Infinity-Parser2 devance DeepSeek-OCR-2 en analyse de documents et ouvre un jeu de données de 5 millions d'exemples

En juillet 2026, le rapport technique d'Infinity-Parser2, un modèle multimodal d'analyse de documents de bout en bout, est apparu sur arXiv. Le modèle a obtenu 87,6 % sur olmOCR-Bench et 74,3 % sur ParseBench, devançant DeepSeek-OCR-2, PaddleOCR-VL-1.5 et MinerU2.5, et a simultanément ouvert à la communauté un corpus de 5 millions de documents annotés.

Ce que sait faire Infinity-Parser2

La plupart des systèmes d'OCR lisent le texte ligne par ligne et se perdent face aux mises en page complexes : tableaux, expressions mathématiques, diagrammes ou formules chimiques. Infinity-Parser2 est entraîné à résoudre huit tâches à la fois au sein d'une architecture unique : analyse de documents, analyse de mise en page, traitement de tableaux, formules mathématiques et chimiques, diagrammes, questions visuelles sur documents (VQA) et compréhension multimodale générale.

Cette approche permet au modèle de reconstituer la structure complète du document. Il ne se contente pas de reconnaître des caractères : il comprend où se trouve le titre, la ligne de tableau, la formule, et dans quel ordre les lire.

Le modèle existe en deux variantes sur une architecture commune :

• Infinity-Parser2-Flash : optimisé pour la faible latence ; son débit est 3,68 fois supérieur à celui d'Infinity-Parser-7B
• Infinity-Parser2-Pro : précision maximale pour les applications critiques, y compris la documentation scientifique et juridique

Résultats sur les benchmarks :

• olmOCR-Bench : 87,6 %, meilleur résultat connu
• ParseBench : 74,3 %
• Le modèle a devancé DeepSeek-OCR-2, PaddleOCR-VL-1.5 et MinerU2.5

D'où viennent les données

Le manque de corpus bien annotés est un problème chronique de l'analyse de documents. La plupart des jeux de données existants ne couvrent que du texte simple ou des types de documents limités, et incluent très peu de formules scientifiques ou de structures chimiques. Les auteurs d'Infinity-Parser2 ont résolu ce problème en créant leur propre moteur de synthèse de données : un moteur de rendu contrôlé génère des documents de mises en page et de complexités variées, et une boucle de raffinement itérative ajoute des annotations détaillées.

Le résultat est le corpus ouvert Infinity-Doc2-5M : 5 millions d'exemples en chinois et en anglais, couvrant articles scientifiques, rapports financiers, manuels techniques et d'autres types de documents. Chaque échantillon est annoté avec les boîtes englobantes des éléments, des formes canoniques du contenu (Markdown, HTML, LaTeX, SMILES, diagrammes structurés) et l'ordre de lecture complet des pages. Un tel niveau de détail est rare en accès libre.

Comment fonctionne l'apprentissage par renforcement conjoint

Le cœur technique du modèle est un système vérifiable de récompenses multitâches. Plutôt que d'entraîner des modèles spécialisés distincts pour l'OCR, les tableaux et les formules, les auteurs appliquent le Joint Reinforcement Learning (JRL) : une fonction d'optimisation unique combine huit signaux d'entraînement et permet à un seul agent d'apprendre toutes les tâches simultanément. La vérifiabilité des signaux signifie que le modèle reçoit un retour structuré, et non une simple note scalaire, ce qui améliore la stabilité de l'entraînement.

«

Unifier perception, structure et raisonnement dans un seul signal d'optimisation » est le principe architectural clé d'Infinity-Parser2.

Cela la distingue de ses concurrents, entraînés surtout à la reconnaissance de texte : Infinity-Parser2 affiche de solides résultats non seulement en OCR, mais aussi sur des tâches spécialisées comme l'analyse de formules chimiques et les questions visuelles sur documents.

Ce que cela signifie

La publication d'Infinity-Parser2 avec le corpus ouvert Infinity-Doc2-5M abaisse le seuil d'entrée pour développer des systèmes d'analyse de documents. Les équipes qui travaillent avec des archives PDF, des articles scientifiques ou de la documentation financière et juridique disposent d'un modèle de base compétitif et de données de qualité pour le fine-tuning, sans avoir à construire les deux briques de zéro.

Questions fréquentes

En quoi

Infinity-Parser2-Flash diffère-t-il de la version Pro ?

Flash est optimisé pour la vitesse : son débit est 3,68 fois supérieur à celui d'Infinity-Parser-7B, tout en conservant une qualité acceptable. Pro vise la précision : c'est avec lui que les records de 87,6 % sur olmOCR-Bench et de 74,3 % sur ParseBench ont été atteints.

Quelles langues le jeu de données

Infinity-Doc2-5M prend-il en charge ?

Le corpus est bilingue : chinois et anglais. Il couvre divers types de documents, avec des annotations de structure, des boîtes englobantes et l'ordre de lecture complet des pages.