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

> تبدیل متن به تصویر با FLUX.1 [dev] و پشتیبانی از LoRA، ControlNet، IP-Adapter، EasyControl و تصویر مرجع

از `prompt` تصویر تولید می‌کند و چند روش شرطی‌سازی را پشتیبانی می‌کند: `loras`، `control_loras`، `controlnets`، `controlnet_unions`، `ip_adapters` و `easycontrols`، به‌علاوه `fill_image` برای نواحی ماسک‌شده. `reference_image_url`، پرامپت منفی و زمان‌بند euler یا dpmpp_2m نیز پذیرفته می‌شوند. در هر فراخوانی حداکثر 10 تصویر با فرمت png یا jpeg تولید می‌شود.

- Model id: `flux-general`
- Made by: Black Forest Labs
- Category: Text to Image
- Output: image
- Estimated price per run: $0.30 / image (cheapest run $0.30 (300 API credits))
- Run: `POST https://api.doitong.com/v1/run/flux-general`
- Quote: `POST https://api.doitong.com/v1/quote/flux-general`
- Docs page: https://doitong.com/fa/developers/models/flux-general

## Pricing

Price: **$0.30 / 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 $0.30 = 300 API credits (1 image × 300 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` 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 |  |  | پرامپت هدایت‌کننده تولید تصویر. |
| `image_size` |  | object {width, height} \| enum (string) | no |  | `square_hd`, `square`, `portrait_4_3`, `portrait_16_9`, `landscape_4_3`, `landscape_16_9` | ابعاد تصویر تولیدشده. |
| `num_inference_steps` |  | integer | no | `28` | 1 – 50 | تعداد مراحل استنتاج. |
| `seed` |  | integer \| null | no |  |  | seed برای تصاویر تکرارپذیر: پرامپت و seed یکسان، در صورت ثابت‌بودن نسخه مدل، تصویر یکسانی تولید می‌کنند. |
| `loras` |  | array of object {path, scale} | no | `[]` |  | LoRAهایی که اثر ترکیبی آن‌ها تصویر تولیدشده را ایجاد می‌کند؛ تعداد آن‌ها محدودیتی ندارد. |
| `loras[].path` |  | string | yes |  |  | محل وزن‌های LoRA که به‌صورت URL یا مسیر مشخص می‌شود. |
| `loras[].scale` |  | object \| number | no | `1` |  | مقیاس اعمال‌شده به وزن‌های LoRA پیش از ادغام با مدل پایه. برای تنظیم مقیاس لایه‌های جداگانه، دیکشنری با فرم {"layer_name":layer_scale} ارائه کنید؛ لایه‌های مشخص‌نشده از 1.0 استفاده می‌کنند. |
| `control_loras` |  | array of object {path, scale, control_image_url, preprocess} | no | `[]` |  | LoRAهای تصویر کنترلی که برای تولید تصویر نهایی در یک پیکربندی ترکیبی ادغام می‌شوند؛ تعداد ارائه‌شده نامحدود است. |
| `control_loras[].path` |  | string | yes |  |  | محل وزن‌های LoRA که به‌صورت URL یا مسیر مشخص می‌شود. |
| `control_loras[].scale` |  | object \| number | no | `1` |  | مقیاس اعمال‌شده به وزن‌های LoRA پیش از ادغام با مدل پایه. برای تنظیم مقیاس لایه‌های جداگانه، دیکشنری با فرم {"layer_name":layer_scale} ارائه کنید؛ لایه‌های مشخص‌نشده از 1.0 استفاده می‌کنند. |
| `control_loras[].control_image_url` |  | string (image URL) | yes |  |  | URL تصویر تأمین‌کننده تصویر کنترلی. |
| `control_loras[].preprocess` |  | enum (string) | no | `None` | `canny`, `depth`, `None` | روش پیش‌پردازش اعمال‌شده به تصویر ارائه‌شده. |
| `controlnets` |  | array of object {path, config_url, variant, control_image_url, mask_image_url, mask_threshold, conditioning_scale, start_percentage, end_percentage} | no | `[]` |  | پیکربندی ControlNet برای تولید تصویر؛ در حال حاضر به یک ControlNet محدود است. |
| `controlnets[].path` |  | string | yes |  |  | محل وزن‌های ControlNet، به‌صورت URL یا مسیر. |
| `controlnets[].config_url` |  | string \| null | no |  |  | URL اختیاری اشاره‌کننده به فایل config.json مربوط به ControlNet. |
| `controlnets[].variant` |  | string \| null | no |  |  | گونه اختیاری برای استفاده با کلید مخزن Hugging Face. |
| `controlnets[].control_image_url` |  | string (image URL) | yes |  |  | URL تصویر تأمین‌کننده تصویر کنترلی. |
| `controlnets[].mask_image_url` |  | string (image URL) | no |  |  | URL ماسک مرتبط با تصویر کنترلی. |
| `controlnets[].mask_threshold` |  | number | no | `0.5` | 0.01 – 0.99 | مقدار آستانه ماسک. |
| `controlnets[].conditioning_scale` |  | number | no | `1` | 0 – 2 | مقیاس اعمال‌شده به وزن‌های ControlNet پیش از ادغام با مدل پایه. |
| `controlnets[].start_percentage` |  | number | no | `0` | 0 – 1 | درصدی از کل گام‌های زمانی که ControlNet در آن شروع به اثرگذاری بر تولید تصویر می‌کند. |
| `controlnets[].end_percentage` |  | number | no | `1` | 0 – 1 | درصدی از کل گام‌های زمانی که ControlNet در آن اثرگذاری بر تولید تصویر را متوقف می‌کند. |
| `controlnet_unions` |  | array of object {path, config_url, variant, controls} | no | `[]` |  | پیکربندی اجتماع ControlNet برای تولید تصویر، مشمول محدودیت فعلی یک ControlNet. |
| `controlnet_unions[].path` |  | string | yes |  |  | محل وزن‌های ControlNet، به‌صورت URL یا مسیر. |
| `controlnet_unions[].config_url` |  | string \| null | no |  |  | URL اختیاری اشاره‌کننده به فایل config.json مربوط به ControlNet. |
| `controlnet_unions[].variant` |  | string \| null | no |  |  | گونه اختیاری برای استفاده با کلید مخزن Hugging Face. |
| `controlnet_unions[].controls` |  | array of object {control_image_url, mask_image_url, control_mode, conditioning_scale, mask_threshold, start_percentage, end_percentage} | yes |  |  | تصاویر کنترلی و حالت‌های مرتبط ارائه‌شده به ControlNet. |
| `controlnet_unions[].controls[].control_image_url` |  | string (image URL) | yes |  |  | URL تصویر تأمین‌کننده تصویر کنترلی. |
| `controlnet_unions[].controls[].mask_image_url` |  | string (image URL) | no |  |  | URL ماسک مرتبط با تصویر کنترلی. |
| `controlnet_unions[].controls[].control_mode` |  | enum (string) | yes |  | `canny`, `tile`, `depth`, `blur`, `pose`, `gray`, `low-quality` | حالت کنترل استفاده‌شده توسط Flux Controlnet Union. گزینه‌ها: canny تولید را با لبه‌ها هدایت می‌کند؛ tile آن را با کاشی‌ها هدایت می‌کند؛ depth آن را با نقشه عمق خاکستری هدایت می‌کند؛ blur تصویر را مات می‌کند؛ pose تولید را با ژست تصویر هدایت می‌کند؛ gray تصویر را خاکستری می‌کند؛ low-quality نسخه‌ای کم‌کیفیت از تصویر تولید می‌کند. |
| `controlnet_unions[].controls[].conditioning_scale` |  | number | no | `1` | 0 – 2 | مقیاس اعمال‌شده به وزن‌های ControlNet پیش از ادغام با مدل پایه. |
| `controlnet_unions[].controls[].mask_threshold` |  | number | no | `0.5` | 0.01 – 0.99 | مقدار آستانه ماسک. |
| `controlnet_unions[].controls[].start_percentage` |  | number | no | `0` | 0 – 1 | درصدی از کل گام‌های زمانی که ControlNet در آن شروع به اثرگذاری بر تولید تصویر می‌کند. |
| `controlnet_unions[].controls[].end_percentage` |  | number | no | `1` | 0 – 1 | درصدی از کل گام‌های زمانی که ControlNet در آن اثرگذاری بر تولید تصویر را متوقف می‌کند. |
| `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 | `[]` |  | IP-Adapter اعمال‌شده هنگام تولید تصویر. |
| `ip_adapters[].path` |  | string | yes |  |  | محل IP-Adapter در Hugging Face. |
| `ip_adapters[].subfolder` |  | string \| null | no |  |  | زیرپوشه حاوی وزن‌های ip_adapter. |
| `ip_adapters[].weight_name` |  | string \| null | no |  |  | نام فایل Safetensors وزن‌های IP-Adapter. |
| `ip_adapters[].image_encoder_path` |  | string | yes |  |  | محل رمزگذار تصویر IP-Adapter، مانند 'openai/clip-vit-large-patch14'. |
| `ip_adapters[].image_encoder_subfolder` |  | string \| null | no |  |  | زیرپوشه حاوی وزن‌های رمزگذار تصویر. |
| `ip_adapters[].image_encoder_weight_name` |  | string \| null | no |  |  | نام رمزگذار تصویر. |
| `ip_adapters[].image_url` |  | string (image URL) | yes |  |  | URL تصویر شرطی ارائه‌شده به IP-Adapter. |
| `ip_adapters[].mask_image_url` |  | string (image URL) \| null | no |  |  | URL ماسک مرتبط با تصویر کنترلی. |
| `ip_adapters[].mask_threshold` |  | number | no | `0.5` | 0.01 – 0.99 | مقدار آستانه ماسک. |
| `ip_adapters[].scale` |  | number | yes |  |  | ضریب مقیاس IP-Adapter. |
| `easycontrols` |  | array of object {control_method_url, scale, image_url, image_control_type} | no | `[]` |  | ورودی‌های EasyControl اعمال‌شده هنگام تولید تصویر. |
| `easycontrols[].control_method_url` |  | string | yes |  |  | URL وزن safetensor روش کنترل یا شناسه پشتیبانی‌شده: `canny`، `depth`، `hedsketch`، `inpainting`، `pose`، `seg`، `subject`، `ghibli`. |
| `easycontrols[].scale` |  | number | no | `1` | 0 – 2 | ضریب مقیاس روش کنترل. |
| `easycontrols[].image_url` |  | string (image URL) | yes |  |  | URL تصویر تأمین‌کننده ورودی کنترل. |
| `easycontrols[].image_control_type` |  | enum (string) | yes |  | `subject`, `spatial` | حالت کنترل تصویر؛ یکی از `spatial` یا `subject` را می‌پذیرد. |
| `fill_image` |  | object {fill_image_url} \| null | no |  |  | تصویر ورودی که تولید را هدایت می‌کند و می‌تواند محتوای نواحی ماسک‌شده را تأمین کند. |
| `fill_image.fill_image_url` |  | string (image URL) \| array of image URL | no | `[]` |  | URLهای تصاویر برای پرکردن از طریق پرامپت‌گذاری redux. |
| `guidance_scale` |  | number | no | `3.5` | 0 – 20 | میزان پایبندی به پرامپت برای انتخاب تصویر، بیان‌شده به‌صورت CFG (Classifier Free Guidance). |
| `real_cfg_scale` |  | number | no | `3.5` | 0 – 5 | میزان پایبندی به پرامپت برای انتخاب تصویر، بیان‌شده به‌صورت CFG (Classifier Free Guidance). |
| `use_real_cfg` |  | boolean | no | `false` |  | کلید CFG کلاسیک؛ با XLabs IP-Adapter v1 به‌طور خودکار فعال می‌شود. رفتار راهنمایی با مدل‌هایی مانند SD1.5 و SDXL مطابقت دارد. |
| `use_cfg_zero` |  | boolean | no | `false` |  | نمونه‌برداری با مقداردهی اولیه CFG-zero را فعال می‌کند؛ توضیح آن در https://arxiv.org/abs/2503.18886 آمده است. |
| `num_images` | `num_outputs` | integer | no | `1` | 1 – 10 | تعداد تصاویر برای تولید؛ هنگام جریانی‌بودن خروجی، این مقدار به 1 ثابت می‌شود. |
| `enable_safety_checker` |  | boolean | no | `true` |  | بررسی ایمنی که به‌جای تصاویر ناامن علامت‌گذاری‌شده، تصاویر سیاه برمی‌گرداند. مقدار true بررسی را فعال می‌کند؛ false آن را فقط برای حساب‌های مجاز غیرفعال می‌کند، در حالی که درخواست‌های بدون مجوز در هر حال بررسی می‌شوند. |
| `reference_image_url` |  | string (image URL) | no |  |  | URL تصویر استفاده‌شده برای راهنمایی Reference-Only. |
| `reference_strength` |  | number | no | `0.65` | -3 – 3 | اثرگذاری تصویر مرجع هنگام تولید reference_only؛ بدون تصویر مرجع ارائه‌شده، این تنظیم قدرت اثری ندارد. |
| `reference_start` |  | number | no | `0` | 0 – 1 | نقطه آغاز راهنمایی مرجع، برحسب درصدی از همه گام‌های زمانی. |
| `reference_end` |  | number | no | `1` | 0 – 1 | نقطه پایان راهنمایی مرجع، برحسب درصدی از همه گام‌های زمانی. |
| `base_shift` |  | number | no | `0.5` | 0.01 – 5 | جابجایی پایه اعمال‌شده به گام‌های زمانی زمان‌بندی‌شده. |
| `max_shift` |  | number | no | `1.15` | 0.01 – 5 | حداکثر جابجایی اعمال‌شده به گام‌های زمانی زمان‌بندی‌شده. |
| `output_format` |  | enum (string) | no | `png` | `jpeg`, `png` | قالب فایل تصویر نهایی. |
| `use_beta_schedule` |  | boolean | no | `false` |  | کنترل می‌کند که از سیگماهای بتا استفاده شود یا نه. |
| `sigma_schedule` |  | string \| null | no |  |  | زمان‌بندی سیگما استفاده‌شده هنگام نویززدایی. |
| `scheduler` |  | enum (string) | no | `euler` | `euler`, `dpmpp_2m` | زمان‌بند استفاده‌شده هنگام نویززدایی. |
| `negative_prompt` |  | string | no | `` |  | پرامپت منفی که به‌طور پیش‌فرض با NAG پردازش می‌شود تا ویژگی‌های ناخواسته مشخص‌شده را در تصاویر تولیدشده کاهش دهد. |
| `nag_scale` |  | number | no | `3` | ≤ 10, > 1 | اجتناب از پرامپت منفی که با مقیاس NAG کنترل می‌شود: افزایش آن، شباهت تصویر تولیدشده به توضیح منفی را کاهش می‌دهد. |
| `nag_tau` |  | number | no | `2.5` | > 0 | تنظیم tau در NAG برای نرمال‌سازی حالت پنهان؛ توصیه می‌شود بدون تغییر بماند. افزایش آن نرمال‌سازی را تضعیف می‌کند و خطر دورشدن پیش‌بینی‌نشده از تصویر اصلی را به همراه دارد. |
| `nag_alpha` |  | number | no | `0.25` | ≤ 1, > 0 | آلفای NAG میزان تغییر مسیر پرامپت مثبت در راهنمایی نرمال‌شده حاصل از ترکیب پرامپت‌های مثبت و منفی را تعیین می‌کند. این وزن‌دهی نهایی در مقادیر پایین‌تر نفوذ پرامپت مثبت را افزایش می‌دهد و در مقادیر بالاتر تغییر مسیر را کاهش می‌دهد. |
| `nag_end` |  | number | no | `0.25` | ≤ 1, > 0 | برش NAG که به‌صورت نسبتی از گام‌های تولید بیان می‌شود. پردازشگرهای توجه اصلی FLUX پس از اجرای NAG برای آن نسبت اولیه، کنترل را به دست می‌گیرند. |

File parameters (`reference_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"
}
```

A fuller example:

```json
{
  "prompt": "A red fox trots through fresh snow at sunrise, soft golden light, shallow depth of field"
}
```

## 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?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"
  }'

# 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?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"
  }),
});
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",
}

# Run the model; wait up to 20 s for the finished result in the same call
r = requests.post(API + "/run/flux-general", 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",
      "input": {
        "prompt": "A red fox trots through fresh snow at sunrise, soft golden light, shallow depth of field"
      },
      "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",
  "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": 300,
    "usd": "0.30",
    "charged": 300,
    "refunded": 0
  },
  "input": {
    "prompt": "A red fox trots through fresh snow at sunrise, soft golden light, shallow depth of field"
  },
  "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} | اطلاعات فایل تصاویر تولیدشده. |
| `timings` | object |  |
| `seed` | integer | Seed تولید تصویر، شامل مقدار تصادفی انتخاب‌شده در صورت حذف Seed از ورودی؛ در غیر این صورت، مقدار ارائه‌شده را تکرار می‌کند. |
| `has_nsfw_concepts` | array of boolean | مشخص می‌کند مفاهیم NSFW در تصاویر تولیدشده ظاهر می‌شوند یا خیر. |
| `prompt` | string | پرامپت استفاده‌شده هنگام تولید تصویر. |

## Related models

- [FLUX.1 \[dev\] with Controlnets and Loras · Differential Diffusion](https://doitong.com/developers/models/flux-general/differential-diffusion.md) (`flux-general/differential-diffusion`): $0.138 / 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 \[dev\]](https://doitong.com/developers/models/flux/dev.md) (`flux/dev`): $0.025 / megapixel
- [FLUX.1 \[schnell\]](https://doitong.com/developers/models/flux/schnell.md) (`flux/schnell`): $0.003 / megapixel
- [FLUX.2 \[dev\]](https://doitong.com/developers/models/flux-2.md) (`flux-2`): $0.012 / megapixel
- [FLUX.2 \[pro\]](https://doitong.com/developers/models/flux-2-pro.md) (`flux-2-pro`): $0.015 / megapixel of output image

## Links

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