# Stable Diffusion with LoRAs API > किसी भी Stable Diffusion बेस मॉडल के साथ LoRAs, एंबेडिंग, ControlNets और IP adapters वाला टेक्स्ट-टू-इमेज `model_name` में URL या HuggingFace ID से दिए गए बेस मॉडल का उपयोग करके टेक्स्ट प्रॉम्प्ट से इमेज बनाता है। कई `loras` को मर्ज किया जा सकता है, और एंबेडिंग, ControlNets, IP adapters तथा IC Light इनपुट समर्थित हैं। सैंपलर विकल्पों में कई शेड्यूलर और 1 से 150 चरण शामिल हैं। png या jpeg में 1 से 8 इमेज बनाता है। - 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/hi/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 | | | इमेज निर्माण के लिए बेस मॉडल, जिसकी पहचान URL या HuggingFace ID से की जाती है। | | `unet_name` | | string \| null | no | | | इमेज बनाने के लिए कस्टम U-Net चयन; इसका HuggingFace ID या URL दें। | | `variant` | | string \| null | no | | | HuggingFace मॉडल वैरिएंट चयन; 'fp16' एक उदाहरण है। | | `prompt` | | string | yes | | | जिस इमेज को आप बनाना चाहते हैं उसका अधिकतम विवरण के साथ वर्णन करें, ताकि सर्वोत्तम परिणाम मिल सकें। | | `negative_prompt` | | string | no | `` | | अनचाही इमेज विवरण निर्दिष्ट करने वाला नेगेटिव प्रॉम्प्ट। इसमें रंग, ऑब्जेक्ट, दृश्य या सूक्ष्म विशेषताएँ और गुण, जैसे मूँछ, धुंधलापन या कम रिज़ॉल्यूशन, बहिष्कृत किए जा सकते हैं। | | `prompt_weighting` | | boolean | no | `false` | | प्रॉम्प्ट-वेटिंग टॉगल: true एम्बेडिंग औसत के माध्यम से 77 टोकन सीमा हटाता है और वेटिंग सिंटैक्स सक्षम करता है। | | `loras` | | array of object {path, scale} | no | `[]` | | वे LoRAs जिनका संयुक्त प्रभाव बनाई गई इमेज तैयार करता है; आप जितने चाहें उतने दे सकते हैं। | | `loras[].path` | | string | yes | | | LoRA weights का स्थान, URL या path के रूप में निर्दिष्ट। | | `loras[].scale` | | number | no | `1` | 0 – 4 | LoRA weight को base मॉडल में मर्ज करने से पहले उस पर लागू किया गया multiplier। | | `embeddings` | | array of object {path, tokens} | no | `[]` | | इमेज निर्माण के दौरान प्रॉम्प्ट टोकन को एम्बेडिंग वेट से मैप करने के लिए लागू एम्बेडिंग। वर्तमान में केवल एक एम्बेडिंग समर्थित है। | | `embeddings[].path` | | string | yes | | | URL या फ़ाइल पाथ से निर्दिष्ट embedding वेट। | | `embeddings[].tokens` | | array of string \| null | no | | | एम्बेडिंग वेट से मैप किए गए प्रॉम्प्ट टोकन। इन्हें छोड़ने पर प्रत्येक एम्बेडिंग-फ़ाइल वेक्टर के लिए , , ... नाम वाला एक टोकन बनाया जाता है; अपने प्रॉम्प्ट में मैप किए गए टोकन का उपयोग करें। | | `controlnets` | | array of object {path, config_url, variant, image_url, mask_url, conditioning_scale, start_percentage, end_percentage, ip_adapter_index} | no | `[]` | | निर्माण के दौरान निर्दिष्ट टाइमस्टैम्प पर इमेज पर लागू किए जाने वाले ControlNet, जिनकी संख्या पर कोई सीमा नहीं है। | | `controlnets[].path` | | string | yes | | | ControlNet weight का स्थान, URL या path के रूप में निर्दिष्ट। | | `controlnets[].config_url` | | string \| null | no | | | ControlNet की config.json फ़ाइल की ओर संकेत करने वाला वैकल्पिक URL। | | `controlnets[].variant` | | string \| null | no | | | Hugging Face repository key के साथ उपयोग के लिए वैकल्पिक variant। | | `controlnets[].image_url` | | string (image URL) | yes | | | ControlNet इनपुट के रूप में दिया गया इमेज URL। | | `controlnets[].mask_url` | | string (image URL) \| null | no | | | ControlNet मास्क, दिए जाने पर जिसका आकार कंट्रोल इमेज से मेल खाना चाहिए; चौड़ाई और ऊंचाई दोनों 32 से विभाज्य होनी चाहिए। | | `controlnets[].conditioning_scale` | | number | no | `1` | 0 – 2 | बेस मॉडल में मर्ज किए जाने से पहले ControlNet वेट पर लागू की जाने वाली स्केलिंग। | | `controlnets[].start_percentage` | | number | no | `0` | 0 – 1 | कुल टाइमस्टेप्स का वह प्रतिशत जिस पर ControlNet इमेज निर्माण को प्रभावित करना शुरू करता है। | | `controlnets[].end_percentage` | | number | no | `1` | 0 – 1 | कुल टाइमस्टेप्स का वह प्रतिशत जिस पर ControlNet इमेज निर्माण को प्रभावित करना बंद करता है। | | `controlnets[].ip_adapter_index` | | integer \| null | no | | | InstantID ControlNet के लिए इंडेक्स द्वारा IP adapter चयन; अन्य ControlNet को इस सेटिंग की आवश्यकता नहीं होती। | | `controlnet_guess_mode` | | boolean | no | `false` | | true होने पर ControlNet के अनुप्रयोग को केवल कंडीशनल प्रेडिक्शन तक सीमित करता है। | | `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 | `[]` | | इमेज बनाने के लिए उपयोग किए जाने वाले IP adapters। कोई भी एंट्री देने पर image_encoder_path आवश्यक है। | | `ip_adapter[].ip_adapter_image_url` | | string (image URL) \| array of image URL | yes | | | IP adapter इनपुट के रूप में दिया गया इमेज URL। | | `ip_adapter[].ip_adapter_mask_url` | | string (image URL) \| null | no | | | IP adapter मास्क; दिए जाने पर यह आकार संबंधी बाधा के अधीन होता है: इसके आयाम adapter इमेज के आयामों के बराबर होने चाहिए। | | `ip_adapter[].path` | | string | yes | | | IP adapter वेट का स्थान, URL या पाथ के रूप में निर्दिष्ट। | | `ip_adapter[].model_subfolder` | | string \| null | no | | | IP adapter वेट का स्थान, मॉडल डायरेक्टरी के भीतर सबफ़ोल्डर के रूप में निर्दिष्ट। | | `ip_adapter[].weight_name` | | string \| null | no | | | वेट की फ़ाइल का नाम। | | `ip_adapter[].insight_face_model_path` | | string \| null | no | | | InsightFace मॉडल वेट का स्थान, URL या पाथ के रूप में निर्दिष्ट। | | `ip_adapter[].scale` | | number | no | `1` | ≥ 0 | IP adapter वेट के लिए स्केलिंग फ़ैक्टर, जिसे बेस मॉडल में मर्ज करने से पहले लागू किया जाता है। | | `ip_adapter[].scale_json` | | object \| null | no | | | IP adapter वेट के लिए स्केलिंग फ़ैक्टर, जिसे बेस मॉडल में मर्ज करने से पहले लागू किया जाता है। | | `ip_adapter[].unconditional_noising_factor` | | number | no | `0` | 0 – 1 | IP adapter के लिए अनकंडीशनल नॉइज़िंग को नियंत्रित करने वाला फ़ैक्टर। | | `ip_adapter[].image_projection_shortcut` | | boolean | no | `true` | | इमेज प्रोजेक्शन शॉर्टकट सेटिंग, जिसका डिफ़ॉल्ट मान True है। FaceID plus V1 मॉडल के लिए False और FaceID plus V2 मॉडल के लिए True उपयोग करें। | | `image_encoder_path` | | string \| null | no | | | HTTPS URL या Hugging Face ID से निर्दिष्ट इमेज encoder, जिसकी संगतता IP-Adapter वेट से निर्धारित होती है: SD1.5 में image_encoder_subfolder='models/image_encoder' उपयोग होता है, जबकि h94/IP-Adapter SDXL में h94/IP-Adapter और image_encoder_subfolder='sdxl_models/image_encoder' उपयोग होता है। जब भी ip_adapter में कोई मान हो, encoder आवश्यक है। | | `image_encoder_subfolder` | | string \| null | no | | | image_encoder_path के भीतर की वह सबडायरेक्टरी जिसमें इमेज encoder वेट होते हैं। | | `image_encoder_weight_name` | | string \| null | no | `pytorch_model.bin` | | इमेज बनाने में उपयोग के लिए इमेज encoder के वेट को नाम से चुनें। | | `ic_light_model_url` | | string \| null | no | | | इमेज बनाते समय उपयोग किया जाने वाला IC Light मॉडल URL। | | `ic_light_model_background_image_url` | | string (image URL) \| null | no | | | IC Light इमेज निर्माण के लिए मॉडल-संगत बैकग्राउंड, जिसे इमेज URL के रूप में दिया जाता है। | | `ic_light_image_url` | | string (image URL) \| null | no | | | IC Light मॉडल के साथ निर्माण के लिए इनपुट इमेज URL। | | `seed` | | integer \| null | no | | | Stable Diffusion में इमेज पुनरुत्पादन के लिए seed। मॉडल संस्करण, प्रॉम्प्ट और seed अपरिवर्तित रखकर हर रन में इमेज को बिल्कुल पुनरुत्पादित किया जा सकता है। | | `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` | आउटपुट इमेज के आयाम, प्रीसेट से चुने गए या कस्टम चौड़ाई और ऊँचाई के रूप में निर्दिष्ट। दोनों कस्टम आयाम 8 से विभाज्य होने चाहिए। | | `num_inference_steps` | | integer | no | `30` | 1 – 150 | नियंत्रित करें कि Stable Diffusion कितने निर्माण चरण पूरे करता है; अतिरिक्त चरण अधिक विस्तृत अंतिम इमेज दे सकते हैं। | | `guidance_scale` | | number | no | `7.5` | 0 – 20 | इमेज चयन के लिए प्रॉम्प्ट-अनुरूपता की शक्ति, CFG (Classifier Free Guidance) के रूप में व्यक्त। | | `clip_skip` | | integer | no | `0` | 0 – 2 | तेज़ रेंडरिंग के लिए इमेज निर्माण का एक भाग छोड़ देता है, जिससे परिणाम थोड़े अलग होते हैं। | | `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` | इमेज को denoise करने के लिए उपयोग किया जाने वाला scheduler या sampler। | | `timesteps` | | object {method, array} | no | `{"array":[],"method":"default"}` | | Denoising timestep शेड्यूल ओवरराइड, जो sigmas के साथ परस्पर अनन्य है। ओवरराइड न होने पर—डिफ़ॉल्ट रूप से—scheduler, num_inference_steps से timesteps की गणना करता है; कस्टम शेड्यूल देने पर num_inference_steps अप्रासंगिक हो जाता है। ओवरराइड के लिए set_timesteps में timesteps आर्ग्युमेंट हेतु scheduler समर्थन आवश्यक है। | | `timesteps.method` | | enum (string) | no | `default` | `default`, `array` | चुनें कि timesteps कैसे निर्धारित किए जाएँ: 'default', डिफ़ॉल्ट सेटिंग, scheduler को `num_inference_steps` उपयोग करने देती है। स्वयं timestep शेड्यूल देने के लिए 'array' चुनें और शेड्यूल को `array` फ़ील्ड में रखें। | | `timesteps.array` | | array of integer | no | `[]` | | चयनित विधि 'custom' होने पर लागू किया जाने वाला timestep शेड्यूल। | | `sigmas` | | object {method, array} | no | `{"array":[],"method":"default"}` | | Denoising sigma शेड्यूल ओवरराइड, जो timesteps के साथ परस्पर अनन्य है। ओवरराइड न होने पर—डिफ़ॉल्ट रूप से—scheduler, num_inference_steps से sigmas की गणना करता है; कस्टम शेड्यूल देने पर num_inference_steps अप्रासंगिक हो जाता है। ओवरराइड के लिए set_sigmas में sigmas आर्ग्युमेंट हेतु scheduler समर्थन आवश्यक है। | | `sigmas.method` | | enum (string) | no | `default` | `default`, `array` | चुनें कि sigmas कैसे निर्धारित किए जाएँ: 'default', डिफ़ॉल्ट सेटिंग, scheduler के अपने sigma मानों का उपयोग करती है। स्वयं sigma शेड्यूल देने के लिए 'custom' चुनें और शेड्यूल को `array` फ़ील्ड में रखें। | | `sigmas.array` | | array of number | no | `[]` | | चयनित विधि 'custom' होने पर लागू किया जाने वाला Sigma शेड्यूल। | | `prediction_type` | | enum (string) | no | `epsilon` | `v_prediction`, `epsilon` | इमेज बनाने के लिए prediction type चुनें; अलग चयन न होने पर `epsilon` उपयोग होता है। | | `rescale_betas_snr_zero` | | boolean | no | `false` | | नियंत्रित करता है कि sampler rescale_betas_snr_zero सक्षम करे या नहीं। | | `image_format` | | enum (string) | no | `png` | `jpeg`, `png` | परिणामी इमेज का फ़ाइल फ़ॉर्मैट। | | `num_images` | `num_outputs` | integer | no | `1` | 1 – 8 | एक अनुरोध से बनने वाली इमेज की संख्या सेट करें; बड़े बैच के लिए अधिक निर्माण समय मिलता है। | | `enable_safety_checker` | | boolean | no | `false` | | सुरक्षा चेकर सक्रियण; true जाँच सक्षम करता है। | | `tile_width` | | integer | no | `4096` | 128 – 4,096 | इमेज निर्माण के दौरान प्रत्येक tile का आकार सेट करें। | | `tile_height` | | integer | no | `4096` | 128 – 4,096 | इमेज निर्माण के दौरान प्रत्येक tile का आकार सेट करें। | | `tile_stride_width` | | integer | no | `2048` | 64 – 2,048 | इमेज निर्माण के दौरान क्रमिक tile स्थितियों के बीच का अंतर सेट करें। | | `tile_stride_height` | | integer | no | `2048` | 64 – 2,048 | इमेज निर्माण के दौरान क्रमिक tile स्थितियों के बीच का अंतर सेट करें। | | `eta` | | number | no | `0` | 0 – 1 | इमेज बनाते समय उपयोग की जाने वाली Eta सेटिंग। | | `debug_latents` | | boolean | no | `false` | | true होने पर डिबगिंग के लिए latents सेव करता है। | | `debug_per_pass_latents` | | boolean | no | `false` | | इसे true पर सेट करके प्रत्येक पास की डिबगिंग सक्षम करें; इससे हर पास के latents सेव होते हैं। | 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} | निर्मित इमेज की फ़ाइल जानकारी। | | `seed` | integer | इमेज-निर्माण seed, जिसमें इनपुट में seed न दिए जाने पर यादृच्छिक रूप से चुना गया मान शामिल है; अन्यथा, यह दिए गए मान को दोहराता है। | | `has_nsfw_concepts` | array of boolean | बताता है कि बनाई गई इमेज में NSFW अवधारणाएँ दिखाई देती हैं या नहीं। | | `debug_latents` | object {url, content_type, file_name, file_size} \| null | डिबगिंग के लिए संग्रहीत latent डेटा। | | `debug_per_pass_latents` | object {url, content_type, file_name, file_size} \| null | डिबगिंग के लिए संग्रहीत प्रति-पास latent डेटा। | ## 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