Infinity-Parser2 обогнал DeepSeek-OCR-2 в разборе документов и открыл датасет из 5 млн примеров

В июле 2026 года на arXiv появился технический отчёт Infinity-Parser2 — мультимодальной модели для сквозного разбора документов. Модель набрала 87,6% на olmOCR-Bench и 74,3% на ParseBench, обогнав DeepSeek-OCR-2, PaddleOCR-VL-1.5 и MinerU2.5, и одновременно открыла для сообщества корпус из 5 миллионов размеченных документов.

Что умеет Infinity-Parser2

Большинство OCR-систем читают текст построчно и теряются при сложной верстке — таблицах, математических выражениях, диаграммах или химических формулах. Infinity-Parser2 обучена решать восемь задач одновременно в рамках единой архитектуры: разбор документов, анализ макета, обработка таблиц, математических и химических формул, диаграмм, визуальные вопросы по документам (VQA) и общее мультимодальное понимание.

Такой подход позволяет модели восстанавливать полную структуру документа — не только распознавать символы, но и понимать, где заголовок, где строка таблицы, где формула и в каком порядке их следует читать.

Модель выпускается в двух вариантах под общей архитектурой:

• Infinity-Parser2-Flash — оптимизирован для низкой задержки; пропускная способность в 3,68 раза выше, чем у Infinity-Parser-7B
• Infinity-Parser2-Pro — максимальная точность для критически важных приложений, включая научную и юридическую документацию

Результаты на бенчмарках:

• olmOCR-Bench: 87,6% — лучший известный результат
• ParseBench: 74,3%
• Модель превзошла DeepSeek-OCR-2, PaddleOCR-VL-1.5 и MinerU2.5

Откуда взялись данные

Дефицит качественно размеченных корпусов — хроническая проблема разбора документов. Большинство существующих датасетов покрывают лишь простой текст или ограниченные типы документов и почти не включают научные формулы или химические структуры. Авторы Infinity-Parser2 решили эту проблему, создав собственный движок синтеза данных: контролируемый рендерер генерирует документы разной верстки и сложности, а итеративный цикл уточнения добавляет детальную разметку.

Результат — открытый корпус Infinity-Doc2-5M: 5 миллионов примеров на китайском и английском языках, охватывающих научные статьи, финансовые отчёты, технические мануалы и другие типы документов. Каждый образец аннотирован ограничивающими прямоугольниками элементов, каноническими формами содержимого (Markdown, HTML, LaTeX, SMILES, структурированные диаграммы) и полным порядком чтения страниц. Подобный уровень детализации редко встречается в открытом доступе.

Как работает совместное обучение с подкреплением

Техническое ядро модели — верифицируемая система многозадачных наград. Вместо того чтобы обучать отдельные специализированные модели для OCR, таблиц и формул, авторы применяют Joint Reinforcement Learning (JRL): единая оптимизационная функция объединяет восемь обучающих сигналов и позволяет единому агенту обучаться всем задачам одновременно. Верифицируемость сигналов означает, что модель получает структурированную обратную связь, а не просто скалярную оценку — это повышает стабильность обучения.

«Унификация восприятия, структуры и рассуждения в едином сигнале оптимизации» — ключевой архитектурный принцип

Infinity-Parser2.

Это принципиально отличает её от конкурентов, обученных преимущественно на задачах распознавания текста: Infinity-Parser2 демонстрирует сильные результаты не только в OCR, но и на специализированных задачах — разборе химических формул и визуальных вопросах по документам.

Что это значит

Публикация Infinity-Parser2 вместе с открытым корпусом Infinity-Doc2-5M снижает порог входа в разработку систем разбора документов. Команды, работающие с PDF-архивами, научными статьями, финансовой или юридической документацией, получают конкурентоспособную базовую модель и качественные данные для дообучения — без необходимости строить обе части с нуля.

Частые вопросы

Чем Infinity-Parser2-Flash отличается от версии Pro?

Flash оптимизирован для скорости: пропускная способность в 3,68 раза выше, чем у Infinity-Parser-7B, при сохранении приемлемого качества. Pro ориентирован на точность — на нём достигнуты рекордные 87,6% на olmOCR-Bench и 74,3% на ParseBench.

Какие языки поддерживает датасет Infinity-Doc2-5M?

Корпус двуязычный: китайский и английский. Он охватывает разнообразные типы документов с разметкой структуры, ограничивающими прямоугольниками и полным порядком чтения страниц.