# FLUX.1 [dev] with Controlnets and Loras · Differential Diffusion API

> পরিবর্তন ম্যাপ দ্বারা চালিত FLUX.1 [dev] ইমেজ এডিটিং, যা প্রতিটি অঞ্চল কতটা পরিবর্তিত হবে তা নির্ধারণ করে

পরিবর্তন ম্যাপ ছবি ব্যবহার করে প্রতিটি এলাকার পরিবর্তনের মাত্রা নিয়ন্ত্রণ করে সোর্স ছবিকে অঞ্চলভেদে রূপান্তর করে। `prompt`, `image_url` এবং `change_map_image_url` প্রয়োজন। এছাড়া LoRAs, ControlNets, IP-Adapters এবং একটি রেফারেন্স ছবি গ্রহণ করে। `num_inference_steps` 1 থেকে 50 এবং `num_images` সর্বোচ্চ 10; আউটপুট png বা jpeg।

- Model id: `flux-general/differential-diffusion`
- Made by: Black Forest Labs
- Category: Image Editing
- Output: image
- Estimated price per run: $0.138 / image (cheapest run $0.138 (138 API credits))
- Run: `POST https://api.doitong.com/v1/run/flux-general/differential-diffusion`
- Quote: `POST https://api.doitong.com/v1/quote/flux-general/differential-diffusion`
- Docs page: https://doitong.com/bn/developers/models/flux-general/differential-diffusion

## Pricing

Price: **$0.138 / image**. Estimated from the typical cost of one run, per output (`num_images`). The quote is exactly what the run charges.

The full example input below costs $0.138 = 138 API credits (1 image × 138 API credits).

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/flux-general/differential-diffusion` 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

Send either the canonical name or the native field name (not both). Canonical names are the same across models.

| Parameter | Canonical name | Type | Required | Default | Allowed values / range | Description |
|---|---|---|---|---|---|---|
| `prompt` |  | string | yes |  |  | ছবি জেনারেশন নির্দেশকারী প্রম্পট। |
| `image_size` |  | object {width, height} \| enum (string) | no |  | `square_hd`, `square`, `portrait_4_3`, `portrait_16_9`, `landscape_4_3`, `landscape_16_9` | জেনারেট করা ছবির মাত্রা। |
| `num_inference_steps` |  | integer | no | `28` | 1 – 50 | চালানোর জন্য inference ধাপের সংখ্যা। |
| `seed` |  | integer \| null | no |  |  | পুনরুৎপাদনযোগ্য ছবির জন্য seed: মডেলের সংস্করণ অপরিবর্তিত থাকলে একই প্রম্পট ও seed থেকে একই ছবি তৈরি হয়। |
| `loras` |  | array of object {path, scale} | no | `[]` |  | যেসব LoRA-র সম্মিলিত ইফেক্টে জেনারেট করা ছবি তৈরি হয়; সরবরাহযোগ্য সংখ্যার কোনো সীমা নেই। |
| `loras[].path` |  | string | yes |  |  | LoRA weights-এর অবস্থান, URL বা path হিসেবে নির্দিষ্ট করা হয়। |
| `loras[].scale` |  | object \| number | no | `1` |  | ভিত্তি মডেলের সঙ্গে মিশ্রণের আগে LoRA ওজনে প্রয়োগ করা স্কেলিং। পৃথক layer scale সেট করতে {"layer_name":layer_scale} ফর্মের একটি dictionary দিন; অনির্দিষ্ট layer-এ 1.0 ব্যবহার হয়। |
| `control_loras` |  | array of object {path, scale, control_image_url, preprocess} | no | `[]` |  | চূড়ান্ত ছবি তৈরির জন্য সম্মিলিত কনফিগারেশনে মেশানো control-image LoRA; সরবরাহ করা সংখ্যার কোনো সীমা নেই। |
| `control_loras[].path` |  | string | yes |  |  | LoRA weights-এর অবস্থান, URL বা path হিসেবে নির্দিষ্ট করা হয়। |
| `control_loras[].scale` |  | object \| number | no | `1` |  | ভিত্তি মডেলের সঙ্গে মিশ্রণের আগে LoRA ওজনে প্রয়োগ করা স্কেলিং। পৃথক layer scale সেট করতে {"layer_name":layer_scale} ফর্মের একটি dictionary দিন; অনির্দিষ্ট layer-এ 1.0 ব্যবহার হয়। |
| `control_loras[].control_image_url` |  | string (image URL) | yes |  |  | control ছবি সরবরাহ করা ছবির URL। |
| `control_loras[].preprocess` |  | enum (string) | no | `None` | `canny`, `depth`, `None` | দেওয়া ছবিতে প্রয়োগ করা preprocessing পদ্ধতি। |
| `controlnets` |  | array of object {path, config_url, variant, control_image_url, mask_image_url, mask_threshold, conditioning_scale, start_percentage, end_percentage} | no | `[]` |  | ছবি জেনারেশনের জন্য ControlNet কনফিগারেশন, বর্তমানে একটি ControlNet-এ সীমাবদ্ধ। |
| `controlnets[].path` |  | string | yes |  |  | ControlNet-এর ওজনের অবস্থান, URL অথবা path হিসেবে নির্দিষ্ট। |
| `controlnets[].config_url` |  | string \| null | no |  |  | ControlNet-এর config.json ফাইলের দিকে নির্দেশ করা ঐচ্ছিক URL। |
| `controlnets[].variant` |  | string \| null | no |  |  | Hugging Face রিপোজিটরি key-এর সঙ্গে ব্যবহারের জন্য ঐচ্ছিক variant। |
| `controlnets[].control_image_url` |  | string (image URL) | yes |  |  | control ছবি সরবরাহ করা ছবির URL। |
| `controlnets[].mask_image_url` |  | string (image URL) | no |  |  | কন্ট্রোল ছবির সঙ্গে সম্পর্কিত মাস্ক URL। |
| `controlnets[].mask_threshold` |  | number | no | `0.5` | 0.01 – 0.99 | মাস্ক থ্রেশহোল্ডের মান। |
| `controlnets[].conditioning_scale` |  | number | no | `1` | 0 – 2 | বেস মডেলের সঙ্গে একীভূত করার আগে ControlNet ওজনে প্রয়োগ করা স্কেলিং। |
| `controlnets[].start_percentage` |  | number | no | `0` | 0 – 1 | মোট টাইমস্টেপের যে শতাংশে ControlNet ছবির জেনারেশনে প্রভাব বিস্তার শুরু করে। |
| `controlnets[].end_percentage` |  | number | no | `1` | 0 – 1 | মোট টাইমস্টেপের যে শতাংশে ControlNet ছবির জেনারেশনে প্রভাব বিস্তার বন্ধ করে। |
| `controlnet_unions` |  | array of object {path, config_url, variant, controls} | no | `[]` |  | ছবির জেনারেশনের জন্য ControlNet union কনফিগারেশন, বর্তমান single-ControlNet সীমাবদ্ধতার অধীন। |
| `controlnet_unions[].path` |  | string | yes |  |  | ControlNet-এর ওজনের অবস্থান, URL অথবা path হিসেবে নির্দিষ্ট। |
| `controlnet_unions[].config_url` |  | string \| null | no |  |  | ControlNet-এর config.json ফাইলের দিকে নির্দেশ করা ঐচ্ছিক URL। |
| `controlnet_unions[].variant` |  | string \| null | no |  |  | Hugging Face রিপোজিটরি key-এর সঙ্গে ব্যবহারের জন্য ঐচ্ছিক variant। |
| `controlnet_unions[].controls` |  | array of object {control_image_url, mask_image_url, control_mode, conditioning_scale, mask_threshold, start_percentage, end_percentage} | yes |  |  | ControlNet-এ সরবরাহ করা কন্ট্রোল ছবি ও সংশ্লিষ্ট মোড। |
| `controlnet_unions[].controls[].control_image_url` |  | string (image URL) | yes |  |  | control ছবি সরবরাহ করা ছবির URL। |
| `controlnet_unions[].controls[].mask_image_url` |  | string (image URL) | no |  |  | কন্ট্রোল ছবির সঙ্গে সম্পর্কিত মাস্ক URL। |
| `controlnet_unions[].controls[].control_mode` |  | enum (string) | yes |  | `canny`, `tile`, `depth`, `blur`, `pose`, `gray`, `low-quality` | Flux Controlnet Union-এ ব্যবহৃত কন্ট্রোল মোড। বিকল্প: canny প্রান্ত ব্যবহার করে জেনারেশন নির্দেশ করে; tile টাইল ব্যবহার করে নির্দেশ করে; depth গ্রেস্কেল depth map ব্যবহার করে নির্দেশ করে; blur ছবিকে ঝাপসা করে; pose ছবির pose ব্যবহার করে জেনারেশন নির্দেশ করে; gray ছবিকে গ্রেস্কেল করে; low-quality ছবির নিম্নমানের সংস্করণ তৈরি করে। |
| `controlnet_unions[].controls[].conditioning_scale` |  | number | no | `1` | 0 – 2 | বেস মডেলের সঙ্গে একীভূত করার আগে ControlNet ওজনে প্রয়োগ করা স্কেলিং। |
| `controlnet_unions[].controls[].mask_threshold` |  | number | no | `0.5` | 0.01 – 0.99 | মাস্ক থ্রেশহোল্ডের মান। |
| `controlnet_unions[].controls[].start_percentage` |  | number | no | `0` | 0 – 1 | মোট টাইমস্টেপের যে শতাংশে ControlNet ছবির জেনারেশনে প্রভাব বিস্তার শুরু করে। |
| `controlnet_unions[].controls[].end_percentage` |  | number | no | `1` | 0 – 1 | মোট টাইমস্টেপের যে শতাংশে ControlNet ছবির জেনারেশনে প্রভাব বিস্তার বন্ধ করে। |
| `ip_adapters` |  | array of object {path, subfolder, weight_name, image_encoder_path, image_encoder_subfolder, image_encoder_weight_name, image_url, mask_image_url, mask_threshold, scale} | no | `[]` |  | ছবির জেনারেশনের সময় প্রয়োগ করা IP-Adapter। |
| `ip_adapters[].path` |  | string | yes |  |  | Hugging Face-এ IP-Adapter-এর অবস্থান। |
| `ip_adapters[].subfolder` |  | string \| null | no |  |  | ip_adapter ওজন ধারণকারী সাবফোল্ডার। |
| `ip_adapters[].weight_name` |  | string \| null | no |  |  | IP-Adapter-এর ওজনের Safetensors ফাইলের নাম। |
| `ip_adapters[].image_encoder_path` |  | string | yes |  |  | IP-Adapter ছবির এনকোডারের অবস্থান, যেমন 'openai/clip-vit-large-patch14'। |
| `ip_adapters[].image_encoder_subfolder` |  | string \| null | no |  |  | ছবির এনকোডারের ওজন ধারণকারী সাবফোল্ডার। |
| `ip_adapters[].image_encoder_weight_name` |  | string \| null | no |  |  | ছবির এনকোডারের নাম। |
| `ip_adapters[].image_url` |  | string (image URL) | yes |  |  | IP-Adapter-এ সরবরাহ করা কন্ডিশনিং ছবির URL। |
| `ip_adapters[].mask_image_url` |  | string (image URL) \| null | no |  |  | কন্ট্রোল ছবির সঙ্গে সম্পর্কিত মাস্ক URL। |
| `ip_adapters[].mask_threshold` |  | number | no | `0.5` | 0.01 – 0.99 | মাস্ক থ্রেশহোল্ডের মান। |
| `ip_adapters[].scale` |  | number | yes |  |  | IP-Adapter-এর স্কেলিং ফ্যাক্টর। |
| `easycontrols` |  | array of object {control_method_url, scale, image_url, image_control_type} | no | `[]` |  | ছবির জেনারেশনের সময় প্রয়োগ করা EasyControl ইনপুট। |
| `easycontrols[].control_method_url` |  | string | yes |  |  | কন্ট্রোল পদ্ধতির safetensor ওজনের URL, অথবা সমর্থিত শনাক্তকারী: `canny`, `depth`, `hedsketch`, `inpainting`, `pose`, `seg`, `subject`, `ghibli`। |
| `easycontrols[].scale` |  | number | no | `1` | 0 – 2 | কন্ট্রোল পদ্ধতির স্কেলিং ফ্যাক্টর। |
| `easycontrols[].image_url` |  | string (image URL) | yes |  |  | কন্ট্রোল ইনপুট সরবরাহকারী ছবির URL। |
| `easycontrols[].image_control_type` |  | enum (string) | yes |  | `subject`, `spatial` | ছবির কন্ট্রোল মোড; `spatial` অথবা `subject` গ্রহণ করে। |
| `fill_image` |  | object {fill_image_url} \| null | no |  |  | জেনারেশন নির্দেশকারী এবং মাস্ক করা অঞ্চলের জন্য কনটেন্ট সরবরাহ করতে সক্ষম ইনপুট ছবি। |
| `fill_image.fill_image_url` |  | string (image URL) \| array of image URL | no | `[]` |  | redux prompting-এর মাধ্যমে পূরণের জন্য ছবির URL। |
| `guidance_scale` |  | number | no | `3.5` | 0 – 20 | ছবি নির্বাচনের জন্য প্রম্পট-অনুসরণের শক্তি, CFG (Classifier Free Guidance) হিসেবে প্রকাশ করা। |
| `real_cfg_scale` |  | number | no | `3.5` | 0 – 5 | ছবি নির্বাচনের জন্য প্রম্পট-অনুসরণের শক্তি, CFG (Classifier Free Guidance) হিসেবে প্রকাশ করা। |
| `use_real_cfg` |  | boolean | no | `false` |  | ক্লাসিক্যাল CFG সুইচ, XLabs IP-Adapter v1-এর সঙ্গে স্বয়ংক্রিয়ভাবে সক্রিয় হয়। এর নির্দেশনা আচরণ SD1.5 এবং SDXL-এর মতো মডেলের সঙ্গে সামঞ্জস্যপূর্ণ। |
| `use_cfg_zero` |  | boolean | no | `false` |  | https://arxiv.org/abs/2503.18886-এ বর্ণিত CFG-zero initialization sampling সক্রিয় করে। |
| `num_images` | `num_outputs` | integer | no | `1` | 1 – 10 | কতটি ছবি জেনারেট করতে হবে তা নির্ধারণ করুন; আউটপুট স্ট্রিম করা হলে এই নির্বাচনটি 1-এ স্থির থাকে। |
| `enable_safety_checker` |  | boolean | no | `true` |  | নিরাপত্তা পরীক্ষা, যা অনিরাপদ হিসেবে চিহ্নিত ছবির বদলে কালো ছবি ফেরত দেয়। true মান পরীক্ষা সক্ষম করে; false তা শুধু অনুমোদিত অ্যাকাউন্টের জন্য নিষ্ক্রিয় করে, অথরাইজেশনহীন রিকোয়েস্ট সবসময় পরীক্ষা করা হয়। |
| `reference_image_url` |  | string (image URL) | no |  |  | Reference-Only নির্দেশনার জন্য ব্যবহৃত ছবির URL। |
| `reference_strength` |  | number | no | `0.65` | -3 – 3 | reference_only জেনারেশনের সময় রেফারেন্স ছবির প্রভাব; রেফারেন্স ছবি সরবরাহ না করলে এই strength সেটিংয়ের কোনো প্রভাব নেই। |
| `reference_start` |  | number | no | `0` | 0 – 1 | রেফারেন্স নির্দেশনার শুরুর বিন্দু, সব টাইমস্টেপের শতাংশ হিসেবে প্রকাশিত। |
| `reference_end` |  | number | no | `1` | 0 – 1 | রেফারেন্স নির্দেশনার শেষ বিন্দু, সব টাইমস্টেপের শতাংশ হিসেবে প্রকাশিত। |
| `base_shift` |  | number | no | `0.5` | 0.01 – 5 | নির্ধারিত টাইমস্টেপে প্রয়োগ করা বেসলাইন শিফট। |
| `max_shift` |  | number | no | `1.15` | 0.01 – 5 | নির্ধারিত টাইমস্টেপে প্রয়োগ করা সর্বোচ্চ শিফট। |
| `output_format` |  | enum (string) | no | `png` | `jpeg`, `png` | ফলাফল ছবির ফাইল ফরম্যাট। |
| `use_beta_schedule` |  | boolean | no | `false` |  | beta sigmas ব্যবহার করা হবে কি না তা নিয়ন্ত্রণ করে। |
| `sigma_schedule` |  | string \| null | no |  |  | denoising-এর সময় ব্যবহৃত Sigma schedule। |
| `scheduler` |  | enum (string) | no | `euler` | `euler`, `dpmpp_2m` | denoising-এর সময় ব্যবহৃত scheduler। |
| `negative_prompt` |  | string | no | `` |  | ডিফল্টভাবে NAG দিয়ে প্রক্রিয়াকৃত negative প্রম্পট, যাতে জেনারেট করা ছবিতে নির্দিষ্ট অবাঞ্ছিত বৈশিষ্ট্য নিরুৎসাহিত হয়। |
| `nag_scale` |  | number | no | `3` | ≤ 10, > 1 | NAG scale দ্বারা নিয়ন্ত্রিত negative-prompt avoidance: এটি বাড়ালে জেনারেট করা ছবি negative description-এর মতো কম হয়। |
| `nag_tau` |  | number | no | `2.5` | > 0 | hidden-state normalization-এর জন্য NAG tau সেটিং; এটি অপরিবর্তিত রাখার পরামর্শ দেওয়া হয়। এটি বাড়ালে normalization দুর্বল হয় এবং মূল ছবি থেকে অপ্রত্যাশিত বিচ্যুতির ঝুঁকি থাকে। |
| `nag_alpha` |  | number | no | `0.25` | ≤ 1, > 0 | NAG alpha নির্ধারণ করে positive ও negative প্রম্পট একত্র করে normalized guidance-কে positive প্রম্পট কতটা পুনর্নির্দেশ করবে। এই চূড়ান্ত weighting কম সেটিংয়ে positive প্রম্পট-কে বেশি প্রভাব দেয় এবং বেশি সেটিংয়ে পুনর্নির্দেশ কমায়। |
| `nag_end` |  | number | no | `0.25` | ≤ 1, > 0 | জেনারেশন ধাপের অনুপাত হিসেবে প্রকাশিত NAG cutoff। NAG ওই প্রাথমিক অনুপাত সময় চালানোর পর FLUX-এর মূল attention processors নিয়ন্ত্রণ গ্রহণ করে। |
| `image_url` | `image` | string (image URL) | yes |  |  | প্রাথমিক ছবি সরবরাহকারী ছবির URL। |
| `change_map_image_url` |  | string (image URL) | yes |  |  | change map নির্দেশকারী URL। |
| `strength` |  | number | no | `0.85` | 0.01 – 1 | Differential diffusion strength, 0.0-এ মূল ছবি সংরক্ষণ থেকে 1.0-এ সম্পূর্ণ পুনর্নির্মাণ পর্যন্ত। |

File parameters (`reference_image_url`, `image`, `change_map_image_url`) take a public `https://` URL, a `data:` URI up to 10 MB, or the `file_url` of an upload from `POST /files`.

## Example input

Required parameters only:

```json
{
  "prompt": "A red fox trots through fresh snow at sunrise, soft golden light, shallow depth of field",
  "image": "https://content.doitong.com/images/showcase/v3/gen_fox_cartoon.jpg",
  "change_map_image_url": "https://content.doitong.com/images/showcase/v3/gen_fox_cartoon.jpg"
}
```

A fuller example:

```json
{
  "prompt": "A red fox trots through fresh snow at sunrise, soft golden light, shallow depth of field",
  "image_url": "https://content.doitong.com/images/showcase/v3/gen_fox_cartoon.jpg",
  "change_map_image_url": "https://content.doitong.com/images/showcase/v3/gen_fox_cartoon.jpg"
}
```

## 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/flux-general/differential-diffusion?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "prompt": "A red fox trots through fresh snow at sunrise, soft golden light, shallow depth of field",
    "image_url": "https://content.doitong.com/images/showcase/v3/gen_fox_cartoon.jpg",
    "change_map_image_url": "https://content.doitong.com/images/showcase/v3/gen_fox_cartoon.jpg"
  }'

# 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/flux-general/differential-diffusion?wait=20", {
  method: "POST",
  headers,
  body: JSON.stringify({
    "prompt": "A red fox trots through fresh snow at sunrise, soft golden light, shallow depth of field",
    "image_url": "https://content.doitong.com/images/showcase/v3/gen_fox_cartoon.jpg",
    "change_map_image_url": "https://content.doitong.com/images/showcase/v3/gen_fox_cartoon.jpg"
  }),
});
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 = {
    "prompt": "A red fox trots through fresh snow at sunrise, soft golden light, shallow depth of field",
    "image_url": "https://content.doitong.com/images/showcase/v3/gen_fox_cartoon.jpg",
    "change_map_image_url": "https://content.doitong.com/images/showcase/v3/gen_fox_cartoon.jpg",
}

# Run the model; wait up to 20 s for the finished result in the same call
r = requests.post(API + "/run/flux-general/differential-diffusion", 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": "flux-general/differential-diffusion",
      "input": {
        "prompt": "A red fox trots through fresh snow at sunrise, soft golden light, shallow depth of field",
        "image_url": "https://content.doitong.com/images/showcase/v3/gen_fox_cartoon.jpg",
        "change_map_image_url": "https://content.doitong.com/images/showcase/v3/gen_fox_cartoon.jpg"
      },
      "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": "flux-general/differential-diffusion",
  "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": 138,
    "usd": "0.138",
    "charged": 138,
    "refunded": 0
  },
  "input": {
    "prompt": "A red fox trots through fresh snow at sunrise, soft golden light, shallow depth of field",
    "image_url": "https://content.doitong.com/images/showcase/v3/gen_fox_cartoon.jpg",
    "change_map_image_url": "https://content.doitong.com/images/showcase/v3/gen_fox_cartoon.jpg"
  },
  "output": {
    "images": [
      {
        "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.jpeg",
        "width": 1024,
        "height": 768,
        "content_type": "image/jpeg"
      }
    ],
    "timings": {},
    "seed": 42,
    "has_nsfw_concepts": [
      false
    ],
    "prompt": "string"
  },
  "outputs": [
    {
      "type": "image",
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.jpeg",
      "content_type": "image/jpeg",
      "file_size": 1843200,
      "width": 1024,
      "height": 768,
      "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 |
|---|---|---|
| `images` | array of object {url, width, height, content_type} | জেনারেট করা ছবিগুলোর ফাইল তথ্য। |
| `timings` | object |  |
| `seed` | integer | ছবি-জেনারেশনের সিড, যার মধ্যে ইনপুটে সিড না থাকলে এলোমেলোভাবে নির্বাচিত মানটিও অন্তর্ভুক্ত; অন্যথায় প্রদত্ত মানটি পুনরাবৃত্তি করে। |
| `has_nsfw_concepts` | array of boolean | জেনারেট করা ছবিতে NSFW ধারণা রয়েছে কি না নির্দেশ করে। |
| `prompt` | string | ছবি জেনারেশনের সময় ব্যবহৃত প্রম্পট। |

## Related models

- [FLUX.1 \[dev\] with Controlnets and Loras](https://doitong.com/developers/models/flux-general.md) (`flux-general`): $0.30 / image
- [FLUX.1 \[dev\] with Controlnets and Loras · Image to Image](https://doitong.com/developers/models/flux-general/image-to-image.md) (`flux-general/image-to-image`): $0.15 / image
- [FLUX.1 \[dev\] with Controlnets and Loras · Inpainting](https://doitong.com/developers/models/flux-general/inpainting.md) (`flux-general/inpainting`): $0.192 / image
- [FLUX.1 \[dev\] with Controlnets and Loras · Rf Inversion](https://doitong.com/developers/models/flux-general/rf-inversion.md) (`flux-general/rf-inversion`): $0.025 / image
- [FLUX.1 Kontext \[pro\]](https://doitong.com/developers/models/flux-pro/kontext.md) (`flux-pro/kontext`): $0.04 / image
- [GPT Image 2.5 Edit](https://doitong.com/developers/models/openai/gpt-image-2.5/flare/edit.md) (`openai/gpt-image-2.5/flare/edit`): from $0.12 / image
- [Nano Banana 2 Edit](https://doitong.com/developers/models/nano-banana-2/edit.md) (`nano-banana-2/edit`): from $0.06 / image
- [Nano Banana Pro Edit](https://doitong.com/developers/models/nano-banana-pro/edit.md) (`nano-banana-pro/edit`): from $0.15 / image

## Links

- HTML page: https://doitong.com/developers/models/flux-general/differential-diffusion
- 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=flux-general/differential-diffusion
- Errors: https://doitong.com/developers/docs/errors
- Model details as JSON: https://api.doitong.com/v1/models/flux-general/differential-diffusion