该论文针对网络安全领域中小型大语言模型（LLM）的微调选择问题，提出了一种任务导向的诊断框架FiT（Find before Fine-Tune）。研究背景是：在网络安全问答（QA）这样的关键领域，微调可以提升领域对齐，但可能侵蚀预训练知识、削弱指令遵循能力或增加幻觉，尤其在标注数据稀缺或领域知识快速演化时。FiT框架从三个维度评估小模型：词汇识别（能否识别领域术语）、参数化知识（内部存储的事实知识）、以及检索信息的上下文化能力（基于检索增强生成的质量）。作者对五个70亿参数的开源模型进行了两种微调策略（知识聚焦型与指令聚焦型）的实验。结果表明：微调并非总是有益——它一致地削弱了小模型的词汇和参数化知识；两种策略存在不同权衡：知识聚焦型微调导致中等程度且排序保持的性能下降，而指令聚焦型微调通过引发“拒绝回答”使知识度量崩溃，甚至反转知识排名，但保留了基于检索的上下文化能力。通过秩相关分析，论文量化了这些策略特定的模式，并证明微调前的FiT得分可以预测微调后的变化方向。结论是任务导向的诊断可以在微调前筛选出不合适的模型，避免不必要的微调成本，支持更安全地将小LLM部署于网络安全QA流水线。