arXiv 於2026年7月8日發佈了一項重要技術報告——Infinity-Parser2，這是一個用於端到端文檔解析的大規模多模態模型。該模型通過將可控數據合成管線與多任務強化學習相結合，有效解決了文檔解析領域長期存在的精確標註語料匱乏問題。
Infinity-Parser2 的貢獻主要體現在三個方面。首先，研究團隊構建了一個可擴展的合成引擎，該引擎結合了可控渲染框架和迭代優化循環，並基於此創建並開源了 Infinity-Doc2-5M：一個包含500萬個樣本的雙語（中文/英文）語料庫。該語料庫覆蓋了多種文檔類型，並標註了元素邊界框、規範內容形式（Markdown、HTML、LaTeX、SMILES、結構化圖表）以及整頁閲讀順序。
其次，他們引入了一個可驗證的多任務獎勵系統，支持在八個共同訓練的目標上進行聯合強化學習。這些目標包括文檔解析、佈局分析、表格解析、數學公式解析、圖表解析、化學公式解析、文檔視覺問答以及通用多模態理解。通過單一優化信號統一了感知、結構和推理過程，極大地提升了模型的綜合能力。
最後，團隊在統一架構下發布了兩個變體：Infinity-Parser2-Flash 針對低延遲推理進行了優化，與 Infinity-Parser-7B 相比吞吐量提升了3.68倍；Infinity-Parser2-Pro 則專為高精度場景設計。Infinity-Parser2-Pro 在 olmOCR-Bench 上達到了87.6%的頂尖性能，在 ParseBench 上達到了74.3%，超越了 DeepSeek-OCR-2、PaddleOCR-VL-1.5 和 MinerU2.5 等現有模型，並在圖表、化學公式和文檔視覺問答等任務上表現出強大的泛化能力。
該研究由 Zuming Huang 等15位作者共同完成，論文目前可在 arXiv 上獲取，相關代碼與數據集也將開源。Infinity-Parser2 的發佈為文檔智能處理領域提供了新的基線，有望推動金融、法律、學術等行業的自動化文檔解析應用。