arXiv 2026年10月5日该工作提出 LINEUP：学习一组可复用的低秩个性化因子，通过用户条件召回与查询相关校准进行组合，并把目标用户适配限制为共享校正空间上的极小用户编码（每个用户仅优化八个标量，而所评估的私有 LoRA 配置为每用户 419 万参数）；在覆盖个性化分类、预测与生成的六项任务上，LINEUP 在全部 12 个指标上领先（每项为三次独立运行的平均，例如相对最强基线将 LaMP-3 RMSE 降低 11.4%），并在历史记录有限时保持优势。该工作提出 LINEUP：学习一组可复用的低秩个性化因子，通过用户条件召回与查询相关校准进行组合，并把目标用户适配限制为共享校正空间上的极小用户编码（每个用户仅优化八个标量，而所评估的私有 LoRA 配置为每用户 419 万参数）；在覆盖个性化分类、预测与生成的六项任务上，LINEUP 在全部 12 个指标上领先（每项为三次独立运行的平均，例如相对最强基线将 LaMP-3 RMSE 降低 11.4%），并在历史记录有限时保持优势。LINEUP 用共享低秩因子加八个标量替代每用户私有 LoRA，在六项任务十二个指标上全部领先该工作提出 LINEUP：学习一组可复用的低秩个性化因子，通过用户条件召回与查询相关校准进行组合，并把目标用户适配限制为共享校正空间上的极小用户编码（每个用户仅优化八个标量，而所评估的私有 LoRA 配置为每用户 419 万参数）；在覆盖个性化分类、预测与生成的六项任务上，LINEUP 在全部 12 个指标上领先（每项为三次独立运行的平均，例如相对最强基线将 LaMP-3 RMSE 降低 11.4%），并在历史记录有限时保持优势。该工作提出 LINEUP：学习一组可复用的低秩个性化因子，通过用户条件召回与查询相关校准进行组合，并把目标用户适配限制为共享校正空间上的极小用户编码（每个用户仅优化八个标量，而所评估的私有 LoRA 配置为每用户 419 万参数）；在覆盖个性化分类、预测与生成的六项任务上，LINEUP 在全部 12 个指标上领先（每项为三次独立运行的平均，例如相对最强基线将 LaMP-3 RMSE 降低 11.4%），并在历史记录有限时保持优势。