Skip to main content
Referencia de API de Nano Banana 2. Nano Banana 2 (Gemini 3.1 Flash Image) genera imágenes a partir de texto y edita una imagen de entrada cuando se proporciona una. Entrada: Texto, Imagen, Video · Salida: Imagen + Texto

Inicio rápido

Crea una clave en tu espacio de trabajo de Comfy y expórtala como COMFY_API_KEY. Los fragmentos de Python y TypeScript usan los SDK de Comfy (pip install comfy-sdk y npm install @comfyorg/sdk); el fragmento de cURL es la misma llamada sobre HTTP sin procesar. ID del modelo: vertexai/gemini-3.1-flash-image Endpoint: POST https://api.comfy.org/v2/models/vertexai/gemini-3.1-flash-image
El mismo cuerpo, enviado a POST https://api.comfy.org/v2/models/vertexai/gemini-3.1-flash-image/requests. El Router responde 201 con un request_id en cuanto se admite la ejecución, y el resultado se recoge cuando está listo, desde este proceso o desde otro. Entrega en cola repasa el estado, la cancelación y la recogida.

Proveedores de servicio

Este modelo es servida por Comfy Router directamente a menos que la solicitud nombre otro proveedor. Los proveedores a continuación también lo sirven, en el mismo endpoint y con el mismo ID de modelo, seleccionados con el parámetro de consulta model_provider.
  • Comfy (predeterminado): POST https://api.comfy.org/v2/models/vertexai/gemini-3.1-flash-image
  • fal, como fal/fal-nano-banana-2: POST https://api.comfy.org/v2/models/vertexai/gemini-3.1-flash-image?model_provider=fal
  • Pika, como pika/pika-nano-banana-2: POST https://api.comfy.org/v2/models/vertexai/gemini-3.1-flash-image?model_provider=pika
  • Runware, como runware/runware-nano-banana-2: POST https://api.comfy.org/v2/models/vertexai/gemini-3.1-flash-image?model_provider=runware
  • WaveSpeed, como wavespeed/wavespeed-nano-banana-2: POST https://api.comfy.org/v2/models/vertexai/gemini-3.1-flash-image?model_provider=wavespeed
strict_mode tiene como valor predeterminado false, por lo que Router traduce el cuerpo de la solicitud nativa documentado en esta página al esquema propio del proveedor y traduce la respuesta de vuelta. Consulta model_provider, strict_mode y fallback_provider en la Referencia de la API, y Proveedores de servicio para cada modelo enrutado de esta manera.

Esquema

Entrada

object[]
requerido
El contenido de la conversación actual con el modelo. Para consultas de un solo turno, es una única instancia. Para consultas de varios turnos, es un campo repetido que contiene el historial de la conversación y la solicitud más reciente.
object[]
requerido
object
Datos basados en URI.
string
URI
string
El tipo de medio del archivo especificado en los campos data o fileUri. Los valores aceptables incluyen los siguientes. Para gemini-2.0-flash-lite y gemini-2.0-flash, la duración máxima de un archivo de audio es de 8.4 horas y la duración máxima de un archivo de video (sin audio) es de una hora. Para obtener más información, consulta los requisitos de audio y video de Gemini. Los archivos de texto deben estar codificados en UTF-8. El contenido del archivo de texto cuenta para el límite de tokens. No hay límite en la resolución de imágenes.Valores posibles: 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/webm
object
Datos en línea en bytes sin procesar. Para gemini-2.0-flash-lite y gemini-2.0-flash, puedes especificar hasta 3000 imágenes usando inlineData.
string (byte)
La codificación base64 de la imagen, el PDF o el video que quieres incluir en línea en el prompt. Cuando incluyes medios en línea, también debes especificar el tipo de medio (mimeType) de los datos. Límite de tamaño: 20MBFormato: byte
string
El tipo de medio del archivo especificado en los campos data o fileUri. Los valores aceptables incluyen los siguientes. Para gemini-2.0-flash-lite y gemini-2.0-flash, la duración máxima de un archivo de audio es de 8.4 horas y la duración máxima de un archivo de video (sin audio) es de una hora. Para obtener más información, consulta los requisitos de audio y video de Gemini. Los archivos de texto deben estar codificados en UTF-8. El contenido del archivo de texto cuenta para el límite de tokens. No hay límite en la resolución de imágenes.Valores posibles: 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/webm
string
Cómo lee el modelo el video de esta parte. Establece “AGENTIC” para que el modelo decida qué segmentos inspeccionar, en lugar de un muestreo de fotogramas a tasa fija. Omite el campo para usar el muestreo de tasa fija predeterminado. Compatible con gemini-3.7-flash y modelos Flash más recientes.
string
Un prompt de texto o un fragmento de código.
boolean
Indica que esta parte es un paso de pensamiento/razonamiento del modelo.
string
Valores posibles: user, model
object
Configuraciones de muestreo, longitud y salida para la generación. Todos los campos son opcionales: los campos siguientes que declaran un default lo aplican cuando se omiten, y el resto recurre al comportamiento propio del modelo.
object
Configuración para la generación de imágenes
string
Relación de aspecto de las imágenes generadas
object
Opcional. El formato de salida de imagen para las imágenes generadas.
integer
Opcional. La calidad de compresión de la imagen de salida.
string
Opcional. El formato de imagen con el que se debe guardar la salida, en las rutas de Vertex AI: solicitudes atendidas por las credenciales propias de Comfy y solicitudes BYOK autenticadas con una cuenta de servicio de GCP. Los valores aceptados allí son image/png e image/jpeg, comparados sin distinguir mayúsculas y normalizados a minúsculas antes de reenviar la solicitud; cualquier otro valor se rechaza con un 400 que nombra este campo. El valor predeterminado es image/png cuando se omite. Una solicitud BYOK autenticada con una clave API de Google AI Studio es la excepción: ese upstream no tiene tal propiedad y rechaza toda la llamada si está presente, así que el campo se descarta de la solicitud en lugar de respetarse o rechazarse, y el formato de salida es el que elija AI Studio. En todas las rutas, vuelve a leer el tipo de medio desde la parte de la respuesta que recibes (inlineData.mimeType, o fileData.mimeType cuando uploadImagesToStorage está configurado) en lugar de asumir el valor que enviaste.
string
Opcional. Especifica el tamaño de las imágenes generadas. Los valores admitidos son 1K, 2K, 4K. Si no se especifica, el modelo usará el valor predeterminado 1K.
integer
Número máximo de tokens que se pueden generar en la respuesta. Un token equivale aproximadamente a 4 caracteres. 100 tokens corresponden a unas 60-80 palabras.Rango: 16 a 65536
`TEXT`, `IMAGE`[]
integer
Cuando la semilla se fija a un valor específico, el modelo hace su mejor esfuerzo por proporcionar la misma respuesta para solicitudes repetidas. No se garantiza una salida determinista. Además, cambiar el modelo o las configuraciones de parámetros, como la temperatura, puede causar variaciones en la respuesta incluso cuando usas el mismo valor de semilla. De forma predeterminada, se usa un valor de semilla aleatorio. Disponible para los siguientes modelos: 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
predeterminado:"1"
La temperatura se usa para el muestreo durante la generación de respuestas, que ocurre cuando se aplican topP y topK. La temperatura controla el grado de aleatoriedad en la selección de tokens. Las temperaturas más bajas son buenas para prompts que requieren una respuesta menos abierta o creativa, mientras que las temperaturas más altas pueden llevar a resultados más diversos o creativos. Una temperatura de 0 significa que siempre se seleccionan los tokens de mayor probabilidad. En este caso, las respuestas para un prompt dado son en su mayoría deterministas, pero aún es posible una pequeña cantidad de variación. Si el modelo devuelve una respuesta demasiado genérica, demasiado corta, o el modelo da una respuesta de respaldo, intenta aumentar la temperaturaRango: 0 a 2Formato: float
object
Opcional. Configuración para las funciones de pensamiento. El pensamiento es un proceso en el que el modelo descompone una tarea compleja en pasos más pequeños para generar una respuesta de mayor calidad.
boolean
Opcional. Si es verdadero, el modelo incluirá sus pensamientos en la respuesta.
integer
Opcional. El presupuesto de tokens para el proceso de pensamiento del modelo. El modelo hará su mejor esfuerzo por mantenerse dentro de este presupuesto.
string
Opcional. El nivel de pensamiento para el modelo.Valores posibles: THINKING_LEVEL_UNSPECIFIED, LOW, MEDIUM, HIGH, MINIMAL
integer
predeterminado:"40"
Top-K cambia cómo el modelo selecciona tokens para la salida. Un top-K de 1 significa que el siguiente token seleccionado es el más probable entre todos los tokens del vocabulario del modelo. Un top-K de 3 significa que el siguiente token se selecciona entre los 3 tokens más probables usando la temperatura.Rango: 1 a …
number
predeterminado:"0.95"
Si se especifica, se usa muestreo de núcleo. Top-P cambia cómo el modelo selecciona tokens para la salida. Los tokens se seleccionan desde el más (ver top-K) hasta el menos probable hasta que la suma de sus probabilidades sea igual al valor de top-P. Por ejemplo, si los tokens A, B y C tienen una probabilidad de 0.3, 0.2 y 0.1 y el valor de top-P es 0.5, entonces el modelo seleccionará A o B como el siguiente token usando la temperatura y excluye a C como candidato. Especifica un valor más bajo para respuestas menos aleatorias y un valor más alto para respuestas más aleatorias.Rango: 0 a 1Formato: float
object[]
Configuraciones por solicitud para bloquear contenido no seguro. Se aplican en GenerateContentResponse.candidates.
string
requerido
Valores posibles: HARM_CATEGORY_SEXUALLY_EXPLICIT, HARM_CATEGORY_HATE_SPEECH, HARM_CATEGORY_HARASSMENT, HARM_CATEGORY_DANGEROUS_CONTENT
string
requerido
Valores posibles: OFF, BLOCK_NONE, BLOCK_LOW_AND_ABOVE, BLOCK_MEDIUM_AND_ABOVE, BLOCK_ONLY_HIGH
object
Instrucciones para el modelo para orientarlo hacia un mejor rendimiento. Por ejemplo, “Responde de la forma más concisa posible” o “No uses términos técnicos en tu respuesta”. Las cadenas de texto cuentan para el límite de tokens. El campo role de systemInstruction se ignora y no afecta el rendimiento del modelo. Nota: Solo se debe usar texto en las partes y el contenido de cada parte debe estar en un párrafo separado.
object[]
requerido
Una lista de partes ordenadas que componen un solo mensaje. Las diferentes partes pueden tener diferentes tipos MIME de IANA. Para conocer los límites de las entradas, como el número máximo de tokens o el número de imágenes, consulta las especificaciones del modelo en la página de modelos de Google.
string
Un prompt de texto o un fragmento de código.
string
La identidad de la entidad que crea el mensaje. Se admiten los siguientes valores: user: Esto indica que el mensaje lo envía una persona real, normalmente un mensaje generado por el usuario. model: Esto indica que el mensaje lo genera el modelo. El valor model se usa para insertar mensajes del modelo en la conversación durante conversaciones de varios turnos. Para conversaciones que no son de varios turnos, este campo se puede dejar en blanco o sin configurar.Valores posibles: user, model
object[]
Un fragmento de código que permite al sistema interactuar con sistemas externos para realizar una acción, o un conjunto de acciones, fuera del conocimiento y alcance del modelo. Consulta Llamada a funciones.
object[]
string
string
requerido
object
Esquema JSON de los parámetros de la función
boolean
Si es verdadero, las imágenes generadas se suben al almacenamiento en la nube y se devuelven como URLs firmadas en lugar de datos base64 en línea. Las URLs caducan a las 24 horas.
object
Para entrada de video, el desplazamiento de inicio y fin del video en formato Duration. Por ejemplo, para especificar un clip de 10 segundos que comienza en 1:00, establece “startOffset”: { “seconds”: 60 } y “endOffset”: { “seconds”: 70 }. Los metadatos solo deben especificarse mientras los datos del video se presentan en inlineData o fileData.
object
Representa un desplazamiento de duración para posiciones en la línea de tiempo del video.
integer
Fracciones de segundo con signo y resolución de nanosegundos. Los valores negativos de segundos con fracciones deben seguir teniendo valores de nanos no negativos.Rango: 0 a 999999999
integer
Segundos con signo del intervalo de tiempo. Debe estar entre -315,576,000,000 y +315,576,000,000 inclusive.Rango: -315576000000 a 315576000000
object
Representa un desplazamiento de duración para posiciones en la línea de tiempo del video.
integer
Fracciones de segundo con signo y resolución de nanosegundos. Los valores negativos de segundos con fracciones deben seguir teniendo valores de nanos no negativos.Rango: 0 a 999999999
integer
Segundos con signo del intervalo de tiempo. Debe estar entre -315,576,000,000 y +315,576,000,000 inclusive.Rango: -315576000000 a 315576000000
Generado a partir del esquema que Router sirve en GET /v2/models/vertexai/gemini-3.1-flash-image/openapi.json, el mismo documento contra el que valida una llamada antes de que la solicitud llegue al proveedor.

Salida

object[]
object
object[]
string[]
integer
string
string (date)
Formato: date
integer
string
string
object
El contenido de la conversación actual con el modelo. Para consultas de un solo turno, esta es una única instancia. Para consultas de varios turnos, este es un campo repetido que contiene el historial de la conversación y la solicitud más reciente.
object[]
requerido
object
Datos basados en URI.
string
URI
string
El tipo de medio del archivo especificado en los campos data o fileUri. Los valores aceptables incluyen los siguientes. Para gemini-2.0-flash-lite y gemini-2.0-flash, la duración máxima de un archivo de audio es de 8.4 horas y la duración máxima de un archivo de video (sin audio) es de una hora. Para obtener más información, consulta los requisitos de audio y video de Gemini. Los archivos de texto deben estar codificados en UTF-8. El contenido del archivo de texto cuenta para el límite de tokens. No hay límite en la resolución de la imagen.Valores posibles: 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/webm
object
Datos insertados en bytes sin procesar. Para gemini-2.0-flash-lite y gemini-2.0-flash, puedes especificar hasta 3000 imágenes usando inlineData.
string (byte)
La codificación base64 de la imagen, PDF o video para incluir directamente en el prompt. Cuando incluyes medios directamente, también debes especificar el tipo de medio (mimeType) de los datos. Límite de tamaño: 20MBFormato: byte
string
El tipo de medio del archivo especificado en los campos data o fileUri. Los valores aceptables incluyen los siguientes. Para gemini-2.0-flash-lite y gemini-2.0-flash, la duración máxima de un archivo de audio es de 8.4 horas y la duración máxima de un archivo de video (sin audio) es de una hora. Para obtener más información, consulta los requisitos de audio y video de Gemini. Los archivos de texto deben estar codificados en UTF-8. El contenido del archivo de texto cuenta para el límite de tokens. No hay límite en la resolución de la imagen.Valores posibles: 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/webm
string
Cómo lee el modelo el video de esta parte. Establece “AGENTIC” para que el modelo decida qué segmentos inspeccionar, en lugar del muestreo de fotogramas a tasa fija. Omítelo para usar el muestreo a tasa fija predeterminado. Compatible con gemini-3.7-flash y modelos Flash más recientes.
string
Un prompt de texto o fragmento de código.
boolean
Indica que esta parte es un paso de pensamiento o razonamiento del modelo.
string
Valores posibles: user, model
string
object[]
string
Valores posibles: HARM_CATEGORY_SEXUALLY_EXPLICIT, HARM_CATEGORY_HATE_SPEECH, HARM_CATEGORY_HARASSMENT, HARM_CATEGORY_DANGEROUS_CONTENT
string
La probabilidad de que el contenido infrinja la categoría de seguridad especificadaValores posibles: NEGLIGIBLE, LOW, MEDIUM, HIGH, UNKNOWN
string
Marca de tiempo de cuándo se creó la respuesta.
string
La versión del modelo utilizada para generar la respuesta.
object
string
string
object[]
string
Valores posibles: HARM_CATEGORY_SEXUALLY_EXPLICIT, HARM_CATEGORY_HATE_SPEECH, HARM_CATEGORY_HARASSMENT, HARM_CATEGORY_DANGEROUS_CONTENT
string
La probabilidad de que el contenido infrinja la categoría de seguridad especificadaValores posibles: NEGLIGIBLE, LOW, MEDIUM, HIGH, UNKNOWN
string
Identificador único de la respuesta.
object
integer
Solo de salida. Número de tokens en la parte en caché de la entrada (el contenido en caché).
integer
Número de tokens en la respuesta o respuestas.
object[]
Desglose de los tokens de candidatos por modalidad.
string
Tipo de modalidad del contenido de entrada o salida.Valores posibles: MODALITY_UNSPECIFIED, TEXT, IMAGE, VIDEO, AUDIO, DOCUMENT
integer
Número de tokens para la modalidad dada.
integer
Número de tokens en la solicitud. Cuando cachedContent está configurado, este valor sigue siendo el tamaño total efectivo del prompt, lo que significa que incluye el número de tokens del contenido en caché.
object[]
Desglose de los tokens del prompt por modalidad.
string
Tipo de modalidad del contenido de entrada o salida.Valores posibles: MODALITY_UNSPECIFIED, TEXT, IMAGE, VIDEO, AUDIO, DOCUMENT
integer
Número de tokens para la modalidad dada.
integer
Número de tokens presentes en la salida de pensamientos.
integer
Número de tokens presentes en los prompts de uso de herramientas.
object[]
Desglose de los tokens del prompt de uso de herramientas por modalidad.
string
Tipo de modalidad del contenido de entrada o salida.Valores posibles: MODALITY_UNSPECIFIED, TEXT, IMAGE, VIDEO, AUDIO, DOCUMENT
integer
Número de tokens para la modalidad dada.
integer
Número total de tokens (prompt + candidatos).
string
Tipo de tráfico usado para la solicitud (p. ej., PROVISIONED_THROUGHPUT).

Ejemplos

Entrada

Salida

De forma predeterminada, las partes de imagen generadas contienen bytes en base64 en inlineData.data y un tipo de medio en inlineData.mimeType. Decodifica los bytes y guárdalos en un archivo. Con uploadImagesToStorage: true, las imágenes subidas usan en su lugar fileData.fileUri para una URL firmada y fileData.mimeType para el tipo de medio. Descarga estas imágenes antes de que las URL expiren, 24 horas después de su creación. Un fallo en la subida deja esa imagen en línea, así que revisa cada parte en busca de inlineData o fileData; también pueden aparecer partes de texto, y no se garantiza que la imagen sea la primera parte. La ruta candidates[0].content.parts[0].inlineData.data de los ejemplos de inicio rápido anteriores lee la única parte en línea de la respuesta de ejemplo de esta página; frente a una respuesta real, recorre parts en busca de la clave que quieras en lugar de indexar la posición 0.

Antes de lanzar

Los SDK crean una Idempotency-Key y la reutilizan para los reintentos automáticos. Para los reintentos manuales, reutiliza la clave original. Router puede mantener la conexión abierta hasta 10 minutos. Cuando una solicitud falla, Router envía un encabezado de respuesta X-Comfy-Error-Type que explica el motivo. Un 422 significa que Router rechazó la entrada antes de llamar al proveedor, y un 413 significa que el cuerpo de la solicitud era más grande de lo que Router acepta. Descarga los recursos generados de inmediato, porque las URL de resultados pueden caducar. Cualquier límite de tamaño mencionado en la descripción de un campo más arriba es el límite propio del proveedor para ese campo, citado de la especificación del proveedor. Router aplica un tope aparte al cuerpo completo de la solicitud, con el que cuentan los medios codificados en base64: consulta tamaño del cuerpo de la solicitud. Esta página documenta un modelo socio al que se llama a través de Comfy Router. El mismo paquete comfy-sdk / @comfyorg/sdk también incluye un segundo cliente, para ejecutar todo un gráfico de flujo de trabajo de ComfyUI en Comfy Cloud: Comfy(api_key=...) / new Comfy({ apiKey }), con client.workflows, client.assets y client.jobs. Consulta SDK de Comfy.

Encabezados

Autenticación, idempotencia, IDs de solicitud, agrupaciones de errores, ritmo de reintentos y límites de gasto.

Uso de la API de Router

Descubrimiento de modelos, errores de validación, reintentos y facturación.

Limitaciones

Lo que Router no hace hoy y qué usar en su lugar.