Infinity-Parser2 superou o DeepSeek-OCR-2 em parsing de documentos e abriu um dataset de 5 milhões de exemplos

Em julho de 2026, um relatório técnico do Infinity-Parser2 — um modelo multimodal para análise completa de documentos — apareceu no arXiv. O modelo obteve 87,6% no olmOCR-Bench e 74,3% no ParseBench, superando DeepSeek-OCR-2, PaddleOCR-VL-1.5 e MinerU2.5, enquanto liberava simultaneamente um corpus de 5 milhões de documentos anotados para a comunidade.

O que Infinity-Parser2 é Capaz de Fazer

A maioria dos sistemas OCR lê texto linha por linha e se perde em layouts complexos — tabelas, expressões matemáticas, diagramas ou fórmulas químicas. Infinity-Parser2 foi treinada para resolver oito tarefas simultaneamente em uma única arquitetura: análise de documentos, análise de layout, processamento de tabelas, manipulação de fórmulas matemáticas e químicas, reconhecimento de diagramas, resposta visual a perguntas sobre documentos (VQA) e compreensão multimodal geral.

Essa abordagem permite que o modelo restaure a estrutura completa de um documento — não apenas reconhecendo caracteres, mas também compreendendo onde está o título, onde está a linha da tabela, onde está a fórmula e em qual ordem devem ser lidas.

O modelo é lançado em duas variantes sob uma arquitetura comum:

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

Resultados nos testes:

• olmOCR-Bench: 87,6% — 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 escassez de corpus de alta qualidade anotados é um problema crônico na análise de documentos. A maioria dos datasets existentes cobre apenas texto simples ou tipos limitados de documentos e raramente inclui fórmulas científicas ou estruturas químicas. Os autores do Infinity-Parser2 resolveram esse problema criando seu próprio mecanismo de síntese de dados: um renderizador controlado gera documentos com layouts e complexidade variáveis, enquanto 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, cobrindo artigos científicos, relatórios financeiros, manuais técnicos e outros tipos de documentos. Cada amostra é anotada com caixas delimitadoras de elementos, formas canônicas de conteúdo (Markdown, HTML, LaTeX, SMILES, diagramas estruturados) e a ordem completa de leitura das páginas. Esse nível de detalhe raramente é encontrado em acesso aberto.

Como Funciona o Aprendizado por Reforço Conjunto

O núcleo técnico do modelo é um sistema verificável de recompensas multitarefas. Em vez de treinar modelos especializados separados para OCR, tabelas e fórmulas, os autores aplicam Joint Reinforcement Learning (JRL): uma única função de otimização combina oito sinais de treinamento e permite que um único agente aprenda todas as tarefas simultaneamente. A verificabilidade dos sinais significa que o modelo recebe feedback estruturado em vez de apenas uma pontuação escalar — isso melhora a estabilidade do treinamento.

"Unificando percepção, estrutura e raciocínio em um único sinal de otimização" — o princípio arquitetônico chave do

Infinity-Parser2.

Isso o diferencia fundamentalmente dos concorrentes, treinados principalmente em tarefas de reconhecimento de texto: Infinity-Parser2 demonstra resultados fortes não apenas em OCR, mas também em tarefas especializadas — análise de fórmulas químicas e resposta visual a perguntas 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 o desenvolvimento de sistemas de análise de documentos. Equipes que trabalham com arquivos PDF, artigos científicos, documentação financeira ou legal agora têm acesso a um modelo de linha de base competitivo e dados de qualidade para ajuste fino — sem necessidade de construir ambos do zero.

Perguntas Frequentes

Como Infinity-Parser2-Flash difere da versão Pro?

Flash é otimizado para velocidade: a taxa de transferência é 3,68 vezes maior que a do Infinity-Parser-7B, mantendo qualidade aceitável. Pro é focado em precisão — nele foram alcançados 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 cobre diversos tipos de documentos com marcação de estrutura, caixas delimitadoras e ordem completa de leitura das páginas.