方案：
全参数微调，使用不同数据集训练多个模型和推理时增强进行融合。


训练代码：
LLaMA-Factory.zip 解压后使用，可参照https://github.com/hiyouga/LLaMA-Factory配置环境，或将代码映射到docker中使用。
训练：train.sh。将train.sh放到LLaMA-Factory下使用。
推理： python inference.py(需在inference.py中修改好模型路径。) test_case.json是从题目中提取出来的测试用例。

model_wight:通过百度网盘分享的文件：
链接：https://pan.baidu.com/s/1IXai-fDvv-hCOTS_3srs8Q 
提取码：6666

docker:
链接：https://pan.baidu.com/s/1IXai-fDvv-hCOTS_3srs8Q 
提取码：6666

train_data:
链接：https://pan.baidu.com/s/1IXai-fDvv-hCOTS_3srs8Q 
提取码：6666