跳转到主要内容
Nano Banana Pro 的 API 参考。Nano Banana Pro(Gemini 3 Pro Image)是 Google Nano Banana 图像生成系列的 Pro 层级,专为复杂场景和清晰可读的文字而设计。 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-3-pro-image 端点: POST https://api.comfy.org/v2/models/vertexai/gemini-3-pro-image
将同样的请求体发送到 POST https://api.comfy.org/v2/models/vertexai/gemini-3-pro-image/requests。运行一旦被受理,Router 会立即返回 201 和 request_id;结果就绪后,就可以从当前进程或另一个进程中收集它。队列投递 会逐步介绍状态查询、取消和收集。

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。以下提供商也在同一端点和相同的模型 ID 下提供该模型,可通过 model_provider 查询参数选择。
  • Comfy(默认):POST https://api.comfy.org/v2/models/vertexai/gemini-3-pro-image
  • fal,以 fal/fal-nano-banana-pro 提供:POST https://api.comfy.org/v2/models/vertexai/gemini-3-pro-image?model_provider=fal
  • MiniMax,以 minimax/minimax-nano-banana-pro 提供:POST https://api.comfy.org/v2/models/vertexai/gemini-3-pro-image?model_provider=minimax
  • Pika,以 pika/pika-nano-banana-pro 提供:POST https://api.comfy.org/v2/models/vertexai/gemini-3-pro-image?model_provider=pika
  • Runware,以 runware/runware-nano-banana-pro 提供:POST https://api.comfy.org/v2/models/vertexai/gemini-3-pro-image?model_provider=runware
  • WaveSpeed,以 wavespeed/wavespeed-nano-banana-pro 提供:POST https://api.comfy.org/v2/models/vertexai/gemini-3-pro-image?model_provider=wavespeed
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
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
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
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。设置为 “AGENTIC” 可让模型决定检查哪些片段,而不是采用固定帧率采样。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。在 Vertex AI 路径上,输出应保存为的图像格式:由 Comfy 自身凭证提供的请求,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 400 并指名此字段。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,如果存在则会拒绝整个调用,因此该字段会从请求中删除,而不是被接受或拒绝,输出格式由 AI Studio 选择。在所有路径上,请从收到的响应部分读回媒体类型(inlineData.mimeType,或者当设置了 uploadImagesToStorage 时使用 fileData.mimeType),而不是假设你发送的值。
string
可选。指定已生成图像的大小。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 大约相当于 4 个字符。100 个 token 大约对应 60-80 个单词。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,会使用随机种子值。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"
温度用于在响应生成期间进行采样,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。较低温度适合需要不那么开放式或创造性回答的提示词,而较高温度可能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,对于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,或者模型给出了回退响应,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。模型会尽最大努力控制在该预算内。
string
可选。模型的思考级别。可能的值: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 是模型词汇表中所有 token 里最可能的那个。top-K 为 3 表示借助温度从最可能的 3 个 token 中选择下一个 token。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,且 top-P 值为 0.5,那么模型会借助温度选择 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每请求设置。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_CONTENT
string
必填
可能的值: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“不要在回答中使用技术术语”。文本字符串会计入 token 限制。systemInstruction 的 role 字段会被忽略,且不会影响模型的性能。注意:parts 中只应使用文本,每个 part 中的内容应放在单独段落中。
object[]
必填
组成单条消息的有序 parts 列表。不同 part 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
创建消息的实体的身份。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。在多轮对话期间,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。可能的值:user, model
object[]
一段代码,使系统能够与外部系统交互,以执行模型知识范围和能力范围之外的一个操作或一组操作。请参阅函数调用。
object[]
string
string
必填
object
函数参数的 JSON schema
boolean
若为 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 会在 24 小时后过期。
object
对于视频输入,指视频的起始和结束偏移量,采用 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 }。仅当视频数据以 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
以纳秒为分辨率的带符号秒的小数部分。带小数的负秒值其 nanos 值仍必须为非负数。范围:0 到 999999999
integer
时间跨度的带符号秒数。必须介于 -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
以纳秒为分辨率的带符号秒的小数部分。带小数的负秒值其 nanos 值仍必须为非负数。范围:0 到 999999999
integer
时间跨度的带符号秒数。必须介于 -315,576,000,000 到 +315,576,000,000 之间(含边界值)。范围:-315576000000 到 315576000000
本文档由 Router 在 GET /v2/models/vertexai/gemini-3-pro-image/openapi.json 提供的 schema 生成,该文档也正是它在请求到达提供商之前校验调用所用的同一份文档。

输出

object[]
object
object[]
string[]
integer
string
string (date)
格式:date
integer
string
string
object
与模型的当前对话内容。对于单轮查询,这是一个实例。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。可接受的取值包括以下内容。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。文本文件必须使用 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
以原始字节表示的内联数据。对于 gemini-2.0-flash-lite 和 gemini-2.0-flash,最多可通过 inlineData 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:byte
string
data 或 fileUri 字段中指定的文件的媒体类型。可接受的取值包括以下内容。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。文本文件必须使用 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。设为 “AGENTIC” 可让模型自行决定要检查哪些片段,而不是采用固定帧率采样。省略则使用默认的固定帧率采样。仅在 gemini-3.7-flash 及更新版本的 Flash 模型上受支持。
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,即包含缓存内容中的 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
思考输出中出现的 token 数量。
integer
工具使用提示中出现的 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
请求所使用的流量类型(例如 PROVISIONED_THROUGHPUT)。

示例

输入

输出

读取 parts

默认情况下,已生成的图像 part 会在 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。当设置 uploadImagesToStorage: true 时,上传的图像改用 fileData.fileUri 提供签名 URL,用 fileData.mimeType 提供媒体类型。请在这些 URL 过期之前下载这些图像,它们自创建起 24 小时后过期。 fileData 可能出现在并未请求它的响应中。 这两种形状是按 part 而非按响应决定的:当设置了 uploadImagesToStorage: true 时,上传失败的图像会保留为 inlineData,因此同一个响应中可以混用两者。应依据实际存在的键来分支处理,而不是依据你请求了什么。唯一不可能出现的情况恰好相反:当该字段未设置或为 false 时,每个已生成的图像都会以 inlineData 返回,不会产生任何 fileData 图像 part。也可能出现文本 part,并且图像不保证是第一个 part,因此应根据你需要的字段来选择 part,而不是按索引。上面快速入门示例中的 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 part;面对真实响应时,应扫描 parts 查找你想要的键,而不是索引位置 0。 thoughtSignature 也是一个 part 字段,而且它很大。 一个 part 可以携带 thoughtSignature,这是模型推理过程的不透明 base64 签名,其存在是为了让该思维过程能在后续请求中被重放。它未出现在上面的已生成 schema 中,该 schema 遵循 Router 发布的请求/响应文档。在实际响应中实测,它每个 part 大约为 1 到 2 MB,与图像本身相当,因此如果你要记录响应日志、通过无服务器函数转发响应或存储响应,就值得为其预留空间或将其显式丢弃。

imageSize 是一个档位,而不是宽度

generationConfig.imageConfig.imageSize 接受 1K、2K 或 4K,每提升一档都会将两条边都翻倍,而不是设定某个宽度。一个 16:9 的请求在 1K 下实测为 1376x768、约 1.35 MB,在 2K 下为 2752x1536、约 5.6 MB:相同的宽高比,四倍的像素,大约四倍的字节数。因此 2K 并不意味着 2048 像素宽的图像,如果把 2K 当作宽度来规划上传路径、响应体限制或存储桶容量,会导致资源不足约四倍。

参考图串联

将上一个已生成的图像直接传回,可以在同一主体上获得新的相机角度,因此对同一场景的一系列拍摄是一连串调用,而不是一个必须一次性描述所有内容的提示词。架构、材质和光照常常能在串联中延续,但模型并不保证这一点;请把连续性视为一个需要检查的可能结果,而不是可以依赖的属性。 请按上一个响应使用的形状把图像传回。对于 inlineData part,从 inlineData.data 取出 base64 字节,并将其原样作为 inlineData 发送,如下所示。对于在 uploadImagesToStorage: true 下以 fileData 返回的 part,在签名 URL 仍然有效时,改为将其 fileData.fileUri 和 fileData.mimeType 作为 fileData part 发送;把字节重新上传为 inlineData 同样可行,且不会过期。然后提出你想要的改动:
每次调用都是独立的,因此请传入你想在其基础上继续构建的图像,而不要依赖对话历史记录。串联时要注意请求体大小:内联图像会计入 Router 的请求体上限,而 2K 图像的字节数大约是 1K 的四倍。

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。