Infinity-Parser2 to zaawansowany multimodalny model głębokie uczenia przystosowany do pełnej analizy dokumentów cyfrowych, od rozpoznawania tekstu po ekstrakcję strukturalnych informacji. Projekt rozwiązuje kluczowy problem w AI - niedostateczną liczbę wiernie adnotowanych zbiorów treningowych do parsowania dokumentów poprzez utworzenie skalowanego systemu syntezy danych z możliwościami sterowania.
Centrum innowacji stanowią trzy główne wkłady. Po pierwsze, zespół opracował potężny silnik syntezy danych generujący Infinity-Doc2-5M - dataset 5 milionów próbek obejmujących różnorodne typy dokumentów w chińskim i angielskim, każdy precyzyjnie adnotowany ramkami ograniczającymi elementy oraz różnymi formatami - Markdown, HTML, LaTeX, SMILES dla chemii i wykresy. Po drugie, wprowadzili weryfikowalny system nagród oparty na ośmiu współwytrenowanych celach: parsowaniu dokumentów, analizie layoutu, parsowaniu tabel, rozpoznawaniu formuł matematycznych, analizie wykresów, strukturom chemicznym, wizyjnym pytaniom o dokumenty oraz ogólnym rozumieniu multimodalnym. Ten ujednolicony sygnał optymalizacji łączy percepcję, strukturę i rozumowanie w jednym modelu.
Model dostępny jest w dwóch wariantach. Infinity-Parser2-Flash zoptymalizowany dla szybkiej obróbki osiąga 3,68-krotny wzrost przepustowości w porównaniu do poprzedniego Infinity-Parser-7B, podczas gdy Infinity-Parser2-Pro nastawiony jest na precyzję w zastosowaniach krytycznych. Pro osiąga rekordowe 87,6 procent dokładności na benchmarku olmOCR-Bench i 74,3 procent na ParseBench, wyprzedzając DeepSeek-OCR-2 i inne konkurencyjne rozwiązania.