最新的 The Batch 周刊中，吴恩达 (Andrew Ng) 介绍了微调小模型的适用范围，非常浅显易懂，概括如下：

微调是利用预先训练好的模型，在特定应用的数据上对其进行进一步训练，因此你需要收集训练数据，然后找到一个供应商(或自己部署设备)来运行微调，最后部署微调后的模型

一般情况下建议使用提示词来完成项目，微调只有助于提高最后一点准确性。目前微调主要用于以下几种情况：
1. 提高关键应用程序的准确性
比如客户服务聊天机器人，它需要可靠的调用正确的 API 以进行交易、退款等操作，这种情况下，95%的 API 调用准确率并不够，那么就可以使用 API 数据集进行微调以达到99%的正确率，同时还有其他特殊案例的情况，也需要微调才可以达到。
2.学习一种特定的交流风格
比如爱因斯坦的回复风格等，这也需要微调才能做到
3.降低扩展过程中的延迟或成本
随着使用规模的扩大，大型模型速度过慢或成本过高，因此可以使用微调后的较小模型，即可达到较大模型的性能，以满足较窄的应用范围。此外，大型模型（或代理工作流）还可用于生成数据，以帮助针对该任务对小型模型进行微调。

在进行微调之前，请考虑一下是否应该在提示词或代理工作流方面再多下点功夫，这样可以获得更简单、更易于维护的解决方案