Zespół badawczy przedstawił Infinity-Parser2, multimodalny model sztucznej inteligencji specjalizujący się w end-to-end parsowaniu dokumentów, który rozwiązuje problem niedostatku wysokiej jakości, rzetelnie otagowanych zbiorów treningowych do tego zadania. Innowacyjne podejście łączy kontrolowany pipeline syntezy danych z Multi-task Reinforcement Learning, umożliwiając modelowi naukę kilku współzależnych umiejętności jednocześnie.
Hardzej praktycznie, naukowcy stworzyli i udostępnili Infinity-Doc2-5M - korpus zawierający 5 milionów próbek w dwóch językach (chiński i angielski), obejmujący różnorodne typy dokumentów z precyzyjnymi adnotacjami. Każdy dokument został opisany nie tylko bounding boxami dla elementów, ale również ich kanoniczną treścią w wielu formatach: Markdown, HTML, LaTeX, SMILES (dla chemii) oraz strukturalizowanymi wykresy i porządkiem czytania całej strony. To kompletny zestaw informacji, którego wcześniej brakowało.
Model uczy się równolegle ośmiu różnych zadań - od parsowania struktury dokumentu po analizę tabel, rozpoznawanie wzorów matematycznych i chemicznych, interpretację wykresów, aż po pytania i odpowiedzi dotyczące dokumentów (VQA). Tego rodzaju wielozadaniowe podejście z weryfikowalnym systemem nagród pozwala ujednolicić w jednym sygnale optymalizacyjnym postrzeganie, strukturę i rozumowanie. Zespół wydał dwie wersje: Infinity-Parser2-Flash zoptymalizowaną do szybkiego działania z zyskiem przepustowości 3,68 razy wyższym niż poprzednie 7-miliardowe warianty, oraz Infinity-Parser2-Pro dla scenariuszy wymagających maksymalnej precyzji. Ta ostatnia osiąga wyniki najlepsze w swojej klasie: 87,6 procent na benchmarku olmOCR-Bench i 74,3 procent na ParseBench, przewyższając konkurencyjne rozwiązania w tym DeepSeek-OCR-2.