TRELLIS.2 Trainer

ပေါင်းစည်းရန်

မော်ဒယ် 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.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"

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 + ")");

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"])

# 1. Connect once (Claude Code; Cursor, VS Code, Claude Desktop: https://doitong.com/my/developers/docs/mcp)
claude mcp add --transport http doitong-models https://api.doitong.com/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 မှတစ်ဆင့် TRELLIS.2 Trainer မော်ဒယ် (trellis-2-lora-trainer) ကို ခေါ်ယူပါ။ အေးဂျင့်များအတွက် စာရွက်စာတမ်းများ: https://doitong.com/my/developers/models/trellis-2-lora-trainer.md

POST https://api.doitong.com/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"
}

Response status သည် "queued" သို့မဟုတ် "running" ဖြစ်ပါက "succeeded" ဖြစ်သည်အထိ GET https://api.doitong.com/v1/requests/REQUEST_ID?wait=20 ဖြင့် poll လုပ်ပါ။ ဖိုင်များသည် outputs[].url တွင် ရှိသည်။ လုပ်ဆောင်မီ အတိအကျစျေးနှုန်းရရန် တူညီသော body ဖြင့် POST https://api.doitong.com/v1/quote/trellis-2-lora-trainer ကို အသုံးပြုပါ။

နမူနာကဲ့သို့ ဖိုင်များ: ၁၅.၉၇၃ $ ၁၅,၉၇၃ API ခရက်ဒစ် လုပ်ဆောင်မီ သင့်ဖိုင်များကို တိုင်းတာသည် ဤစာမျက်နှာတွင် လုပ်ဆောင်ရန်

API ကီး ရယူရန်

Microsoft လေ့ကျင့်ခြင်း

3D asset များပါသော zip မှ Trellis 2 အတွက် LoRA adapter များကို denoiser သုံးခုအထိ လေ့ကျင့်ပေးသည်

OpenAPI Markdown

Microsoft · ဖိုင်

သင့်ပထမဆုံးရလဒ် ဤနေရာတွင် ပေါ်လာမည်

အောက်တွင် တောင်းဆိုချက်တစ်ခု တည်ဆောက်ပြီး သင့် API ကီးဖြင့် လုပ်ဆောင်ပါ။ ထွက်ရလဒ်များကို ကျွန်ုပ်တို့၏ သိုလှောင်မှုသို့ ကူးယူပြီး အမြဲတမ်း သို့မဟုတ် ၇ ရက် အခမဲ့ သိမ်းထားသည်။

တောင်းဆိုမှုတစ်ခု တည်ဆောက်ရန်

လုပ်ဆောင်မှုတစ်ကြိမ်လျှင် ဈေးနှုန်း

သင့်ထည့်သွင်းမှုအပေါ် မူတည်၍ စျေးနှုန်းသတ်မှတ်သည်

၁၅.၉၇၃ $တစ်ကြိမ်လုပ်ဆောင်မှုလျှင်

၁၅,၉၇၃ API ခရက်ဒစ်

စျေးနှုန်း- ၁.၇၅၁ $ မှ စတင်သည်

လုပ်ဆောင်မှု ၁ ကြိမ် × ၁၅.၉၇၂၃ $ လုပ်ဆောင်ရန် · ၁၅.၉၇၃ $

အောင်မြင်မှသာ ကောက်ခံပြီး မအောင်မြင်ပါက အလိုအလျောက် ပြန်အမ်းပေးသည်။

resolution မူလ 512

rank မူလ 32

training_steps မူလ 1000

လုပ်ဆောင်မီ သင့်ဖိုင်များကို တိုင်းတာသည် (အရှည်၊ ရုပ်ထွက်အရည်အသွေး၊ ဖရိမ်နှုန်း)။ Quote တွင် အတိအကျစျေးနှုန်းကို ပြန်ပေးပြီး ထိုပမာဏအတိုင်းသာ ကောက်ခံမည်။

စျေးနှုန်းတွက်ချက်ရန် Endpoint: POST /quote/{id}

တောင်းဆိုမှုတစ်ခု တည်ဆောက်ရန်

ထိန်းချုပ်မှုများကို မော်ဒယ် schema မှ အလိုအလျောက်ဖန်တီးသည်။ ၎င်းတို့ကို ပြောင်းလဲသည်နှင့် code နှင့် စျေးနှုန်းတို့လည်း ပြောင်းလဲမည်။

resolution မူလ 512

Training ရုပ်ထွက်အရည်အသွေးသည် dataset ၏ preprocessing ရုပ်ထွက်အရည်အသွေးနှင့် တူညီရမည်။ Geometry နှင့် texture training တို့တွင် 512 နှင့် 1024 အတွက် သီးခြား configuration များရှိသော်လည်း sparse-structure training သည် အဆိုပါ ရုပ်ထွက်အရည်အသွေးများအတွက် configuration တစ်ခုတည်းကို မျှဝေသည်။

rank မူလ 32

LoRA adapter ၏ rank။ တန်ဖိုးကြီးလေ adapter စွမ်းရည် ပိုမြင့်လေ ဖြစ်သည်။

data_url •လိုအပ်သည်

Dataset archive URL: .zip အဖြစ် ထုပ်ပိုးထားသော မူရင်း 3D asset များကို ပေးပါ၊ သို့မဟုတ် data_preprocessing မှ ပြန်လည်ရရှိသော ကြိုတင်လုပ်ဆောင်ပြီး TRELLIS.2 dataset zip ကို အသုံးပြုပါ။

training_steps မူလ 1000

Training step စုစုပေါင်းအရေအတွက်။

denoisers

fine-tuning အတွက် sparse_structure၊ geometry နှင့် texture တို့ထဲမှ ကွဲပြားသော TRELLIS.2 denoiser 1–3 ခုကို ရွေးချယ်ခြင်း။ Parallel training သည် မျှဝေထားသော ကြိုတင်လုပ်ဆောင်ပြီး dataset ကို အသုံးပြု၍ ရွေးချယ်ထားသော entry တစ်ခုစီအတွက် သီးခြား LoRA adapter တစ်ခု ဖန်တီးသည်။

အဆင့်မြင့် learning_rate

learning_rate မူလ 0.0001

LoRA ကို optimize ပြုလုပ်ရန် အသုံးပြုသော learning rate။

POST /run/trellis-2-lora-trainer?wait=20 ကုန်ကျစရိတ် → ၁၅.၉၇၃ $

# 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"

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 + ")");

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"])

{
  "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
    }
  }
}

ဤတောင်းဆိုချက်ကို လုပ်ဆောင်ရန်

API ကီး

သင့် key သည် ဤဘရောက်ဇာထဲတွင်သာ ရှိမည်ဖြစ်ပြီး Doitong API သို့သာ ပို့မည်။ Remember ကို အမှန်ခြစ်ထားမှသာ (localStorage) တွင် သိမ်းမည်။ ဤဘရောက်ဇာတွင် မှတ်ထားရန် API ကီး ရယူရန်

TRELLIS.2 Trainer အကြောင်း

မူကြမ်း 3D asset များ သို့မဟုတ် ကြိုတင်ပြင်ဆင်ထားသော ဒေတာအစု ပါသည့် `data_url` ရှိ zip မှ အဒပ်တာများကို အသေးစိတ်ချိန်ညှိသည်။ `denoisers` သည် ပစ်မှတ် 1 မှ 3 ခုကို ရွေးချယ်ပြီး တစ်ခုစီကို သီးခြား အဒပ်တာအဖြစ် လေ့ကျင့်သည်။ ဆက်တင်များမှာ `resolution` 512 သို့မဟုတ် 1024၊ `rank` 16၊ 32 သို့မဟုတ် 64၊ `learning_rate` နှင့် 100 မှ 10000 အထိ `training_steps` တို့ ဖြစ်သည်။ အဒပ်တာများ၊ မအောင်မြင်မှုများနှင့် ပြန်လည်အသုံးပြုနိုင်သော ကြိုတင်ပြင်ဆင်ထားသည့် ဒေတာကို ပြန်ပေးသည်။

ပါရာမီတာများ

အမည်အမျိုးအစား မူလတန်ဖိုးခွင့်ပြုထားသည် ဖော်ပြချက်

data_urlလိုအပ်သည်

အမျိုးအစားstring

denoisersရွေးချယ်နိုင်သည်

အမျိုးအစားenum[]

အကြောင်းအရာ ၃ ခုထက် မပိုပါ

resolutionရွေးချယ်နိုင်သည်

အမျိုးအစားenum

မူလတန်ဖိုး512

5121024

rankရွေးချယ်နိုင်သည်

အမျိုးအစားenum

မူလတန်ဖိုး32

163264

LoRA adapter ၏ rank။ တန်ဖိုးကြီးလေ adapter စွမ်းရည် ပိုမြင့်လေ ဖြစ်သည်။

learning_rateရွေးချယ်နိုင်သည်

အမျိုးအစားnumber

မူလတန်ဖိုး0.0001

၀.၀၀၀၀၀၁ – ၀.၀၁

LoRA ကို optimize ပြုလုပ်ရန် အသုံးပြုသော learning rate။

training_stepsရွေးချယ်နိုင်သည်

အမျိုးအစားinteger

မူလတန်ဖိုး1000

၁၀၀ – ၁၀,၀၀၀

Training step စုစုပေါင်းအရေအတွက်။

လိုအပ်သည်

ထွက်ရလဒ်

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

သင့်ဖိုင်များ၊ သင့်ရွေးချယ်မှုoutputs[].url တိုင်းသည် ကျွန်ုပ်တို့၏ သိုလှောင်မှုရှိ မိတ္တူဖြစ်သည်- အမြဲတမ်း (GB-month အလိုက် ငွေပေးရသည်) သို့မဟုတ် ၇ ရက် အခမဲ့၊ သင့်အကောင့်ဆက်တင် သို့မဟုတ် ?storage= ဖြင့် သိမ်းထားသည်။

မော်ဒယ်တိုင်းတွင် ပုံစံတူပုံ၊ ဗီဒီယိုနှင့် အသံတို့အတွက် type၊ url၊ content_type၊ width၊ height နှင့် duration။ output သည် မော်ဒယ်ကိုယ်တိုင်၏ ရလဒ် object ဖြစ်သည်။

ထွက်ရလဒ်၏ Fields များ

adapters: array of object {denoiser, resolution, lora_file, rank, training_steps, learning_rate}သက်ဆိုင်ရာ trellis-2-lora inference field များနှင့် ချိတ်ဆက်ထားသော LoRA adapter ဖိုင်များ။ Response တွင် training အောင်မြင်သော denoiser တစ်ခုစီအတွက် adapter တစ်ခု ပါဝင်သည်။ ထိုဖိုင်ကို ကိုက်ညီသော field တွင် အသုံးပြုပါ။
failed: array of object {denoiser, error}မအောင်မြင်သော denoiser training ရလဒ်များ။ Training ပြီးဆုံးရန် မအောင်မြင်သော denoiser များသာ ဤနေရာတွင် ပါဝင်သည်။ တောင်းဆိုထားသော denoiser အားလုံး အောင်မြင်ပါက ဤနေရာသည် ဗလာဖြစ်သည်။
preprocessed_data_file: object {url, content_type, file_name, file_size}Training အတွင်း အသုံးပြုခဲ့ပြီး ပြန်လည်အသုံးပြုနိုင်သော ကြိုတင်လုပ်ဆောင်ထားသည့် TRELLIS.2 dataset zip။

AI အေးဂျင့်များအတွက်- ဤစာမျက်နှာ၏ Markdown ကို ဤနေရာတွင် ရရှိနိုင်သည် https://doitong.com/my/developers/models/trellis-2-lora-trainer.md. မော်ဒယ်များနှင့် လမ်းညွှန်များအားလုံး: https://doitong.com/developers/llms.txt

သင့်ပထမဆုံးရလဒ် ဤနေရာတွင် ပေါ်လာမည်

တောင်းဆိုမှုတစ်ခု တည်ဆောက်ရန်

ဤတောင်းဆိုချက်ကို လုပ်ဆောင်ရန်

TRELLIS.2 Trainer အကြောင်း

ပါရာမီတာများ

ထွက်ရလဒ်

နောက်ထပ် မော်ဒယ်များ: လေ့ကျင့်ခြင်း

ERNIE-Image Trainer

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

Flux 2 Klein 9B Base Trainer မူကွဲများ: 2

FLUX 2 Trainer မူကွဲများ: 2