# Stable Diffusion with LoRAs · Inpaint API

> Inpainting mat engem gewielte Stable Diffusion-Basismodell a LoRAs, geleet vun enger schwaarz-wäisser Mask

Ännert Deeler vun engem Bild mat `image_url` an enger schwaarz-wäisser `mask_url` mat engem Stable Diffusion-Modell, deen an `model_name` festgeluecht ass. `noise_strength` geet vun 0 bis 1. Ënnerstëtzt zesummegefouert LoRAs, Embeddings, ControlNets, IP-Adapteren a verschidde Scheduler, mat Schrëtt vun 1 bis 150. D'Ausgab ass png oder jpeg.

- Model id: `lora/inpaint`
- Made by: Open model
- Category: Image Editing
- Output: image
- Estimated price per run: $0.184 / image (cheapest run $0.184 (184 API credits))
- Run: `POST https://api.doitong.com/v1/run/lora/inpaint`
- Quote: `POST https://api.doitong.com/v1/quote/lora/inpaint`
- Docs page: https://doitong.com/lb/developers/models/lora/inpaint

## Pricing

Price: **$0.184 / 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 $0.184 = 184 API credits (1 image × 184 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/inpaint` 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 |  |  | Basismodell fir d'Bildgeneratioun, identifizéiert duerch eng URL oder eng HuggingFace-ID. |
| `unet_name` |  | string \| null | no |  |  | Benotzerdefinéiert U-Net-Auswiel fir d'Generatioun vu Biller; gitt entweder seng HuggingFace-ID oder seng URL un. |
| `variant` |  | string \| null | no |  |  | Auswiel vun der HuggingFace-Modellvariant; 'fp16' ass ee Beispill. |
| `prompt` |  | string | yes |  |  | Beschreift d'Bild, dat Dir generéiere wëllt, mat esou vill Detailer wéi méiglech, fir déi bescht Resultater ze kréien. |
| `negative_prompt` |  | string | no | `` |  | Negativen Prompt, deen ongewollt Bilddetailer ugëtt. E ka Faarwen, Objeten, Landschaften oder méi fein Detailer a Qualitéiten ausschléissen, ewéi e Moustache, Onschäerft oder niddreg Opléisung. |
| `prompt_weighting` |  | boolean | no | `false` |  | Toggle fir Prompt-Gewiichtung: true hëlt d'77-Token-Limit duerch Duerchschnëttsbildung vun Embeddings ewech an aktivéiert d'Gewiichtungs-Syntax. |
| `image_url` | `image` | string (image URL) \| null | no |  |  | Quellbild-URL fir Bild-zu-Bild-Generatioun oder Inpainting. |
| `mask_url` | `mask` | string (image URL) \| null | no |  |  | URL vun der Inpainting-Mask, déi op e schwaarz-wäisst Bild weist. |
| `noise_strength` |  | number | no | `0.5` | ≤ 1, > 0 | Steiert dat bäigefüügt Bildrauschen op enger Skala, bei där 1.0 komplett Rausche bedeit an Astellunge no bei 0 minimal Rausche bedeiten. Gëllt nëmme mat enger geliwwerter image_url. |
| `loras` |  | array of object {path, scale} | no | `[]` |  | LoRAs, deenen hire kombinéierten Effekt dat generéiert Bild ergëtt, ouni Limit fir d'Zuel vun den uginnene LoRAs. |
| `loras[].path` |  | string | yes |  |  | Plaz vun de LoRA-Gewiichter, uginn als URL oder Pad. |
| `loras[].scale` |  | number | no | `1` | 0 – 4 | Multiplikator, deen op d'LoRA-Gewiicht applizéiert gëtt, ier et an de Basismodell zesummegefouert gëtt. |
| `embeddings` |  | array of object {path, tokens} | no | `[]` |  | Embeddings, déi wärend der Bildgeneratioun applizéiert ginn, fir Prompt-Tokens op Embedding-Gewiichter ze mappen. Aktuell gëtt nëmmen een Embedding ënnerstëtzt. |
| `embeddings[].path` |  | string | yes |  |  | Embedding-Gewiichter, déi duerch URL oder Datei-Pad spezifizéiert ginn. |
| `embeddings[].tokens` |  | array of string \| null | no |  |  | Prompt-Tokens, déi op Embedding-Gewiichter gemappt ginn. Wann Dir se ewechlooss, gëtt ee Token pro Vektor vun der Embedding-Datei erstallt, genannt <s0>, <s1>, ...; benotzt déi gemappt Tokens an Äre Prompts. |
| `controlnets` |  | array of object {path, config_url, variant, image_url, mask_url, conditioning_scale, start_percentage, end_percentage, ip_adapter_index} | no | `[]` |  | Control Nets, déi zu spezifizéierten Timesteps wärend der Generatioun op d'Bild applizéiert ginn; d'Zuel vun den Entréeën ass net limitéiert. |
| `controlnets[].path` |  | string | yes |  |  | Lokalisatioun vun de ControlNet-Gewiichter, uginn als URL oder Pad. |
| `controlnets[].config_url` |  | string \| null | no |  |  | Optional URL op d'config.json-Datei vum ControlNet. |
| `controlnets[].variant` |  | string \| null | no |  |  | Optional Variant fir d'Benotzung mat engem Hugging Face Repository Key. |
| `controlnets[].image_url` |  | string (image URL) | yes |  |  | Bild-URL, déi als ControlNet-Input geliwwert gëtt. |
| `controlnets[].mask_url` |  | string (image URL) \| null | no |  |  | ControlNet-Mask, déi bei Iwwerdroung déiselwecht Gréisst wéi d'Kontrollbild muss hunn; Breet an Héicht mussen allenzwee duerch 32 deelbar sinn. |
| `controlnets[].conditioning_scale` |  | number | no | `1` | 0 – 2 | Skaléierung, déi op ControlNet-Gewiichter applizéiert gëtt, ier se mam Basismodell zesummegefouert ginn. |
| `controlnets[].start_percentage` |  | number | no | `0` | 0 – 1 | Prozentsaz vun de gesamten Timesteps, bei deem ControlNet d'Bildgeneratioun ufänkt ze beaflossen. |
| `controlnets[].end_percentage` |  | number | no | `1` | 0 – 1 | Prozentsaz vun de gesamten Timesteps, bei deem ControlNet ophält, d'Bildgeneratioun ze beaflossen. |
| `controlnets[].ip_adapter_index` |  | integer \| null | no |  |  | Auswiel vum IP-Adapter no Index fir en InstantID ControlNet; aner Control Nets brauchen dës Astellung net. |
| `controlnet_guess_mode` |  | boolean | no | `false` |  | Begrenzt d'Applikatioun vum ControlNet op bedéngte Prognosen, wann 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 | `[]` |  | IP-Adapter, déi benotzt gi fir Biller ze generéieren. All Entrée erfuerdert image_encoder_path. |
| `ip_adapter[].ip_adapter_image_url` |  | string (image URL) \| array of image URL | yes |  |  | Bild-URL, déi als IP-Adapter-Input geliwwert gëtt. |
| `ip_adapter[].ip_adapter_mask_url` |  | string (image URL) \| null | no |  |  | IP-Adapter-Mask; bei Iwwerdroung mussen hir Dimensiounen deenen vum Adapterbild entspriechen. |
| `ip_adapter[].path` |  | string | yes |  |  | Plaz vun den IP-Adapter-Gewiichter, als URL oder Pad uginn. |
| `ip_adapter[].model_subfolder` |  | string \| null | no |  |  | Plaz vun den IP-Adapter-Gewiichter, als Ënnerdossier am Modell-Dossier uginn. |
| `ip_adapter[].weight_name` |  | string \| null | no |  |  | Numm vun der Gewiichter-Datei. |
| `ip_adapter[].insight_face_model_path` |  | string \| null | no |  |  | Plaz vun den InsightFace-Modell-Gewiichter, als URL oder Pad uginn. |
| `ip_adapter[].scale` |  | number | no | `1` | ≥ 0 | Skaléierungsfaktor fir IP-Adapter-Gewiichter, applizéiert ier se mam Basis-Modell zesummegefouert ginn. |
| `ip_adapter[].scale_json` |  | object \| null | no |  |  | Skaléierungsfaktor fir IP-Adapter-Gewiichter, applizéiert ier se mam Basis-Modell zesummegefouert ginn. |
| `ip_adapter[].unconditional_noising_factor` |  | number | no | `0` | 0 – 1 | Faktor, deen dat bedéngungslost Noise fir den IP-Adapter steiert. |
| `ip_adapter[].image_projection_shortcut` |  | boolean | no | `true` |  | Astellung fir d'Bildprojektiouns-Ofkierzung, mat True als Standard. Benotzt False fir FaceID plus V1-Modeller an True fir FaceID plus V2-Modeller. |
| `image_encoder_path` |  | string \| null | no |  |  | Bildencoder, deen duerch eng HTTPS-URL oder eng Hugging Face ID uginn gëtt; d'Kompatibilitéit hänkt vun den IP-Adapter-Gewiichter of: SD1.5 benotzt image_encoder_subfolder='models/image_encoder', während h94/IP-Adapter SDXL h94/IP-Adapter an image_encoder_subfolder='sdxl_models/image_encoder' benotzt. En Encoder ass erfuerderlech, wann ip_adapter e Wäert enthält. |
| `image_encoder_subfolder` |  | string \| null | no |  |  | Ënnerdossier bannent image_encoder_path, deen d'Bildencoder-Gewiichter enthält. |
| `image_encoder_weight_name` |  | string \| null | no | `pytorch_model.bin` |  | Wielt d'Gewiichter vum Bildencoder nom Numm fir se bei der Bildgeneratioun ze benotzen. |
| `ic_light_model_url` |  | string \| null | no |  |  | IC-Light-Modell-URL, déi bei der Bildgeneratioun benotzt gëtt. |
| `ic_light_model_background_image_url` |  | string (image URL) \| null | no |  |  | Modellkompatiblen Hannergrond fir d'IC-Light-Bildgeneratioun, als Bild-URL geliwwert. |
| `ic_light_image_url` |  | string (image URL) \| null | no |  |  | Input-Bild-URL fir d'Generatioun mam IC-Light-Modell. |
| `seed` |  | integer \| null | no |  |  | Seed fir d'Reproduktioun vu Biller a Stable Diffusion. E Bild kann bei all Duerchlaf genee reproduzéiert ginn, wann d'Modellversioun, de Prompt an de Seed onverännert bleiwen. |
| `num_inference_steps` |  | integer | no | `30` | 1 – 150 | Steiert, wéi vill Generatiounsschrëtt Stable Diffusion ausféiert; zousätzlech Schrëtt kënnen e méi detailléiert Schlussbild liwweren. |
| `guidance_scale` |  | number | no | `7.5` | 0 – 20 | Stäerkt vun der Prompt-Entspriechung bei der Bildauswiel, ausgedréckt als CFG (Classifier Free Guidance). |
| `clip_skip` |  | integer | no | `0` | 0 – 2 | Iwwerspréngt en Deel vun der Bildgeneratioun fir méi séier ze renderen, wat liicht aner Resultater produzéiert. |
| `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 oder Sampler, dee benotzt gëtt, fir d'Bild ze denoisen. |
| `timesteps` |  | object {method, array} | no | `{"array":[],"method":"default"}` |  | Iwwerschreiwung vum Denoising-Timestep-Plang, géigesäiteg exklusiv mat sigmas. Ouni Iwwerschreiwung — dem Standard — berechent de Scheduler d'Timesteps aus num_inference_steps; e personaliséierte Plang mécht num_inference_steps irrelevant. Eng Iwwerschreiwung erfuerdert Scheduler-Ënnerstëtzung fir d'Timesteps-Argument vu set_timesteps. |
| `timesteps.method` |  | enum (string) | no | `default` | `default`, `array` | Wielt, wéi d'Timesteps bestëmmt ginn: 'default', d'Standardastellung, léisst de Scheduler `num_inference_steps` benotzen. Fir e Plang selwer unzeginn, wielt 'array' a setzt en an d'Feld `array`. |
| `timesteps.array` |  | array of integer | no | `[]` |  | Timestep-Plang, deen applizéiert gëtt, wann déi gewielte Method 'custom' ass. |
| `sigmas` |  | object {method, array} | no | `{"array":[],"method":"default"}` |  | Iwwerschreiwung vum Denoising-Sigma-Plang, géigesäiteg exklusiv mat timesteps. Ouni Iwwerschreiwung — dem Standard — berechent de Scheduler d'Sigmas aus num_inference_steps; e personaliséierte Plang mécht num_inference_steps irrelevant. Eng Iwwerschreiwung erfuerdert Scheduler-Ënnerstëtzung fir d'Sigmas-Argument vu set_sigmas. |
| `sigmas.method` |  | enum (string) | no | `default` | `default`, `array` | Wielt, wéi d'Sigmas bestëmmt ginn: 'default', d'Standardastellung, benotzt d'eegene Sigma-Wäerter vum Scheduler. Fir e Sigma-Plang selwer unzeginn, wielt 'custom' a setzt en an d'Feld `array`. |
| `sigmas.array` |  | array of number | no | `[]` |  | Sigma-Plang, deen applizéiert gëtt, wann déi gewielte Method 'custom' ass. |
| `prediction_type` |  | enum (string) | no | `epsilon` | `v_prediction`, `epsilon` | Wielt den Prognostizéierungstyp fir d'Bildgeneratioun; ouni aner Auswiel gëtt `epsilon` benotzt. |
| `rescale_betas_snr_zero` |  | boolean | no | `false` |  | Steiert, ob de Sampler rescale_betas_snr_zero aktivéiert. |
| `image_format` |  | enum (string) | no | `png` | `jpeg`, `png` | Dateiformat vum resultéierende Bild. |
| `num_images` | `num_outputs` | integer | no | `1` | 1 – 8 | Setzt, wéi vill Biller eng eenzel Ufro produzéiert; e méi grousse Batch erlaabt méi Generatiounszäit. |
| `enable_safety_checker` |  | boolean | no | `false` |  | Aktivéierung vun der Sécherheetskontroll; true aktivéiert d'Kontroll. |
| `tile_width` |  | integer | no | `4096` | 128 – 4,096 | Setzt d'Gréisst vun all Tile wärend der Bildgeneratioun. |
| `tile_height` |  | integer | no | `4096` | 128 – 4,096 | Setzt d'Gréisst vun all Tile wärend der Bildgeneratioun. |
| `tile_stride_width` |  | integer | no | `2048` | 64 – 2,048 | Setzt den Ofstand tëscht successive Tile-Positioune wärend der Bildgeneratioun. |
| `tile_stride_height` |  | integer | no | `2048` | 64 – 2,048 | Setzt den Ofstand tëscht successive Tile-Positioune wärend der Bildgeneratioun. |
| `eta` |  | number | no | `0` | 0 – 1 | Eta-Astellung, déi bei der Bildgeneratioun benotzt gëtt. |
| `debug_latents` |  | boolean | no | `false` |  | Späichert Latents fir Debugging, wann true. |
| `debug_per_pass_latents` |  | boolean | no | `false` |  | Aktivéiert Debugging pro Pass andeems Dir dëst op true setzt; doduerch ginn d'Latents vun all Pass gespäichert. |

File parameters (`image`, `mask`, `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/inpaint?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/inpaint?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/inpaint", 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/inpaint",
      "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/inpaint",
  "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": 184,
    "usd": "0.184",
    "charged": 184,
    "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} | Dateiinformatioun fir déi generéiert Biller. |
| `seed` | integer | Seed fir d'Bild-Generatioun, inklusiv dem zoufälleg gewielte Wäert, wann am Input kee Seed uginn ass; soss gëtt de geliwwerte Wäert widderholl. |
| `has_nsfw_concepts` | array of boolean | Gëtt un, ob NSFW-Konzepter an de generéierte Biller optrieden. |
| `debug_latents` | object {url, content_type, file_name, file_size} \| null | Latent-Donnéeën, déi fir Debugging gespäichert ginn. |
| `debug_per_pass_latents` | object {url, content_type, file_name, file_size} \| null | Latent-Donnéeën pro Pass, déi fir Debugging gespäichert ginn. |

## Related models

- [Stable Diffusion with LoRAs](https://doitong.com/developers/models/lora.md) (`lora`): $0.057 / image
- [Stable Diffusion with LoRAs · Image to Image](https://doitong.com/developers/models/lora/image-to-image.md) (`lora/image-to-image`): $0.264 / 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
- [Qwen Image 3 Edit](https://doitong.com/developers/models/alibaba/qwen-image-3/edit.md) (`alibaba/qwen-image-3/edit`): from $0.04 / image
- [Seedream 5.0 Pro Edit](https://doitong.com/developers/models/bytedance/seedream/v5/pro/edit.md) (`bytedance/seedream/v5/pro/edit`): from $0.0675 / run of output image

## Links

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