# Stable Diffusion with LoRAs API

> Text-till-bild med valfri Stable Diffusion-basmodell samt LoRA, inbäddningar, ControlNets och IP-adaptrar

Genererar bilder från en textprompt med en basmodell som anges via URL eller HuggingFace-ID i `model_name`. Flera `loras` kan slås samman, och inbäddningar, ControlNets, IP-adaptrar och IC Light-indata stöds. Samplingsalternativen omfattar många schemaläggare och steg från 1 till 150. Genererar 1 till 8 bilder i png eller 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/sv/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 |  |  | Basmodell för bildgenerering, identifierad med antingen en URL eller ett HuggingFace-ID. |
| `unet_name` |  | string \| null | no |  |  | Anpassat U-Net-val för generering av bilder; ange antingen dess HuggingFace-ID eller dess URL. |
| `variant` |  | string \| null | no |  |  | Val av HuggingFace-modellvariant; 'fp16' är ett exempel. |
| `prompt` |  | string | yes |  |  | Beskriv bilden du vill generera med så mycket detalj som möjligt för bästa resultat. |
| `negative_prompt` |  | string | no | `` |  | Negativ prompt som anger oönskade bilddetaljer. Den kan utesluta färger, objekt, miljöer eller finare detaljer och egenskaper, såsom mustasch, oskärpa eller låg upplösning. |
| `prompt_weighting` |  | boolean | no | `false` |  | Växling för promptviktning: true tar bort gränsen på 77 token genom medelvärdesbildning av embeddingar och aktiverar syntax för viktning. |
| `loras` |  | array of object {path, scale} | no | `[]` |  | LoRA:er vars kombinerade effekt producerar den genererade bilden, utan begränsning av hur många du anger. |
| `loras[].path` |  | string | yes |  |  | Plats för LoRA-vikterna, angiven som en URL eller sökväg. |
| `loras[].scale` |  | number | no | `1` | 0 – 4 | Multiplikator som tillämpas på LoRA-vikten innan den slås samman med basmodellen. |
| `embeddings` |  | array of object {path, tokens} | no | `[]` |  | Embeddingar som används under bildgenerering för att mappa prompttoken till embeddingvikter. För närvarande stöds endast en embedding. |
| `embeddings[].path` |  | string | yes |  |  | Embedding-vikter som anges med URL eller filsökväg. |
| `embeddings[].tokens` |  | array of string \| null | no |  |  | Prompttoken mappade till embeddingvikter. Om de utelämnas skapas en token per vektor i embeddingfilen, med namnen <s0>, <s1>, ...; använd de mappade tokenen i dina prompter. |
| `controlnets` |  | array of object {path, config_url, variant, image_url, mask_url, conditioning_scale, start_percentage, end_percentage, ip_adapter_index} | no | `[]` |  | Control nets som schemaläggs för tillämpning på bilden vid angivna tidssteg under genereringen, utan begränsning av hur många du anger. |
| `controlnets[].path` |  | string | yes |  |  | Plats för ControlNet-vikter, angiven som en URL eller sökväg. |
| `controlnets[].config_url` |  | string \| null | no |  |  | Valfri URL till ControlNets config.json-fil. |
| `controlnets[].variant` |  | string \| null | no |  |  | Valfri variant för användning med en Hugging Face-repositorynyckel. |
| `controlnets[].image_url` |  | string (image URL) | yes |  |  | Bild-URL som anges som ControlNet-indata. |
| `controlnets[].mask_url` |  | string (image URL) \| null | no |  |  | ControlNet-mask, som måste ha samma storlek som kontrollbilden när den anges; bredd och höjd måste båda vara delbara med 32. |
| `controlnets[].conditioning_scale` |  | number | no | `1` | 0 – 2 | Skalning som tillämpas på ControlNet-vikter innan de slås samman med basmodellen. |
| `controlnets[].start_percentage` |  | number | no | `0` | 0 – 1 | Procentandel av de totala tidsstegen då ControlNet börjar påverka bildgenereringen. |
| `controlnets[].end_percentage` |  | number | no | `1` | 0 – 1 | Procentandel av de totala tidsstegen då ControlNet slutar påverka bildgenereringen. |
| `controlnets[].ip_adapter_index` |  | integer \| null | no |  |  | Val av IP-adapter genom index för en InstantID ControlNet; andra ControlNets behöver inte denna inställning. |
| `controlnet_guess_mode` |  | boolean | no | `false` |  | Begränsar ControlNet-tillämpningen till villkorliga prediktioner när 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-adaptrar som används för att generera bilder. Om du anger poster krävs image_encoder_path. |
| `ip_adapter[].ip_adapter_image_url` |  | string (image URL) \| array of image URL | yes |  |  | Bild-URL som anges som indata till IP-adaptern. |
| `ip_adapter[].ip_adapter_mask_url` |  | string (image URL) \| null | no |  |  | IP-adaptermask, med storlekskrav när den anges: dess dimensioner måste vara samma som adapterbildens. |
| `ip_adapter[].path` |  | string | yes |  |  | Plats för IP-adaptervikter, angiven som en URL eller sökväg. |
| `ip_adapter[].model_subfolder` |  | string \| null | no |  |  | Plats för IP-adaptervikter, angiven som en undermapp i modellkatalogen. |
| `ip_adapter[].weight_name` |  | string \| null | no |  |  | Filnamn för vikterna. |
| `ip_adapter[].insight_face_model_path` |  | string \| null | no |  |  | Plats för InsightFace-modellvikter, angiven som en URL eller sökväg. |
| `ip_adapter[].scale` |  | number | no | `1` | ≥ 0 | Skalningsfaktor för IP-adaptervikter, som tillämpas innan de slås samman med basmodellen. |
| `ip_adapter[].scale_json` |  | object \| null | no |  |  | Skalningsfaktor för IP-adaptervikter, som tillämpas innan de slås samman med basmodellen. |
| `ip_adapter[].unconditional_noising_factor` |  | number | no | `0` | 0 – 1 | Faktor som styr ovillkorlig brusläggning för IP-adaptern. |
| `ip_adapter[].image_projection_shortcut` |  | boolean | no | `true` |  | Inställning för genväg till bildprojektion, där True är standard. Använd False för FaceID plus V1-modeller och True för FaceID plus V2-modeller. |
| `image_encoder_path` |  | string \| null | no |  |  | Bildkodare som anges med en HTTPS-URL eller ett Hugging Face-ID, där kompatibiliteten bestäms av IP-Adapter-vikterna: SD1.5 använder image_encoder_subfolder='models/image_encoder', medan h94/IP-Adapter SDXL använder h94/IP-Adapter och image_encoder_subfolder='sdxl_models/image_encoder'. En kodare krävs när ip_adapter innehåller ett värde. |
| `image_encoder_subfolder` |  | string \| null | no |  |  | Underkatalog i image_encoder_path som innehåller bildkodarens vikter. |
| `image_encoder_weight_name` |  | string \| null | no | `pytorch_model.bin` |  | Välj bildkodarens vikter efter namn för användning vid bildgenerering. |
| `ic_light_model_url` |  | string \| null | no |  |  | URL till IC Light-modellen som används vid bildgenerering. |
| `ic_light_model_background_image_url` |  | string (image URL) \| null | no |  |  | Modellkompatibel bakgrund för IC Light-bildgenerering, angiven som en bild-URL. |
| `ic_light_image_url` |  | string (image URL) \| null | no |  |  | URL till indatafilmen för generering med IC Light-modellen. |
| `seed` |  | integer \| null | no |  |  | Startvärde för att återskapa bilder i Stable Diffusion. En bild kan återskapas exakt vid varje körning genom att lämna modellversion, prompt och startvärde oförändrade. |
| `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` | Utdata-bildens mått, valda från förinställningar eller angivna som anpassad bredd och höjd. Båda anpassade måtten måste vara delbara med 8. |
| `num_inference_steps` |  | integer | no | `30` | 1 – 150 | Styr hur många genereringssteg Stable Diffusion utför; fler steg kan ge en mer detaljerad slutlig bild. |
| `guidance_scale` |  | number | no | `7.5` | 0 – 20 | Styrka för promptföljsamhet vid bildval, uttryckt som CFG (Classifier Free Guidance). |
| `clip_skip` |  | integer | no | `0` | 0 – 2 | Hoppar över en del av bildgenereringen för snabbare rendering, vilket ger något annorlunda resultat. |
| `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` | Schemaläggare eller sampler som används för att brusreducera bilden. |
| `timesteps` |  | object {method, array} | no | `{"array":[],"method":"default"}` |  | Åsidosättning av schemat för brusreduceringens tidssteg, ömsesidigt uteslutande med sigmas. Utan åsidosättning – standardinställningen – beräknar schemaläggaren tidssteg från num_inference_steps; ett anpassat schema gör num_inference_steps irrelevant. En åsidosättning kräver att schemaläggaren stöder argumentet timesteps för set_timesteps. |
| `timesteps.method` |  | enum (string) | no | `default` | `default`, `array` | Välj hur tidssteg bestäms: 'default', standardinställningen, låter schemaläggaren använda `num_inference_steps`. Om du vill ange ett schema själv väljer du 'array' och placerar schemat i fältet `array`. |
| `timesteps.array` |  | array of integer | no | `[]` |  | Schema för tidssteg som tillämpas när den valda metoden är 'custom'. |
| `sigmas` |  | object {method, array} | no | `{"array":[],"method":"default"}` |  | Åsidosättning av schemat för brusreduceringens sigma, ömsesidigt uteslutande med timesteps. Utan åsidosättning – standardinställningen – beräknar schemaläggaren sigmas från num_inference_steps; ett anpassat schema gör num_inference_steps irrelevant. En åsidosättning kräver att schemaläggaren stöder argumentet sigmas för set_sigmas. |
| `sigmas.method` |  | enum (string) | no | `default` | `default`, `array` | Välj hur sigmas bestäms: 'default', standardinställningen, använder schemaläggarens egna sigmavärden. Om du vill ange ett sigmaschema själv väljer du 'custom' och placerar schemat i fältet `array`. |
| `sigmas.array` |  | array of number | no | `[]` |  | Sigmaschema som tillämpas när den valda metoden är 'custom'. |
| `prediction_type` |  | enum (string) | no | `epsilon` | `v_prediction`, `epsilon` | Välj prediktionstyp för bildgenerering; om inget annat väljs används `epsilon`. |
| `rescale_betas_snr_zero` |  | boolean | no | `false` |  | Styr om samplern aktiverar rescale_betas_snr_zero. |
| `image_format` |  | enum (string) | no | `png` | `jpeg`, `png` | Filformat för den resulterande bilden. |
| `num_images` | `num_outputs` | integer | no | `1` | 1 – 8 | Ange hur många bilder en enskild begäran ska producera, vilket ger mer genereringstid för en större batch. |
| `enable_safety_checker` |  | boolean | no | `false` |  | Aktivering av säkerhetskontroll; true aktiverar kontrollen. |
| `tile_width` |  | integer | no | `4096` | 128 – 4,096 | Ange storleken på varje tile under bildgenereringen. |
| `tile_height` |  | integer | no | `4096` | 128 – 4,096 | Ange storleken på varje tile under bildgenereringen. |
| `tile_stride_width` |  | integer | no | `2048` | 64 – 2,048 | Ange avståndet mellan efterföljande tile-positioner under bildgenereringen. |
| `tile_stride_height` |  | integer | no | `2048` | 64 – 2,048 | Ange avståndet mellan efterföljande tile-positioner under bildgenereringen. |
| `eta` |  | number | no | `0` | 0 – 1 | Eta-inställning som används vid bildgenerering. |
| `debug_latents` |  | boolean | no | `false` |  | Sparar latenter för felsökning när true. |
| `debug_per_pass_latents` |  | boolean | no | `false` |  | Aktivera felsökning per pass genom att ange true, vilket sparar latenterna från varje 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} | Filinformation för de genererade bilderna. |
| `seed` | integer | Seed för bildgenerering, inklusive det slumpmässigt valda värdet om indata saknade seed; annars upprepas det angivna värdet. |
| `has_nsfw_concepts` | array of boolean | Anger om NSFW-koncept förekommer i de genererade bilderna. |
| `debug_latents` | object {url, content_type, file_name, file_size} \| null | Latentdata som lagras för felsökning. |
| `debug_per_pass_latents` | object {url, content_type, file_name, file_size} \| null | Latentdata per pass som lagras för felsökning. |

## 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