# Stable Diffusion with LoRAs API

> Tekst-til-billede med en valgfri Stable Diffusion-basismodel samt LoRAs, embeddings, ControlNets og IP-adaptere

Genererer billeder fra en tekstprompt ved hjælp af en basismodel angivet med URL eller HuggingFace-ID i `model_name`. Flere `loras` kan flettes, og embeddings, ControlNets, IP-adaptere og IC Light-input understøttes. Samplerindstillinger omfatter mange schedulere og 1 til 150 trin. Genererer 1 til 8 billeder 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.ru/v1/run/lora`
- Quote: `POST https://api.doitong.ru/v1/quote/lora`
- Docs page: https://doitong.com/da/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.ru/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 |  |  | Basismodel til generering af billedet, identificeret med enten en URL eller et HuggingFace-id. |
| `unet_name` |  | string \| null | no |  |  | Brugerdefineret U-Net-valg til generering af billeder; angiv enten dets HuggingFace-ID eller URL. |
| `variant` |  | string \| null | no |  |  | Valg af HuggingFace-modelvariant; 'fp16' er et eksempel. |
| `prompt` |  | string | yes |  |  | Beskriv det billede, du vil have genereret, med så mange detaljer som muligt for at opnå de bedste resultater. |
| `negative_prompt` |  | string | no | `` |  | Negativ prompt, der angiver uønskede billeddetaljer. Den kan udelukke farver, objekter, sceneri eller finere træk og egenskaber såsom overskæg, sløring eller lav opløsning. |
| `prompt_weighting` |  | boolean | no | `false` |  | Prompt-vægtning: true fjerner grænsen på 77 token via gennemsnit af embeddings og aktiverer vægtningssyntaks. |
| `loras` |  | array of object {path, scale} | no | `[]` |  | LoRA'er, hvis kombinerede effekt producerer det genererede billede, uden begrænsning på antallet, du angiver. |
| `loras[].path` |  | string | yes |  |  | Placering af LoRA-vægtene, angivet som en URL eller sti. |
| `loras[].scale` |  | number | no | `1` | 0 – 4 | Multiplikator anvendt på LoRA-vægten, før den flettes ind i basismodellen. |
| `embeddings` |  | array of object {path, tokens} | no | `[]` |  | Embeddings anvendt under billedgenerering til at knytte prompt-token til embedding-vægte. I øjeblikket understøttes kun én embedding. |
| `embeddings[].path` |  | string | yes |  |  | Embedding-vægte angivet via URL eller filsti. |
| `embeddings[].tokens` |  | array of string \| null | no |  |  | Prompt-token knyttet til embedding-vægte. Hvis de udelades, oprettes ét token pr. vektor i embedding-filen, navngivet <s0>, <s1>, ...; brug de tilknyttede token i dine 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, der planlægges anvendt på billedet ved angivne tidspunkter under generering, uden grænse for antallet. |
| `controlnets[].path` |  | string | yes |  |  | Placering af ControlNet-vægt angivet som en URL eller sti. |
| `controlnets[].config_url` |  | string \| null | no |  |  | Valgfri URL, der peger på ControlNets config.json-fil. |
| `controlnets[].variant` |  | string \| null | no |  |  | Valgfri variant til brug sammen med en Hugging Face-repositorynøgle. |
| `controlnets[].image_url` |  | string (image URL) | yes |  |  | Billed-URL angivet som ControlNet-input. |
| `controlnets[].mask_url` |  | string (image URL) \| null | no |  |  | ControlNet-maske, som skal have samme størrelse som kontrolbilledet, når den angives; bredde og højde skal begge kunne divideres med 32. |
| `controlnets[].conditioning_scale` |  | number | no | `1` | 0 – 2 | Skalering anvendt på ControlNet-vægte, før de flettes ind i basismodellen. |
| `controlnets[].start_percentage` |  | number | no | `0` | 0 – 1 | Procentdel af de samlede timesteps, hvor ControlNet begynder at påvirke billedgenereringen. |
| `controlnets[].end_percentage` |  | number | no | `1` | 0 – 1 | Procentdel af de samlede timesteps, hvor ControlNet stopper med at påvirke billedgenereringen. |
| `controlnets[].ip_adapter_index` |  | integer \| null | no |  |  | IP-adaptervalg efter indeks for en InstantID ControlNet; andre ControlNets kræver ikke denne indstilling. |
| `controlnet_guess_mode` |  | boolean | no | `false` |  | Begrænser ControlNet-anvendelsen til betingede forudsigelser, når 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-adaptere brugt til at generere billeder. Alle angivne poster kræver image_encoder_path. |
| `ip_adapter[].ip_adapter_image_url` |  | string (image URL) \| array of image URL | yes |  |  | Billed-URL angivet som IP-adapterens input. |
| `ip_adapter[].ip_adapter_mask_url` |  | string (image URL) \| null | no |  |  | IP-adaptermaske, der er underlagt et størrelseskrav: dens dimensioner skal svare til adapterbilledets. |
| `ip_adapter[].path` |  | string | yes |  |  | Placering af IP-adaptervægte, angivet som en URL eller sti. |
| `ip_adapter[].model_subfolder` |  | string \| null | no |  |  | Placering af IP-adaptervægte, angivet som en undermappe i modelmappen. |
| `ip_adapter[].weight_name` |  | string \| null | no |  |  | Filnavn for vægtene. |
| `ip_adapter[].insight_face_model_path` |  | string \| null | no |  |  | Placering af InsightFace-modelvægte, angivet som en URL eller sti. |
| `ip_adapter[].scale` |  | number | no | `1` | ≥ 0 | Skaleringsfaktor for IP-adaptervægte, anvendt før de flettes ind i basismodellen. |
| `ip_adapter[].scale_json` |  | object \| null | no |  |  | Skaleringsfaktor for IP-adaptervægte, anvendt før de flettes ind i basismodellen. |
| `ip_adapter[].unconditional_noising_factor` |  | number | no | `0` | 0 – 1 | Faktor, der styrer ubetinget støjtilførsel for IP-adapteren. |
| `ip_adapter[].image_projection_shortcut` |  | boolean | no | `true` |  | Indstilling for genvej til billedprojektion, med True som standard. Brug False til FaceID plus V1-modeller og True til FaceID plus V2-modeller. |
| `image_encoder_path` |  | string \| null | no |  |  | Billedencoder angivet via en HTTPS-URL eller et Hugging Face-id. Kompatibiliteten bestemmes af IP-Adapter-vægtene: SD1.5 bruger image_encoder_subfolder='models/image_encoder', mens h94/IP-Adapter SDXL bruger h94/IP-Adapter og image_encoder_subfolder='sdxl_models/image_encoder'. En encoder kræves, når ip_adapter indeholder en værdi. |
| `image_encoder_subfolder` |  | string \| null | no |  |  | Undermappe i image_encoder_path, der indeholder billedencoderens vægte. |
| `image_encoder_weight_name` |  | string \| null | no | `pytorch_model.bin` |  | Vælg billedencoderens vægte efter navn til brug ved billedgenerering. |
| `ic_light_model_url` |  | string \| null | no |  |  | IC Light-model-URL brugt ved billedgenerering. |
| `ic_light_model_background_image_url` |  | string (image URL) \| null | no |  |  | Modelkompatibel baggrund til IC Light-billedgenerering, angivet som en billed-URL. |
| `ic_light_image_url` |  | string (image URL) \| null | no |  |  | Inputbilledets URL til generering med IC Light-modellen. |
| `seed` |  | integer \| null | no |  |  | Seed til genskabelse af billeder i Stable Diffusion. Et billede kan genskabes nøjagtigt ved hver kørsel ved at holde modelversion, prompt og seed uændrede. |
| `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` | Outputbilledets dimensioner, valgt fra forudindstillinger eller angivet som brugerdefineret bredde og højde. Begge brugerdefinerede dimensioner skal kunne divideres med 8. |
| `num_inference_steps` |  | integer | no | `30` | 1 – 150 | Styrer, hvor mange genereringstrin Stable Diffusion udfører; flere trin kan give et mere detaljeret slutbillede. |
| `guidance_scale` |  | number | no | `7.5` | 0 – 20 | Styrke for prompt-overensstemmelse ved billedvalg, udtrykt som CFG (Classifier Free Guidance). |
| `clip_skip` |  | integer | no | `0` | 0 – 2 | Springer en del af billedgenereringen over for hurtigere rendering, hvilket giver lidt andre resultater. |
| `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 eller sampler, der bruges til at denoise billedet. |
| `timesteps` |  | object {method, array} | no | `{"array":[],"method":"default"}` |  | Tidsplan for støjfjernelse, som tilsidesætter standarden og ikke kan bruges sammen med sigmas. Uden en tilsidesættelse beregner scheduler’en tidsstempler ud fra num_inference_steps; en brugerdefineret tidsplan gør num_inference_steps irrelevant. Tilsidesættelsen kræver scheduler-understøttelse af argumentet timesteps til set_timesteps. |
| `timesteps.method` |  | enum (string) | no | `default` | `default`, `array` | Vælg, hvordan tidsstempler bestemmes: 'default', standardindstillingen, lader scheduler’en bruge `num_inference_steps`. Vælg 'array' og placér tidsplanen i feltet `array` for selv at angive en tidsplan. |
| `timesteps.array` |  | array of integer | no | `[]` |  | Tidsstempelplan anvendt, når den valgte metode er 'custom'. |
| `sigmas` |  | object {method, array} | no | `{"array":[],"method":"default"}` |  | Sigma-plan for støjfjernelse, som tilsidesætter standarden og ikke kan bruges sammen med timesteps. Uden en tilsidesættelse beregner scheduler’en sigmas ud fra num_inference_steps; en brugerdefineret plan gør num_inference_steps irrelevant. Tilsidesættelsen kræver scheduler-understøttelse af argumentet sigmas til set_sigmas. |
| `sigmas.method` |  | enum (string) | no | `default` | `default`, `array` | Vælg, hvordan sigmas bestemmes: 'default', standardindstillingen, bruger scheduler’ens egne sigma-værdier. Vælg 'custom' og placér planen i feltet `array` for selv at angive en sigma-plan. |
| `sigmas.array` |  | array of number | no | `[]` |  | Sigma-plan anvendt, når den valgte metode er 'custom'. |
| `prediction_type` |  | enum (string) | no | `epsilon` | `v_prediction`, `epsilon` | Vælg forudsigelsestypen til billedgenerering; uden et andet valg bruges `epsilon`. |
| `rescale_betas_snr_zero` |  | boolean | no | `false` |  | Styrer, om sampler’en aktiverer rescale_betas_snr_zero. |
| `image_format` |  | enum (string) | no | `png` | `jpeg`, `png` | Filformat for det resulterende billede. |
| `num_images` | `num_outputs` | integer | no | `1` | 1 – 8 | Angiv, hvor mange billeder én anmodning producerer, så større batches kan få mere genereringstid. |
| `enable_safety_checker` |  | boolean | no | `false` |  | Aktivering af sikkerhedskontrol; true aktiverer kontrollen. |
| `tile_width` |  | integer | no | `4096` | 128 – 4,096 | Angiv størrelsen på hver flise under billedgenerering. |
| `tile_height` |  | integer | no | `4096` | 128 – 4,096 | Angiv størrelsen på hver flise under billedgenerering. |
| `tile_stride_width` |  | integer | no | `2048` | 64 – 2,048 | Angiv afstanden mellem efterfølgende flisepositioner under billedgenerering. |
| `tile_stride_height` |  | integer | no | `2048` | 64 – 2,048 | Angiv afstanden mellem efterfølgende flisepositioner under billedgenerering. |
| `eta` |  | number | no | `0` | 0 – 1 | Eta-indstilling brugt ved billedgenerering. |
| `debug_latents` |  | boolean | no | `false` |  | Gemmer latenter til fejlfinding, når true. |
| `debug_per_pass_latents` |  | boolean | no | `false` |  | Aktivér fejlfinding pr. gennemløb ved at sætte dette til true; så gemmes latenterne fra hvert gennemløb. |

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.ru/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.ru/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"
```

### JavaScript

```javascript
const API = "https://api.doitong.ru/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.ru/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.ru/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.ru/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t",
    "cancel": "https://api.doitong.ru/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t/cancel"
  }
}
```

### Output fields (`output`)

| Field | Type | Description |
|---|---|---|
| `images` | array of object {url, content_type, file_name, file_size, width, height} | Filoplysninger for de genererede billeder. |
| `seed` | integer | Seed til billedgenerering, inklusive den tilfældigt valgte værdi, hvis inputtet ikke angav en seed; ellers gentages den angivne værdi. |
| `has_nsfw_concepts` | array of boolean | Angiver, om NSFW-koncepter forekommer i de genererede billeder. |
| `debug_latents` | object {url, content_type, file_name, file_size} \| null | Latentdata gemt til fejlfinding. |
| `debug_per_pass_latents` | object {url, content_type, file_name, file_size} \| null | Latentdata pr. gennemløb gemt til fejlfinding. |

## 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.ru/v1/models/lora