Infinity-Parser2 supera a DeepSeek-OCR-2 en el análisis de documentos y abre un conjunto de datos de 5 millones de ejemplos

En julio de 2026 apareció en arXiv el informe técnico de Infinity-Parser2, un modelo multimodal para el análisis de documentos de extremo a extremo. El modelo obtuvo 87,6 % en olmOCR-Bench y 74,3 % en ParseBench, por delante de DeepSeek-OCR-2, PaddleOCR-VL-1.5 y MinerU2.5, y al mismo tiempo abrió a la comunidad un corpus de 5 millones de documentos anotados.

Qué sabe hacer Infinity-Parser2

La mayoría de los sistemas OCR leen el texto línea a línea y se pierden ante maquetaciones complejas: tablas, expresiones matemáticas, diagramas o fórmulas químicas. Infinity-Parser2 está entrenado para resolver ocho tareas a la vez dentro de una única arquitectura: análisis de documentos, análisis de maquetación, procesamiento de tablas, fórmulas matemáticas y químicas, diagramas, preguntas visuales sobre documentos (VQA) y comprensión multimodal general.

Este enfoque permite al modelo reconstruir la estructura completa del documento. No se limita a reconocer caracteres: entiende dónde está el título, dónde una fila de tabla, dónde una fórmula y en qué orden deben leerse.

El modelo se publica en dos variantes con una arquitectura común:

• Infinity-Parser2-Flash: optimizado para baja latencia; su rendimiento es 3,68 veces superior al de Infinity-Parser-7B
• Infinity-Parser2-Pro: máxima precisión para aplicaciones críticas, incluida la documentación científica y jurídica

Resultados en benchmarks:

• olmOCR-Bench: 87,6 %, el mejor resultado conocido
• ParseBench: 74,3 %
• El modelo superó a DeepSeek-OCR-2, PaddleOCR-VL-1.5 y MinerU2.5

De dónde salieron los datos

La escasez de corpus bien anotados es un problema crónico en el análisis de documentos. La mayoría de los conjuntos existentes cubren solo texto simple o tipos de documento limitados, y casi no incluyen fórmulas científicas ni estructuras químicas. Los autores de Infinity-Parser2 lo resolvieron creando su propio motor de síntesis de datos: un renderizador controlado genera documentos de distinta maquetación y complejidad, y un ciclo iterativo de refinamiento añade anotaciones detalladas.

El resultado es el corpus abierto Infinity-Doc2-5M: 5 millones de ejemplos en chino e inglés que abarcan artículos científicos, informes financieros, manuales técnicos y otros tipos de documentos. Cada muestra está anotada con cuadros delimitadores de los elementos, formas canónicas del contenido (Markdown, HTML, LaTeX, SMILES, diagramas estructurados) y el orden de lectura completo de las páginas. Este nivel de detalle rara vez está disponible en abierto.

Cómo funciona el aprendizaje por refuerzo conjunto

El núcleo técnico del modelo es un sistema verificable de recompensas multitarea. En lugar de entrenar modelos especializados por separado para OCR, tablas y fórmulas, los autores aplican Joint Reinforcement Learning (JRL): una única función de optimización combina ocho señales de entrenamiento y permite que un solo agente aprenda todas las tareas a la vez. Que las señales sean verificables significa que el modelo recibe retroalimentación estructurada, y no solo una puntuación escalar, lo que mejora la estabilidad del entrenamiento.

«Unificación de percepción, estructura y razonamiento en una única señal de optimización» es el principio arquitectónico clave de

Infinity-Parser2.

Esto la distingue de sus competidores, entrenados sobre todo en reconocimiento de texto: Infinity-Parser2 muestra buenos resultados no solo en OCR, sino también en tareas especializadas como el análisis de fórmulas químicas y las preguntas visuales sobre documentos.

Qué significa

La publicación de Infinity-Parser2 junto con el corpus abierto Infinity-Doc2-5M reduce la barrera de entrada para desarrollar sistemas de análisis de documentos. Los equipos que trabajan con archivos PDF, artículos científicos o documentación financiera y jurídica obtienen un modelo base competitivo y datos de calidad para el ajuste fino, sin tener que construir ambas piezas desde cero.

Preguntas frecuentes

¿En qué se diferencia

Infinity-Parser2-Flash de la versión Pro?

Flash está optimizado para la velocidad: su rendimiento es 3,68 veces superior al de Infinity-Parser-7B, con una calidad aceptable. Pro se centra en la precisión: con él se lograron el récord de 87,6 % en olmOCR-Bench y el 74,3 % en ParseBench.

¿Qué idiomas admite el conjunto de datos Infinity-Doc2-5M?

El corpus es bilingüe: chino e inglés. Abarca diversos tipos de documentos, con anotaciones de estructura, cuadros delimitadores y el orden de lectura completo de las páginas.