# Stable Diffusion with LoRAs · Inpaint API > Inpainting με επιλεγμένο βασικό μοντέλο Stable Diffusion και LoRAs, με οδηγό ασπρόμαυρη μάσκα Επεξεργάζεται τμήματα μιας εικόνας χρησιμοποιώντας `image_url` και ασπρόμαυρο `mask_url` με μοντέλο Stable Diffusion που ορίζεται στο `model_name`. Το `noise_strength` κυμαίνεται από 0 έως 1. Υποστηρίζει συγχωνευμένα LoRAs, ενσωματώσεις, ControlNets, IP adapters και αρκετούς χρονοπρογραμματιστές, με βήματα από 1 έως 150. Η έξοδος είναι png ή jpeg. - Model id: `lora/inpaint` - Made by: Open model - Category: Image Editing - Output: image - Estimated price per run: $0.184 / image (cheapest run $0.184 (184 API credits)) - Run: `POST https://api.doitong.ru/v1/run/lora/inpaint` - Quote: `POST https://api.doitong.ru/v1/quote/lora/inpaint` - Docs page: https://doitong.com/el/developers/models/lora/inpaint ## Pricing Price: **$0.184 / 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 $0.184 = 184 API credits (1 image × 184 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/inpaint` 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 | | | Βασικό μοντέλο για την παραγωγή της εικόνας, που προσδιορίζεται είτε από URL είτε από HuggingFace ID. | | `unet_name` | | string \| null | no | | | Προσαρμοσμένη επιλογή U-Net για παραγωγή εικόνων· παρέχετε είτε το HuggingFace ID είτε το URL του. | | `variant` | | string \| null | no | | | Επιλογή παραλλαγής μοντέλου HuggingFace· το 'fp16' είναι ένα παράδειγμα. | | `prompt` | | string | yes | | | Περιγράψτε την εικόνα που θέλετε να παραχθεί, με όσο το δυνατόν περισσότερες λεπτομέρειες για τα καλύτερα αποτελέσματα. | | `negative_prompt` | | string | no | `` | | Αρνητικό prompt που καθορίζει ανεπιθύμητες λεπτομέρειες εικόνας. Μπορεί να αποκλείσει χρώματα, αντικείμενα, τοπία ή λεπτότερα χαρακτηριστικά και ιδιότητες, όπως μουστάκι, θόλωση ή χαμηλή ανάλυση. | | `prompt_weighting` | | boolean | no | `false` | | Εναλλαγή στάθμισης prompt: true καταργεί το όριο των 77 token μέσω μέσου όρου ενσωματώσεων και ενεργοποιεί τη σύνταξη στάθμισης. | | `image_url` | `image` | string (image URL) \| null | no | | | URL εικόνας πηγής για παραγωγή image-to-image ή inpainting. | | `mask_url` | `mask` | string (image URL) \| null | no | | | URL μάσκας inpainting που δείχνει σε ασπρόμαυρη εικόνα. | | `noise_strength` | | number | no | `0.5` | ≤ 1, > 0 | Ελέγχει τον πρόσθετο θόρυβο εικόνας σε κλίμακα όπου το 1.0 σημαίνει πλήρη θόρυβο και τιμές κοντά στο 0 ελάχιστο θόρυβο. Ισχύει μόνο όταν παρέχεται image_url. | | `loras` | | array of object {path, scale} | no | `[]` | | LoRA των οποίων το συνδυασμένο αποτέλεσμα παράγει την εικόνα εξόδου, χωρίς περιορισμό στον αριθμό τους. | | `loras[].path` | | string | yes | | | Θέση των βαρών LoRA, καθορισμένη ως URL ή διαδρομή. | | `loras[].scale` | | number | no | `1` | 0 – 4 | Πολλαπλασιαστής που εφαρμόζεται στο βάρος LoRA πριν συγχωνευτεί στο βασικό μοντέλο. | | `embeddings` | | array of object {path, tokens} | no | `[]` | | Ενσωματώσεις που εφαρμόζονται κατά την παραγωγή εικόνας για αντιστοίχιση των token του prompt σε βάρη ενσωματώσεων. Προς το παρόν υποστηρίζεται μόνο μία ενσωμάτωση. | | `embeddings[].path` | | string | yes | | | Βάρη embedding που καθορίζονται από URL ή διαδρομή αρχείου. | | `embeddings[].tokens` | | array of string \| null | no | | | Token του prompt που αντιστοιχίζονται σε βάρη ενσωματώσεων. Η παράλειψή τους δημιουργεί ένα token ανά διάνυσμα του αρχείου ενσωμάτωσης, με ονόματα , , ...· χρησιμοποιήστε τα αντιστοιχισμένα token στα prompt σας. | | `controlnets` | | array of object {path, config_url, variant, image_url, mask_url, conditioning_scale, start_percentage, end_percentage, ip_adapter_index} | no | `[]` | | Control nets που προγραμματίζονται για εφαρμογή στην εικόνα σε καθορισμένα χρονικά βήματα κατά την παραγωγή, χωρίς περιορισμό στον αριθμό τους. | | `controlnets[].path` | | string | yes | | | Τοποθεσία βάρους ControlNet, καθορισμένη ως URL ή διαδρομή. | | `controlnets[].config_url` | | string \| null | no | | | Προαιρετικό URL που παραπέμπει στο αρχείο config.json του ControlNet. | | `controlnets[].variant` | | string \| null | no | | | Προαιρετική παραλλαγή για χρήση με κλειδί αποθετηρίου Hugging Face. | | `controlnets[].image_url` | | string (image URL) | yes | | | URL εικόνας που παρέχεται ως είσοδος του ControlNet. | | `controlnets[].mask_url` | | string (image URL) \| null | no | | | Μάσκα ControlNet, η οποία όταν παρέχεται πρέπει να έχει το ίδιο μέγεθος με την εικόνα ελέγχου· το πλάτος και το ύψος πρέπει να διαιρούνται με το 32. | | `controlnets[].conditioning_scale` | | number | no | `1` | 0 – 2 | Κλιμάκωση που εφαρμόζεται στα βάρη ControlNet πριν συγχωνευτούν στο βασικό μοντέλο. | | `controlnets[].start_percentage` | | number | no | `0` | 0 – 1 | Ποσοστό των συνολικών timestep στο οποίο το ControlNet αρχίζει να επηρεάζει την παραγωγή εικόνας. | | `controlnets[].end_percentage` | | number | no | `1` | 0 – 1 | Ποσοστό των συνολικών timestep στο οποίο το ControlNet παύει να επηρεάζει την παραγωγή εικόνας. | | `controlnets[].ip_adapter_index` | | integer \| null | no | | | Επιλογή IP adapter με βάση τον δείκτη για InstantID ControlNet· τα άλλα ControlNet δεν χρειάζονται αυτήν τη ρύθμιση. | | `controlnet_guess_mode` | | boolean | no | `false` | | Περιορίζει την εφαρμογή του ControlNet σε υπό συνθήκη προβλέψεις όταν είναι 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 adapter που χρησιμοποιούνται για την παραγωγή εικόνων. Η παροχή οποιωνδήποτε καταχωρίσεων απαιτεί image_encoder_path. | | `ip_adapter[].ip_adapter_image_url` | | string (image URL) \| array of image URL | yes | | | URL εικόνας που παρέχεται ως είσοδος του IP adapter. | | `ip_adapter[].ip_adapter_mask_url` | | string (image URL) \| null | no | | | Μάσκα IP adapter, η οποία όταν παρέχεται πρέπει να έχει διαστάσεις ίδιες με εκείνες της εικόνας του adapter. | | `ip_adapter[].path` | | string | yes | | | Θέση των βαρών του IP adapter, καθορισμένη ως URL ή διαδρομή. | | `ip_adapter[].model_subfolder` | | string \| null | no | | | Θέση των βαρών του IP adapter, καθορισμένη ως υποφάκελος μέσα στον κατάλογο του μοντέλου. | | `ip_adapter[].weight_name` | | string \| null | no | | | Όνομα αρχείου των βαρών. | | `ip_adapter[].insight_face_model_path` | | string \| null | no | | | Θέση των βαρών του μοντέλου InsightFace, καθορισμένη ως URL ή διαδρομή. | | `ip_adapter[].scale` | | number | no | `1` | ≥ 0 | Συντελεστής κλιμάκωσης για τα βάρη του IP adapter, πριν συγχωνευτούν στο βασικό μοντέλο. | | `ip_adapter[].scale_json` | | object \| null | no | | | Συντελεστής κλιμάκωσης για τα βάρη του IP adapter, πριν συγχωνευτούν στο βασικό μοντέλο. | | `ip_adapter[].unconditional_noising_factor` | | number | no | `0` | 0 – 1 | Συντελεστής που ελέγχει τον μη υπό συνθήκη θόρυβο για το IP adapter. | | `ip_adapter[].image_projection_shortcut` | | boolean | no | `true` | | Ρύθμιση συντόμευσης προβολής εικόνας, με προεπιλογή True. Χρησιμοποιήστε False για μοντέλα FaceID plus V1 και True για μοντέλα FaceID plus V2. | | `image_encoder_path` | | string \| null | no | | | Κωδικοποιητής εικόνας που καθορίζεται από URL HTTPS ή ID Hugging Face, με τη συμβατότητα να εξαρτάται από τα βάρη IP-Adapter: το SD1.5 χρησιμοποιεί image_encoder_subfolder='models/image_encoder', ενώ το h94/IP-Adapter SDXL χρησιμοποιεί h94/IP-Adapter και image_encoder_subfolder='sdxl_models/image_encoder'. Απαιτείται κωδικοποιητής όταν το ip_adapter περιέχει τιμή. | | `image_encoder_subfolder` | | string \| null | no | | | Υποκατάλογος μέσα στο image_encoder_path που περιέχει τα βάρη του κωδικοποιητή εικόνας. | | `image_encoder_weight_name` | | string \| null | no | `pytorch_model.bin` | | Επιλογή των βαρών του κωδικοποιητή εικόνας με βάση το όνομα για χρήση στην παραγωγή εικόνων. | | `ic_light_model_url` | | string \| null | no | | | URL μοντέλου IC Light που χρησιμοποιείται κατά την παραγωγή εικόνων. | | `ic_light_model_background_image_url` | | string (image URL) \| null | no | | | Φόντο συμβατό με το μοντέλο για παραγωγή εικόνας IC Light, που παρέχεται ως URL εικόνας. | | `ic_light_image_url` | | string (image URL) \| null | no | | | URL εικόνας εισόδου για παραγωγή με το μοντέλο IC Light. | | `seed` | | integer \| null | no | | | Seed για αναπαραγωγή εικόνων στο Stable Diffusion. Μια εικόνα μπορεί να αναπαραχθεί ακριβώς σε κάθε εκτέλεση, αν παραμείνουν αμετάβλητα η έκδοση του μοντέλου, το prompt και το seed. | | `num_inference_steps` | | integer | no | `30` | 1 – 150 | Ελέγχει πόσα βήματα παραγωγής εκτελεί το Stable Diffusion· επιπλέον βήματα ενδέχεται να αποδώσουν πιο λεπτομερή τελική εικόνα. | | `guidance_scale` | | number | no | `7.5` | 0 – 20 | Ισχύς προσήλωσης στο prompt για την επιλογή εικόνας, εκφρασμένη ως CFG (Classifier Free Guidance). | | `clip_skip` | | integer | no | `0` | 0 – 2 | Παραλείπει μέρος της παραγωγής εικόνας για ταχύτερη απόδοση, με ελαφρώς διαφορετικά αποτελέσματα. | | `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 ή sampler που χρησιμοποιείται για την αποθορυβοποίηση της εικόνας. | | `timesteps` | | object {method, array} | no | `{"array":[],"method":"default"}` | | Παράκαμψη χρονοδιαγράμματος χρονικών βημάτων αποθορυβοποίησης, αμοιβαία αποκλειόμενη με τα sigmas. Χωρίς παράκαμψη—την προεπιλογή—ο scheduler υπολογίζει τα χρονικά βήματα από το num_inference_steps· ένα προσαρμοσμένο χρονοδιάγραμμα καθιστά το num_inference_steps άσχετο. Απαιτείται υποστήριξη του scheduler για το όρισμα timesteps στο set_timesteps. | | `timesteps.method` | | enum (string) | no | `default` | `default`, `array` | Επιλέξτε πώς καθορίζονται τα χρονικά βήματα: το 'default', η προεπιλεγμένη ρύθμιση, επιτρέπει στον scheduler να χρησιμοποιεί `num_inference_steps`. Για να παρέχετε δικό σας χρονοδιάγραμμα, επιλέξτε 'array' και τοποθετήστε το στη field `array`. | | `timesteps.array` | | array of integer | no | `[]` | | Χρονοδιάγραμμα χρονικών βημάτων που εφαρμόζεται όταν η επιλεγμένη μέθοδος είναι 'custom'. | | `sigmas` | | object {method, array} | no | `{"array":[],"method":"default"}` | | Παράκαμψη χρονοδιαγράμματος sigma αποθορυβοποίησης, αμοιβαία αποκλειόμενη με τα timesteps. Χωρίς παράκαμψη—την προεπιλογή—ο scheduler υπολογίζει τα sigmas από το num_inference_steps· ένα προσαρμοσμένο χρονοδιάγραμμα καθιστά το num_inference_steps άσχετο. Απαιτείται υποστήριξη του scheduler για το όρισμα sigmas στο set_sigmas. | | `sigmas.method` | | enum (string) | no | `default` | `default`, `array` | Επιλέξτε πώς καθορίζονται τα sigmas: το 'default', η προεπιλεγμένη ρύθμιση, χρησιμοποιεί τις τιμές sigma του scheduler. Για δικό σας χροδιάγραμμα sigma, επιλέξτε 'custom' και τοποθετήστε το στη field `array`. | | `sigmas.array` | | array of number | no | `[]` | | Χρονοδιάγραμμα sigma που εφαρμόζεται όταν η επιλεγμένη μέθοδος είναι 'custom'. | | `prediction_type` | | enum (string) | no | `epsilon` | `v_prediction`, `epsilon` | Επιλέξτε τον τύπο πρόβλεψης για παραγωγή εικόνων· χωρίς άλλη επιλογή, χρησιμοποιείται το `epsilon`. | | `rescale_betas_snr_zero` | | boolean | no | `false` | | Ελέγχει αν ο sampler ενεργοποιεί το rescale_betas_snr_zero. | | `image_format` | | enum (string) | no | `png` | `jpeg`, `png` | Μορφή αρχείου της τελικής εικόνας. | | `num_images` | `num_outputs` | integer | no | `1` | 1 – 8 | Ορίστε πόσες εικόνες παράγει ένα αίτημα, επιτρέποντας περισσότερο χρόνο παραγωγής για μεγαλύτερη δέσμη. | | `enable_safety_checker` | | boolean | no | `false` | | Ενεργοποίηση ελέγχου ασφάλειας· το true ενεργοποιεί τον έλεγχο. | | `tile_width` | | integer | no | `4096` | 128 – 4,096 | Ορίστε το μέγεθος κάθε πλακιδίου κατά την παραγωγή εικόνας. | | `tile_height` | | integer | no | `4096` | 128 – 4,096 | Ορίστε το μέγεθος κάθε πλακιδίου κατά την παραγωγή εικόνας. | | `tile_stride_width` | | integer | no | `2048` | 64 – 2,048 | Ορίστε την απόσταση μεταξύ διαδοχικών θέσεων πλακιδίων κατά την παραγωγή εικόνας. | | `tile_stride_height` | | integer | no | `2048` | 64 – 2,048 | Ορίστε την απόσταση μεταξύ διαδοχικών θέσεων πλακιδίων κατά την παραγωγή εικόνας. | | `eta` | | number | no | `0` | 0 – 1 | Ρύθμιση Eta κατά την παραγωγή εικόνων. | | `debug_latents` | | boolean | no | `false` | | Αποθηκεύει τα latents για αποσφαλμάτωση όταν είναι true. | | `debug_per_pass_latents` | | boolean | no | `false` | | Ενεργοποιήστε την αποσφαλμάτωση ανά πέρασμα ορίζοντας true· αποθηκεύονται τα latents κάθε περάσματος. | File parameters (`image`, `mask`, `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/inpaint?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 $DOITONG_API_KEY" ``` ### JavaScript ```javascript const API = "https://api.doitong.ru/v1"; const headers = { "Authorization": "Bearer " + process.env.DOITONG_API_KEY, "Content-Type": "application/json", }; // Run the model; wait up to 20 s for the finished result in the same call let res = await fetch(API + "/run/lora/inpaint?wait=20", { method: "POST", headers, body: JSON.stringify({ "model_name": "stabilityai/stable-diffusion-xl-base-1.0", "prompt": "A red fox trots through fresh snow at sunrise, soft golden light, shallow depth of field" }), }); let request = await res.json(); if (!res.ok) throw new Error(request.error.code + ": " + request.error.message); // Not finished yet: long-poll until it is while (request.status === "queued" || request.status === "running") { res = await fetch(API + "/requests/" + request.id + "?wait=20", { headers }); request = await res.json(); } if (request.status !== "succeeded") throw new Error(JSON.stringify(request.error)); console.log(request.outputs.map((o) => o.url), request.cost.credits + " API credits ($" + 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/inpaint", 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/inpaint", "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/inpaint", "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": 184, "usd": "0.184", "charged": 184, "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} | Πληροφορίες αρχείου για τις εικόνες που παράγονται. | | `seed` | integer | Seed παραγωγής εικόνας, συμπεριλαμβανομένης της τυχαία επιλεγμένης τιμής αν η είσοδος δεν περιείχε seed· διαφορετικά, επαναλαμβάνει την παρεχόμενη τιμή. | | `has_nsfw_concepts` | array of boolean | Υποδεικνύει αν εμφανίζονται έννοιες NSFW στις παραγόμενες εικόνες. | | `debug_latents` | object {url, content_type, file_name, file_size} \| null | Δεδομένα latent που αποθηκεύονται για αποσφαλμάτωση. | | `debug_per_pass_latents` | object {url, content_type, file_name, file_size} \| null | Δεδομένα latent ανά πέρασμα που αποθηκεύονται για αποσφαλμάτωση. | ## Related models - [Stable Diffusion with LoRAs](https://doitong.com/developers/models/lora.md) (`lora`): $0.057 / image - [Stable Diffusion with LoRAs · Image to Image](https://doitong.com/developers/models/lora/image-to-image.md) (`lora/image-to-image`): $0.264 / image - [FLUX.1 Kontext \[pro\]](https://doitong.com/developers/models/flux-pro/kontext.md) (`flux-pro/kontext`): $0.04 / image - [GPT Image 2.5 Edit](https://doitong.com/developers/models/openai/gpt-image-2.5/flare/edit.md) (`openai/gpt-image-2.5/flare/edit`): from $0.12 / image - [Nano Banana 2 Edit](https://doitong.com/developers/models/nano-banana-2/edit.md) (`nano-banana-2/edit`): from $0.06 / image - [Nano Banana Pro Edit](https://doitong.com/developers/models/nano-banana-pro/edit.md) (`nano-banana-pro/edit`): from $0.15 / image - [Qwen Image 3 Edit](https://doitong.com/developers/models/alibaba/qwen-image-3/edit.md) (`alibaba/qwen-image-3/edit`): from $0.04 / image - [Seedream 5.0 Pro Edit](https://doitong.com/developers/models/bytedance/seedream/v5/pro/edit.md) (`bytedance/seedream/v5/pro/edit`): from $0.0675 / run of output image ## Links - HTML page: https://doitong.com/developers/models/lora/inpaint - 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/inpaint - Errors: https://doitong.com/developers/docs/errors - Model details as JSON: https://api.doitong.ru/v1/models/lora/inpaint