|

Nano Banana Pro API IMAGE_SAFETY 報錯全解析：爲什麼圖片被攔截、Token 怎麼算、怎麼解決

ByAPIYI - Stable and affordable AI API

作者注：逐字段解讀 Nano Banana Pro API 返回的 IMAGE_SAFETY 報錯信息，分析雙層安全過濾機制、Token 計費邏輯和 8 種提高生成成功率的實戰方法

用 Nano Banana Pro API 生成圖片時，你可能遇到過這個令人困惑的響應——明明提示詞沒有任何敏感內容，卻返回 finishReason: IMAGE_SAFETY，圖片被安全過濾器攔截了。更讓人不解的是，響應中 thoughtsTokenCount: 173 說明模型已經完成了思考，但最終圖片還是被"槍斃"了。本文將逐字段解析這個報錯，講清楚 Google 的雙層安全過濾機制、被攔截時的 Token 計費邏輯，以及如何提高生成成功率。

核心價值: 讀完本文，你將理解 IMAGE_SAFETY 報錯的每個字段含義，知道被攔截時有沒有被扣費，以及如何通過提示詞優化將成功率提升到 70-80%。

nano-banana-pro-image-safety-error-analysis-fix-guide-zh-hant 图示

IMAGE_SAFETY 報錯逐字段解析

先把這個響應中每個字段的含義講清楚。

字段 值 含義
content.parts null 沒有返回任何內容（圖片被攔截）
finishReason IMAGE_SAFETY 觸發了第二層輸出安全過濾器
finishMessage "Unable to show…" Google 官方提示：違反了生成式 AI 使用政策
promptTokenCount 276 輸入消耗了 276 個 Token
candidatesTokenCount 0 輸出 Token 爲 0（圖片被攔截，沒有生成輸出）
totalTokenCount 449 總計 449 Token（輸入 276 + 思考 173）
thoughtsTokenCount 173 模型的思考過程消耗了 173 個 Token
promptTokensDetails TEXT:18， IMAGE:258 輸入中 18 個文本 Token + 258 個圖片 Token（參考圖）
modelVersion gemini-3-pro-image-preview Nano Banana Pro 模型

IMAGE_SAFETY 報錯中最關鍵的 3 個信號

信號一：thoughtsTokenCount: 173 — 模型確實思考了

這說明你的提示詞通過了第一層安全檢查（輸入端），模型開始了推理過程（Thinking），甚至已經生成了圖片——但在最終輸出時被第二層安全過濾器攔截了。問題不在你的提示詞，而在模型"想畫出來"的內容。

信號二：candidatesTokenCount: 0 — 輸出爲零

圖片被攔截後，輸出 Token 計爲 0。Google 官方說法是"You will not be charged for blocked images"（被攔截的圖片不收費）。但注意：輸入 Token（276）和思考 Token（173）是否被計費取決於具體情況和計費邏輯。

信號三：IMAGE: 258 — 你輸入了參考圖

你的請求中包含了一張參考圖片（消耗 258 個圖片 Token）。這意味着你可能在做圖片編輯（image-to-image），而不是純文本生圖。圖片編輯場景的安全過濾通常比純文本更嚴格——因爲參考圖本身也會被安全檢查。

Google 的雙層安全過濾機制

理解 IMAGE_SAFETY 報錯的關鍵是理解 Google 的安全過濾不是一層，而是兩層——而且第二層你無法關閉。

第一層：可配置的輸入安全設置

維度 說明 是否可配置
過濾位置 輸入端（提示詞） 可配置
過濾對象 用戶提交的文本和圖片 可配置
可設置爲 BLOCK_NONE（不攔截） 可以
觸發後表現 請求直接被拒絕，不消耗 Token —

你可以通過 API 參數設置 safety_settings 爲 BLOCK_NONE，降低第一層的過濾敏感度。

第二層：不可配置的輸出安全過濾

維度 說明 是否可配置
過濾位置 輸出端（生成的圖片） 不可配置
過濾對象 模型生成的圖片內容 不可配置
能否關閉 不能，所有用戶、所有層級強制生效 不能
觸發後表現 finishReason: IMAGE_SAFETY，parts: null —

IMAGE_SAFETY 報錯就是第二層觸發了。你的提示詞通過了第一層，模型完成了思考（173 Token），生成了圖片——但圖片在最終輸出前被第二層攔截了。

Google 官方承認這個過濾器"變得比我們預期的更謹慎"，導致了大量誤攔截——連"一隻狗"、"一碗麥片"這樣的提示詞都可能被攔。

nano-banana-pro-image-safety-error-analysis-fix-guide-zh-hant 图示

IMAGE_SAFETY 被攔截時到底扣不扣費

這是開發者最關心的實際問題。

Nano Banana Pro IMAGE_SAFETY 計費規則

計費項 被攔截時是否計費 說明
圖片生成費 不計費 Google 明確說"You will not be charged for blocked images"
輸出 Token 不計費 candidatesTokenCount: 0，沒有輸出就不計費
輸入 Token 可能計費（極低） 276 Token × $0.25/M ≈ $0.00007（可忽略）
思考 Token 取決於計費邏輯 173 Token，Gemini API 可能包含在 candidates 中

結論: 被 IMAGE_SAFETY 攔截時，主要成本（圖片生成費和輸出 Token 費）不會產生。輸入 Token 的費用極低（不到萬分之一美元），基本可以忽略。

API易的額外保障: 通過 API易 apiyi.com 調用時，生成失敗不扣費——包括 IMAGE_SAFETY 攔截的情況。你只爲成功生成的圖片付費。

提高 IMAGE_SAFETY 通過率的 8 種方法

既然第二層安全過濾無法關閉，我們只能通過間接方法提高成功率。

方法一：設置 BLOCK_NONE 關閉第一層

先確保第一層不會額外攔截：

from google.genai import types

safety_settings = [
    types.SafetySetting（
        category="HARM_CATEGORY_HARASSMENT"，
        threshold="BLOCK_NONE"
    ），
    types.SafetySetting（
        category="HARM_CATEGORY_HATE_SPEECH"，
        threshold="BLOCK_NONE"
    ），
    types.SafetySetting（
        category="HARM_CATEGORY_SEXUALLY_EXPLICIT"，
        threshold="BLOCK_NONE"
    ），
    types.SafetySetting（
        category="HARM_CATEGORY_DANGEROUS_CONTENT"，
        threshold="BLOCK_NONE"
    ），
]

方法二：提示詞增加具體細節

模糊的提示詞更容易觸發安全過濾。增加具體細節可以引導模型生成更"安全"的圖片：

❌ "一個女人"
→ 模型可能生成被過濾器判定爲不當的內容

✅ "一位穿着職業西裝的女性，在現代辦公室中工作，
   自然光線，數字插畫風格"
→ 具體場景 + 穿着描述 + 藝術風格 → 成功率大幅提升

方法三至八：進階優化策略

方法 操作 預期效果
方法三：添加藝術風格 末尾加"digital illustration style"或"watercolor style" 降低寫實度 → 減少觸發
方法四：指定環境上下文 加明確的場景描述（"在公園"、"在辦公室"） 限制模型發揮空間
方法五：避免皮膚暴露描述 用"formal attire"、"winter clothing"替代模糊穿着 直接避開敏感區域
方法六：用英文提示詞 英文提示詞的安全過濾校準比其他語言更精準 減少誤攔截
方法七：自動重試不同表述 失敗後自動改寫提示詞重試 提升總體成功率
方法八：通過 API易調用 API易對安全參數有優化配置 整體成功率更高

提示詞優化前後對比

場景 優化前（低通過率） 優化後（高通過率）
人物 "一個穿泳衣的女孩" "一位穿着運動裝的女性在健身房訓練，數字插畫風格"
食物 "牛排" "一塊中等熟度的牛排放在白色瓷盤上，餐廳桌面，專業食物攝影"
動物 "一隻狗" "一隻金毛獵犬在郊區院子裏接飛盤，午後陽光，數字插畫風格"
電商 "內衣模特" "一件白色運動內衣的產品平鋪圖，純白背景，無模特，商品攝影"

🎯 核心原則: 越具體的提示詞 = 越少的模型自由發揮空間 = 越少觸發安全過濾。加上藝術風格標註（如"digital illustration"）可以進一步降低寫實度相關的攔截。
通過 API易 apiyi.com 調用的成功率通常高於直連 Google API，因爲平臺對安全參數做了優化配置。

nano-banana-pro-image-safety-error-analysis-fix-guide-zh-hant 图示

常見問題

Q1: 同樣的提示詞爲什麼有時成功有時被攔截？

因爲第二層安全過濾檢查的是生成的圖片，不是提示詞。同樣的提示詞，模型每次生成的圖片略有不同（擴散模型的隨機性），某些生成結果可能恰好觸發了安全過濾器的閾值。所以重試相同的提示詞有時能成功——模型碰巧生成了一張"更安全"的圖片。

Q2: thoughtsTokenCount 大於 0 但 candidatesTokenCount 爲 0 正常嗎？

正常。這恰好說明了攔截髮生在第二層（輸出端）：模型完成了思考（Thinking）並生成了圖片，但圖片在最終輸出前被安全過濾器攔截了。思考 Token 已經消耗（173），但因爲圖片沒有實際輸出，輸出 Token 計爲 0。這是 IMAGE_SAFETY 特有的響應模式——與第一層攔截不同（第一層攔截時 thoughtsTokenCount 也爲 0）。

Q3: 電商內衣/泳裝類圖片頻繁被攔怎麼辦？

這是已知的高頻誤攔場景。Google 開發者論壇上有大量"non-NSFW ecommerce underwear images with IMAGE_SAFETY error"的報告。建議：1）使用產品平鋪圖（無模特）替代模特圖；2）提示詞中明確標註"product flat lay， no model， white background"；3）通過 API易 apiyi.com 調用，平臺的安全參數配置針對電商場景有優化。

Q4: 被攔截的請求在 API易會被扣費嗎？

不會。API易承諾生成失敗不扣費，包括 IMAGE_SAFETY 攔截的情況。你只爲成功生成的圖片付費。這與 Google 官方 API 的計費邏輯一致（blocked images 不收費），但 API易在此基礎上進一步保障——即使輸入 Token 的微小費用也不會產生。

總結

Nano Banana Pro IMAGE_SAFETY 報錯的核心要點：

  1. 報錯本質是第二層輸出過濾: 你的提示詞通過了第一層，模型完成了思考（173 Token），圖片已經生成——但在最終輸出時被不可關閉的第二層安全過濾器攔截
  2. 被攔截基本不扣費: candidatesTokenCount: 0 意味着輸出 Token 不計費，Google 明確說"不爲被攔截的圖片收費"，通過 API易調用更有失敗不扣費的保障
  3. 提示詞優化可提升到 70-80% 成功率: 核心原則是"越具體越安全"——加具體場景、加藝術風格、加穿着描述、用英文提示詞

推薦通過 API易 apiyi.com 調用 Nano Banana Pro——安全參數優化配置、失敗不扣費、28% 折扣，降低 IMAGE_SAFETY 誤攔截對你業務的影響。

📚 參考資料

  1. Gemini API Safety Settings 文檔: 官方安全設置參數說明

    • 鏈接: ai.google.dev/gemini-api/docs/safety-settings
    • 說明: 包含 BLOCK_NONE 配置和安全類別列表

  2. Nano Banana Pro IMAGE_SAFETY 完整修復指南: 8 種提高成功率的方法

    • 鏈接: help.apiyi.com/en/nano-banana-pro-image-safety-error-fix-guide-en.html
    • 說明: 包含提示詞優化模板和場景化解決方案

  3. Google AI 開發者論壇 IMAGE_SAFETY 討論: 社區報告和官方回應

    • 鏈接: discuss.ai.google.dev/t/nano-banana-is-unusable-because-of-the-new-safety-filters/132366
    • 說明: Google 承認過濾器"過於謹慎"

  4. API易文檔中心: Nano Banana Pro 失敗不扣費保障

    • 鏈接: docs.apiyi.com
    • 說明: 包含安全參數優化和電商場景配置指南

作者: APIYI 技術團隊
技術交流: 歡迎在評論區討論，更多資料可訪問 API易 docs.apiyi.com 文檔中心

Try AI Large Model https://api.apiyi.com for free
Stable and reliable AI LM API aggregation service, Get 300 Millions Tokens for Free~

Similar Posts