快速开始
在你的 Comfy 工作区中创建一个密钥,并将其导出为COMFY_API_KEY。Python、TypeScript 和 Swift 代码片段使用 Comfy SDK(pip install comfy-sdk、npm install @comfyorg/sdk,以及 ComfySwiftSDK Swift 包);cURL 代码片段则是通过原始 HTTP 发起的同一调用。
模型 ID: vertexai/gemini-3.1-flash-image
端点: POST https://api.comfy.org/v2/models/vertexai/gemini-3.1-flash-image
- 等待结果
- 加入队列并稍后收集
服务提供商
除非请求指定了其他提供商,否则该模型由 Comfy Router 直接提供服务。以下提供商同样可以提供该模型,它们使用相同的端点和相同的模型 ID,通过model_provider 查询参数进行选择。
- Comfy(默认):
POST https://api.comfy.org/v2/models/vertexai/gemini-3.1-flash-image - fal,即
fal/fal-nano-banana-2:POST https://api.comfy.org/v2/models/vertexai/gemini-3.1-flash-image?model_provider=fal - Runware,即
runware/runware-nano-banana-2:POST https://api.comfy.org/v2/models/vertexai/gemini-3.1-flash-image?model_provider=runware
strict_mode 默认为 false,因此 Router 会将本页记录的原始请求体转换为提供商自己的 schema,并将响应转换回来。请参阅 API 参考中的 model_provider、strict_mode 和 fallback_provider,以及 服务提供商,了解所有以此方式路由的模型。
Schema
输入
object[]
必填
当前与模型对话的内容。对于单轮查询,这是一个单独的实例。对于多轮查询,这是一个重复字段,包含对话历史和最新的请求。
object[]
必填
object
基于 URI 的数据。
string
URI
string
data 或 fileUri 字段中所指定文件的媒体类型。可接受的值包括以下内容。对于 gemini-2.0-flash-lite 和 gemini-2.0-flash,音频文件的最大长度为 8.4 小时,视频文件(无音频)的最大长度为一小时。有关更多信息,请参阅 Gemini 音频和视频要求。文本文件必须采用 UTF-8 编码。文本文件的内容会计入 token 限制。图像分辨率无限制。可选值:
application/pdf, audio/mpeg, audio/mp3, audio/wav, image/png, image/jpeg, image/webp, text/plain, video/mov, video/mpeg, video/mp4, video/mpg, video/avi, video/wmv, video/mpegps, video/flv, image/heic, image/heif, audio/flac, video/webmobject
以原始字节表示的内联数据。对于 gemini-2.0-flash-lite 和 gemini-2.0-flash,通过 inlineData 最多可以指定 3000 张图像。
string (byte)
要在提示中内联包含的图像、PDF 或视频的 base64 编码。内联包含媒体时,还必须指定数据的媒体类型(mimeType)。大小限制:20MB格式:
bytestring
data 或 fileUri 字段中所指定文件的媒体类型。可接受的值包括以下内容。对于 gemini-2.0-flash-lite 和 gemini-2.0-flash,音频文件的最大长度为 8.4 小时,视频文件(无音频)的最大长度为一小时。有关更多信息,请参阅 Gemini 音频和视频要求。文本文件必须采用 UTF-8 编码。文本文件的内容会计入 token 限制。图像分辨率无限制。可选值:
application/pdf, audio/mpeg, audio/mp3, audio/wav, image/png, image/jpeg, image/webp, text/plain, video/mov, video/mpeg, video/mp4, video/mpg, video/avi, video/wmv, video/mpegps, video/flv, image/heic, image/heif, audio/flac, video/webmstring
模型如何读取该部分的视频。设置为 “AGENTIC” 可让模型自行决定要检查哪些片段,而不是按固定帧率进行帧采样。省略则使用默认的固定帧率采样。在 gemini-3.7-flash 及更新的 Flash 模型上受支持。
string
文本提示或代码片段。
boolean
表示该部分是模型的一个思考/推理步骤。
string
可选值:
user, modelobject
生成时的采样、长度和输出设置。每个字段都是可选的:下面声明了
default 的字段在省略时应用该默认值,其余字段则回退到模型自身的行为。object
图像生成的配置
string
已生成图像的宽高比
object
可选。已生成图像的图像输出格式。
integer
可选。输出图像的压缩质量。
string
可选。输出应保存为的图像格式。
string
可选。指定已生成图像的尺寸。支持的值为 1K、2K、4K。如果未指定,模型将使用默认值 1K。
integer
响应中可生成的 token 上限。一个 token 大约相当于 4 个字符。100 个 token 大致对应 60-80 个单词。范围:
16 到 65536`TEXT`, `IMAGE`[]
integer
当 seed 固定为某个特定值时,模型会尽最大努力对重复请求返回相同的响应。但无法保证输出具有确定性。此外,更改模型或参数设置(例如 temperature)也可能导致响应发生变化,即使使用相同的 seed 值也是如此。默认情况下,会使用随机 seed 值。适用于以下模型:gemini-2.5-flash、gemini-2.5-pro、gemini-2.5-flash-preview-04-1、gemini-2.5-pro-preview-05-0、gemini-2.0-flash-lite-00、gemini-2.0-flash-001
string[]
number
默认值:"1"
温度用于响应生成期间的采样,采样在应用 topP 和 topK 时发生。温度控制 token 选择中的随机程度。较低的温度适合需要更收敛、更少发散或创意性的提示词,而较高的温度则可能带来更多样或更有创意的结果。温度为 0 表示始终选择概率最高的 token。此时,给定提示词的响应基本是确定性的,但仍可能存在少量变化。如果模型返回的响应过于笼统、过于简短,或模型给出了兜底响应,可尝试提高温度范围:
0 到 2格式:floatobject
可选。思考功能的配置。思考是指模型将复杂任务拆解为更小的步骤,从而生成更高质量响应的过程。
boolean
可选。如果为 true,模型将在响应中包含其思考过程。
integer
可选。模型思考过程的 token 预算。模型会尽力控制在该预算范围内。
string
可选。模型的思考级别。可选值:
THINKING_LEVEL_UNSPECIFIED、LOW、MEDIUM、HIGH、MINIMALinteger
默认值:"40"
Top-K 会改变模型为输出选择 token 的方式。Top-K 为 1 表示下一个选中的 token 是模型词表中所有 token 里概率最高的那个。Top-K 为 3 表示下一个 token 将通过温度从概率最高的 3 个 token 中选出。范围:
1 到 …number
默认值:"0.95"
如果指定,则使用核采样。
Top-P 会改变模型为输出选择 token 的方式。token 从概率最高(参见 top-K)到最低依次被选中,直到其概率之和等于 top-P 值。例如,如果 token A、B、C 的概率分别为 0.3、0.2 和 0.1,而 top-P 值为 0.5,那么模型将通过温度从 A 或 B 中选择下一个 token,并将 C 排除在候选之外。
指定较低的值可获得随机性更低的响应,指定较高的值可获得随机性更高的响应。范围:
0 到 1格式:floatobject[]
用于阻止不安全内容的逐请求设置。在 GenerateContentResponse.candidates 上强制执行。
string
必填
可选值:
HARM_CATEGORY_SEXUALLY_EXPLICIT、HARM_CATEGORY_HATE_SPEECH、HARM_CATEGORY_HARASSMENT、HARM_CATEGORY_DANGEROUS_CONTENTstring
必填
可选值:
OFF、BLOCK_NONE、BLOCK_LOW_AND_ABOVE、BLOCK_MEDIUM_AND_ABOVE、BLOCK_ONLY_HIGHobject
用于引导模型获得更好表现的指令。例如”尽可能简洁地回答”或”回答中不要使用技术术语”。文本字符串会计入 token 限制。systemInstruction 的 role 字段会被忽略,不影响模型的表现。注意:parts 中只应使用文本,且每个 part 中的内容应各占一个段落。
object[]
必填
组成单条消息的有序 part 列表。不同的 part 可以具有不同的 IANA MIME 类型。有关输入限制(例如最大 token 数量或图像数量)的信息,请参阅 Google 模型页面上的模型规格。
string
文本提示词或代码片段。
string
创建该消息的实体身份。支持以下值:user:表示该消息由真实的人发送,通常是用户生成的消息。model:表示该消息由模型生成。在多轮对话中,model 值用于将模型的消息插入对话。对于非多轮对话,此字段可以留空或不设置。可选值:
user、modelobject[]
一段代码,使系统能够与外部系统交互,以执行超出模型知识与范围的某项或某组操作。参见 Function calling。
object[]
string
string
必填
object
函数参数的 JSON schema
boolean
如果为 true,生成的图像将上传到云端存储,并作为签名 URL 返回,而不是内联 base64 数据。这些 URL 会在 24 小时后过期。
object
对于视频输入,视频的开始和结束偏移量采用 Duration 格式。例如,要指定从 1:00 开始的 10 秒片段,请设置 “startOffset”: { “seconds”: 60 } 和 “endOffset”: { “seconds”: 70 }。只有在视频数据以 inlineData 或 fileData 形式提供时,才应指定该元数据。
object
表示视频时间轴位置的一个时长偏移量。
integer
以纳秒分辨率表示的有符号秒的小数部分。带有小数的负秒值,其 nanos 值仍必须为非负数。范围:
0 至 999999999integer
时间段的有符号秒数。必须介于 -315,576,000,000 与 +315,576,000,000 之间(含边界值)。范围:
-315576000000 至 315576000000object
表示视频时间轴位置的一个时长偏移量。
integer
以纳秒分辨率表示的有符号秒的小数部分。带有小数的负秒值,其 nanos 值仍必须为非负数。范围:
0 至 999999999integer
时间段的有符号秒数。必须介于 -315,576,000,000 与 +315,576,000,000 之间(含边界值)。范围:
-315576000000 至 315576000000GET /v2/models/vertexai/gemini-3.1-flash-image/openapi.json 所提供的 schema 生成,这也是请求到达提供商之前用于校验调用的同一份文档。
输出
object[]
object
object[]
string[]
integer
string
string (date)
格式:
dateinteger
string
string
object
与模型当前对话的内容。对于单轮查询,这是单个实例。对于多轮查询,这是一个重复字段,包含对话历史和最新的请求。
object[]
必填
object
基于 URI 的数据。
string
URI
string
data 或 fileUri 字段中所指定文件的媒体类型。可接受的值包括以下这些。对于 gemini-2.0-flash-lite 和 gemini-2.0-flash,音频文件的最大长度为 8.4 小时,视频文件(不含音频)的最大长度为一小时。更多信息,请参阅 Gemini 音频和视频要求。文本文件必须采用 UTF-8 编码。文本文件的内容计入 token 上限。图像分辨率无限制。可选值:
application/pdf、audio/mpeg、audio/mp3、audio/wav、image/png、image/jpeg、image/webp、text/plain、video/mov、video/mpeg、video/mp4、video/mpg、video/avi、video/wmv、video/mpegps、video/flv、image/heic、image/heif、audio/flac、video/webmobject
以原始字节形式内联提供的数据。对于 gemini-2.0-flash-lite 和 gemini-2.0-flash,使用 inlineData 最多可以指定 3000 张图像。
string (byte)
要在提示中内联包含的图像、PDF 或视频的 base64 编码。内联包含媒体时,还必须指定数据的媒体类型(mimeType)。大小限制:20MB格式:
bytestring
data 或 fileUri 字段中所指定文件的媒体类型。可接受的值包括以下这些。对于 gemini-2.0-flash-lite 和 gemini-2.0-flash,音频文件的最大长度为 8.4 小时,视频文件(不含音频)的最大长度为一小时。更多信息,请参阅 Gemini 音频和视频要求。文本文件必须采用 UTF-8 编码。文本文件的内容计入 token 上限。图像分辨率无限制。可选值:
application/pdf、audio/mpeg、audio/mp3、audio/wav、image/png、image/jpeg、image/webp、text/plain、video/mov、video/mpeg、video/mp4、video/mpg、video/avi、video/wmv、video/mpegps、video/flv、image/heic、image/heif、audio/flac、video/webmstring
模型如何读取此部分中的视频。设置为 “AGENTIC” 可让模型自行决定要检查哪些片段,而不是按固定帧率采样。省略则使用默认的固定帧率采样。gemini-3.7-flash 及更新的 Flash 模型支持此功能。
string
文本提示或代码片段。
boolean
表示此部分是模型的思考/推理步骤。
string
可选值:
user、modelstring
object[]
string
可选值:
HARM_CATEGORY_SEXUALLY_EXPLICIT、HARM_CATEGORY_HATE_SPEECH、HARM_CATEGORY_HARASSMENT、HARM_CATEGORY_DANGEROUS_CONTENTstring
内容违反指定安全类别(category)的概率可选值:
NEGLIGIBLE、LOW、MEDIUM、HIGH、UNKNOWNstring
响应创建时的时间戳。
string
用于生成该响应的模型版本。
object
string
string
object[]
string
可选值:
HARM_CATEGORY_SEXUALLY_EXPLICIT, HARM_CATEGORY_HATE_SPEECH, HARM_CATEGORY_HARASSMENT, HARM_CATEGORY_DANGEROUS_CONTENTstring
内容违反指定安全类别的概率可选值:
NEGLIGIBLE, LOW, MEDIUM, HIGH, UNKNOWNstring
响应的唯一标识符。
object
integer
仅输出。输入中缓存部分(缓存内容)的 token 数量。
integer
响应中的 token 数量。
object[]
按模态划分的候选 token 明细。
string
输入或输出内容的模态类型。可选值:
MODALITY_UNSPECIFIED, TEXT, IMAGE, VIDEO, AUDIO, DOCUMENTinteger
给定模态的 token 数量。
integer
请求中的 token 数量。当设置了 cachedContent 时,这仍然是有效的提示总大小,也就是说其中包含缓存内容中的 token 数量。
object[]
按模态划分的提示 token 明细。
string
输入或输出内容的模态类型。可选值:
MODALITY_UNSPECIFIED, TEXT, IMAGE, VIDEO, AUDIO, DOCUMENTinteger
给定模态的 token 数量。
integer
thoughts 输出中的 token 数量。
integer
工具使用提示中的 token 数量。
object[]
按模态划分的工具使用提示 token 明细。
string
输入或输出内容的模态类型。可选值:
MODALITY_UNSPECIFIED, TEXT, IMAGE, VIDEO, AUDIO, DOCUMENTinteger
给定模态的 token 数量。
integer
token 总数(提示 + 候选)。
string
用于该请求的流量类型(例如 PROVISIONED_THROUGHPUT)。
示例
输入
输出
inlineData.data 中包含 base64 字节,并在 inlineData.mimeType 中包含媒体类型。解码这些字节并将其保存到文件中。当设置 uploadImagesToStorage: true 时,上传的图像则改用 fileData.fileUri 提供签名 URL,并使用 fileData.mimeType 提供媒体类型。请在 URL 过期之前下载这些图像,它们会在创建 24 小时之后过期。上传失败会使该图像保持内联形式,因此请检查每个部分中是否包含 inlineData 或 fileData;文本部分也可能出现,并且图像不保证是第一个部分。上述快速入门示例中的 candidates[0].content.parts[0].inlineData.data 路径读取的是本页示例响应中唯一的内联部分;面对真实响应时,应扫描 parts 查找所需的键,而不是索引位置 0。
发布前须知
SDK 会生成Idempotency-Key 并在自动重试中复用它。手动重试时,请复用原始 key。Router 最长可保持连接 10 分钟。
请求失败时,Router 会发送 X-Comfy-Error-Type 响应头说明原因。422 表示 Router 在调用提供商之前就拒绝了输入,413 表示请求体超出了 Router 可接受的大小。已生成的资源请及时下载,因为结果 URL 会过期。
上文任何字段描述中提到的尺寸限制,都是提供商对该字段自身的限定,引自提供商的规范。Router 会对整个请求体另行设置上限,base64 编码的媒体内容也计入其中:参见请求体大小。
本页记录的是通过 Comfy Router 调用的某一个合作伙伴模型。同一个 comfy-sdk / @comfyorg/sdk 包还提供第二个客户端,用于在 Comfy Cloud 上运行完整的 ComfyUI 工作流图:Comfy(api_key=...) / new Comfy({ apiKey }),并带有 client.workflows、client.assets 和 client.jobs。请参阅 Comfy SDKs。
请求头
身份验证、幂等性、请求 ID、错误分类、重试节奏、消费限额。
使用 Router API
模型发现、验证错误、重试与计费。
限制
Router 目前不支持的功能,以及替代方案。