# TRELLIS.2 Trainer API

> Εκπαιδεύει προσαρμογείς LoRA για το Trellis 2 από αρχείο zip τρισδιάστατων αντικειμένων, για έως τρεις αποθορυβοποιητές

Κάνει μικρορύθμιση προσαρμογέων από zip στο `data_url`, που περιέχει ακατέργαστα τρισδιάστατα αντικείμενα ή προεπεξεργασμένο σύνολο δεδομένων. Το `denoisers` επιλέγει 1 έως 3 στόχους, καθένας εκπαιδευμένος ως ξεχωριστός προσαρμογέας. Ρυθμίσεις: `resolution` 512 ή 1024, `rank` 16, 32 ή 64, `learning_rate` και `training_steps` από 100 έως 10000. Επιστρέφει τους προσαρμογείς, τυχόν αποτυχίες και τα επαναχρησιμοποιήσιμα προεπεξεργασμένα δεδομένα.

- Model id: `trellis-2-lora-trainer`
- Made by: Microsoft
- Category: Training
- Output: file
- Price per run: from $1.7508 / run (cheapest run $1.751 (1751 API credits))
- Run: `POST https://api.doitong.com/v1/run/trellis-2-lora-trainer`
- Quote: `POST https://api.doitong.com/v1/quote/trellis-2-lora-trainer`
- Docs page: https://doitong.com/el/developers/models/trellis-2-lora-trainer

## Pricing

Price: **from $1.7508 / run** (the lowest tier; the quote prices your exact input). Price per run: the input files are measured before the run (length, resolution, frame rate). The quote measures the same files and is exactly what the run charges.

The full example input below costs $15.973 = 15973 API credits (1 run × $15.9723).

Prices are the upstream price in USD, paid from the API balance in API credits (1000 API credits = 1 USD). `POST https://api.doitong.com/v1/quote/trellis-2-lora-trainer` with the same JSON body returns the exact price for that input; the quote is exactly what a run charges. Invalid input is never charged and failed or canceled requests are refunded automatically.

## Input parameters

| Parameter | Canonical name | Type | Required | Default | Allowed values / range | Description |
|---|---|---|---|---|---|---|
| `data_url` |  | string | yes |  |  | URL αρχείου dataset: παρέχετε ακατέργαστα 3D στοιχεία συσκευασμένα ως .zip ή χρησιμοποιήστε το προεπεξεργασμένο zip dataset TRELLIS.2 που επιστρέφεται από το data_preprocessing. |
| `denoisers` |  | array of enum (string) | no |  | 1 – 3 items | Επιλογή 1–3 διαφορετικών denoiser TRELLIS.2 από τα sparse_structure, geometry και texture για fine-tuning. Η παράλληλη εκπαίδευση χρησιμοποιεί κοινό προεπεξεργασμένο dataset για να παράγει ξεχωριστό adapter LoRA για κάθε επιλεγμένη καταχώριση. |
| `resolution` |  | enum (integer) | no | `512` | `512`, `1024` | Η ανάλυση εκπαίδευσης πρέπει να είναι ίση με την ανάλυση προεπεξεργασίας του dataset. Η εκπαίδευση geometry και texture διαθέτει ξεχωριστές διαμορφώσεις για 512 και 1024, ενώ η εκπαίδευση sparse-structure μοιράζεται μία διαμόρφωση μεταξύ αυτών των αναλύσεων. |
| `rank` |  | enum (integer) | no | `32` | `16`, `32`, `64` | Rank του adapter LoRA· οι μεγαλύτερες τιμές παρέχουν μεγαλύτερη χωρητικότητα adapter. |
| `learning_rate` |  | number | no | `0.0001` | 0.000001 – 0.01 | Ρυθμός μάθησης που χρησιμοποιείται για τη βελτιστοποίηση του LoRA. |
| `training_steps` |  | integer | no | `1000` | 100 – 10,000 | Συνολικό πλήθος βημάτων εκπαίδευσης. |

## Example input

Required parameters only:

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

A fuller example:

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

## Run it

Set `DOITONG_API_KEY` to a key from https://doitong.com/developers/dashboard#keys. `?wait=20` returns the finished request in the same call when it is ready within 20 seconds; otherwise poll `GET /requests/{id}` (it also accepts `?wait=`), or pass `webhook_url`.

### curl

```bash
# Run the model; wait up to 20 s for the finished result in the same call
curl -X POST "https://api.doitong.com/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.com/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"
```

### JavaScript

```javascript
const API = "https://api.doitong.com/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 + ")");
```

### Python

```python
import os
import requests

API = "https://api.doitong.com/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"])
```

### MCP

The MCP server at `https://api.doitong.com/v1/mcp` exposes the tools `search_models`, `get_model`, `quote`, `run`, `get_request`, `cancel_request`, `list_requests`, `create_upload` and `get_account`. A `run` call for this model:

```json
{
  "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
    }
  }
}
```

## Response

Every call returns a request object. `status` is one of `queued`, `running`, `succeeded`, `failed`, `canceled`. `outputs` lists the generated files with URLs on our storage (kept forever, or 7 days with `?storage=temporary`; `storage` says which); `output` is the model's own result object with the same URLs.

```json
{
  "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.com/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t",
    "cancel": "https://api.doitong.com/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t/cancel"
  }
}
```

### Output fields (`output`)

| Field | Type | Description |
|---|---|---|
| `adapters` | array of object {denoiser, resolution, lora_file, rank, training_steps, learning_rate} | Αρχεία adapter LoRA αντιστοιχισμένα στα αντίστοιχα πεδία συμπερασμού trellis-2-lora. Η απόκριση περιλαμβάνει έναν adapter για κάθε denoiser του οποίου η εκπαίδευση ολοκληρώθηκε επιτυχώς· χρησιμοποιήστε το αρχείο του στο αντίστοιχο πεδίο. |
| `failed` | array of object {denoiser, error} | Ανεπιτυχή αποτελέσματα εκπαίδευσης denoiser· εδώ εμφανίζονται μόνο οι denoiser που απέτυχαν να ολοκληρώσουν την εκπαίδευση, επομένως η επιτυχία σε όλους τους ζητούμενους denoiser αφήνει αυτό το πεδίο κενό. |
| `preprocessed_data_file` | object {url, content_type, file_name, file_size} | Προεπεξεργασμένο zip dataset TRELLIS.2 που χρησιμοποιήθηκε κατά την εκπαίδευση και είναι διαθέσιμο για επαναχρησιμοποίηση. |

## Related models

- [ERNIE-Image Trainer](https://doitong.com/developers/models/ernie-image-trainer.md) (`ernie-image-trainer`): $0.0012 / step
- [FLUX 2 \[klein\] 9b Base Trainer](https://doitong.com/developers/models/flux-2-klein-9b-base-trainer.md) (`flux-2-klein-9b-base-trainer`): $0.0043 / step
- [Flux 2 Klein 9B Base Trainer](https://doitong.com/developers/models/flux-2-klein-9b-base-trainer/edit.md) (`flux-2-klein-9b-base-trainer/edit`): $0.0139 / step
- [FLUX 2 Trainer](https://doitong.com/developers/models/flux-2-trainer.md) (`flux-2-trainer`): $0.0064 / step
- [FLUX 2 Trainer Edit](https://doitong.com/developers/models/flux-2-trainer/edit.md) (`flux-2-trainer/edit`): $0.0389 / step
- [FLUX 2 Trainer V2](https://doitong.com/developers/models/flux-2-trainer-v2.md) (`flux-2-trainer-v2`): $0.0064 / step
- [FLUX 2 Trainer V2 Edit](https://doitong.com/developers/models/flux-2-trainer-v2/edit.md) (`flux-2-trainer-v2/edit`): $0.0389 / step
- [Flux Kontext Trainer](https://doitong.com/developers/models/flux-kontext-trainer.md) (`flux-kontext-trainer`): from $1.25 / run

## Links

- HTML page: https://doitong.com/developers/models/trellis-2-lora-trainer
- All models and guides for AI agents: https://doitong.com/developers/llms.txt
- OpenAPI 3.1 with this model's typed request body: https://doitong.com/developers/openapi.json?model=trellis-2-lora-trainer
- Errors: https://doitong.com/developers/docs/errors
- Model details as JSON: https://api.doitong.com/v1/models/trellis-2-lora-trainer