# TRELLIS.2 Trainer API

> LoRA-adaptereket tanít Trellis 2-höz 3D-eszközöket tartalmazó zipből, legfeljebb három zajcsökkentőhöz

A `data_url` által megadott zipből finomhangolja az adaptereket; a zip nyers 3D-eszközöket vagy előfeldolgozott adatkészletet tartalmazhat. A `denoisers` 1–3 célt választ ki, amelyek mindegyike saját adapterként tanul. Beállítások: `resolution` 512 vagy 1024, `rank` 16, 32 vagy 64, `learning_rate`, valamint 100–10000 közötti `training_steps`. Visszaadja az adaptereket, az esetleges hibákat és az újrafelhasználható előfeldolgozott adatokat.

- 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/hu/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 |  |  | Adatkészlet-archívum URL-je: nyers 3D-eszközöket tartalmazó .zip fájlt adjon meg, vagy használja a data_preprocessing által visszaadott, előfeldolgozott TRELLIS.2 adatkészlet-zipet. |
| `denoisers` |  | array of enum (string) | no |  | 1 – 3 items | 1–3 különböző TRELLIS.2 zajcsökkentő kiválasztása a sparse_structure, geometry és texture közül finomhangoláshoz. A párhuzamos betanítás közös, előfeldolgozott adatkészletet használ, és minden kiválasztott bejegyzéshez külön LoRA-adaptert állít elő. |
| `resolution` |  | enum (integer) | no | `512` | `512`, `1024` | A betanítási felbontásnak meg kell egyeznie az adatkészlet előfeldolgozási felbontásával. A geometry és a texture betanítása külön konfigurációval rendelkezik 512 és 1024 értékhez, míg a sparse-structure betanítása közös konfigurációt használ e felbontásokon. |
| `rank` |  | enum (integer) | no | `32` | `16`, `32`, `64` | A LoRA-adapter rangja; a nagyobb értékek nagyobb adapterkapacitást biztosítanak. |
| `learning_rate` |  | number | no | `0.0001` | 0.000001 – 0.01 | A LoRA optimalizálásához használt tanulási ráta. |
| `training_steps` |  | integer | no | `1000` | 100 – 10,000 | A betanítási lépések teljes száma. |

## 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} | A megfelelő trellis-2-lora inferenciamezőkhöz hozzárendelt LoRA-adapterfájlok. A válasz minden sikeresen betanított zajcsökkentőhöz egy adaptert tartalmaz; annak fájlját a megfelelő mezőben használja. |
| `failed` | array of object {denoiser, error} | Sikertelen zajcsökkentő-betanítási eredmények; csak azok a zajcsökkentők jelennek meg itt, amelyeknél a betanítás nem fejeződött be, ezért az összes kért zajcsökkentő sikere esetén ez üres marad. |
| `preprocessed_data_file` | object {url, content_type, file_name, file_size} | A betanítás során használt és újrafelhasználható, előfeldolgozott TRELLIS.2 adatkészlet-zip. |

## 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