为有效应用元学习于基础模型，需清晰理解其核心思想。本章旨在重温这些基本思想，为后续进阶技术建立稳固根基。

我们将首先正式界定元学习问题结构，详细说明元训练、元测试、任务、支持集 $S_{i}$ 和查询集 $Q_{i}$ 的作用。之后，我们将考察元学习算法的结构化分类，区分基于梯度、基于度量和基于优化的方法。

本章很大一部分内容将讨论在将元学习方法扩展到处理大型基础模型时遇到的独特难题，包括计算成本、数据需求和稳定性。最后，我们将回顾标准基准和既定规范，这些对于严格评估少样本适应性能不可或缺。这次回顾旨在确保在进行更复杂的实现和理论分析之前达成共识。