跳转到主要内容
vertexai/gemini-2.5-flash-image 的 API 参考,由 Comfy Router 从 Google 提供。 输入: 文本, 图像 · 输出: 图像 + 文本

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 和 TypeScript 代码片段使用 Comfy SDK(pip install comfy-sdk 和 npm install @comfyorg/sdk);cURL 代码片段则是通过原始 HTTP 进行的相同调用。 模型 ID: vertexai/gemini-2.5-flash-image 端点: POST https://api.comfy.org/v2/models/vertexai/gemini-2.5-flash-image
将相同的请求体发送到 POST https://api.comfy.org/v2/models/vertexai/gemini-2.5-flash-image/requests。运行被受理后,Router 会立即返回 201 和 request_id;结果就绪后,可以从本进程或其他进程收集。队列投递介绍了状态、取消与收集的细节。

服务提供商

除非请求中指定了其他提供商,否则此模型由 Comfy Router 直接提供服务。以下提供商也在同一端点上使用相同的模型 ID 提供该模型,可通过 model_provider 查询参数选择。
  • Comfy(默认):POST https://api.comfy.org/v2/models/vertexai/gemini-2.5-flash-image
  • MiniMax,作为 minimax/minimax-nano-banana:POST https://api.comfy.org/v2/models/vertexai/gemini-2.5-flash-image?model_provider=minimax
strict_mode 默认为 false,因此 Router 会将本页记录的原生请求体转换为提供商自己的 schema,并将响应转换回来。关于所有以此方式路由的模型,请参阅 API 参考中的 model_provider、strict_mode 和 fallback_provider 以及服务提供商。

Schema

输入

object[]
必填
与模型当前对话的内容。对于单轮查询,这是一个单一实例。对于多轮查询,这是一个重复字段,包含对话历史和最新请求。
object[]
必填
object
基于 URI 的数据。
string
URI
string
data 或 fileUri 字段中指定的文件的媒体类型。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(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。文本文件的内容会计入 token 限制。图像分辨率无限制。可能的值: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/webm
object
原始字节形式的内联数据。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)
要内联包含在提示中的图像、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:byte
string
data 或 fileUri 字段中指定的文件的媒体类型。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(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。文本文件的内容会计入 token 限制。图像分辨率无限制。可能的值: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/webm
string
模型如何读取此部分的视频。设置 “AGENTIC” 可让模型决定要检查哪些片段,而不是使用固定帧率采样。省略则使用默认的固定帧率采样。受 gemini-3.7-flash 及更新的 Flash 模型支持。
string
文本提示或代码片段。
boolean
指示此部分是模型的思考/推理步骤。
string
可能的值:user、model
object
生成的采样、长度和输出设置。每个字段都是可选的:下面声明了 default 的字段在省略时会应用该默认值,其余字段则回退到模型自身的行为。
object
图像生成配置
string
已生成图像的宽高比
object
可选。已生成图像的输出格式。
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,适用于 Vertex AI 路径:由 Comfy 自有凭证提供服务的请求,以及使用 GCP 服务账号进行身份验证的 BYOK 请求。那里接受的值是 image/png 和 image/jpeg,匹配时不区分大小写,并在转发请求之前规范化为小写;任何其他值都会被拒绝,并返回一个指明此字段的 400。省略时默认为 image/png。使用 Google AI Studio API 密钥进行身份验证的 BYOK 请求是例外:该上游没有此属性,如果存在该属性就会拒绝整个调用,因此该字段会从请求中丢弃,而不是被接受或拒绝,输出格式由 AI Studio 自行选择。在每条路径上,都应从收到的响应部分读回媒体类型(inlineData.mimeType,或者在设置了 uploadImagesToStorage 时使用 fileData.mimeType),而不是假设你发送的值。
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
响应中可以生成的 token 最大数量。一个 token 大约相当于 4 个字符。100 个 token 大致对应 60-80 个词。范围:16 到 65536
`TEXT`, `IMAGE`[]
integer
当种子固定为特定值时,模型会尽力为重复请求提供相同的响应。不保证输出具有确定性。此外,即使使用相同的种子值,更改模型或参数设置(例如温度)也可能导致响应发生变化。默认情况下,使用随机种子值。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,这一过程会在应用 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不那么开放或不那么有创造性的响应的提示词,而较高的温度可以带来更多样或更有创造性的结果。温度为 0 表示始终选择概率最高的 token。在这种情况下,给定提示词的响应大多是确定性的,但仍可能出现少量变化。如果模型返回的响应过于笼统、过于简短,或者模型给出回退响应,请尝试提高温度。范围:0 到 2格式:float
object
可选。思考功能的配置。思考是模型将复杂任务分解为更小步骤,以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内容。
integer
可选。模型思考过程的 token 预算。模型会尽力保持在此预算内。
string
可选。模型的思考级别。可能值:THINKING_LEVEL_UNSPECIFIED, LOW, MEDIUM, HIGH, MINIMAL, XHIGH
integer
默认值:"40"
Top-K 会改变模型为输出选择 token 的方式。Top-K 为 1 表示下一个被选择的 token 是模型词表中所有 token 里概率最高的。Top-K 为 3 表示下一个 token 将从概率最高的 3 个 token 中通过温度进行选择。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 会从概率最高(参见 top-K)到最低进行选择,直到它们的概率之和等于 top-P 值。例如,如果 token A、B 和 C 的概率分别为 0.3、0.2 和 0.1,且 top-P 值为 0.5,那么模型将使用温度选择 A 或 B 作为下一个 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:float
object[]
用于阻止不安全内容的按请求设置。在 GenerateContentResponse.candidates 上强制执行。
string
必填
可能值:HARM_CATEGORY_SEXUALLY_EXPLICIT, HARM_CATEGORY_HATE_SPEECH, HARM_CATEGORY_HARASSMENT, HARM_CATEGORY_DANGEROUS_CONTENT
string
必填
可能值:OFF, BLOCK_NONE, BLOCK_LOW_AND_ABOVE, BLOCK_MEDIUM_AND_ABOVE, BLOCK_ONLY_HIGH
object
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“不要在响应中使用技术术语”。文本字符串会计入 token 限制。systemInstruction 的 role 字段会被忽略,且不会影响模型的表现。注意:parts 中只应使用文本,每个 part 的内容应放在单独的段落中。
object[]
必填
构成单条消息的有序 parts 列表。不同 parts 可能具有不同的 IANA MIME 类型。有关输入限制(例如最大 token 数或图像数量),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
创建消息的实体身份。支持以下值:user: 这表示消息由真实的人发送,通常是用户生成的消息。model: 这表示消息由模型生成。在多轮对话中,model 值用于将来自模型的消息插入对话。对于非多轮对话,此字段可以留空或未设置。可能值:user, model
object[]
一段代码,使系统能够与外部系统交互,以执行模型知识和范围之外的操作或一组操作。参见函数调用。
object[]
string
string
必填
object
函数参数的 JSON schema
boolean
如果为 true,已生成的图像将上传到云端存储,并以签名 URL 的形式返回,而不是内联 base64 数据。这些 URL 在 24 小时后失效。
object
用于视频输入时,指定视频的起始和结束偏移量,使用 Duration 格式。例如,要指定从 1:00 开始的一段 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时长偏移量。
integer
以纳秒精度表示的有符号秒的小数部分。带小数部分的负数秒值,其 nanos 值仍必须为非负数。范围:0 到 999999999
integer
时间段的有符号秒数。必须在 -315,576,000,000 到 +315,576,000,000 之间(含边界值)。范围:-315576000000 到 315576000000
object
表示视频时间轴位置的时长偏移量。
integer
以纳秒精度表示的有符号秒的小数部分。带小数部分的负数秒值,其 nanos 值仍必须为非负数。范围:0 到 999999999
integer
时间段的有符号秒数。必须在 -315,576,000,000 到 +315,576,000,000 之间(含边界值)。范围:-315576000000 到 315576000000
根据 Router 在 GET /v2/models/vertexai/gemini-2.5-flash-image/openapi.json 提供的 schema 生成,该文档与请求到达提供商之前 Router 用于校验调用的文档相同。

输出

object[]
object
object[]
string[]
integer
string
string (date)
格式:date
integer
string
string
object
与模型当前对话的内容。对于单轮查询,这是一个单一实例。对于多轮查询,这是一个重复字段,包含对话历史和最新请求。
object[]
必填
object
基于 URI 的数据。
string
URI
string
data 或 fileUri 字段中指定的文件的媒体类型。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(不含音频)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。文本文件必须使用 UTF-8 编码。文本文件的内容计入 token 限制。图像分辨率无限制。可能的值: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/webm
object
原始字节形式的内联数据。对于 gemini-2.0-flash-lite 和 gemini-2.0-flash,使用 inlineData 最多可指定 3000 张图像。
string (byte)
要内联包含在提示词中的图像、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:byte
string
data 或 fileUri 字段中指定的文件的媒体类型。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(不含音频)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。文本文件必须使用 UTF-8 编码。文本文件的内容计入 token 限制。图像分辨率无限制。可能的值: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/webm
string
模型如何读取此部分中的视频。设置 “AGENTIC” 可让模型决定要检查哪些片段,而不是采用固定帧率采样。省略此项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
文本提示词或代码片段。
boolean
指示此部分来自模型的思考/推理步骤。
string
可能的值:user、model
string
object[]
string
可能的值:HARM_CATEGORY_SEXUALLY_EXPLICIT、HARM_CATEGORY_HATE_SPEECH、HARM_CATEGORY_HARASSMENT、HARM_CATEGORY_DANGEROUS_CONTENT
string
内容违反指定安全类别的概率可能的值:NEGLIGIBLE、LOW、MEDIUM、HIGH、UNKNOWN
string
响应创建时的时间戳。
string
用于生成响应的模型版本。
object
string
string
object[]
string
可能的值:HARM_CATEGORY_SEXUALLY_EXPLICIT、HARM_CATEGORY_HATE_SPEECH、HARM_CATEGORY_HARASSMENT、HARM_CATEGORY_DANGEROUS_CONTENT
string
内容违反指定安全类别的概率可能的值:NEGLIGIBLE、LOW、MEDIUM、HIGH、UNKNOWN
string
响应的唯一标识符。
object
integer
仅输出。输入中缓存部分(缓存的内容)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。可能的值:MODALITY_UNSPECIFIED、TEXT、IMAGE、VIDEO、AUDIO、DOCUMENT
integer
给定模态的 token 数量。
integer
请求中的 token 数量。设置 cachedContent 时,这仍然是有效的提示总大小,也就是说它包含缓存内容中的 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。可能的值:MODALITY_UNSPECIFIED、TEXT、IMAGE、VIDEO、AUDIO、DOCUMENT
integer
给定模态的 token 数量。
integer
思考输出中存在的 token 数量。
integer
工具使用提示中存在的 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。可能的值:MODALITY_UNSPECIFIED、TEXT、IMAGE、VIDEO、AUDIO、DOCUMENT
integer
给定模态的 token 数量。
integer
token 总数(提示 + 候选)。
string
用于请求的流量类型(例如 PROVISIONED_THROUGHPUT)。

示例

输入

输出

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。