atoms平台需v3.2+协议才支持多模型权重，通过sdk或http请求传入models与weights，权重自动归一化且须在0.01～0.99间，调试需验证dispatch_trace中weight_input与weight_applied一致。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
在Atoms平台中实现多模型同时调用并精确控制各模型权重，需绕过默认的单模型路由机制，通过手动构造请求体注入权重参数。该操作直接作用于推理调度层，不修改模型文件本身，适用于A/B测试、风格混合生成或置信度加权融合等场景。
确认Atoms支持的多模型权重协议版本
打开Atoms Web控制台 → 点击右上角用户头像 → 选择「系统信息」→ 查看「API Protocol」字段。只有显示为 【v3.2+】 的版本才支持 request-level weight 字段；若为 v3.1 或更低，必须先升级平台内核，否则后续所有权重设置将被静默忽略。
这一步不可跳过。v3.1 及以下版本虽允许在请求体中写入 weight 字段，但调度器完全不读取，且不报错、不警告，极易误判为配置生效。
构造带权重的多模型调用请求
方法一：使用Atoms官方Python SDK（推荐）
安装最新版SDK：pip install atoms-sdk==2.8.4。旧版本不识别 multi_model_weights 参数。
初始化客户端时启用多模型模式：
client = AtomsClient(api_key="your_key", multi_model_enabled=True)
调用时传入模型ID列表与对应权重字典：
response = client.generate(
prompt="赛博朋克雨夜东京街景",
models=["jimeng-sdxl-v4", "flux-dev-1.1", "realvisxl-4.0"],
multi_model_weights={"jimeng-sdxl-v4": 0.5, "flux-dev-1.1": 0.3, "realvisxl-4.0": 0.2}
)
注意：权重总和不必严格为1.0，Atoms会自动归一化；但任意单个权重值必须在 0.01～0.99 区间内，超出将触发400错误并返回具体越界模型名。
方法二：手写HTTP POST请求（适合调试或集成到非Python系统）
向 https://api.atoms.ai/v3/inference 发送 POST 请求，Header 中必须包含：Content-Type: application/jsonX-API-Key: your_api_key
Body 内容为JSON格式，关键字段如下：
{
"prompt": "穿红裙的少女站在樱花树下",
"models": ["jimeng-sdxl-v4", "realvisxl-4.0"],
"weights": [0.65, 0.35],
"sampling_method": "ddpm"
}
models 与 weights 必须严格等长，且一一位置对应；weights 是纯数字数组，不是键值对。这是Atoms v3.2协议唯一接受的原始权重格式，其他如字典、字符串、嵌套结构均会报422错误。
验证权重是否实际生效
第一步：在请求中添加 "debug": true 字段，使响应体包含调度日志片段。
第二步：检查返回JSON中的 dispatch_trace 字段，找到形如 "jimeng-sdxl-v4": {"weight_input": 0.65, "weight_applied": 0.6500000000000001, "latency_ms": 1247} 的条目——【weight_input 与 weight_applied 必须数值一致】，否则说明权重被内部策略覆盖（例如某模型当前负载超限，系统强制降权至0.1）。
第三步：对比相同 prompt 下单模型输出与多模型加权输出的特征分布。用Atoms内置的「Embedding Diff」工具加载两张图，选择「Style Vector Cosine Distance」指标：若权重设置有效，jimeng-sdxl-v4 权重越高，输出与该模型单独生成图的风格距离应越小。偏差超过 ±0.08 即表明权重未起效。
