Small Is Enough: Per-User Style Rewriting of AI-Edited Text via LoRA Adapters

1. 一句话总结 本文提出InMyStyle系统，通过本地辅助LLM自动构建配对数据并对0.5B-7B小模型进行LoRA微调，在保护隐私的前提下实现免提示词的个性化AI文本风格重写。

2. 核心创新点

• 采用“隐私优先+单用户本地化”范式，利用多个本地轻量LLM自动对齐原文与AI编辑文本，构建高质量配对训练集，彻底规避云端数据上传风险。
• 验证了0.5B-7B参数的小模型配合LoRA微调已足够完成个人风格迁移，且推理阶段无需任何风格提示词（Zero-prompt Inference）。
• 引入长度感知的生成预算与自动分块策略，有效解决长文本输入时的上下文截断与风格漂移问题。

3. 潜在应用场景

• 个人开发/效率工具：可封装为本地IDE插件、Obsidian/Notion写作扩展或浏览器侧边栏工具，自动将AI草稿“转译”为开发者/创作者的个人行文习惯，适合独立开发者快速集成。
• 教育/适老化辅助：帮助语言学习者或老年用户将AI生成的复杂/正式文本转化为符合自身认知习惯的通俗表达；也可用于个性化作文批改与写作风格模仿训练。
• IoT/边缘计算：系统完全支持0.5B-3B模型在带NPU的轻薄本、树莓派或边缘网关上离线运行，可作为低延迟、断网可用的“私人写作管家”，契合个人AI硬件生态。

4. 在AI知识体系中的位置 属于大语言模型（LLM）/参数高效微调（PEFT）与个性化生成（Personalized AI）交叉方向，具体聚焦于文本风格迁移与端侧小模型（SLM）。与当前主流的“云端大模型对齐”或“重度提示词工程”不同，该研究推动LLM向“本地化、免提示、单用户自适应”演进，直接回应了KB文献中关于高效风格迁移的探索[1]、风格个性化评估的挑战[3]，以及LLM模仿日常隐式写作风格仍存瓶颈的现状[5]。

5. 推荐指数 ★★★★☆ 理由：

• 新颖性：反直觉地证明“小模型+LoRA”足以胜任个人风格重写，打破“参数量越大风格迁移越好”的惯性认知。
• 实用性：隐私优先、免提示词推理、长文本自动分块，工程落地路径清晰，个人开发者仅需消费级GPU即可复现。
• 前瞻性：高度契合端侧AI与Personalized Agent趋势，为未来“个人数字写作分身”提供轻量基座。
• 个人可参与度：技术栈成熟（LoRA/小模型/本地推理框架），开源友好，极易二次开发或嵌入现有工作流。
• 扣分项：评估仅基于219对样本，规模偏小；对深层隐式风格的捕捉能力仍受小模型容量限制（与[5]指出的挑战一致），泛化边界需更大规模验证。

来源：https://arxiv.org/abs/2607.29238v1