# Stable Diffusion with LoRAs API > ਕਿਸੇ ਵੀ Stable Diffusion ਬੇਸ ਮਾਡਲ ਨਾਲ LoRAs, ਐਂਬੈਡਿੰਗਸ, ControlNets ਅਤੇ IP adapters ਸਮੇਤ ਟੈਕਸਟ-ਤੋਂ-ਚਿੱਤਰ `model_name` ਵਿੱਚ URL ਜਾਂ HuggingFace ID ਦੁਆਰਾ ਦਿੱਤੇ ਬੇਸ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਟੈਕਸਟ ਪ੍ਰੌਂਪਟ ਤੋਂ ਚਿੱਤਰ ਸਿਰਜਦਾ ਹੈ। ਕਈ `loras` ਨੂੰ ਮਿਲਾਇਆ ਜਾ ਸਕਦਾ ਹੈ, ਅਤੇ ਐਂਬੈਡਿੰਗਸ, ControlNets, IP adapters ਅਤੇ IC Light ਇਨਪੁੱਟ ਸਮਰਥਿਤ ਹਨ। ਸੈਂਪਲਰ ਵਿਕਲਪਾਂ ਵਿੱਚ ਕਈ ਸ਼ੈਡਿਊਲਰ ਅਤੇ 1 ਤੋਂ 150 ਤੱਕ ਪੜਾਅ ਸ਼ਾਮਲ ਹਨ। png ਜਾਂ jpeg ਵਿੱਚ 1 ਤੋਂ 8 ਚਿੱਤਰ ਸਿਰਜਦਾ ਹੈ। - 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/pa/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 | | | ਚਿੱਤਰ ਸਿਰਜਣ ਲਈ ਬੇਸ ਮਾਡਲ, ਜਿਸਦੀ ਪਛਾਣ URL ਜਾਂ HuggingFace ID ਰਾਹੀਂ ਹੁੰਦੀ ਹੈ। | | `unet_name` | | string \| null | no | | | ਚਿੱਤਰ ਸਿਰਜਣ ਲਈ ਕਸਟਮ U-Net ਚੋਣ; ਇਸਦਾ HuggingFace ID ਜਾਂ URL ਦਿਓ। | | `variant` | | string \| null | no | | | HuggingFace ਮਾਡਲ ਵੈਰੀਐਂਟ ਦੀ ਚੋਣ; 'fp16' ਇੱਕ ਉਦਾਹਰਨ ਹੈ। | | `prompt` | | string | yes | | | ਜਿਸ ਚਿੱਤਰ ਨੂੰ ਤੁਸੀਂ ਸਿਰਜਣਾ ਚਾਹੁੰਦੇ ਹੋ, ਉਸ ਦਾ ਵੱਧ ਤੋਂ ਵੱਧ ਵੇਰਵੇ ਨਾਲ ਵਰਣਨ ਕਰੋ ਤਾਂ ਜੋ ਸਭ ਤੋਂ ਵਧੀਆ ਨਤੀਜੇ ਮਿਲਣ। | | `negative_prompt` | | string | no | `` | | ਅਣਚਾਹੇ ਚਿੱਤਰ ਵੇਰਵਿਆਂ ਲਈ ਨੈਗੇਟਿਵ ਪ੍ਰੌਂਪਟ। ਇਹ ਰੰਗ, ਵਸਤੂਆਂ, ਦ੍ਰਿਸ਼ ਜਾਂ ਬਾਰੀਕ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਅਤੇ ਗੁਣਾਂ, ਜਿਵੇਂ ਮੁੱਛ, ਧੁੰਦਲਾਪਣ ਜਾਂ ਘੱਟ ਰੈਜ਼ੋਲਿਊਸ਼ਨ, ਨੂੰ ਬਾਹਰ ਰੱਖ ਸਕਦਾ ਹੈ। | | `prompt_weighting` | | boolean | no | `false` | | ਪ੍ਰੌਂਪਟ-ਵਜ਼ਨ ਟੌਗਲ: true embedding averaging ਰਾਹੀਂ 77 ਟੋਕਨ ਸੀਮਾ ਹਟਾਉਂਦਾ ਹੈ ਅਤੇ weighting ਸਿੰਟੈਕਸ ਚਾਲੂ ਕਰਦਾ ਹੈ। | | `loras` | | array of object {path, scale} | no | `[]` | | ਉਹ LoRA ਜਿਨ੍ਹਾਂ ਦਾ ਸੰਯੁਕਤ ਪ੍ਰਭਾਵ ਸਿਰਜਿਆ ਚਿੱਤਰ ਬਣਾਉਂਦਾ ਹੈ; ਦਿੱਤੀਆਂ ਜਾਣ ਵਾਲੀਆਂ LoRA ਦੀ ਗਿਣਤੀ ਉੱਤੇ ਕੋਈ ਸੀਮਾ ਨਹੀਂ। | | `loras[].path` | | string | yes | | | LoRA ਵਜ਼ਨਾਂ ਦਾ ਟਿਕਾਣਾ, URL ਜਾਂ ਪਾਥ ਵਜੋਂ ਦਿੱਤਾ ਗਿਆ। | | `loras[].scale` | | number | no | `1` | 0 – 4 | ਬੇਸ ਮਾਡਲ ਵਿੱਚ ਮਿਲਾਉਣ ਤੋਂ ਪਹਿਲਾਂ LoRA ਵਜ਼ਨ ਉੱਤੇ ਲਾਗੂ ਕੀਤਾ ਗਿਆ ਗੁਣਕ। | | `embeddings` | | array of object {path, tokens} | no | `[]` | | ਚਿੱਤਰ ਸਿਰਜਣਾ ਦੌਰਾਨ ਲਾਗੂ ਕੀਤੀਆਂ embeddings, ਜੋ ਪ੍ਰੌਂਪਟ ਟੋਕਨਾਂ ਨੂੰ embedding weights ਨਾਲ ਮੈਪ ਕਰਦੀਆਂ ਹਨ। ਇਸ ਵੇਲੇ ਕੇਵਲ ਇੱਕ embedding ਸਮਰਥਿਤ ਹੈ। | | `embeddings[].path` | | string | yes | | | URL ਜਾਂ ਫ਼ਾਈਲ path ਰਾਹੀਂ ਨਿਰਧਾਰਤ embedding weights। | | `embeddings[].tokens` | | array of string \| null | no | | | Embedding weights ਨਾਲ ਮੈਪ ਕੀਤੇ ਪ੍ਰੌਂਪਟ ਟੋਕਨ। ਇਨ੍ਹਾਂ ਨੂੰ ਛੱਡਣ 'ਤੇ ਹਰੇਕ embedding-file vector ਲਈ ਇੱਕ ਟੋਕਨ ਬਣਦਾ ਹੈ, ਜਿਸਦਾ ਨਾਮ , , ... ਹੁੰਦਾ ਹੈ; ਆਪਣੇ ਪ੍ਰੌਂਪਟਾਂ ਵਿੱਚ ਮੈਪ ਕੀਤੇ ਟੋਕਨ ਵਰਤੋ। | | `controlnets` | | array of object {path, config_url, variant, image_url, mask_url, conditioning_scale, start_percentage, end_percentage, ip_adapter_index} | no | `[]` | | ਸਿਰਜਣਾ ਦੌਰਾਨ ਨਿਰਧਾਰਤ timesteps 'ਤੇ ਚਿੱਤਰ 'ਤੇ ਲਾਗੂ ਕਰਨ ਲਈ ਨਿਯਤ Control nets, ਜਿਨ੍ਹਾਂ ਦੀ ਗਿਣਤੀ 'ਤੇ ਕੋਈ ਸੀਮਾ ਨਹੀਂ ਹੈ। | | `controlnets[].path` | | string | yes | | | ControlNet ਵਜ਼ਨ ਦਾ ਸਥਾਨ, URL ਜਾਂ ਪਾਥ ਵਜੋਂ ਨਿਰਧਾਰਤ। | | `controlnets[].config_url` | | string \| null | no | | | ControlNet ਦੀ config.json ਫ਼ਾਈਲ ਵੱਲ ਇਸ਼ਾਰਾ ਕਰਨ ਵਾਲਾ ਵਿਕਲਪਿਕ URL। | | `controlnets[].variant` | | string \| null | no | | | Hugging Face ਰਿਪੋਜ਼ਟਰੀ ਕੁੰਜੀ ਨਾਲ ਵਰਤਣ ਲਈ ਵਿਕਲਪਿਕ ਰੂਪ। | | `controlnets[].image_url` | | string (image URL) | yes | | | ControlNet ਇਨਪੁੱਟ ਵਜੋਂ ਦਿੱਤਾ ਗਿਆ ਚਿੱਤਰ URL। | | `controlnets[].mask_url` | | string (image URL) \| null | no | | | ControlNet ਮਾਸਕ, ਜੋ ਦਿੱਤੇ ਜਾਣ 'ਤੇ ਕੰਟਰੋਲ ਚਿੱਤਰ ਦੇ ਆਕਾਰ ਨਾਲ ਮੇਲ ਖਾਣਾ ਚਾਹੀਦਾ ਹੈ; ਚੌੜਾਈ ਅਤੇ ਉਚਾਈ ਦੋਵੇਂ 32 ਨਾਲ ਭਾਜਯ ਹੋਣੀਆਂ ਚਾਹੀਦੀਆਂ ਹਨ। | | `controlnets[].conditioning_scale` | | number | no | `1` | 0 – 2 | ControlNet ਵਜ਼ਨਾਂ ਨੂੰ ਬੇਸ ਮਾਡਲ ਵਿੱਚ ਮਿਲਾਉਣ ਤੋਂ ਪਹਿਲਾਂ ਲਾਗੂ ਕੀਤੀ ਸਕੇਲਿੰਗ। | | `controlnets[].start_percentage` | | number | no | `0` | 0 – 1 | ਕੁੱਲ ਟਾਈਮਸਟੈਪਾਂ ਦੇ ਉਸ ਪ੍ਰਤੀਸ਼ਤ ’ਤੇ ਜਿੱਥੇ ControlNet ਚਿੱਤਰ ਸਿਰਜਣਾ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਨਾ ਸ਼ੁਰੂ ਕਰਦਾ ਹੈ। | | `controlnets[].end_percentage` | | number | no | `1` | 0 – 1 | ਕੁੱਲ ਟਾਈਮਸਟੈਪਾਂ ਦੇ ਉਸ ਪ੍ਰਤੀਸ਼ਤ ’ਤੇ ਜਿੱਥੇ ControlNet ਚਿੱਤਰ ਸਿਰਜਣਾ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਨਾ ਬੰਦ ਕਰਦਾ ਹੈ। | | `controlnets[].ip_adapter_index` | | integer \| null | no | | | InstantID ControlNet ਲਈ ਇੰਡੈਕਸ ਦੁਆਰਾ IP adapter ਦੀ ਚੋਣ; ਹੋਰ ControlNets ਲਈ ਇਹ ਸੈਟਿੰਗ ਲੋੜੀਂਦੀ ਨਹੀਂ ਹੈ। | | `controlnet_guess_mode` | | boolean | no | `false` | | true ਹੋਣ 'ਤੇ ControlNet ਦੀ ਵਰਤੋਂ ਨੂੰ conditional predictions ਤੱਕ ਸੀਮਿਤ ਕਰਦਾ ਹੈ। | | `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 | `[]` | | ਚਿੱਤਰ ਸਿਰਜਣ ਲਈ ਵਰਤੇ ਜਾਂਦੇ IP adapters। ਕੋਈ ਵੀ ਐਂਟਰੀ ਦੇਣ ਲਈ image_encoder_path ਲਾਜ਼ਮੀ ਹੈ। | | `ip_adapter[].ip_adapter_image_url` | | string (image URL) \| array of image URL | yes | | | IP adapter ਇਨਪੁੱਟ ਵਜੋਂ ਦਿੱਤਾ ਗਿਆ ਚਿੱਤਰ URL। | | `ip_adapter[].ip_adapter_mask_url` | | string (image URL) \| null | no | | | IP adapter ਮਾਸਕ, ਦਿੱਤੇ ਜਾਣ 'ਤੇ ਆਕਾਰ ਦੀ ਪਾਬੰਦੀ ਅਧੀਨ: ਇਸਦੇ ਮਾਪ adapter ਚਿੱਤਰ ਦੇ ਮਾਪਾਂ ਦੇ ਬਰਾਬਰ ਹੋਣੇ ਚਾਹੀਦੇ ਹਨ। | | `ip_adapter[].path` | | string | yes | | | IP adapter ਵਜ਼ਨਾਂ ਦਾ ਟਿਕਾਣਾ, URL ਜਾਂ ਪਾਥ ਵਜੋਂ ਦਿੱਤਾ ਗਿਆ। | | `ip_adapter[].model_subfolder` | | string \| null | no | | | IP adapter ਵਜ਼ਨਾਂ ਦਾ ਟਿਕਾਣਾ, ਮਾਡਲ ਡਾਇਰੈਕਟਰੀ ਦੇ ਅੰਦਰਲੇ ਸਬਫੋਲਡਰ ਵਜੋਂ ਦਿੱਤਾ ਗਿਆ। | | `ip_adapter[].weight_name` | | string \| null | no | | | ਵਜ਼ਨਾਂ ਦੀ ਫ਼ਾਈਲ ਦਾ ਨਾਮ। | | `ip_adapter[].insight_face_model_path` | | string \| null | no | | | InsightFace ਮਾਡਲ ਵਜ਼ਨਾਂ ਦਾ ਟਿਕਾਣਾ, URL ਜਾਂ ਪਾਥ ਵਜੋਂ ਦਿੱਤਾ ਗਿਆ। | | `ip_adapter[].scale` | | number | no | `1` | ≥ 0 | IP adapter ਵਜ਼ਨਾਂ ਲਈ ਸਕੇਲਿੰਗ ਗੁਣਕ, ਜੋ ਬੇਸ ਮਾਡਲ ਵਿੱਚ ਮਿਲਾਉਣ ਤੋਂ ਪਹਿਲਾਂ ਲਾਗੂ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। | | `ip_adapter[].scale_json` | | object \| null | no | | | IP adapter ਵਜ਼ਨਾਂ ਲਈ ਸਕੇਲਿੰਗ ਗੁਣਕ, ਜੋ ਬੇਸ ਮਾਡਲ ਵਿੱਚ ਮਿਲਾਉਣ ਤੋਂ ਪਹਿਲਾਂ ਲਾਗੂ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। | | `ip_adapter[].unconditional_noising_factor` | | number | no | `0` | 0 – 1 | IP adapter ਲਈ ਬਿਨਾਂ ਸ਼ਰਤ ਵਾਲੇ ਨੌਇਜ਼ਿੰਗ ਨੂੰ ਨਿਯੰਤਰਿਤ ਕਰਨ ਵਾਲਾ ਗੁਣਕ। | | `ip_adapter[].image_projection_shortcut` | | boolean | no | `true` | | ਚਿੱਤਰ ਪ੍ਰੋਜੈਕਸ਼ਨ ਸ਼ਾਰਟਕੱਟ ਸੈਟਿੰਗ, ਜਿਸਦਾ ਪੂਰਵ-ਨਿਰਧਾਰਤ ਮੁੱਲ True ਹੈ। FaceID plus V1 ਮਾਡਲਾਂ ਲਈ False ਅਤੇ FaceID plus V2 ਮਾਡਲਾਂ ਲਈ True ਵਰਤੋ। | | `image_encoder_path` | | string \| null | no | | | HTTPS URL ਜਾਂ Hugging Face ID ਰਾਹੀਂ ਦਿੱਤਾ ਗਿਆ ਚਿੱਤਰ ਐਨਕੋਡਰ, ਜਿਸਦੀ ਅਨੁਕੂਲਤਾ IP-Adapter ਵਜ਼ਨਾਂ ਦੁਆਰਾ ਨਿਰਧਾਰਤ ਹੁੰਦੀ ਹੈ: SD1.5 image_encoder_subfolder='models/image_encoder' ਵਰਤਦਾ ਹੈ, ਜਦਕਿ h94/IP-Adapter SDXL h94/IP-Adapter ਅਤੇ image_encoder_subfolder='sdxl_models/image_encoder' ਵਰਤਦਾ ਹੈ। ਜਦੋਂ ਵੀ ip_adapter ਵਿੱਚ ਕੋਈ ਮੁੱਲ ਹੋਵੇ, ਐਨਕੋਡਰ ਲਾਜ਼ਮੀ ਹੈ। | | `image_encoder_subfolder` | | string \| null | no | | | image_encoder_path ਦੇ ਅੰਦਰਲੀ ਸਬਡਾਇਰੈਕਟਰੀ, ਜਿਸ ਵਿੱਚ ਚਿੱਤਰ ਐਨਕੋਡਰ ਦੇ ਵਜ਼ਨ ਹੁੰਦੇ ਹਨ। | | `image_encoder_weight_name` | | string \| null | no | `pytorch_model.bin` | | ਚਿੱਤਰ ਸਿਰਜਣ ਲਈ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਚਿੱਤਰ ਐਨਕੋਡਰ ਦੇ ਵਜ਼ਨ ਨਾਮ ਰਾਹੀਂ ਚੁਣੋ। | | `ic_light_model_url` | | string \| null | no | | | ਚਿੱਤਰ ਸਿਰਜਣ ਵੇਲੇ ਵਰਤਿਆ ਜਾਣ ਵਾਲਾ IC Light ਮਾਡਲ URL। | | `ic_light_model_background_image_url` | | string (image URL) \| null | no | | | IC Light ਚਿੱਤਰ ਸਿਰਜਣ ਲਈ ਮਾਡਲ-ਅਨੁਕੂਲ ਪਿਛੋਕੜ, ਚਿੱਤਰ URL ਵਜੋਂ ਦਿੱਤੀ ਗਈ। | | `ic_light_image_url` | | string (image URL) \| null | no | | | IC Light ਮਾਡਲ ਨਾਲ ਸਿਰਜਣਾ ਲਈ ਇਨਪੁੱਟ ਚਿੱਤਰ URL। | | `seed` | | integer \| null | no | | | Stable Diffusion ਵਿੱਚ ਚਿੱਤਰ ਦੁਬਾਰਾ ਸਿਰਜਣ ਲਈ ਸੀਡ। ਮਾਡਲ ਵਰਜਨ, ਪ੍ਰੌਂਪਟ ਅਤੇ ਸੀਡ ਨੂੰ ਅਣਬਦਲਿਆ ਰੱਖ ਕੇ ਹਰ ਰਨ ਵਿੱਚ ਚਿੱਤਰ ਬਿਲਕੁਲ ਉਸੇ ਤਰ੍ਹਾਂ ਦੁਬਾਰਾ ਸਿਰਜਿਆ ਜਾ ਸਕਦਾ ਹੈ। | | `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` | ਆਉਟਪੁੱਟ ਚਿੱਤਰ ਦੇ ਮਾਪ, ਪ੍ਰੀਸੈੱਟ ਵਿੱਚੋਂ ਚੁਣੇ ਜਾਂ ਕਸਟਮ ਚੌੜਾਈ ਅਤੇ ਉਚਾਈ ਵਜੋਂ ਦਿੱਤੇ ਜਾਂਦੇ ਹਨ। ਦੋਵੇਂ ਕਸਟਮ ਮਾਪ 8 ਨਾਲ ਭਾਜਯ ਹੋਣੇ ਚਾਹੀਦੇ ਹਨ। | | `num_inference_steps` | | integer | no | `30` | 1 – 150 | ਨਿਯੰਤਰਿਤ ਕਰੋ ਕਿ Stable Diffusion ਕਿੰਨੇ ਸਿਰਜਣਾ steps ਕਰਦਾ ਹੈ; ਵਾਧੂ steps ਨਾਲ ਅੰਤਿਮ ਚਿੱਤਰ ਹੋਰ ਵਿਸਤ੍ਰਿਤ ਹੋ ਸਕਦਾ ਹੈ। | | `guidance_scale` | | number | no | `7.5` | 0 – 20 | ਚਿੱਤਰ ਚੋਣ ਲਈ ਪ੍ਰੌਂਪਟ-ਅਨੁਸਾਰਤਾ ਦੀ ਤਾਕਤ, CFG (Classifier Free Guidance) ਵਜੋਂ ਦਰਸਾਈ ਗਈ ਹੈ। | | `clip_skip` | | integer | no | `0` | 0 – 2 | ਤੇਜ਼ ਰੈਂਡਰਿੰਗ ਲਈ ਚਿੱਤਰ ਸਿਰਜਣ ਦਾ ਇੱਕ ਹਿੱਸਾ ਛੱਡਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਨਤੀਜੇ ਥੋੜ੍ਹੇ ਵੱਖਰੇ ਹੋ ਸਕਦੇ ਹਨ। | | `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` | ਚਿੱਤਰ ਨੂੰ denoise ਕਰਨ ਲਈ ਵਰਤਿਆ ਜਾਣ ਵਾਲਾ scheduler ਜਾਂ sampler। | | `timesteps` | | object {method, array} | no | `{"array":[],"method":"default"}` | | Denoising timestep schedule override, ਜੋ sigmas ਨਾਲ ਇਕੱਠੇ ਨਹੀਂ ਵਰਤਿਆ ਜਾ ਸਕਦਾ। Override ਤੋਂ ਬਿਨਾਂ—ਪੂਰਵ-ਨਿਰਧਾਰਤ ਸਥਿਤੀ ਵਿੱਚ—scheduler num_inference_steps ਤੋਂ timesteps ਗਿਣਦਾ ਹੈ; ਕਸਟਮ schedule ਦੇਣ 'ਤੇ num_inference_steps ਅਪ੍ਰਸੰਗਿਕ ਹੋ ਜਾਂਦਾ ਹੈ। Override ਲਈ set_timesteps ਵਿੱਚ timesteps ਆਰਗੂਮੈਂਟ ਦਾ scheduler ਸਮਰਥਨ ਲਾਜ਼ਮੀ ਹੈ। | | `timesteps.method` | | enum (string) | no | `default` | `default`, `array` | ਚੁਣੋ ਕਿ timesteps ਕਿਵੇਂ ਨਿਰਧਾਰਤ ਕੀਤੇ ਜਾਣ: 'default', ਪੂਰਵ-ਨਿਰਧਾਰਤ ਸੈਟਿੰਗ, scheduler ਨੂੰ `num_inference_steps` ਵਰਤਣ ਦਿੰਦੀ ਹੈ। ਆਪਣਾ timestep schedule ਦੇਣ ਲਈ 'array' ਚੁਣੋ ਅਤੇ schedule ਨੂੰ `array` ਖੇਤਰ ਵਿੱਚ ਰੱਖੋ। | | `timesteps.array` | | array of integer | no | `[]` | | ਚੁਣਿਆ ਗਿਆ ਤਰੀਕਾ 'custom' ਹੋਣ 'ਤੇ ਲਾਗੂ ਕੀਤਾ ਜਾਣ ਵਾਲਾ timestep schedule। | | `sigmas` | | object {method, array} | no | `{"array":[],"method":"default"}` | | Denoising sigma schedule override, ਜੋ timesteps ਨਾਲ ਇਕੱਠੇ ਨਹੀਂ ਵਰਤਿਆ ਜਾ ਸਕਦਾ। Override ਤੋਂ ਬਿਨਾਂ—ਪੂਰਵ-ਨਿਰਧਾਰਤ ਸਥਿਤੀ ਵਿੱਚ—scheduler num_inference_steps ਤੋਂ sigmas ਗਿਣਦਾ ਹੈ; ਕਸਟਮ schedule ਦੇਣ 'ਤੇ num_inference_steps ਅਪ੍ਰਸੰਗਿਕ ਹੋ ਜਾਂਦਾ ਹੈ। Override ਲਈ set_sigmas ਵਿੱਚ sigmas ਆਰਗੂਮੈਂਟ ਦਾ scheduler ਸਮਰਥਨ ਲਾਜ਼ਮੀ ਹੈ। | | `sigmas.method` | | enum (string) | no | `default` | `default`, `array` | ਚੁਣੋ ਕਿ sigmas ਕਿਵੇਂ ਨਿਰਧਾਰਤ ਕੀਤੇ ਜਾਣ: 'default', ਪੂਰਵ-ਨਿਰਧਾਰਤ ਸੈਟਿੰਗ, scheduler ਦੇ ਆਪਣੇ sigma ਮੁੱਲ ਵਰਤਦੀ ਹੈ। ਆਪਣਾ sigma schedule ਦੇਣ ਲਈ 'custom' ਚੁਣੋ ਅਤੇ schedule ਨੂੰ `array` ਖੇਤਰ ਵਿੱਚ ਰੱਖੋ। | | `sigmas.array` | | array of number | no | `[]` | | ਚੁਣਿਆ ਗਿਆ ਤਰੀਕਾ 'custom' ਹੋਣ 'ਤੇ ਲਾਗੂ ਕੀਤਾ ਜਾਣ ਵਾਲਾ sigma schedule। | | `prediction_type` | | enum (string) | no | `epsilon` | `v_prediction`, `epsilon` | ਚਿੱਤਰ ਸਿਰਜਣ ਲਈ prediction type ਚੁਣੋ; ਵੱਖਰੀ ਚੋਣ ਨਾ ਹੋਣ 'ਤੇ `epsilon` ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। | | `rescale_betas_snr_zero` | | boolean | no | `false` | | ਨਿਯੰਤਰਿਤ ਕਰਦਾ ਹੈ ਕਿ sampler rescale_betas_snr_zero ਸਮਰੱਥ ਕਰੇ ਜਾਂ ਨਹੀਂ। | | `image_format` | | enum (string) | no | `png` | `jpeg`, `png` | ਨਤੀਜੇ ਵਾਲੇ ਚਿੱਤਰ ਦਾ ਫ਼ਾਈਲ ਫਾਰਮੈਟ। | | `num_images` | `num_outputs` | integer | no | `1` | 1 – 8 | ਇੱਕ ਬੇਨਤੀ ਵਿੱਚ ਸਿਰਜੇ ਜਾਣ ਵਾਲੇ ਚਿੱਤਰਾਂ ਦੀ ਗਿਣਤੀ ਸੈੱਟ ਕਰੋ; ਵੱਡੇ ਬੈਚ ਲਈ ਵਧੇਰੇ ਸਿਰਜਣਾ ਸਮਾਂ ਲੱਗਦਾ ਹੈ। | | `enable_safety_checker` | | boolean | no | `false` | | ਸੁਰੱਖਿਆ ਜਾਂਚਕਰਤਾ ਦੀ ਸਰਗਰਮੀ; true ਜਾਂਚ ਚਾਲੂ ਕਰਦਾ ਹੈ। | | `tile_width` | | integer | no | `4096` | 128 – 4,096 | ਚਿੱਤਰ ਸਿਰਜਣ ਦੌਰਾਨ ਹਰੇਕ tile ਦਾ ਆਕਾਰ ਸੈੱਟ ਕਰੋ। | | `tile_height` | | integer | no | `4096` | 128 – 4,096 | ਚਿੱਤਰ ਸਿਰਜਣ ਦੌਰਾਨ ਹਰੇਕ tile ਦਾ ਆਕਾਰ ਸੈੱਟ ਕਰੋ। | | `tile_stride_width` | | integer | no | `2048` | 64 – 2,048 | ਚਿੱਤਰ ਸਿਰਜਣ ਦੌਰਾਨ ਲਗਾਤਾਰ tile ਸਥਿਤੀਆਂ ਵਿਚਕਾਰ ਅੰਤਰ ਸੈੱਟ ਕਰੋ। | | `tile_stride_height` | | integer | no | `2048` | 64 – 2,048 | ਚਿੱਤਰ ਸਿਰਜਣ ਦੌਰਾਨ ਲਗਾਤਾਰ tile ਸਥਿਤੀਆਂ ਵਿਚਕਾਰ ਅੰਤਰ ਸੈੱਟ ਕਰੋ। | | `eta` | | number | no | `0` | 0 – 1 | ਚਿੱਤਰ ਸਿਰਜਣ ਵੇਲੇ ਵਰਤੀ ਜਾਣ ਵਾਲੀ Eta ਸੈਟਿੰਗ। | | `debug_latents` | | boolean | no | `false` | | true ਹੋਣ 'ਤੇ ਡੀਬੱਗਿੰਗ ਲਈ latents ਸੁਰੱਖਿਅਤ ਕਰਦਾ ਹੈ। | | `debug_per_pass_latents` | | boolean | no | `false` | | ਇਸਨੂੰ true ਸੈੱਟ ਕਰਕੇ ਹਰ pass ਲਈ ਡੀਬੱਗਿੰਗ ਸਮਰੱਥ ਕਰੋ; ਇਸ ਨਾਲ ਹਰ pass ਦੇ latents ਸੁਰੱਖਿਅਤ ਹੁੰਦੇ ਹਨ। | 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} | ਤਿਆਰ ਕੀਤੇ ਚਿੱਤਰਾਂ ਦੀ ਫ਼ਾਈਲ ਜਾਣਕਾਰੀ। | | `seed` | integer | ਚਿੱਤਰ-ਸਿਰਜਣਾ ਸੀਡ, ਜਿਸ ਵਿੱਚ ਇਨਪੁੱਟ ਵਿੱਚ ਸੀਡ ਨਾ ਦੇਣ 'ਤੇ ਬੇਤਰਤੀਬ ਚੁਣੀ ਗਈ ਕੀਮਤ ਸ਼ਾਮਲ ਹੁੰਦੀ ਹੈ; ਨਹੀਂ ਤਾਂ ਦਿੱਤੀ ਕੀਮਤ ਦੁਹਰਾਈ ਜਾਂਦੀ ਹੈ। | | `has_nsfw_concepts` | array of boolean | ਦੱਸਦਾ ਹੈ ਕਿ ਸਿਰਜੇ ਗਏ ਚਿੱਤਰਾਂ ਵਿੱਚ NSFW ਧਾਰਨਾਵਾਂ ਮੌਜੂਦ ਹਨ ਜਾਂ ਨਹੀਂ। | | `debug_latents` | object {url, content_type, file_name, file_size} \| null | ਡੀਬੱਗਿੰਗ ਲਈ ਸਟੋਰ ਕੀਤਾ ਗਿਆ latent ਡੇਟਾ। | | `debug_per_pass_latents` | object {url, content_type, file_name, file_size} \| null | ਡੀਬੱਗਿੰਗ ਲਈ ਸਟੋਰ ਕੀਤਾ ਗਿਆ ਹਰ-pass latent ਡੇਟਾ। | ## 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