Infinity-Parser2 supera o DeepSeek-OCR-2 na análise de documentos e abre dataset com 5 milhões de exemplos

Em julho de 2026, o relatório técnico do Infinity-Parser2, modelo multimodal para análise de documentos de ponta a ponta, apareceu no arXiv. O modelo marcou 87,6% no olmOCR-Bench e 74,3% no ParseBench, superando DeepSeek-OCR-2, PaddleOCR-VL-1.5 e MinerU2.5, e ao mesmo tempo abriu para a comunidade um corpus de 5 milhões de documentos anotados.

O que o Infinity-Parser2 faz

A maioria dos sistemas de OCR lê o texto linha a linha e se perde em layouts complexos: tabelas, expressões matemáticas, diagramas ou fórmulas químicas. O Infinity-Parser2 foi treinado para resolver oito tarefas ao mesmo tempo, em uma única arquitetura: análise de documentos, análise de layout, processamento de tabelas, fórmulas matemáticas e químicas, diagramas, perguntas visuais sobre documentos (VQA) e compreensão multimodal geral.

Essa abordagem permite ao modelo reconstruir a estrutura completa do documento. Ele não apenas reconhece caracteres: entende onde está o título, onde fica a linha da tabela, onde está a fórmula e em que ordem tudo deve ser lido.

O modelo é lançado em duas variantes com arquitetura comum:

• Infinity-Parser2-Flash: otimizado para baixa latência; a taxa de processamento é 3,68 vezes maior que a do Infinity-Parser-7B
• Infinity-Parser2-Pro: máxima precisão para aplicações críticas, incluindo documentação científica e jurídica

Resultados em benchmarks:

• olmOCR-Bench: 87,6%, o melhor resultado conhecido
• ParseBench: 74,3%
• O modelo superou DeepSeek-OCR-2, PaddleOCR-VL-1.5 e MinerU2.5

De onde vieram os dados

A falta de corpora bem anotados é um problema crônico na análise de documentos. A maioria dos datasets existentes cobre apenas texto simples ou tipos de documento limitados e quase não inclui fórmulas científicas nem estruturas químicas. Os autores do Infinity-Parser2 resolveram isso criando um motor próprio de síntese de dados: um renderizador controlado gera documentos de layouts e complexidades variados, e um ciclo iterativo de refinamento adiciona anotações detalhadas.

O resultado é o corpus aberto Infinity-Doc2-5M: 5 milhões de exemplos em chinês e inglês, abrangendo artigos científicos, relatórios financeiros, manuais técnicos e outros tipos de documento. Cada amostra é anotada com caixas delimitadoras dos elementos, formas canônicas do conteúdo (Markdown, HTML, LaTeX, SMILES, diagramas estruturados) e a ordem de leitura completa das páginas. Esse nível de detalhe raramente aparece em acesso aberto.

Como funciona o aprendizado por reforço conjunto

O núcleo técnico do modelo é um sistema verificável de recompensas multitarefa. Em vez de treinar modelos especializados separados para OCR, tabelas e fórmulas, os autores aplicam o Joint Reinforcement Learning (JRL): uma única função de otimização reúne oito sinais de treinamento e permite que um só agente aprenda todas as tarefas ao mesmo tempo. A verificabilidade dos sinais significa que o modelo recebe feedback estruturado, e não apenas uma nota escalar, o que aumenta a estabilidade do treinamento.

«Unificação de percepção, estrutura e raciocínio em um único sinal de otimização» é o princípio arquitetural central do

Infinity-Parser2.

Isso o diferencia dos concorrentes, treinados principalmente em reconhecimento de texto: o Infinity-Parser2 mostra bons resultados não só em OCR, mas também em tarefas especializadas, como análise de fórmulas químicas e perguntas visuais sobre documentos.

O que isso significa

A publicação do Infinity-Parser2 junto com o corpus aberto Infinity-Doc2-5M reduz a barreira de entrada para desenvolver sistemas de análise de documentos. Equipes que trabalham com arquivos PDF, artigos científicos ou documentação financeira e jurídica ganham um modelo-base competitivo e dados de qualidade para ajuste fino, sem precisar construir as duas partes do zero.

Perguntas frequentes

Qual a diferença entre o

Infinity-Parser2-Flash e a versão Pro?

O Flash é otimizado para velocidade: a taxa de processamento é 3,68 vezes maior que a do Infinity-Parser-7B, mantendo qualidade aceitável. O Pro prioriza a precisão: foi com ele que se chegou aos recordes de 87,6% no olmOCR-Bench e 74,3% no ParseBench.

Quais idiomas o dataset Infinity-Doc2-5M suporta?

O corpus é bilíngue: chinês e inglês. Ele abrange diversos tipos de documento, com anotações de estrutura, caixas delimitadoras e a ordem de leitura completa das páginas.