我们推出了 Infinity-Parser2，这是一个大型的多模态模型，结合了可控的数据合成管道和多任务强化学习，实现端到端的文档解析，解决了信任度高的标注解析语料库的持续匮乏问题。
我们的贡献主要体现在三个方面。首先，我们构建了一个可扩展的合成引擎，将可控的渲染框架与迭代精炼循环相结合，并利用它构建并开源了 Infinity-Doc2-5M：一个包含500万个样本的双语（中/英）语料库，涵盖多种文档类型，标注了元素边界框、标准内容格式（Markdown、HTML、LaTeX、SMILES、结构化图表）和全页阅读顺序。
其次，我们引入了一个可验证的多任务奖励系统，使得在八个共同训练目标（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 VQA 以及一般多模态理解）上实现联合强化学习，从而在单一优化信号中统一感知、结构和推理。
最后，我们发布了两个共享架构的变体：Infinity-Parser2-Flash，优化了低延迟推理，相较于 Infinity-Parser-7B 提高了 $3.68\times$ 的吞吐量，以及 Infinity-Parser2-Pro，专为精度关键场景设计。Infinity-Parser2-Pro 在 olmOCR-Bench 上达到了 87.6% 的最高性能，在 ParseBench 上达到了 74.3%，超越了 DeepSeek-OCR-2、PaddleOCR-VL-1.5 和 MinerU2.5，并对图表、化学公式和文档 VQA 展现出强大的泛化能力。
博主点评： Infinity-Parser2 的推出标志着文档解析领域的重大进展，通过创新的数据合成和强化学习策略，极大地提升了模型的准确性和效率，尤其是在处理复杂文档时，具备了更好的泛化能力。该模型的开源也为相关研究提供了丰富的资源，值得关注。