Ana içeriğe geç
YeniSeedance 2.5 yayında→
ModelRunner
bria avatarı

Bria GenFill V2 API

bria/genfill/v2

Görselinizdeki maskeli bir bölgeyi metin talimatıyla yeni içerikle doldurun — çıktılar ticari açıdan güvenli, işinizde risksiz kullanılabilir.

düzenleme
görsel megapikseli başına 0.04
OpenAPI

Model girdisi

Input

Describe what should be generated inside the masked region of the source image.

The source image to edit.

A binary black-and-white mask the same size as the source image. White marks the region to fill; black is preserved.

Additional Settings

Customize your input with more control.

Random seed for reproducibility. The same seed, instruction, image, and mask produce the same result.

Min: 20 - Max: 50

Number of inference steps (20-50). Higher values can improve detail at the cost of latency.

You need to be logged in to run this model and view results.
Log in

Model çıktısı

Output

Loading
Generated in 17.427 seconds
Logs (1 lines)

Örnek istekler

Örnekler

Example output 1Example output 2

Bria GenFill V2 API

Bria GenFill V2 is a image-to-image AI model by bria. On ModelRunner it runs through a REST API or via MCP from any AI assistant, at $0.04 per megapixel.

POST https://queue.modelrunner.run/bria/genfill/v2

cURL

# Submit a request to the queue. Input fields go at the top level of the
# body. The optional reserved "metadata" object holds your own flat string
# tags — stored on the request, never sent to the model; filter later with
# GET https://queue.modelrunner.run/requests?metadata=<url-encoded JSON>.
curl -X POST https://queue.modelrunner.run/bria/genfill/v2 \
  -H "Authorization: Key $MRUN_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "seed": 5555,
    "mask_url": "https://bria-datasets.s3.us-east-1.amazonaws.com/Fibo_edit/flower_input_mask.png",
    "image_url": "https://bria-datasets.s3.us-east-1.amazonaws.com/Fibo_edit/flower.png",
    "steps_num": 20,
    "instruction": "A beautiful colorful butterfly",
    "metadata": {
      "project": "my-project"
    }
  }'
# → { "request_id": "...", "status_url": "...", "response_url": "..." }

# Poll status_url until "COMPLETED", then fetch the result
curl "https://queue.modelrunner.run/bria/genfill/v2/requests/$REQUEST_ID/status" \
  -H "Authorization: Key $MRUN_API_KEY"
curl "https://queue.modelrunner.run/bria/genfill/v2/requests/$REQUEST_ID" \
  -H "Authorization: Key $MRUN_API_KEY"

JavaScript

import { modelrunner } from "@modelrunner/client";

const result = await modelrunner.subscribe("bria/genfill/v2", {
  input: {
    "seed": 5555,
    "mask_url": "https://bria-datasets.s3.us-east-1.amazonaws.com/Fibo_edit/flower_input_mask.png",
    "image_url": "https://bria-datasets.s3.us-east-1.amazonaws.com/Fibo_edit/flower.png",
    "steps_num": 20,
    "instruction": "A beautiful colorful butterfly"
  },
});
console.log(result);

Python

import os
import requests

headers = {"Authorization": f"Key {os.environ['MRUN_API_KEY']}"}

submitted = requests.post(
    "https://queue.modelrunner.run/bria/genfill/v2",
    headers=headers,
    json={
      "seed": 5555,
      "mask_url": "https://bria-datasets.s3.us-east-1.amazonaws.com/Fibo_edit/flower_input_mask.png",
      "image_url": "https://bria-datasets.s3.us-east-1.amazonaws.com/Fibo_edit/flower.png",
      "steps_num": 20,
      "instruction": "A beautiful colorful butterfly"
    },
).json()

# Poll submitted["status_url"] until "COMPLETED", then:
result = requests.get(submitted["response_url"], headers=headers).json()

Input parameters

Input parameters of Bria GenFill V2
NameTypeRequiredDescription
instructionstringyesDescribe what should be generated inside the masked region of the source image.
image_urlstring (uri)yesThe source image to edit.
mask_urlstring (uri)yesA binary black-and-white mask the same size as the source image. White marks the region to fill; black is preserved.
seedintegernoRandom seed for reproducibility. The same seed, instruction, image, and mask produce the same result. Default: 5555.
steps_numintegernoNumber of inference steps (20-50). Higher values can improve detail at the cost of latency. Default: 30.

Machine-readable: OpenAPI schema · llms.txt

Use Bria GenFill V2 from Claude & Cursor (MCP)

Point Claude Code, Claude Desktop, Cursor, or any MCP client at the ModelRunner MCP server and Bria GenFill V2 becomes a tool your assistant can call directly — it authorizes via OAuth (no API key in config) and runs this model with the run_model tool using the endpoint bria/genfill/v2.

MCP client config (Claude Desktop, Cursor)

{
  "mcpServers": {
    "modelrunner": {
      "command": "npx",
      "args": ["-y", "mcp-remote", "https://mcp.modelrunner.run/mcp"]
    }
  }
}

Claude Code

claude mcp add --transport http modelrunner https://mcp.modelrunner.run/mcp

Then ask your assistant, for example: “Run bria/genfill/v2 on ModelRunner to generate image”. MCP setup guide.

Model Detayları

Model Detayları

GenFill V2, verdiğiniz bir görsel üzerinde generative fill (inpainting) yapar. Bir kaynak görsel, değişecek bölgeyi işaretleyen siyah-beyaz bir binary maske ve oraya ne gelmesi gerektiğini anlatan kısa bir metin talimatı verirsiniz. Model yalnızca maskeli alanı yeniden üretir ve mevcut ışığa, perspektife ve stile uyarak çevresindeki piksellerle kaynaştırır. Asıl farkı, çıktıların ticari açıdan güvenli ve iş amaçlı risksiz kullanıma onaylı olmasıdır; böylece üretilen içerik, lisans derdi olmadan yayına giden işlerde kullanılabilir.

## En uygun olduğu işler - Bir fotoğrafın tam olarak belirlenmiş bir bölgesine nesne ya da öğe eklemek (rafa bir ürün, masaya bir aksesuar, duvara bir tabela) - İstenmeyen bir öğeyi maskeleyip yerine ne geleceğini söyleyerek kaldırmak (arka plandaki bir kişiyi silmek, bir etiketi değiştirmek) - Yalnızca tek bir alanın değişmesi, geri kalanın piksel piksel aynı kalması gereken bölgesel rötuş ve onarım - Sonucun ticari kullanım için güvenli olması gereken ürün ve pazarlama görselleri

## Şu durumlarda başka bir model seçin - Kaynak görsel olmadan, bir metin prompt’undan yepyeni bir görsel istiyorsanız — bir text-to-image modeli kullanın - Tek bir maskeli bölgeyi doldurmak yerine görselin tamamını yeniden tarzlamak ya da dönüştürmek istiyorsanız — genel bir image-to-image / görsel düzenleme modeli kullanın - Tuvali görselin sınırlarının ötesine genişletmeniz gerekiyorsa (outpainting) — bu model yalnızca maskenin içini doldurur, kadrajı genişletmez

## İpuçları - `mask_url` görseli kaynakla birebir aynı boyutlarda olmalıdır; beyaz pikseller doldurulacak bölgeyi işaretler, siyah pikseller korunur - Temiz ve iyi hizalanmış maske kenarları görünür ek yerlerini önler — pürüzlü maskeler sınırda artefakt bırakır - Maskeyi istediğiniz nesnenin boyutuna yakın tutun; gereğinden büyük maskeler arka planda istenmeyen değişikliklere yol açar, çok küçük maskeler ise ince ayrıntıya yeterli alan bırakmaz - `instruction` alanına sahnenin tamamını değil, yalnızca maskeli alana ne gireceğini somut biçimde yazın

## Gelişmiş Yapılandırma

### steps_num Inference adımı sayısı, 20–50 (varsayılan 30). Yüksek değerler latency pahasına detayı ve tutarlılığı artırabilir; düşük değerler daha hızlıdır. Kalite ile hız arasında denge kurmanız gerekmiyorsa varsayılan değerde bırakın.

ModelRunner JavaScript client ile çalıştırmak için: ```js import { modelrunner } from "@modelrunner/client";

const result = await modelrunner.subscribe("bria/genfill/v2", { input: { image_url: "https://media.modelrunner.ai/example-source.png", mask_url: "https://media.modelrunner.ai/example-mask.png", instruction: "a beautiful colorful butterfly", }, }); ```