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、npm install @comfyorg/sdk);cURL 代码片段则是通过原始 HTTP 发出的同一调用。
选择你想要调用的模型。这些模型共用同一套请求和响应结构,下文会统一说明一次。
- Gemini 3.1 Pro
- Gemini 3.5 Flash
- Gemini 2.5 Pro
- Gemini 2.5 Flash
模型 ID:
vertexai/gemini-3.1-pro-preview端点: POST https://api.comfy.org/v2/models/vertexai/gemini-3.1-pro-preview- 等待结果
- 排队并稍后收集
架构
输入
object[]
必填
与模型进行当前对话的内容。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
在 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。文本文件必须采用 UTF-8 编码。文本文件的内容会计入 token 限制。图像分辨率没有限制。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/webmobject
原始字节形式的内联数据。对于 gemini-2.0-flash-lite 和 gemini-2.0-flash,通过使用 inlineData,最多可以指定 3000 个图像。
string (byte)
要以内联方式包含在提示中的图像、PDF 或视频的 base64 编码。以内联方式包含媒体时,还必须指定数据的媒体类型 (mimeType)。大小限制:20MB格式:
bytestring
在 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。文本文件必须采用 UTF-8 编码。文本文件的内容会计入 token 限制。图像分辨率没有限制。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/webmstring
模型读取该部分视频的方式。设置为 “AGENTIC” 可让模型自行决定要检查的片段,而不是按固定速率采样帧。使用默认的固定速率采样时请省略。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
表示此部分来自模型的思考/推理步骤。
string
可能的值:
user、modelobject
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
响应中可以生成的最大 token 数。一个 token 大约为 4 个字符。100 个 token 大约对应 60-80 个词。范围:
16 到 65536`TEXT`, `IMAGE`[]
integer
当种子固定为特定值时,模型会尽最大努力对重复请求提供相同的响应。不保证确定性输出。此外,更改模型或参数设置(例如温度)可能会导致响应发生变化,即使使用相同的种子值也是如此。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"
温度用于在生成回答时进行采样,而采样发生在应用 topP 和 topK 时。温度控制 token 选择中的随机程度。较低的温度适合那些不需要太开放或太有创意回答的提示词,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 意味着始终选择概率最高的 token。在这种情况下,针对给定提示词的回答基本上是确定性的,但仍可能出现少量变化。如果模型返回的回答过于笼统、过于简短,或者模型给出了回退回答,请尝试提高温度范围:
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,以生成更高质量回答的过程。
boolean
可选。如果为 true,模型会在回答中包含其思考过程。
integer
可选。模型思考过程的 token 预算。模型会尽最大努力保持在该预算范围内。
string
可选。模型的思考级别。可能的值:
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 表示下一个被选择的 token 是模型词汇表中所有 token 里概率最高的那个。top-K 为 3 表示下一个 token 会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 会从概率最高(参见 top-K)到最低依次选择,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,而 top-P 值为 0.5,那么模型会通过温度选择 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回答,指定较高的值可获得随机性更高的回答。范围:
0 到 1格式:floatobject[]
用于阻止不安全内容的单次请求设置。在 GenerateContentResponse.candidates 上强制执行。
string
必填
可能的值:
HARM_CATEGORY_SEXUALLY_EXPLICIT、HARM_CATEGORY_HATE_SPEECH、HARM_CATEGORY_HARASSMENT、HARM_CATEGORY_DANGEROUS_CONTENTstring
必填
可能的值:
OFF、BLOCK_NONE、BLOCK_LOW_AND_ABOVE、BLOCK_MEDIUM_AND_ABOVE、BLOCK_ONLY_HIGHobject
用于引导模型提升表现的指令。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 中应仅使用文本,且每个 part 中的内容应放在单独的段落中。
object[]
必填
组成单条消息的有序 parts 列表。不同的 part 可以有不同的 IANA MIME 类型。有关输入限制(例如最大 token 数量或图像数量),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,使用 model 值可将模型的消息插入到对话中。对于非多轮对话,此字段可以留空或不设置。可能的值:
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和范围之外的一个或多个操作。请参阅函数调用。
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,并以签名 URL 而非内联 base64 数据的形式返回。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,使用 Duration 格式。例如,要指定一段从 1:00 开始的 10 秒片段,请设置 “startOffset”: { “seconds”: 60 } 和 “endOffset”: { “seconds”: 70 }。该元数据只应在视频数据以 inlineData 或 fileData 形式提供时指定。
object
表示视频时间线位置的时长偏移。
integer
以纳秒分辨率表示的带符号秒的小数部分。带小数的负秒值仍必须使用非负的 nanos 值。范围:
0 到 999999999integer
时间跨度的带符号秒数。必须在 -315,576,000,000 到 +315,576,000,000 之间(含边界)。范围:
-315576000000 到 315576000000object
表示视频时间线位置的时长偏移。
integer
以纳秒分辨率表示的带符号秒的小数部分。带小数的负秒值仍必须使用非负的 nanos 值。范围:
0 到 999999999integer
时间跨度的带符号秒数。必须在 -315,576,000,000 到 +315,576,000,000 之间(含边界)。范围:
-315576000000 到 315576000000GET /v2/models/vertexai/gemini-3.1-pro-preview/openapi.json 上提供的 schema 生成,这也是请求到达提供商之前 Router 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
与模型进行当前对话的内容。对于单轮查询,这是一个单独实例。对于多轮查询,这是一个重复字段,包含对话历史记录和最新请求。
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/webmobject
原始字节形式的内联数据。对于 gemini-2.0-flash-lite 和 gemini-2.0-flash,你最多可以通过 inlineData 指定 3000 张图像。
string (byte)
要在提示词中以内联方式包含的图像、PDF 或视频的 base64 编码。以内联方式包含媒体时,还必须指定数据的媒体类型(mimeType)。大小限制:20MB格式:
bytestring
data 或 fileUri 字段中指定的文件媒体类型。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/webmstring
模型读取该部分视频的方式。设置为 “AGENTIC” 可让模型自行决定要检查的片段,而不是按固定速率采样帧。使用默认的固定速率采样时请省略。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
表示此部分来自模型的思考/推理步骤。
string
可能的值:
user、modelstring
object[]
string
可能的值:
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能的值:
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
可能的值:
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能的值:
NEGLIGIBLE、LOW、MEDIUM、HIGH、UNKNOWNstring
响应的唯一标识符。
object
integer
仅输出。输入中缓存部分的 token 数量(即缓存内容)。
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、DOCUMENTinteger
给定模态的 token 数量。
integer
请求中的 token 数量。设置 cachedContent 后,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。可能的值:
MODALITY_UNSPECIFIED、TEXT、IMAGE、VIDEO、AUDIO、DOCUMENTinteger
给定模态的 token 数量。
integer
thoughts 输出中包含的 token 数量。
integer
工具使用提示中包含的 token 数量。
object[]
按模态细分的工具使用提示 token。
string
输入或输出内容模态的类型。可能的值:
MODALITY_UNSPECIFIED、TEXT、IMAGE、VIDEO、AUDIO、DOCUMENTinteger
给定模态的 token 数量。
integer
token 总数(提示 + 候选)。
string
请求使用的流量类型(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。生成的资源请及时下载,因为结果链接会过期。
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、校验错误、重试与计费。
限制
Router 目前不支持的功能,以及替代方案。