arXivは2026年7月8日、重要なテクニカルレポート「Infinity-Parser2」を公開しました。これは、エンドツーエンドの文書解析のための大規模マルチモーダルモデルであり、制御可能なデータ合成パイプラインとマルチタスク強化学習を組み合わせることで、文書解析分野における正確なアノテーションコーパスの不足という長年の課題に取り組んでいます。
Infinity-Parser2の貢献は主に3つあります。第一に、研究チームはスケーラブルな合成エンジンを構築しました。このエンジンは制御可能なレンダリングフレームワークと反復最適化ループを組み合わせたもので、これを用いて500万サンプルのバイリンガル（中文/英文）コーパスInfinity-Doc2-5Mを構築し、オープンソース化しました。このコーパスは多様な文書タイプをカバーし、要素のバウンディングボックス、正規コンテンツ形式（Markdown、HTML、LaTeX、SMILES、構造化チャート）、およびページ全体の読み順がアノテーションされています。
第二に、検証可能なマルチタスク報酬システムを導入しました。これにより、文書解析、レイアウト分析、表解析、数式解析、チャート解析、化学式解析、文書VQA、汎用マルチモーダル理解の8つの共同訓練目標にわたる連合強化学習が可能になり、単一の最適化信号で知覚、構造、推論を統一します。
第三に、共通アーキテクチャの下で2つのバリアントをリリースしました。Infinity-Parser2-Flashは低レイテンシ推論向けに最適化されており、Infinity-Parser-7Bと比較して3.68倍のスループット向上を実現しています。一方、Infinity-Parser2-Proは高精度が求められる設定向けに設計されており、olmOCR-Benchで87.6%、ParseBenchで74.3%という最先端の性能を達成し、DeepSeek-OCR-2、PaddleOCR-VL-1.5、MinerU2.5を凌駕しています。また、チャート、化学式、文書VQAに対する強力な汎化能力も示しています。
本研究はZuming Huang氏を含む15名の著者によるもので、論文はarXivで入手可能であり、関連コードとデータセットも公開される予定です。Infinity-Parser2の発表は文書インテリジェンス処理分野に新たなベースラインを提供し、金融、法律、学術などの業界における自動文書解析アプリケーションを推進することが期待されます。