# TRELLIS.2 Trainer API

> מאמן מתאמי LoRA עבור Trellis 2 על קובץ zip של נכסי 3D, עבור עד שלושה מפחיתי רעש

מכוונן מתאמים מקובץ zip ב-`data_url`, המכיל נכסי 3D גולמיים או מערך נתונים שעבר עיבוד מקדים. `denoisers` בוחר 1 עד 3 יעדים, שכל אחד מהם מאומן כמתאם נפרד. הגדרות: `resolution` 512 או 1024, `rank` 16, 32 או 64, `learning_rate`, ו-`training_steps` מ-100 עד 10000. הוא מחזיר את המתאמים, כשלים כלשהם ואת הנתונים שעברו עיבוד מקדים וניתנים לשימוש חוזר.

- 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/he/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 |  |  | כתובת URL של ארכיון מערך נתונים: יש לספק נכסי תלת-ממד גולמיים ארוזים כ-.zip, או להשתמש בקובץ ה-zip של מערך הנתונים המעובד מראש של TRELLIS.2 שהוחזר על ידי data_preprocessing. |
| `denoisers` |  | array of enum (string) | no |  | 1 – 3 items | בחירה של 1–3 מסירי רעשים שונים של TRELLIS.2 מתוך sparse_structure, geometry ו-texture לכוונון עדין. אימון מקביל משתמש במערך נתונים משותף שעובד מראש כדי להפיק מתאם LoRA נפרד לכל רשומה שנבחרה. |
| `resolution` |  | enum (integer) | no | `512` | `512`, `1024` | רזולוציית האימון חייבת להיות שווה לרזולוציית העיבוד המקדים של מערך הנתונים. לאימון geometry ול-texture יש תצורות נפרדות עבור 512 ו-1024, ואילו אימון sparse-structure משתף תצורה בין רזולוציות אלה. |
| `rank` |  | enum (integer) | no | `32` | `16`, `32`, `64` | דרגת מתאם ה-LoRA; ערכים גדולים יותר מספקים קיבולת מתאם גבוהה יותר. |
| `learning_rate` |  | number | no | `0.0001` | 0.000001 – 0.01 | קצב הלמידה המשמש לאופטימיזציה של LoRA. |
| `training_steps` |  | integer | no | `1000` | 100 – 10,000 | המספר הכולל של צעדי האימון. |

## 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} | קובצי מתאמי LoRA הממופים לשדות ההסקה התואמים של trellis-2-lora. התגובה כוללת מתאם אחד לכל מסיר רעשים שהאימון שלו הצליח; יש להשתמש בקובץ שלו בשדה התואם. |
| `failed` | array of object {denoiser, error} | תוצאות אימון מסירי רעשים שלא הצליחו; רק מסירי רעשים שלא סיימו את האימון מופיעים כאן, ולכן הצלחה בכל מסירי הרעשים המבוקשים משאירה שדה זה ריק. |
| `preprocessed_data_file` | object {url, content_type, file_name, file_size} | קובץ ה-zip של מערך הנתונים המעובד מראש של TRELLIS.2, ששימש במהלך האימון וזמין לשימוש חוזר. |

## 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