Infinity-Parser2 技术报告发布：多模态文档解析新范式
Infinity-Parser2 是一个结合可控数据合成与多任务强化学习的大规模多模态模型，旨在解决文档解析中标注数据稀缺的问题。它开源了包含500万样本的中英文双语语料库 Infinity-Doc2-5M，并提出了联合强化学习框架统一八项任务。Flash 版针对低延迟优化，Pro 版在多项基准上达到新 SOTA。
arXiv 于2026年7月8日发布了一项重要技术报告——Infinity-Parser2，这是一个用于端到端文档解析的大规模多模态模型。该模型通过将可控数据合成管线与多任务强化学习相结合，有效解决了文档解析领域长期存在的精确标注语料匮乏问题。
Infinity-Parser2 的贡献主要体现在三个方面。首先，研究团队构建了一个可扩展的合成引擎，该引擎结合了可控渲染框架和迭代优化循环，并基于此创建并开源了 Infinity-Doc2-5M：一个包含500万个样本的双语（中文/英文）语料库。该语料库覆盖了多种文档类型，并标注了元素边界框、规范内容形式（Markdown、HTML、LaTeX、SMILES、结构化图表）以及整页阅读顺序。
其次，他们引入了一个可验证的多任务奖励系统，支持在八个共同训练的目标上进行联合强化学习。这些目标包括文档解析、布局分析、表格解析、数学公式解析、图表解析、化学公式解析、文档视觉问答以及通用多模态理解。通过单一优化信号统一了感知、结构和推理过程，极大地提升了模型的综合能力。
最后，团队在统一架构下发布了两个变体：Infinity-Parser2-Flash 针对低延迟推理进行了优化，与 Infinity-Parser-7B 相比吞吐量提升了3.68倍；Infinity-Parser2-Pro 则专为高精度场景设计。Infinity-Parser2-Pro 在 olmOCR-Bench 上达到了87.6%的顶尖性能，在 ParseBench 上达到了74.3%，超越了 DeepSeek-OCR-2、PaddleOCR-VL-1.5 和 MinerU2.5 等现有模型，并在图表、化学公式和文档视觉问答等任务上表现出强大的泛化能力。
该研究由 Zuming Huang 等15位作者共同完成，论文目前可在 arXiv 上获取，相关代码与数据集也将开源。Infinity-Parser2 的发布为文档智能处理领域提供了新的基线，有望推动金融、法律、学术等行业的自动化文档解析应用。