Infinity-Parser2 superó a DeepSeek-OCR-2 en el análisis de documentos y abrió un dataset de 5 millones de ejemplos

En julio de 2026, un informe técnico de Infinity-Parser2 — un modelo multimodal para análisis completo de documentos — apareció en arXiv. El modelo obtuvo 87,6% en olmOCR-Bench y 74,3% en ParseBench, superando a DeepSeek-OCR-2, PaddleOCR-VL-1.5 y MinerU2.5, mientras simultáneamente liberaba un corpus de 5 millones de documentos anotados para la comunidad.

Qué es Capaz de Hacer Infinity-Parser2

La mayoría de los sistemas OCR leen el texto línea por línea y se pierden en diseños complejos — tablas, expresiones matemáticas, diagramas o fórmulas químicas. Infinity-Parser2 está entrenada para resolver ocho tareas simultáneamente dentro de una única arquitectura: análisis de documentos, análisis de diseño, procesamiento de tablas, manejo de fórmulas matemáticas y químicas, reconocimiento de diagramas, respuesta visual a preguntas sobre documentos (VQA) y comprensión multimodal general.

Este enfoque permite que el modelo restaure la estructura completa de un documento — no solo reconociendo caracteres, sino también entendiendo dónde está el título, dónde está la fila de la tabla, dónde está la fórmula y en qué orden deben leerse.

El modelo se lanza en dos variantes bajo una arquitectura común:

• Infinity-Parser2-Flash — optimizado para baja latencia; el rendimiento es 3,68 veces mayor que el de Infinity-Parser-7B
• Infinity-Parser2-Pro — máxima precisión para aplicaciones críticas, incluida documentación científica y legal

Resultados en los puntos de referencia:

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

De Dónde Vinieron los Datos

La escasez de corpus de alta calidad anotados es un problema crónico en el análisis de documentos. La mayoría de los conjuntos de datos existentes cubren solo texto simple o tipos limitados de documentos e incluyen pocas fórmulas científicas o estructuras químicas. Los autores de Infinity-Parser2 resolvieron este problema creando su propio motor de síntesis de datos: un renderizador controlado genera documentos con diferentes diseños y complejidad, mientras que 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 cubren artículos científicos, informes financieros, manuales técnicos y otros tipos de documentos. Cada muestra está anotada con cuadros delimitadores de elementos, formas canónicas de contenido (Markdown, HTML, LaTeX, SMILES, diagramas estructurados) y el orden completo de lectura de las páginas. Este nivel de detalle rara vez se encuentra en acceso 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 separados 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 único agente aprenda todas las tareas simultáneamente. La verificabilidad de las señales significa que el modelo recibe retroalimentación estructurada en lugar de solo una puntuación escalar — esto mejora la estabilidad del entrenamiento.

"Unificar percepción, estructura y razonamiento en una única señal de optimización" — el principio arquitectónico clave de

Infinity-Parser2.

Esto la diferencia fundamentalmente de los competidores entrenados principalmente en tareas de reconocimiento de texto: Infinity-Parser2 demuestra resultados sólidos no solo en OCR, sino también en tareas especializadas — análisis de fórmulas químicas y respuesta visual a preguntas sobre documentos.

Qué Significa Esto

La publicación de Infinity-Parser2 junto con el corpus abierto Infinity-Doc2-5M reduce la barrera de entrada para el desarrollo de sistemas de análisis de documentos. Los equipos que trabajan con archivos PDF, artículos científicos, documentación financiera o legal ahora tienen acceso a un modelo de referencia competitivo y datos de calidad para ajuste fino — sin necesidad de construir ambos desde cero.

Preguntas Frecuentes

¿Cómo difiere Infinity-Parser2-Flash de la versión Pro?

Flash está optimizado para velocidad: el rendimiento es 3,68 veces mayor que el de Infinity-Parser-7B manteniendo una calidad aceptable. Pro se enfoca en precisión — en él se lograron récords de 87,6% en olmOCR-Bench y 74,3% en ParseBench.

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

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