Skip to main content
vertexai/gemini-2.5-flash-image 的 API 参考,由 Comfy Router 从 Google 提供。

快速开始

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-sdknpm 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

架构

输入

object[]
必填
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几种。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 上限。图像分辨率无限制。可能的值:application/pdfaudio/mpegaudio/mp3audio/wavimage/pngimage/jpegimage/webptext/plainvideo/movvideo/mpegvideo/mp4video/mpgvideo/avivideo/wmvvideo/mpegpsvideo/flvimage/heicimage/heifaudio/flacvideo/webm
object
以原始字节形式提供的内联数据。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。以内联方式包含媒体时,还必须指定数据的媒体类型(mimeType)。大小上限:20MB格式:byte
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几种。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 上限。图像分辨率无限制。可能的值:application/pdfaudio/mpegaudio/mp3audio/wavimage/pngimage/jpegimage/webptext/plainvideo/movvideo/mpegvideo/mp4video/mpgvideo/avivideo/wmvvideo/mpegpsvideo/flvimage/heicimage/heifaudio/flacvideo/webm
string
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
表示该部分是模型的思考/推理步骤。
string
可能的值:usermodel
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 的字段在省略时会使用该默认值,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 大约相当于 4 个字符。100 个 token 大约对应 60-80 个单词。范围:1665536
`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。无法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 temperature)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"
temperature 用于在生成响应期间进行采样,采样在应用 topP 和 topK 时发生。temperature 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富有创意的响应的提示,而较高的温度可以带来更多样化或更具创意的结果。温度为 0 表示始终选择概率最高的 token。在这种情况下,给定提示的响应大多是确定性的,但仍可能有少量变化。如果模型返回的响应过于笼统、过短,或者模型给出回退响应,请尝试提高温度范围:02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。如果为是,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。模型将尽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_UNSPECIFIEDLOWMEDIUMHIGHMINIMAL
integer
默认值:"40"
Top-K 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
number
默认值:"0.95"
如果指定,则使用 nucleus 采样。 Top-P 改变模型为输出选择 token 的方式。token 会从概率最高(参见 top-K)到最低依次选取,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响应,较高的值可获得随机性更高的响应。范围:01格式:float
object[]
按请求设置,用于拦截不安全内容。在 GenerateContentResponse.candidates 上强制执行。
string
必填
可能的值:HARM_CATEGORY_SEXUALLY_EXPLICITHARM_CATEGORY_HATE_SPEECHHARM_CATEGORY_HARASSMENTHARM_CATEGORY_DANGEROUS_CONTENT
string
必填
可能的值:OFFBLOCK_NONEBLOCK_LOW_AND_ABOVEBLOCK_MEDIUM_AND_ABOVEBLOCK_ONLY_HIGH
object
用于引导模型以获得更好表现的指令。例如,“尽可能简洁地回答”或“在你的回答中不要使用技术术语”。文本字符串会计入 token 限制。systemInstruction 的角色字段会被忽略,不会影响模型的表现。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。关于输入的限制,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
文本提示或代码片段。
string
创建该消息的实体的身份。支持以下值:user:表示消息由真实的人发送,通常是用户生成的消息。model: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,此字段可以留空或不设置。可能的值:usermodel
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
如果为是,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 将在 24 小时后过期。
object
对于视频输入,视频的起始和结束偏移量,采用时长格式。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 }。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。
integer
以纳秒为精度的带符号秒数小数部分。带小数的负秒值其 nanos 值仍必须为非负数。范围:0999999999
integer
时间段内带符号的秒数。必须在 -315,576,000,000 到 +315,576,000,000 之间(含边界值)。范围:-315576000000315576000000
object
表示视频时间轴位置的时长偏移。
integer
以纳秒为精度的带符号秒数小数部分。带小数的负秒值其 nanos 值仍必须为非负数。范围:0999999999
integer
时间段内带符号的秒数。必须在 -315,576,000,000 到 +315,576,000,000 之间(含边界值)。范围:-315576000000315576000000
由 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
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。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/pdfaudio/mpegaudio/mp3audio/wavimage/pngimage/jpegimage/webptext/plainvideo/movvideo/mpegvideo/mp4video/mpgvideo/avivideo/wmvvideo/mpegpsvideo/flvimage/heicimage/heifaudio/flacvideo/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,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: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。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/pdfaudio/mpegaudio/mp3audio/wavimage/pngimage/jpegimage/webptext/plainvideo/movvideo/mpegvideo/mp4video/mpgvideo/avivideo/wmvvideo/mpegpsvideo/flvimage/heicimage/heifaudio/flacvideo/webm
string
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
表示此部分是模型的思考/推理步骤。
string
可能的值:usermodel
string
object[]
string
可能的值:HARM_CATEGORY_SEXUALLY_EXPLICITHARM_CATEGORY_HATE_SPEECHHARM_CATEGORY_HARASSMENTHARM_CATEGORY_DANGEROUS_CONTENT
string
内容违反指定安全类别的概率可能的值:NEGLIGIBLELOWMEDIUMHIGHUNKNOWN
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_EXPLICITHARM_CATEGORY_HATE_SPEECHHARM_CATEGORY_HARASSMENTHARM_CATEGORY_DANGEROUS_CONTENT
string
内容违反指定安全类别的概率可选值:NEGLIGIBLELOWMEDIUMHIGHUNKNOWN
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[]
按模态划分的候选项 token 明细。
string
输入或输出内容的模态类型。可选值:MODALITY_UNSPECIFIEDTEXTIMAGEVIDEOAUDIODOCUMENT
integer
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词总大小,也就是说它包含缓存内容中的 token 数量。
object[]
按模态划分的提示词 token 明细。
string
输入或输出内容的模态类型。可选值:MODALITY_UNSPECIFIEDTEXTIMAGEVIDEOAUDIODOCUMENT
integer
给定模态的 token 数量。
integer
思维输出中存在的 token 数量。
integer
工具使用提示词中存在的 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_UNSPECIFIEDTEXTIMAGEVIDEOAUDIODOCUMENT
integer
给定模态的 token 数量。
integer
token 总数(提示词 + 候选项)。
string
用于该请求的流量类型(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。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。