是的，可以使用预训练模型而不进行微调。预训练模型是在大规模数据集上训练的模型，具有丰富的语义信息和特征表示能力。以下是一个使用预训练模型的代码示例：

import torch
import torch.nn as nn
from transformers import BertModel

# 加载预训练的BERT模型
bert_model = BertModel.from_pretrained('bert-base-uncased')

# 输入数据
input_ids = torch.tensor([[1, 2, 3, 4, 5, 0, 0, 0, 0]])  # 假设输入数据是一个batch，长度为9

# 使用预训练模型进行前向传播
outputs = bert_model(input_ids)

# 获取预训练模型的输出
last_hidden_states = outputs.last_hidden_state
pooler_output = outputs.pooler_output

# 在此之后可以根据需要对last_hidden_states或pooler_output进行进一步处理

在上面的示例中，我们使用了Hugging Face开源的transformers库，加载了预训练的BERT模型。然后，我们传入输入数据input_ids，通过预训练模型进行前向传播。最后，我们可以从模型的输出中获取last_hidden_states和pooler_output，根据需要进行进一步处理。

需要注意的是，如果不进行微调，预训练模型只能用作特征提取器，而无法进行预测或生成任务。如果需要进行特定任务的预测或生成，还需要在预训练模型之上添加适当的任务特定的层，并对这些层进行训练和微调。