个人化大语言模型是实现符合用户风格、意图和偏好的关键。传统的每用户微调虽然效果好，但会带来巨大的参数和存储开销，难以扩展到海量用户。
PLUME（Personalized Low-Rank Adaptation through User Modulation and Shared Subspace）提出在共享的任务子空间中进行低秩调制。首先在聚合的用户数据上学习全局任务子空间。随后仅在该子空间内训练一个小的方阵作为用户专属参数，保持其余共享组件不变，从而为每个用户得到定制模型。
为进一步降低冗余，PLUME 在跨层引入共享参数，并在每层加入秩为1的残差项。这些设计在保持表达能力的同时，将每用户额外参数压缩超过95%。
在多个个性化文本生成基准上实验表明，PLUME 的性能与强基线持平甚至超越，同时显著降低了参数开销。结果验证了共享子空间调制加极小残差的可扩展性和语义合理性。
点评: PLUME 通过全局子空间与低秩用户矩阵的组合，实现了高效且可解释的个性化路径，为大规模 LLM 部署提供了实用方案。