்கள் · ≈ ₽1,684.56

விலை: $1.751 முதல்

1 இயக்கம் × $15.9723 இயக்கு · $15.973

வெற்றி பெற்றால் மட்டுமே வசூலிக்கப்படும்; தோல்வியுற்றால் தானாகத் திருப்பியளிக்கப்படும்.

resolution இயல்புநிலை 512

rank இயல்புநிலை 32

training_steps இயல்புநிலை 1000

இயக்கத்திற்கு முன் உங்கள் கோப்புகள் (நீளம், தெளிவுத்திறன், ஃப்ரேம் வீதம்) அளவிடப்படுகின்றன; மேற்கோள் சரியான விலையைத் திருப்பி வழங்கும், மேலும் இயக்கத்திற்கு அதே தொகை வசூலிக்கப்படும்.

விலைமதிப்பீட்டு முனையம்: POST /quote/{id}

கோரிக்கையை உருவாக்கு

மாடல் ஸ்கீமாவிலிருந்து கட்டுப்பாடுகள் உருவாக்கப்படுகின்றன. அவற்றை மாற்றும்போது குறியீடும் விலையும் புதுப்பிக்கப்படும்.

resolution இயல்புநிலை 512

பயிற்சித் தெளிவுத்திறன் dataset-இன் preprocessing தெளிவுத்திறனுக்குச் சமமாக இருக்க வேண்டும். Geometry மற்றும் texture பயிற்சிகளுக்கு 512 மற்றும் 1024 ஆகியவற்றுக்குத் தனித்தனி configuration-கள் உள்ளன; sparse-structure பயிற்சி இந்த தெளிவுத்திறன்களுக்கிடையே ஒரே configuration-ஐப் பகிர்கிறது.

rank இயல்புநிலை 32

LoRA adapter-இன் rank; பெரிய மதிப்புகள் adapter-க்கு அதிக திறனை வழங்கும்.

data_url •தேவை

Dataset archive URL: மூல 3D சொத்துகளை .zip ஆகத் தொகுத்து வழங்கலாம் அல்லது data_preprocessing வழங்கும் முன்செயலாக்கப்பட்ட TRELLIS.2 dataset zip-ஐப் பயன்படுத்தலாம்.

training_steps இயல்புநிலை 1000

பயிற்சிப் படிகளின் மொத்த எண்ணிக்கை.

denoisers

fine-tuning-க்காக sparse_structure, geometry, texture ஆகியவற்றிலிருந்து 1–3 தனித்த TRELLIS.2 denoiser-களைத் தேர்வுசெய்தல். இணை பயிற்சி, பகிரப்பட்ட முன்செயலாக்கப்பட்ட dataset-ஐப் பயன்படுத்தி, தேர்ந்தெடுக்கப்பட்ட ஒவ்வொரு உள்ளீட்டிற்கும் தனி LoRA adapter-ஐ உருவாக்கும்.

மேம்பட்டவை learning_rate

learning_rate இயல்புநிலை 0.0001

LoRA-வை மேம்படுத்தப் பயன்படுத்தப்படும் learning rate.

POST /run/trellis-2-lora-trainer?wait=20 விலை → $15.973

# Run the model; wait up to 20 s for the finished result in the same call
curl -X POST "https://api.doitong.ru/v1/run/trellis-2-lora-trainer?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "data_url": "https://example.com/your-file.zip"
  }'

# Still "queued" or "running"? Poll with the id from the response:
curl "https://api.doitong.ru/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"

const API = "https://api.doitong.ru/v1";
const headers = {
  "Authorization": "Bearer " + process.env.DOITONG_API_KEY,
  "Content-Type": "application/json",
};

// Run the model; wait up to 20 s for the finished result in the same call
let res = await fetch(API + "/run/trellis-2-lora-trainer?wait=20", {
  method: "POST",
  headers,
  body: JSON.stringify({
    "data_url": "https://example.com/your-file.zip"
  }),
});
let request = await res.json();
if (!res.ok) throw new Error(request.error.code + ": " + request.error.message);

// Not finished yet: long-poll until it is
while (request.status === "queued" || request.status === "running") {
  res = await fetch(API + "/requests/" + request.id + "?wait=20", { headers });
  request = await res.json();
}
if (request.status !== "succeeded") throw new Error(JSON.stringify(request.error));
console.log(request.outputs.map((o) => o.url), request.cost.credits + " API credits ($" + request.cost.usd + ")");

import os
import requests

API = "https://api.doitong.ru/v1"
headers = {"Authorization": "Bearer " + os.environ["DOITONG_API_KEY"]}

payload = {
    "data_url": "https://example.com/your-file.zip",
}

# Run the model; wait up to 20 s for the finished result in the same call
r = requests.post(API + "/run/trellis-2-lora-trainer", params={"wait": 20}, json=payload, headers=headers)
request = r.json()
if not r.ok:
    raise RuntimeError(request["error"]["code"] + ": " + request["error"]["message"])

# Not finished yet: long-poll until it is
while request["status"] in ("queued", "running"):
    request = requests.get(API + "/requests/" + request["id"], params={"wait": 20}, headers=headers).json()
if request["status"] != "succeeded":
    raise RuntimeError(request["error"])
print([o["url"] for o in request["outputs"]], request["cost"]["credits"], "API credits", "$" + request["cost"]["usd"])

{
  "jsonrpc": "2.0",
  "id": 1,
  "method": "tools/call",
  "params": {
    "name": "run",
    "arguments": {
      "model_id": "trellis-2-lora-trainer",
      "input": {
        "data_url": "https://example.com/your-file.zip"
      },
      "wait_seconds": 20
    }
  }
}

இந்தக் கோரிக்கையை இயக்கு

API விசை

உங்கள் key இந்த உலாவியில் மட்டுமே இருக்கும்: அது Doitong API-க்கு மட்டும் அனுப்பப்படும்; Remember-ஐத் தேர்ந்தெடுத்தால் மட்டுமே (localStorage)-ல் சேமிக்கப்படும். இந்த உலாவியில் நினைவில் கொள்க API விசையைப் பெறுங்கள்

TRELLIS.2 Trainer பற்றி

`data_url` இல் உள்ள zip கோப்பிலிருந்து அடாப்டர்களுக்கு நுண்மேம்படுத்தல் செய்கிறது; அதில் மூல 3D சொத்துகள் அல்லது முன்செயலாக்கப்பட்ட தரவுத்தொகுப்பு இருக்கலாம். `denoisers` 1 முதல் 3 இலக்குகளைத் தேர்ந்தெடுக்கிறது; ஒவ்வொன்றும் தனித்தனி அடாப்டராகப் பயிற்சியளிக்கப்படுகிறது. அமைப்புகள்: `resolution` 512 அல்லது 1024, `rank` 16, 32 அல்லது 64, `learning_rate`, மற்றும் 100 முதல் 10000 வரையிலான `training_steps`. இது அடாப்டர்கள், ஏற்பட்ட தோல்விகள் மற்றும் மீண்டும் பயன்படுத்தக்கூடிய முன்செயலாக்கப்பட்ட தரவை வழங்குகிறது.

அளவுருக்கள்

பெயர்வகை இயல்புநிலைஅனுமதிக்கப்பட்டது விளக்கம்

data_urlதேவை

வகைstring

denoisersவிருப்பத்தேர்வு

வகைenum[]

≤ 3 உருப்படிகள்

resolutionவிருப்பத்தேர்வு

வகைenum

இயல்புநிலை512

5121024

rankவிருப்பத்தேர்வு

வகைenum

இயல்புநிலை32

163264

LoRA adapter-இன் rank; பெரிய மதிப்புகள் adapter-க்கு அதிக திறனை வழங்கும்.

learning_rateவிருப்பத்தேர்வு

வகைnumber

இயல்புநிலை0.0001

0.000001 – 0.01

LoRA-வை மேம்படுத்தப் பயன்படுத்தப்படும் learning rate.

training_stepsவிருப்பத்தேர்வு

வகைinteger

இயல்புநிலை1000

100 – 10,000

பயிற்சிப் படிகளின் மொத்த எண்ணிக்கை.

தேவை

வெளியீடு

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t

{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "trellis-2-lora-trainer",
  "status": "succeeded",
  "created_at": "2026-10-20T12:00:00Z",
  "started_at": "2026-10-20T12:00:02Z",
  "completed_at": "2026-10-20T12:00:09Z",
  "queue_position": null,
  "cost": {
    "credits": 15973,
    "usd": "15.973",
    "charged": 15973,
    "refunded": 0
  },
  "input": {
    "data_url": "https://example.com/your-file.zip"
  },
  "output": {
    "adapters": [
      {
        "denoiser": "sparse_structure",
        "resolution": 1,
        "lora_file": {
          "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.jpeg",
          "content_type": "image/jpeg",
          "file_name": "0-output.jpeg",
          "file_size": 1843200
        },
        "rank": 1,
        "training_steps": 1,
        "learning_rate": 1.0
      }
    ],
    "failed": [
      {
        "denoiser": "sparse_structure",
        "error": "string"
      }
    ],
    "preprocessed_data_file": {
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.jpeg",
      "content_type": "image/jpeg",
      "file_name": "0-output.jpeg",
      "file_size": 1843200
    }
  },
  "outputs": [
    {
      "type": "file",
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.jpeg",
      "content_type": "image/jpeg",
      "file_size": 1843200,
      "stored": true
    }
  ],
  "error": null,
  "metrics": {
    "inference_seconds": 6.8
  },
  "urls": {
    "self": "https://api.doitong.ru/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t",
    "cancel": "https://api.doitong.ru/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t/cancel"
  }
}

உங்கள் கோப்புகள், உங்கள் தேர்வுஒவ்வொரு outputs[].url-ம் எங்கள் சேமிப்பகத்தில் உள்ள ஒரு நகல்: நிரந்தரமாக (GB-மாதத்திற்கு கட்டணம்) அல்லது உங்கள் கணக்கு அமைப்பு அல்லது ?storage= மூலம் இலவசமாக 7 நாட்கள் வைக்கப்படும்.

ஒவ்வொரு மாடலிலும் ஒரே வடிவம்படங்கள், வீடியோ மற்றும் ஆடியோ ஆகிய அனைத்திற்குமான type, url, content_type, width, height மற்றும் duration. output என்பது மாதிரியின் சொந்த முடிவு பொருளாகும்.

வெளியீட்டின் புலங்கள்

adapters: array of object {denoiser, resolution, lora_file, rank, training_steps, learning_rate}தொடர்புடைய trellis-2-lora inference புலங்களுக்கு map செய்யப்பட்ட LoRA adapter கோப்புகள். வெற்றிகரமாகப் பயிற்சியடைந்த ஒவ்வொரு denoiser-க்கும் response ஒரு adapter-ஐக் கொண்டிருக்கும்; அதற்குரிய matching field-இல் அதன் கோப்பைப் பயன்படுத்தவும்.
failed: array of object {denoiser, error}வெற்றியடையாத denoiser பயிற்சி முடிவுகள்; பயிற்சியை முடிக்கத் தவறிய denoiser-கள் மட்டுமே இங்கே தோன்றும், எனவே கோரப்பட்ட அனைத்து denoiser-களும் வெற்றியடைந்தால் இது காலியாக இருக்கும்.
preprocessed_data_file: object {url, content_type, file_name, file_size}பயிற்சியின்போது பயன்படுத்தப்பட்டு மறுபயன்பாட்டுக்குக் கிடைக்கும் முன்செயலாக்கப்பட்ட TRELLIS.2 dataset zip.

AI ஏஜெண்டுகளுக்கு: இந்தப் பக்கம் Markdown வடிவில் இங்கே உள்ளது https://doitong.com/ta/developers/models/trellis-2-lora-trainer.md. அனைத்து மாடல்களும் வழிகாட்டிகளும்: https://doitong.com/developers/llms.txt

உங்கள் முதல் முடிவு இங்கே வரும்

கோரிக்கையை உருவாக்கு

இந்தக் கோரிக்கையை இயக்கு

TRELLIS.2 Trainer பற்றி

அளவுருக்கள்

வெளியீடு

மேலும் மாதிரிகள்: பயிற்சி

ERNIE-Image Trainer

FLUX 2 [klein] 9b Base Trainer மாறுபாடுகள்: 2

Flux 2 Klein 9B Base Trainer மாறுபாடுகள்: 2

FLUX 2 Trainer மாறுபாடுகள்: 2