请阐述大型语言模型微调(fine-tuning)的工作机制，并讨论在哪些应用场景中选择微调而非直接调用预训练基础模型更为合适？

回答思路

1. 【回答框架 1】微调是一种迁移学习技术，其原理是在预训练得到的基础模型上，使用特定领域的数据，以较小的学习率继续训练部分或全部参数，使模型适应特定任务或领域，同时保留预训练阶段学到的通用语言知识。
2. 【回答框架 2】核心机制是调整模型权重以最小化目标损失，通常使用较小的学习率以避免灾难性遗忘，也可以采用参数高效微调方法如LoRA、Adapter等，只训练少量参数就能达到接近全参数微调的效果。
3. 【回答框架 3】业务场景上，当需要特定格式输出、领域术语理解、指令遵循或个性化风格时，且拥有足量的标注数据且预训练模型无法满足要求，微调是必要选择；如果通用模型已满足需求，直接使用基础模型可节省成本。
4. 【回答框架 4】还要考虑数据规模、实时性要求和成本，微调需要数据准备和训练资源，基础模型的提示工程和上下文学习则更适合快速迭代或数据量不足的情况。
5. 【关键点 1】微调通过继续训练模型参数来适配特定任务，基础模型是通用知识来源。
6. 【关键点 2】参数高效微调能降低资源需求，但效果依场景而定。
7. 【关键点 3】微调常用于任务定制和数据分布偏移，基础模型适合通用和零样本场景。
8. 【易错点 1】微调数据质量不高或继续训练所有参数可能导致灾难性遗忘。
9. 【易错点 2】微调不能解决所有问题，过度微调可能损失模型泛化能力，导致过拟合。
10. 【易错点 3】对简单任务进行微调成本较高，提示工程有时更高效。