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

> LoRAs၊ ControlNets၊ IP-Adapters၊ EasyControl နှင့် အညွှန်းပုံလမ်းညွှန်မှုတို့ပါသော FLUX.1 [dev] text-to-image

`prompt` မှ ပုံများကို ဖန်တီးပြီး `loras`၊ `control_loras`၊ `controlnets`၊ `controlnet_unions`၊ `ip_adapters` နှင့် `easycontrols` အပါအဝင် ထိန်းညှိသတ်မှတ်မှု နည်းလမ်းများစွာကို ခွင့်ပြုသည်။ မတ်စ်ထားသော နေရာများအတွက် `fill_image` ကိုလည်း အသုံးပြုနိုင်သည်။ `reference_image_url`၊ နဂ္ဂတစ် ပရောမ့်များနှင့် euler သို့မဟုတ် dpmpp_2m အချိန်ဇယားဆွဲစနစ် ရွေးချယ်မှုကိုလည်း လက်ခံသည်။ ခေါ်ဆိုမှုတစ်ခုလျှင် ပုံ 10 ပုံအထိကို png သို့မဟုတ် jpeg ဖြင့် ရရှိနိုင်သည်။

- 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/my/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 |  |  | ပုံဖန်တီးမှုကို လမ်းညွှန်ပေးသည့် ပရောမ့်။ |
| `image_size` |  | object {width, height} \| enum (string) | no |  | `square_hd`, `square`, `portrait_4_3`, `portrait_16_9`, `landscape_4_3`, `landscape_16_9` | ဖန်တီးထားသောပုံ၏ အရွယ်အစား။ |
| `num_inference_steps` |  | integer | no | `28` | 1 – 50 | လုပ်ဆောင်ရန် inference အဆင့်အရေအတွက်။ |
| `seed` |  | integer \| null | no |  |  | ထပ်တူပြန်လည်ဖန်တီးနိုင်သော ပုံများအတွက် seed: မော်ဒယ်ဗားရှင်း မပြောင်းလဲပါက တူညီသော ပရောမ့်နှင့် seed သည် တူညီသောပုံကို ဖန်တီးပေးသည်။ |
| `loras` |  | array of object {path, scale} | no | `[]` |  | ပေါင်းစပ်အကျိုးသက်ရောက်မှုဖြင့် ဖန်တီးထားသော ပုံကို ထုတ်ပေးသည့် LoRA များ။ ပေးနိုင်သည့်အရေအတွက် ကန့်သတ်မထားပါ။ |
| `loras[].path` |  | string | yes |  |  | URL သို့မဟုတ် path အဖြစ် သတ်မှတ်ထားသော LoRA weights တည်နေရာ။ |
| `loras[].scale` |  | object \| number | no | `1` |  | LoRA အလေးချိန်များကို base မော်ဒယ် နှင့် ပေါင်းစည်းမီ အသုံးပြုသည့် စကေး။ တစ်လွှာချင်းစီ စကေးသတ်မှတ်ရန် {"layer_name":layer_scale} ပုံစံ dictionary ကို ပေးပါ။ မသတ်မှတ်ထားသောလွှာများသည် 1.0 ကို အသုံးပြုသည်။ |
| `control_loras` |  | array of object {path, scale, control_image_url, preprocess} | no | `[]` |  | နောက်ဆုံးပုံဖန်တီးရန် ပေါင်းစပ်ဖွဲ့စည်းမှုတစ်ခုအဖြစ် ပေါင်းစည်းထားသော control-image LoRA များ။ ပေးနိုင်သည့်အရေအတွက် ကန့်သတ်မထားပါ။ |
| `control_loras[].path` |  | string | yes |  |  | URL သို့မဟုတ် path အဖြစ် သတ်မှတ်ထားသော LoRA weights တည်နေရာ။ |
| `control_loras[].scale` |  | object \| number | no | `1` |  | LoRA အလေးချိန်များကို base မော်ဒယ် နှင့် ပေါင်းစည်းမီ အသုံးပြုသည့် စကေး။ တစ်လွှာချင်းစီ စကေးသတ်မှတ်ရန် {"layer_name":layer_scale} ပုံစံ dictionary ကို ပေးပါ။ မသတ်မှတ်ထားသောလွှာများသည် 1.0 ကို အသုံးပြုသည်။ |
| `control_loras[].control_image_url` |  | string (image URL) | yes |  |  | control ပုံကို ပေးသည့် ပုံ URL။ |
| `control_loras[].preprocess` |  | enum (string) | no | `None` | `canny`, `depth`, `None` | ပေးထားသောပုံတွင် အသုံးပြုသည့် ကြိုတင်လုပ်ဆောင်မှုနည်းလမ်း။ |
| `controlnets` |  | array of object {path, config_url, variant, control_image_url, mask_image_url, mask_threshold, conditioning_scale, start_percentage, end_percentage} | no | `[]` |  | ပုံဖန်တီးမှုအတွက် ControlNet ဖွဲ့စည်းမှု။ လက်ရှိတွင် ControlNet တစ်ခုတည်းသာ ကန့်သတ်ထားသည်။ |
| `controlnets[].path` |  | string | yes |  |  | ControlNet အလေးချိန် တည်နေရာကို URL သို့မဟုတ် path အဖြစ် သတ်မှတ်သည်။ |
| `controlnets[].config_url` |  | string \| null | no |  |  | ControlNet ၏ config.json ဖိုင်သို့ ညွှန်ပြနိုင်သော ရွေးချယ်စရာ URL။ |
| `controlnets[].variant` |  | string \| null | no |  |  | Hugging Face repository key နှင့် အသုံးပြုရန် ရွေးချယ်နိုင်သော မူကွဲ။ |
| `controlnets[].control_image_url` |  | string (image URL) | yes |  |  | control ပုံကို ပေးသည့် ပုံ URL။ |
| `controlnets[].mask_image_url` |  | string (image URL) | no |  |  | ထိန်းချုပ်ပုံနှင့် ဆက်စပ်သော Mask URL။ |
| `controlnets[].mask_threshold` |  | number | no | `0.5` | 0.01 – 0.99 | Mask threshold တန်ဖိုး။ |
| `controlnets[].conditioning_scale` |  | number | no | `1` | 0 – 2 | ControlNet အလေးချိန်များကို အခြေခံမော်ဒယ်ထဲသို့ ပေါင်းစည်းမီ အသုံးပြုသည့် စကေးချိန်ညှိမှု။ |
| `controlnets[].start_percentage` |  | number | no | `0` | 0 – 1 | ControlNet က ပုံဖန်တီးမှုအပေါ် စတင်သက်ရောက်သည့် စုစုပေါင်း timestep များ၏ ရာခိုင်နှုန်း။ |
| `controlnets[].end_percentage` |  | number | no | `1` | 0 – 1 | ControlNet က ပုံဖန်တီးမှုအပေါ် သက်ရောက်မှုရပ်တန့်သည့် စုစုပေါင်း timestep များ၏ ရာခိုင်နှုန်း။ |
| `controlnet_unions` |  | array of object {path, config_url, variant, controls} | no | `[]` |  | ပုံဖန်တီးမှုအတွက် ControlNet union ဖွဲ့စည်းပုံ။ လက်ရှိ single-ControlNet ကန့်သတ်ချက်အောက်တွင် အသုံးပြုရသည်။ |
| `controlnet_unions[].path` |  | string | yes |  |  | ControlNet အလေးချိန် တည်နေရာကို URL သို့မဟုတ် path အဖြစ် သတ်မှတ်သည်။ |
| `controlnet_unions[].config_url` |  | string \| null | no |  |  | ControlNet ၏ config.json ဖိုင်သို့ ညွှန်ပြနိုင်သော ရွေးချယ်စရာ URL။ |
| `controlnet_unions[].variant` |  | string \| null | no |  |  | Hugging Face repository key နှင့် အသုံးပြုရန် ရွေးချယ်နိုင်သော မူကွဲ။ |
| `controlnet_unions[].controls` |  | array of object {control_image_url, mask_image_url, control_mode, conditioning_scale, mask_threshold, start_percentage, end_percentage} | yes |  |  | ControlNet သို့ ပေးပို့သော ထိန်းချုပ်ပုံများနှင့် ဆက်စပ်မုဒ်များ။ |
| `controlnet_unions[].controls[].control_image_url` |  | string (image URL) | yes |  |  | control ပုံကို ပေးသည့် ပုံ URL။ |
| `controlnet_unions[].controls[].mask_image_url` |  | string (image URL) | no |  |  | ထိန်းချုပ်ပုံနှင့် ဆက်စပ်သော Mask URL။ |
| `controlnet_unions[].controls[].control_mode` |  | enum (string) | yes |  | `canny`, `tile`, `depth`, `blur`, `pose`, `gray`, `low-quality` | Flux Controlnet Union အသုံးပြုသည့် ထိန်းချုပ်မုဒ်။ ရွေးချယ်စရာများမှာ canny သည် အနားသတ်များဖြင့် ဖန်တီးမှုကို လမ်းညွှန်သည်၊ tile သည် tile များဖြင့် လမ်းညွှန်သည်၊ depth သည် မီးခိုးရောင် depth map ဖြင့် လမ်းညွှန်သည်၊ blur သည် ပုံကို ဝါးစေသည်၊ pose သည် ပုံ၏ ကိုယ်ဟန်ဖြင့် ဖန်တီးမှုကို လမ်းညွှန်သည်၊ gray သည် ပုံကို မီးခိုးရောင်ပြောင်းသည်၊ low-quality သည် အရည်အသွေးနိမ့် ပုံမိတ္တူကို ထုတ်ပေးသည်။ |
| `controlnet_unions[].controls[].conditioning_scale` |  | number | no | `1` | 0 – 2 | ControlNet အလေးချိန်များကို အခြေခံမော်ဒယ်ထဲသို့ ပေါင်းစည်းမီ အသုံးပြုသည့် စကေးချိန်ညှိမှု။ |
| `controlnet_unions[].controls[].mask_threshold` |  | number | no | `0.5` | 0.01 – 0.99 | Mask threshold တန်ဖိုး။ |
| `controlnet_unions[].controls[].start_percentage` |  | number | no | `0` | 0 – 1 | ControlNet က ပုံဖန်တီးမှုအပေါ် စတင်သက်ရောက်သည့် စုစုပေါင်း timestep များ၏ ရာခိုင်နှုန်း။ |
| `controlnet_unions[].controls[].end_percentage` |  | number | no | `1` | 0 – 1 | ControlNet က ပုံဖန်တီးမှုအပေါ် သက်ရောက်မှုရပ်တန့်သည့် စုစုပေါင်း timestep များ၏ ရာခိုင်နှုန်း။ |
| `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 | `[]` |  | ပုံဖန်တီးစဉ် အသုံးပြုသည့် IP-Adapter။ |
| `ip_adapters[].path` |  | string | yes |  |  | Hugging Face ပေါ်ရှိ IP-Adapter တည်နေရာ။ |
| `ip_adapters[].subfolder` |  | string \| null | no |  |  | ip_adapter အလေးချိန်များ ပါဝင်သည့် ခွဲဖိုင်တွဲ။ |
| `ip_adapters[].weight_name` |  | string \| null | no |  |  | IP-Adapter အလေးချိန်များအတွက် Safetensors ဖိုင်အမည်။ |
| `ip_adapters[].image_encoder_path` |  | string | yes |  |  | IP-Adapter ပုံ encoder တည်နေရာ၊ ဥပမာ 'openai/clip-vit-large-patch14'။ |
| `ip_adapters[].image_encoder_subfolder` |  | string \| null | no |  |  | ပုံ encoder အတွက် အလေးချိန်များ ပါဝင်သည့် ခွဲဖိုင်တွဲ။ |
| `ip_adapters[].image_encoder_weight_name` |  | string \| null | no |  |  | ပုံ encoder အမည်။ |
| `ip_adapters[].image_url` |  | string (image URL) | yes |  |  | IP-Adapter သို့ ပေးပို့သည့် conditioning ပုံ URL။ |
| `ip_adapters[].mask_image_url` |  | string (image URL) \| null | no |  |  | ထိန်းချုပ်ပုံနှင့် ဆက်စပ်သော Mask URL။ |
| `ip_adapters[].mask_threshold` |  | number | no | `0.5` | 0.01 – 0.99 | Mask threshold တန်ဖိုး။ |
| `ip_adapters[].scale` |  | number | yes |  |  | IP-Adapter စကေးချိန်ညှိမှု factor။ |
| `easycontrols` |  | array of object {control_method_url, scale, image_url, image_control_type} | no | `[]` |  | ပုံဖန်တီးစဉ် အသုံးပြုသည့် EasyControl ထည့်သွင်းချက်များ။ |
| `easycontrols[].control_method_url` |  | string | yes |  |  | Control method ၏ safetensor weight URL သို့မဟုတ် ပံ့ပိုးထားသော identifier တစ်ခု: `canny`, `depth`, `hedsketch`, `inpainting`, `pose`, `seg`, `subject`, `ghibli`။ |
| `easycontrols[].scale` |  | number | no | `1` | 0 – 2 | Control method စကေးချိန်ညှိမှု factor။ |
| `easycontrols[].image_url` |  | string (image URL) | yes |  |  | ထိန်းချုပ်ထည့်သွင်းချက် ပါဝင်သည့် ပုံ URL။ |
| `easycontrols[].image_control_type` |  | enum (string) | yes |  | `subject`, `spatial` | ပုံထိန်းချုပ်မုဒ်၊ `spatial` သို့မဟုတ် `subject` ကို လက်ခံသည်။ |
| `fill_image` |  | object {fill_image_url} \| null | no |  |  | ဖန်တီးမှုကို လမ်းညွှန်ပြီး mask လုပ်ထားသော ဧရိယာများအတွက် အကြောင်းအရာ ပေးနိုင်သည့် ထည့်သွင်းပုံ။ |
| `fill_image.fill_image_url` |  | string (image URL) \| array of image URL | no | `[]` |  | redux prompting ဖြင့် ဖြည့်ရန် ပုံ URL များ။ |
| `guidance_scale` |  | number | no | `3.5` | 0 – 20 | ပုံရွေးချယ်မှုအတွက် ပရောမ့်လိုက်နာမှုအားကို CFG (Classifier Free Guidance) အဖြစ် ဖော်ပြထားသည်။ |
| `real_cfg_scale` |  | number | no | `3.5` | 0 – 5 | ပုံရွေးချယ်မှုအတွက် ပရောမ့်လိုက်နာမှုအားကို CFG (Classifier Free Guidance) အဖြစ် ဖော်ပြထားသည်။ |
| `use_real_cfg` |  | boolean | no | `false` |  | Classical CFG switch။ XLabs IP-Adapter v1 ဖြင့် အလိုအလျောက် ဖွင့်ထားသည်။ လမ်းညွှန်မှုအပြုအမူသည် SD1.5 နှင့် SDXL ကဲ့သို့သော မော်ဒယ်များနှင့် တူညီသည်။ |
| `use_cfg_zero` |  | boolean | no | `false` |  | https://arxiv.org/abs/2503.18886 တွင် ဖော်ပြထားသည့် CFG-zero initialization sampling ကို ဖွင့်သည်။ |
| `num_images` | `num_outputs` | integer | no | `1` | 1 – 10 | ဖန်တီးမည့် ပုံအရေအတွက်ကို သတ်မှတ်ပါ။ ထွက်ရလဒ်ကို stream လုပ်သောအခါ ဤရွေးချယ်မှုကို 1 အဖြစ် သတ်မှတ်ထားသည်။ |
| `enable_safety_checker` |  | boolean | no | `true` |  | လုံခြုံရေးစစ်ဆေးမှုသည် မလုံခြုံဟု သတ်မှတ်ခံရသော ပုံများအစား အနက်ရောင်ပုံများကို ပြန်ပေးသည်။ true သည် စစ်ဆေးမှုကို ဖွင့်ပေးပြီး false သည် ခွင့်ပြုထားသောအကောင့်များအတွက်သာ ပိတ်ပေးသည်။ ခွင့်ပြုချက်မရှိသော တောင်းဆိုချက်များကို မည်သို့ပင်ဖြစ်စေ စစ်ဆေးသည်။ |
| `reference_image_url` |  | string (image URL) | no |  |  | Reference-Only လမ်းညွှန်မှုအတွက် အသုံးပြုသည့် ပုံ URL။ |
| `reference_strength` |  | number | no | `0.65` | -3 – 3 | reference_only ဖန်တီးမှုအတွင်း reference ပုံ၏ သက်ရောက်မှု။ ပေးပို့ထားသော reference ပုံမရှိပါက ဤ strength setting သည် အကျိုးသက်ရောက်မှုမရှိပါ။ |
| `reference_start` |  | number | no | `0` | 0 – 1 | Reference လမ်းညွှန်မှု စတင်သည့်နေရာ၊ timestep အားလုံး၏ ရာခိုင်နှုန်းဖြင့် ဖော်ပြသည်။ |
| `reference_end` |  | number | no | `1` | 0 – 1 | Reference လမ်းညွှန်မှု အဆုံးသတ်သည့်နေရာ၊ timestep အားလုံး၏ ရာခိုင်နှုန်းဖြင့် ဖော်ပြသည်။ |
| `base_shift` |  | number | no | `0.5` | 0.01 – 5 | သတ်မှတ်ထားသော timestep များအပေါ် အသုံးပြုသည့် အခြေခံ shift။ |
| `max_shift` |  | number | no | `1.15` | 0.01 – 5 | သတ်မှတ်ထားသော timestep များအပေါ် အသုံးပြုသည့် အများဆုံး shift။ |
| `output_format` |  | enum (string) | no | `png` | `jpeg`, `png` | ရလဒ်ပုံအတွက် ဖိုင်ဖော်မတ်။ |
| `use_beta_schedule` |  | boolean | no | `false` |  | beta sigmas အသုံးပြုမည်၊ မပြုမည်ကို ထိန်းချုပ်သည်။ |
| `sigma_schedule` |  | string \| null | no |  |  | denoising အတွင်း အသုံးပြုသည့် Sigma schedule။ |
| `scheduler` |  | enum (string) | no | `euler` | `euler`, `dpmpp_2m` | denoising အတွင်း အသုံးပြုသည့် Scheduler။ |
| `negative_prompt` |  | string | no | `` |  | ဖန်တီးထားသော ပုံများတွင် မလိုလားသော သတ်မှတ်ချက်များ မပါဝင်စေရန် မူလအနေဖြင့် NAG ဖြင့် လုပ်ဆောင်သည့် negative ပရောမ့်။ |
| `nag_scale` |  | number | no | `3` | ≤ 10, > 1 | NAG scale ဖြင့် ထိန်းချုပ်သည့် negative-prompt ရှောင်ရှားမှု။ တန်ဖိုးမြှင့်ပါက ဖန်တီးထားသောပုံသည် negative ဖော်ပြချက်နှင့် ပိုမိုကွာခြားလာသည်။ |
| `nag_tau` |  | number | no | `2.5` | > 0 | hidden-state normalization အတွက် NAG tau setting။ မပြောင်းလဲထားရန် အကြံပြုသည်။ တန်ဖိုးမြှင့်ပါက normalization အားနည်းလာပြီး မူရင်းပုံမှ မမျှော်လင့်ထားသည့် ကွာခြားမှုများ ဖြစ်နိုင်သည်။ |
| `nag_alpha` |  | number | no | `0.25` | ≤ 1, > 0 | NAG alpha သည် positive နှင့် negative ပရောမ့် များကို ပေါင်းစပ်ထားသော normalized guidance ကို positive ပရောမ့် က မည်မျှ ပြန်လည်လမ်းညွှန်မည်ကို သတ်မှတ်သည်။ ဤနောက်ဆုံးအလေးချိန်ချိန်ညှိမှုကြောင့် တန်ဖိုးနိမ့်လျှင် positive ပရောမ့် ၏ သက်ရောက်မှု ပိုများပြီး တန်ဖိုးမြင့်လျှင် ပြန်လည်လမ်းညွှန်မှု လျော့နည်းသည်။ |
| `nag_end` |  | number | no | `0.25` | ≤ 1, > 0 | NAG cutoff ကို ဖန်တီးမှုအဆင့်များ၏ အချိုးအဖြစ် ဖော်ပြသည်။ NAG သည် ထိုကနဦးအချိုးအတိုင်း လုပ်ဆောင်ပြီးနောက် FLUX ၏ မူရင်း attention processors များက အစားထိုးလုပ်ဆောင်သည်။ |

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} | ဖန်တီးထားသော ပုံများ၏ ဖိုင်အချက်အလက်။ |
| `timings` | object |  |
| `seed` | integer | ပုံဖန်တီးမှုအတွက် seed၊ ထည့်သွင်းချက်တွင် seed မပါပါက ကျပန်းရွေးချယ်ထားသောတန်ဖိုးကို ပါဝင်စေပြီး၊ ပါရှိပါက ပေးထားသောတန်ဖိုးကို ထပ်မံအသုံးပြုသည်။ |
| `has_nsfw_concepts` | array of boolean | ဖန်တီးထားသောပုံများတွင် NSFW အယူအဆများ ပါဝင်ခြင်း ရှိ၊ မရှိ ဖော်ပြသည်။ |
| `prompt` | string | ပုံဖန်တီးစဉ် အသုံးပြုမည့် ပရောမ့်။ |

## 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