# Stable Diffusion with LoRAs API

> Text-to-image gamit ang anumang Stable Diffusion base modelo kasama ang LoRA, embedding, ControlNet at IP adapter

Gumagawa ng mga larawan mula sa teksto prompt gamit ang base modelo na ibinigay sa pamamagitan ng URL o HuggingFace ID sa `model_name`. Maaaring pagsamahin ang ilang `loras`, at sinusuportahan ang embeddings, ControlNets, IP adapters at IC Light input. Kasama sa mga opsyon ng sampler ang maraming scheduler at hakbang mula 1 hanggang 150. Gumagawa ng 1 hanggang 8 larawan sa png o jpeg.

- Model id: `lora`
- Made by: Open model
- Category: Text to Image
- Output: image
- Estimated price per run: $0.057 / image (cheapest run $0.057 (57 API credits))
- Run: `POST https://api.doitong.com/v1/run/lora`
- Quote: `POST https://api.doitong.com/v1/quote/lora`
- Docs page: https://doitong.com/fil/developers/models/lora

## Pricing

Price: **$0.057 / 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 $0.057 = 57 API credits (1 image × 57 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/lora` 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 |
|---|---|---|---|---|---|---|
| `model_name` |  | string | yes |  |  | Base modelo para sa pagbuo ng larawan, na tinutukoy ng URL o HuggingFace ID. |
| `unet_name` |  | string \| null | no |  |  | Custom na pagpili ng U-Net para sa pagbuo ng mga larawan; ibigay ang HuggingFace ID nito o ang URL nito. |
| `variant` |  | string \| null | no |  |  | Pagpili ng variant ng modelo sa HuggingFace; halimbawa ang 'fp16'. |
| `prompt` |  | string | yes |  |  | Ilarawan ang larawang gusto mong mabuo, gamit ang pinakamaraming posibleng detalye para sa pinakamagandang resulta. |
| `negative_prompt` |  | string | no | `` |  | Negative prompt na tumutukoy sa hindi gustong detalye ng larawan. Maaari nitong alisin ang mga kulay, bagay, tanawin, o maliliit na feature at katangian gaya ng bigote, blur, o mababang resolution. |
| `prompt_weighting` |  | boolean | no | `false` |  | Toggle ng prompt weighting: inaalis ng true ang limitasyong 77 token sa pamamagitan ng pag-average ng embedding at ino-on ang syntax ng weighting. |
| `loras` |  | array of object {path, scale} | no | `[]` |  | Mga LoRA na ang pinagsamang epekto ang bumubuo sa larawan, nang walang limitasyon sa bilang. |
| `loras[].path` |  | string | yes |  |  | Lokasyon ng LoRA weights, na tinutukoy bilang URL o path. |
| `loras[].scale` |  | number | no | `1` | 0 – 4 | Multiplier na inilalapat sa LoRA weight bago ito i-merge sa base modelo. |
| `embeddings` |  | array of object {path, tokens} | no | `[]` |  | Mga embedding na ginagamit habang bumubuo ng larawan upang i-map ang mga token ng prompt sa mga embedding weight. Sa kasalukuyan, isang embedding lang ang sinusuportahan. |
| `embeddings[].path` |  | string | yes |  |  | Mga embedding weight na tinukoy sa pamamagitan ng URL o file path. |
| `embeddings[].tokens` |  | array of string \| null | no |  |  | Mga token ng prompt na naka-map sa mga embedding weight. Kapag hindi ibinigay, gumagawa ito ng isang token para sa bawat vector ng embedding file, na pinapangalanang <s0>, <s1>, ...; gamitin ang mga naka-map na token sa iyong mga prompt. |
| `controlnets` |  | array of object {path, config_url, variant, image_url, mask_url, conditioning_scale, start_percentage, end_percentage, ip_adapter_index} | no | `[]` |  | Mga ControlNet na naka-schedule para ilapat sa larawan sa mga tinukoy na timestep habang bumubuo, nang walang limitasyon sa dami ng maaaring ibigay. |
| `controlnets[].path` |  | string | yes |  |  | Lokasyon ng ControlNet weight, na tinukoy bilang URL o path. |
| `controlnets[].config_url` |  | string \| null | no |  |  | Opsyonal na URL patungo sa config.json file ng ControlNet. |
| `controlnets[].variant` |  | string \| null | no |  |  | Opsyonal na variant para gamitin sa Hugging Face repository key. |
| `controlnets[].image_url` |  | string (image URL) | yes |  |  | URL ng larawan na ibinigay bilang input ng ControlNet. |
| `controlnets[].mask_url` |  | string (image URL) \| null | no |  |  | Mask ng ControlNet, na kailangang kapareho ng laki ng control larawan kapag ibinigay; kailangang divisible by 32 ang lapad at taas. |
| `controlnets[].conditioning_scale` |  | number | no | `1` | 0 – 2 | Pag-scale na inilalapat sa mga weight ng ControlNet bago isama ang mga ito sa batayang modelo. |
| `controlnets[].start_percentage` |  | number | no | `0` | 0 – 1 | Porsyento ng kabuuang timestep kung kailan magsisimulang makaapekto ang ControlNet sa pagbuo ng larawan. |
| `controlnets[].end_percentage` |  | number | no | `1` | 0 – 1 | Porsyento ng kabuuang timestep kung kailan titigil makaapekto ang ControlNet sa pagbuo ng larawan. |
| `controlnets[].ip_adapter_index` |  | integer \| null | no |  |  | Pagpili ng IP adapter ayon sa index para sa InstantID ControlNet; hindi kailangan ng setting na ito ng ibang ControlNet. |
| `controlnet_guess_mode` |  | boolean | no | `false` |  | Nililimitahan ang paglalapat ng ControlNet sa mga conditional prediction kapag true. |
| `ip_adapter` |  | array of object {ip_adapter_image_url, ip_adapter_mask_url, path, model_subfolder, weight_name, insight_face_model_path, scale, scale_json, unconditional_noising_factor, image_projection_shortcut} | no | `[]` |  | Mga IP adapter na ginagamit sa pagbuo ng mga larawan. Kapag may ibinigay na entry, kailangan ang image_encoder_path. |
| `ip_adapter[].ip_adapter_image_url` |  | string (image URL) \| array of image URL | yes |  |  | URL ng larawan na ibinigay bilang input ng IP adapter. |
| `ip_adapter[].ip_adapter_mask_url` |  | string (image URL) \| null | no |  |  | Mask ng IP adapter, na may limitasyon sa laki kapag ibinigay: kailangang katumbas ng mga sukat nito ang mga sukat ng larawan ng adapter. |
| `ip_adapter[].path` |  | string | yes |  |  | Lokasyon ng mga weight ng IP adapter, na tinutukoy bilang URL o path. |
| `ip_adapter[].model_subfolder` |  | string \| null | no |  |  | Lokasyon ng weight ng IP adapter, na tinutukoy bilang subfolder sa loob ng direktoryo ng modelo. |
| `ip_adapter[].weight_name` |  | string \| null | no |  |  | Filename ng mga weight. |
| `ip_adapter[].insight_face_model_path` |  | string \| null | no |  |  | Lokasyon ng mga weight ng InsightFace modelo, na tinutukoy bilang URL o path. |
| `ip_adapter[].scale` |  | number | no | `1` | ≥ 0 | Scaling factor para sa mga weight ng IP adapter, na inilalapat bago pagsamahin ang mga ito sa base modelo. |
| `ip_adapter[].scale_json` |  | object \| null | no |  |  | Scaling factor para sa mga weight ng IP adapter, na inilalapat bago pagsamahin ang mga ito sa base modelo. |
| `ip_adapter[].unconditional_noising_factor` |  | number | no | `0` | 0 – 1 | Factor na kumokontrol sa unconditional noising para sa IP adapter. |
| `ip_adapter[].image_projection_shortcut` |  | boolean | no | `true` |  | Setting ng larawan projection shortcut, na may True bilang default. Gamitin ang False para sa mga FaceID plus V1 modelo at True para sa mga FaceID plus V2 modelo. |
| `image_encoder_path` |  | string \| null | no |  |  | Larawan encoder na tinutukoy ng HTTPS URL o Hugging Face ID, kung saan ang compatibility ay nakabatay sa mga weight ng IP-Adapter: gumagamit ang SD1.5 ng image_encoder_subfolder='models/image_encoder', habang gumagamit ang h94/IP-Adapter SDXL ng h94/IP-Adapter at image_encoder_subfolder='sdxl_models/image_encoder'. Kailangan ang encoder kapag may value ang ip_adapter. |
| `image_encoder_subfolder` |  | string \| null | no |  |  | Subdirectory sa loob ng image_encoder_path na naglalaman ng mga weight ng larawan encoder. |
| `image_encoder_weight_name` |  | string \| null | no | `pytorch_model.bin` |  | Piliin ayon sa pangalan ang mga weight ng larawan encoder na gagamitin sa pagbuo ng mga larawan. |
| `ic_light_model_url` |  | string \| null | no |  |  | URL ng IC Light modelo na ginagamit sa pagbuo ng mga larawan. |
| `ic_light_model_background_image_url` |  | string (image URL) \| null | no |  |  | Background na compatible sa modelo para sa pagbuo ng larawan gamit ang IC Light, na ibinibigay bilang URL ng larawan. |
| `ic_light_image_url` |  | string (image URL) \| null | no |  |  | URL ng input na larawan para sa pagbuo gamit ang IC Light modelo. |
| `seed` |  | integer \| null | no |  |  | Seed para muling makabuo ng mga larawan sa Stable Diffusion. Eksaktong mauulit ang isang larawan sa bawat run kung hindi babaguhin ang bersyon ng modelo, prompt, at seed. |
| `image_size` |  | object {width, height} \| enum (string) \| null | no | `square_hd` | `square_hd`, `square`, `portrait_4_3`, `portrait_16_9`, `landscape_4_3`, `landscape_16_9` | Mga dimensyon ng output na larawan, pinipili mula sa preset o tinutukoy bilang custom na width at height. Kailangang divisible by 8 ang parehong custom na dimensyon. |
| `num_inference_steps` |  | integer | no | `30` | 1 – 150 | Kinokontrol kung ilang pagbuo step ang ginagawa ng Stable Diffusion; maaaring magbigay ang karagdagang step ng mas detalyadong final na larawan. |
| `guidance_scale` |  | number | no | `7.5` | 0 – 20 | Lakas ng pagsunod sa prompt para sa pagpili ng larawan, na ipinapahayag bilang CFG (Classifier Free Guidance). |
| `clip_skip` |  | integer | no | `0` | 0 – 2 | Nilalaktawan ang bahagi ng pagbuo ng larawan upang mas mabilis itong ma-render, na nagbubunga ng bahagyang ibang resulta. |
| `scheduler` |  | enum (string) \| null | no |  | `DPM++ 2M`, `DPM++ 2M Karras`, `DPM++ 2M SDE`, `DPM++ 2M SDE Karras`, `Euler`, `Euler A`, `Euler (trailing timesteps)`, `LCM`, `LCM (trailing timesteps)`, `DDIM`, `TCD` | Scheduler o sampler na ginagamit para i-denoise ang larawan. |
| `timesteps` |  | object {method, array} | no | `{"array":[],"method":"default"}` |  | Override sa iskedyul ng denoising timestep, na hindi maaaring gamitin kasabay ng sigmas. Kung walang override—ang default—kinakalkula ng scheduler ang mga timestep mula sa num_inference_steps; kapag nagbigay ng custom na iskedyul, walang epekto ang num_inference_steps. Kailangan ng override ang suporta ng scheduler para sa argumentong timesteps ng set_timesteps. |
| `timesteps.method` |  | enum (string) | no | `default` | `default`, `array` | Piliin kung paano tinutukoy ang mga timestep: ang 'default', ang default na setting, ay nagpapagamit sa scheduler ng `num_inference_steps`. Para ikaw mismo ang magbigay ng timestep schedule, piliin ang 'array' at ilagay ang schedule sa field na `array`. |
| `timesteps.array` |  | array of integer | no | `[]` |  | Timestep schedule na inilalapat kapag ang napiling method ay 'custom'. |
| `sigmas` |  | object {method, array} | no | `{"array":[],"method":"default"}` |  | Override sa iskedyul ng denoising sigma, na hindi maaaring gamitin kasabay ng timesteps. Kung walang override—ang default—kinakalkula ng scheduler ang mga sigma mula sa num_inference_steps; kapag nagbigay ng custom na iskedyul, walang epekto ang num_inference_steps. Kailangan ng override ang suporta ng scheduler para sa argumentong sigmas ng set_sigmas. |
| `sigmas.method` |  | enum (string) | no | `default` | `default`, `array` | Piliin kung paano tinutukoy ang mga sigma: ang 'default', ang default na setting, ay gumagamit ng sariling sigma value ng scheduler. Para ikaw mismo ang magbigay ng sigma schedule, piliin ang 'custom' at ilagay ang schedule sa field na `array`. |
| `sigmas.array` |  | array of number | no | `[]` |  | Sigma schedule na inilalapat kapag ang napiling method ay 'custom'. |
| `prediction_type` |  | enum (string) | no | `epsilon` | `v_prediction`, `epsilon` | Piliin ang prediction type para sa pagbuo ng mga larawan; kapag walang ibang napili, ginagamit ang `epsilon`. |
| `rescale_betas_snr_zero` |  | boolean | no | `false` |  | Kinokontrol kung ino-on ng sampler ang rescale_betas_snr_zero. |
| `image_format` |  | enum (string) | no | `png` | `jpeg`, `png` | File format ng resultang larawan. |
| `num_images` | `num_outputs` | integer | no | `1` | 1 – 8 | Itakda kung ilang larawan ang bubuuin ng isang kahilingan, na nagbibigay ng mas mahabang oras ng pagbuo para sa mas malaking batch. |
| `enable_safety_checker` |  | boolean | no | `false` |  | Pag-activate ng safety checker; pinapagana ng true ang checking. |
| `tile_width` |  | integer | no | `4096` | 128 – 4,096 | Itakda kung gaano kalaki ang bawat tile habang bumubuo ng larawan. |
| `tile_height` |  | integer | no | `4096` | 128 – 4,096 | Itakda kung gaano kalaki ang bawat tile habang bumubuo ng larawan. |
| `tile_stride_width` |  | integer | no | `2048` | 64 – 2,048 | Itakda ang pagitan ng magkakasunod na posisyon ng tile habang bumubuo ng larawan. |
| `tile_stride_height` |  | integer | no | `2048` | 64 – 2,048 | Itakda ang pagitan ng magkakasunod na posisyon ng tile habang bumubuo ng larawan. |
| `eta` |  | number | no | `0` | 0 – 1 | Setting ng Eta na ginagamit sa pagbuo ng mga larawan. |
| `debug_latents` |  | boolean | no | `false` |  | Nagse-save ng mga latent para sa debugging kapag true. |
| `debug_per_pass_latents` |  | boolean | no | `false` |  | I-on ang debugging sa bawat pass sa pamamagitan ng pagtatakda nito sa true; sine-save nito ang mga latent mula sa bawat pass. |

File parameters (`ic_light_model_background_image_url`, `ic_light_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
{
  "model_name": "stabilityai/stable-diffusion-xl-base-1.0",
  "prompt": "A red fox trots through fresh snow at sunrise, soft golden light, shallow depth of field"
}
```

A fuller example:

```json
{
  "model_name": "stabilityai/stable-diffusion-xl-base-1.0",
  "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/lora?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model_name": "stabilityai/stable-diffusion-xl-base-1.0",
    "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/lora?wait=20", {
  method: "POST",
  headers,
  body: JSON.stringify({
    "model_name": "stabilityai/stable-diffusion-xl-base-1.0",
    "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 = {
    "model_name": "stabilityai/stable-diffusion-xl-base-1.0",
    "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/lora", 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": "lora",
      "input": {
        "model_name": "stabilityai/stable-diffusion-xl-base-1.0",
        "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": "lora",
  "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": 57,
    "usd": "0.057",
    "charged": 57,
    "refunded": 0
  },
  "input": {
    "model_name": "stabilityai/stable-diffusion-xl-base-1.0",
    "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",
        "content_type": "image/jpeg",
        "file_name": "0-output.jpeg",
        "file_size": 1843200,
        "width": 1024,
        "height": 768
      }
    ],
    "seed": 42,
    "has_nsfw_concepts": [
      false
    ],
    "debug_latents": {
      "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
    },
    "debug_per_pass_latents": {
      "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": "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, content_type, file_name, file_size, width, height} | Impormasyon ng file para sa mga nabuong larawan. |
| `seed` | integer | Seed para sa pagbuo ng larawan, kasama ang random na napiling value kung walang seed sa input; kung hindi, inuulit nito ang ibinigay na value. |
| `has_nsfw_concepts` | array of boolean | Nagsasaad kung may mga konseptong NSFW sa nabuong mga larawan. |
| `debug_latents` | object {url, content_type, file_name, file_size} \| null | Latent data na naka-store para sa debugging. |
| `debug_per_pass_latents` | object {url, content_type, file_name, file_size} \| null | Latent data sa bawat pass na naka-store para sa debugging. |

## Related models

- [Stable Diffusion with LoRAs · Image to Image](https://doitong.com/developers/models/lora/image-to-image.md) (`lora/image-to-image`): $0.264 / image
- [Stable Diffusion with LoRAs · Inpaint](https://doitong.com/developers/models/lora/inpaint.md) (`lora/inpaint`): $0.184 / 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
- [GPT Image 2.5 Text to Image](https://doitong.com/developers/models/openai/gpt-image-2.5/flare/text-to-image.md) (`openai/gpt-image-2.5/flare/text-to-image`): from $0.008 / image
- [Ideogram V4.5](https://doitong.com/developers/models/ideogram/v4.5.md) (`ideogram/v4.5`): from $0.03 / image

## Links

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