近年来，大量研究将多模态物品元数据集成到推荐系统中，通常采用预训练多模态基础模型（Multimodal Foundation Models）对这些数据进行编码。由于此类模型最初并非针对推荐任务设计，近期研究多通过参数高效微调（Parameter-Efficient Fine-Tuning, PEFT）对其进行高效适配。然而，即便采用了 PEFT，来自多模态基础模型的物品嵌入（Item Embeddings）依然存在“用户盲性”（User-blind）：尽管拥有不同兴趣的用户会关注物品的不同维度，但物品嵌入并未根据用户兴趣进行条件化表征。 为了解决这一局限性，我们提出了 PerPEFT——一种用于多模态推荐的个性化 PEFT 策略。具体而言，PerPEFT 根据兴趣对用户进行分组，并为每个组分配独立的 PEFT 模块，使各模块能够捕捉到对该群体购买决策最具预测性的细粒度物品特征。此外，我们还引入了一种专门的训练技术，以强化这种基于用户分组的条件化关联。值得注意的是，PerPEFT 具有 PEFT 不可知性（PEFT-agnostic），可与任何适用于多模态基础模型的 PEFT 方法结合使用。 通过广泛的实验，我们证明了：(1) PerPEFT 在 NDCG@20 指标上优于最强基准模型高达 15.3%；(2) 该方法在多种 PEFT 变体中均能带来持续的性能提升。值得一提的是，即便实现了个性化，PerPEFT 依然保持了轻量化特性，其参数量仅占基础模型参数总数的 1.3%。我们在https://github.com/kswoo97/PerPEFT提供了代码和数据集。