# Stable Diffusion with LoRAs API

> Texto para imagem com qualquer modelo base Stable Diffusion, além de LoRAs, embeddings, ControlNets e adaptadores IP

Gera imagens a partir de um prompt de texto utilizando um modelo base fornecido por URL ou ID do HuggingFace em `model_name`. Podem ser combinadas várias `loras`, e são suportados embeddings, ControlNets, adaptadores IP e entradas IC Light. As opções de amostragem incluem vários schedulers e passos de 1 a 150. Gera 1 a 8 imagens em png ou 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/pt-PT/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 |  |  | Modelo base para gerar a imagem, identificado por um URL ou um ID do HuggingFace. |
| `unet_name` |  | string \| null | no |  |  | Seleção personalizada de U-Net para gerar imagens; forneça o respetivo ID do HuggingFace ou a URL. |
| `variant` |  | string \| null | no |  |  | Seleção da variante do modelo HuggingFace; 'fp16' é um exemplo. |
| `prompt` |  | string | yes |  |  | Descreva a imagem que pretende gerar, utilizando o máximo de detalhe possível para obter os melhores resultados. |
| `negative_prompt` |  | string | no | `` |  | Negative prompt que especifica detalhes de imagem indesejados. Pode excluir cores, objetos, cenários ou características e qualidades mais finas, como um bigode, desfocagem ou baixa resolução. |
| `prompt_weighting` |  | boolean | no | `false` |  | Ativação do peso do prompt: true remove o limite de 77 tokens através da média de embeddings e ativa a sintaxe de ponderação. |
| `loras` |  | array of object {path, scale} | no | `[]` |  | LoRAs cujo efeito combinado produz a imagem gerada, sem limite quanto ao número fornecido. |
| `loras[].path` |  | string | yes |  |  | Localização dos pesos LoRA, especificada como URL ou caminho. |
| `loras[].scale` |  | number | no | `1` | 0 – 4 | Multiplicador aplicado ao peso LoRA antes de este ser fundido no modelo base. |
| `embeddings` |  | array of object {path, tokens} | no | `[]` |  | Embeddings aplicados durante a geração de imagens para mapear tokens do prompt para pesos de embeddings. Atualmente, só é suportado um embedding. |
| `embeddings[].path` |  | string | yes |  |  | Pesos dos embeddings especificados por URL ou caminho do ficheiro. |
| `embeddings[].tokens` |  | array of string \| null | no |  |  | Tokens do prompt mapeados para pesos de embeddings. Se forem omitidos, é criado um token por vetor do ficheiro de embeddings, com os nomes <s0>, <s1>, ...; use os tokens mapeados nos 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 agendados para aplicação à imagem nos timesteps especificados durante a geração, sem limite para o número fornecido. |
| `controlnets[].path` |  | string | yes |  |  | Localização dos pesos do ControlNet, especificada como um URL ou caminho. |
| `controlnets[].config_url` |  | string \| null | no |  |  | URL opcional para o ficheiro config.json do ControlNet. |
| `controlnets[].variant` |  | string \| null | no |  |  | Variante opcional para utilização com uma chave de repositório Hugging Face. |
| `controlnets[].image_url` |  | string (image URL) | yes |  |  | URL da imagem fornecida como entrada do ControlNet. |
| `controlnets[].mask_url` |  | string (image URL) \| null | no |  |  | Máscara do ControlNet, que deve ter o mesmo tamanho da imagem de controlo quando fornecida; a largura e a altura devem ser divisíveis por 32. |
| `controlnets[].conditioning_scale` |  | number | no | `1` | 0 – 2 | Escala aplicada aos pesos do ControlNet antes de serem integrados no modelo base. |
| `controlnets[].start_percentage` |  | number | no | `0` | 0 – 1 | Percentagem do total de passos temporais em que o ControlNet começa a influenciar a geração da imagem. |
| `controlnets[].end_percentage` |  | number | no | `1` | 0 – 1 | Percentagem do total de passos temporais em que o ControlNet deixa de influenciar a geração da imagem. |
| `controlnets[].ip_adapter_index` |  | integer \| null | no |  |  | Seleção do adaptador IP por índice para um ControlNet InstantID; os outros ControlNets não precisam desta definição. |
| `controlnet_guess_mode` |  | boolean | no | `false` |  | Restringe a aplicação do ControlNet a previsões condicionais quando definido como 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 | `[]` |  | Adaptadores IP utilizados para gerar imagens. O fornecimento de qualquer entrada requer image_encoder_path. |
| `ip_adapter[].ip_adapter_image_url` |  | string (image URL) \| array of image URL | yes |  |  | URL da imagem fornecida como entrada do adaptador IP. |
| `ip_adapter[].ip_adapter_mask_url` |  | string (image URL) \| null | no |  |  | Máscara do adaptador IP, sujeita a uma restrição de tamanho quando fornecida: as dimensões devem ser iguais às da imagem do adaptador. |
| `ip_adapter[].path` |  | string | yes |  |  | Localização dos pesos do adaptador IP, especificada como URL ou caminho. |
| `ip_adapter[].model_subfolder` |  | string \| null | no |  |  | Localização dos pesos do adaptador IP, especificada como subpasta dentro do diretório do modelo. |
| `ip_adapter[].weight_name` |  | string \| null | no |  |  | Nome do ficheiro dos pesos. |
| `ip_adapter[].insight_face_model_path` |  | string \| null | no |  |  | Localização dos pesos do modelo InsightFace, especificada como URL ou caminho. |
| `ip_adapter[].scale` |  | number | no | `1` | ≥ 0 | Fator de escala dos pesos do adaptador IP, aplicado antes de serem integrados no modelo base. |
| `ip_adapter[].scale_json` |  | object \| null | no |  |  | Fator de escala dos pesos do adaptador IP, aplicado antes de serem integrados no modelo base. |
| `ip_adapter[].unconditional_noising_factor` |  | number | no | `0` | 0 – 1 | Fator que controla o ruído não condicional do adaptador IP. |
| `ip_adapter[].image_projection_shortcut` |  | boolean | no | `true` |  | Definição do atalho de projeção da imagem, com True como predefinição. Use False para modelos FaceID plus V1 e True para modelos FaceID plus V2. |
| `image_encoder_path` |  | string \| null | no |  |  | Codificador de imagem especificado por um URL HTTPS ou ID do Hugging Face, cuja compatibilidade é determinada pelos pesos do IP-Adapter: SD1.5 usa image_encoder_subfolder='models/image_encoder', enquanto h94/IP-Adapter SDXL usa h94/IP-Adapter e image_encoder_subfolder='sdxl_models/image_encoder'. É necessário um codificador sempre que ip_adapter contém um valor. |
| `image_encoder_subfolder` |  | string \| null | no |  |  | Subdiretório dentro de image_encoder_path que contém os pesos do codificador de imagem. |
| `image_encoder_weight_name` |  | string \| null | no | `pytorch_model.bin` |  | Selecione os pesos do codificador de imagem pelo nome para os utilizar na geração de imagens. |
| `ic_light_model_url` |  | string \| null | no |  |  | URL do modelo IC Light utilizado ao gerar imagens. |
| `ic_light_model_background_image_url` |  | string (image URL) \| null | no |  |  | Fundo compatível com o modelo para a geração de imagens IC Light, fornecido como URL de imagem. |
| `ic_light_image_url` |  | string (image URL) \| null | no |  |  | URL da imagem de entrada para geração com o modelo IC Light. |
| `seed` |  | integer \| null | no |  |  | Seed para reproduzir imagens no Stable Diffusion. Uma imagem pode ser reproduzida exatamente em cada execução mantendo inalteradas a versão do modelo, o prompt e a 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` | Dimensões da imagem de saída, selecionadas a partir de predefinições ou especificadas como largura e altura personalizadas. Ambas as dimensões personalizadas têm de ser divisíveis por 8. |
| `num_inference_steps` |  | integer | no | `30` | 1 – 150 | Controla quantos passos de geração o Stable Diffusion executa; passos adicionais podem produzir uma imagem final mais detalhada. |
| `guidance_scale` |  | number | no | `7.5` | 0 – 20 | Intensidade de adesão ao prompt para seleção de imagens, expressa como CFG (Classifier Free Guidance). |
| `clip_skip` |  | integer | no | `0` | 0 – 2 | Ignora uma parte da geração da imagem para renderizar mais rapidamente, produzindo resultados ligeiramente diferentes. |
| `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` | Agendador ou amostrador usado para reduzir o ruído da imagem. |
| `timesteps` |  | object {method, array} | no | `{"array":[],"method":"default"}` |  | Substituição do agendamento de timesteps de remoção de ruído, mutuamente exclusiva com sigmas. Sem substituição — a predefinição — o scheduler calcula os timesteps a partir de num_inference_steps; fornecer um agendamento personalizado torna num_inference_steps irrelevante. A substituição requer suporte do scheduler para o argumento timesteps de set_timesteps. |
| `timesteps.method` |  | enum (string) | no | `default` | `default`, `array` | Escolha como os timesteps são determinados: 'default', a definição predefinida, permite que o scheduler use `num_inference_steps`. Para fornecer manualmente um agendamento de timesteps, selecione 'array' e coloque o agendamento no campo `array`. |
| `timesteps.array` |  | array of integer | no | `[]` |  | Agendamento de timesteps aplicado quando o método selecionado é 'custom'. |
| `sigmas` |  | object {method, array} | no | `{"array":[],"method":"default"}` |  | Substituição do agendamento de sigmas de remoção de ruído, mutuamente exclusiva com timesteps. Sem substituição — a predefinição — o scheduler calcula as sigmas a partir de num_inference_steps; fornecer um agendamento personalizado torna num_inference_steps irrelevante. A substituição requer suporte do scheduler para o argumento sigmas de set_sigmas. |
| `sigmas.method` |  | enum (string) | no | `default` | `default`, `array` | Escolha como as sigmas são determinadas: 'default', a definição predefinida, usa os valores de sigma do próprio scheduler. Para fornecer manualmente um agendamento de sigma, selecione 'custom' e coloque o agendamento no campo `array`. |
| `sigmas.array` |  | array of number | no | `[]` |  | Agendamento de sigma aplicado quando o método selecionado é 'custom'. |
| `prediction_type` |  | enum (string) | no | `epsilon` | `v_prediction`, `epsilon` | Escolha o tipo de previsão para gerar imagens; sem outra seleção, é utilizado `epsilon`. |
| `rescale_betas_snr_zero` |  | boolean | no | `false` |  | Controla se o sampler ativa rescale_betas_snr_zero. |
| `image_format` |  | enum (string) | no | `png` | `jpeg`, `png` | Formato de ficheiro da imagem resultante. |
| `num_images` | `num_outputs` | integer | no | `1` | 1 – 8 | Defina quantas imagens um único pedido produz, permitindo mais tempo de geração para um lote maior. |
| `enable_safety_checker` |  | boolean | no | `false` |  | Ativação do verificador de segurança; true ativa a verificação. |
| `tile_width` |  | integer | no | `4096` | 128 – 4,096 | Defina o tamanho de cada mosaico durante a geração de imagens. |
| `tile_height` |  | integer | no | `4096` | 128 – 4,096 | Defina o tamanho de cada mosaico durante a geração de imagens. |
| `tile_stride_width` |  | integer | no | `2048` | 64 – 2,048 | Defina o espaçamento entre posições sucessivas dos mosaicos durante a geração de imagens. |
| `tile_stride_height` |  | integer | no | `2048` | 64 – 2,048 | Defina o espaçamento entre posições sucessivas dos mosaicos durante a geração de imagens. |
| `eta` |  | number | no | `0` | 0 – 1 | Definição Eta utilizada ao gerar imagens. |
| `debug_latents` |  | boolean | no | `false` |  | Guarda os latentes para depuração quando definido como true. |
| `debug_per_pass_latents` |  | boolean | no | `false` |  | Ative a depuração por passagem definindo isto como true; os latentes de cada passagem serão guardados. |

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} | Informações dos ficheiros das imagens geradas. |
| `seed` | integer | Seed da geração de imagens, incluindo o valor escolhido aleatoriamente se a entrada não tiver fornecido uma seed; caso contrário, repete o valor fornecido. |
| `has_nsfw_concepts` | array of boolean | Indica se aparecem conceitos NSFW nas imagens geradas. |
| `debug_latents` | object {url, content_type, file_name, file_size} \| null | Dados latentes guardados para depuração. |
| `debug_per_pass_latents` | object {url, content_type, file_name, file_size} \| null | Dados latentes por passagem guardados para depuração. |

## 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