夜雨聆风当前，大模型已经能够帮助用户通过自然语言定制个人应用。未来，这种能力可能进一步发展为一种“个人模型定制平台”：用户不再只是利用通用大模型开发某个应用，而是能够逐步训练出一个掌握其个人知识、经验和工作方法的专用模型。
在这一平台中，模型定制不再要求用户掌握机器学习、模型训练或者程序开发知识。以法律工作者为例，用户只需要在实际工作中持续与一个初始模型交互，并对模型给出的回答进行评价、修改或者补充。例如，用户可以指出回答中存在的事实错误、推理漏洞、法律依据遗漏、表达方式不当或者不符合其工作习惯之处，也可以直接提供自己认可的处理方式和示范答案。
模型平台则在后台将这些意见转化为可供模型学习的训练信号，分析当前模型在专业知识、推理方法、表达风格、工作流程和风险判断等方面与用户要求之间的差异，并据此选择相应的优化方式。这里的优化不一定都表现为直接修改模型架构或者全部模型参数，也可能包括更新个人知识库、调整长期记忆、优化提示策略、配置专业工具、训练适配器、进行偏好学习或者对模型进行微调和蒸馏。
由此，可以形成一个持续迭代的闭环：初始模型处理用户提出的专业任务，用户对处理结果作出评价或者修改，平台从用户反馈中提取训练数据和评价标准，再据此优化模型，并通过新的任务检验优化效果。对于用户而言，这一过程发生在日常使用过程中，用户无需感知传统模型训练所涉及的数据整理、参数调整、训练部署和版本管理，因此可以将其理解为一种“无感知训练”。
随着交互和反馈不断积累，模型逐渐学习用户在特定领域中的知识体系、判断标准、推理路径、表达风格和工作习惯。当模型在主要任务上的表现达到用户设定的标准后，便可以形成一个相对稳定的“目标模型”。该目标模型不再只是面向所有人的通用大模型，而是一个经过个人经验塑造、能够解决特定领域问题的专用模型。它可以被视为用户专业能力的数字化载体，也可以理解为一个由用户长期培养而成的“数字学徒”或者“专业能力副本”。
在这一趋势下，现有的应用商店也可能逐步演变为“模型商店”或者“能力商店”。传统应用商店主要分发功能固定的软件，而模型商店分发的则是经过训练的知识、能力、判断方法和工作流程。用户可以将自己培养出的个人模型仅供本人使用，也可以授权他人下载、订阅或者调用，甚至将其作为一种数字化专业服务进行出售。
例如，一名资深律师可以发布擅长特定类型合同审查的模型，一名医生可以在合规范围内提供特定疾病知识管理模型，一名教师可以发布具有个人教学风格的辅导模型。模型的价值将不仅取决于基础模型本身，还取决于训练者向其中沉淀的专业经验、评价标准和高质量反馈。
因此，未来模型产业的基本单位可能从“由公司开发的通用模型”，逐渐扩展为“由个人或者专业组织持续培养的专用模型”。届时，普通用户既是模型的使用者，也可能成为模型的训练者、所有者和发布者。不过，这种模式同时需要解决训练数据权属、个人隐私、专业责任、模型安全、能力来源追溯以及收益分配等问题。只有建立相应的授权、评估和监管机制，个人模型和模型商店才可能真正形成稳定的产业生态。