arXiv 上出现一篇题为《Infinite-Parameter LLMs: Generating and Adapting Weights from Live Data》的论文，编号 arXiv:2609.18842，归入论文类别。该条目目前未附摘要，具体方法、实验设置与结论尚无法确认。
从标题看，它触及大模型的一条核心边界：参数规模。当前主流 LLM 的参数量在训练完成后即被冻结，模型获取新知识的途径主要是长上下文、检索增强与轻量适配器，改变的是输入或少量附加参数，而非主干权重本身。"无限参数"指向的可能是让模型容量随数据与任务持续扩展，而不是被一次训练固定。
"从实时数据生成并适配权重"则进一步指向在线更新：权重不再只是训练阶段的产物，而可能在推理或服务过程中依据流式数据被生成与调整。若这条路线成立，知识时效性、个性化与持续学习会获得不同于现有方案的技术路径。
标题同时抛出若干待解问题：权重按需生成后的存储与寻址、生成成本、AI 词典：灾难性遗忘">灾难性遗忘、稳定性与可复现性，以及如何评测。它与检索增强、长上下文、测试时训练等既有方向的关系，也决定其实际增量价值。
在摘要与全文公开前，以上仅为对标题信息的解读，论文的具体贡献有待进一步核实。