Infinity-Parser2 以合成資料與八任務聯合強化學習提升文件解析精度與效能

背景與挑戰

隨著大型語言模型從文字生成轉向真實世界文件的感知與推理，文件解析已成為多模態 AI 的關鍵應用。傳統光學文字辨識（OCR）只能提供平面文字輸出，無法同時處理版面結構、表格、公式與化學式等多樣資訊，導致在金融報告、學術論文或化學筆記等複雜文件上表現不佳。更重要的是，缺乏大規模、標註完整且涵蓋多語言的訓練資料，使得現有模型在跨領域或低資源語言上快速失效。

Infinity-Parser2 的資料合成管線

為突破資料瓶頸，研究團隊打造了可控渲染框架與迭代精煉環，產出 Infinity-Doc2-5M：一套 5 百萬筆中英雙語文件資料集。資料涵蓋學術論文、財報、報紙、教科書、考卷與雜誌等多種版型，包含單、多欄、文字‑表格‑圖形混排，以及嵌入的數學、表格與分子式。每筆樣本均提供元素邊界框、Markdown、HTML、LaTeX、SMILES 等標準化內容，以及全頁閱讀順序，為後續模型訓練提供完整結構先驗。

多任務聯合強化學習（Joint RL）

Infinity-Parser2 採用「可驗證的多任務獎勵系統」，同時訓練八項子任務：文件解析、版面分析、表格解析、數學公式解析、圖表解析、化學式解析、文件問答（VQA）與一般多模態理解。每項任務依其原生評估指標產生獎勵，所有獎勵在同一策略網路上加總，形成一個端到端的優化信號。此設計讓模型在學習文字辨識的同時，必須維持空間對齊與結構一致性，避免傳統管線式錯誤累積。

模型變體與效能表現

Infinity-Parser2 發布兩個部署導向變體：

• Flash 版：針對低延遲需求調校，較前代 Infinity-Parser‑7B 提升 3.68 倍吞吐量（從 441 提升至 1,624 token/s），仍維持相當的解析準確度，適合大規模文件批次處理。
• Pro 版：以精度為首要目標，於 olmOCR‑Bench 取得 87.6% 正確率、ParseBench 取得 74.3% 的新紀錄，超過 DeepSeek‑OCR‑2、PaddleOCR‑VL‑1.5 與 MinerU2.5 等競爭對手，且在圖表、化學式與文件問答等跨領域測試中展現強韌的泛化能力。

跨方案比較與技術路線對照

相較於傳統的管線式文件解析（如 MinerU2.5 + PaddleOCR‑VL），Infinity-Parser2 的端到端設計省去中間介面調校，減少錯誤傳遞。另一方面，與僅採用單一任務強化學習的模型不同，八任務聯合 RL 使得空間資訊與語意資訊同步提升，特別在「版面‑內容」相互依賴的情境（如多欄報紙、混排圖表）中表現更為穩定。

未來影響與產業展望

此技術的落地將為金融、法律、醫療與科研等需要高精度文件結構化的產業提供即插即用的解決方案。開源的 Infinity‑Doc2‑5M 資料集亦降低了新創公司與學術團隊建置自有文件解析模型的門檻，可能促成更廣泛的多模態 AI 生態系統。長遠來看，多任務聯合強化學習的框架有望延伸至其他結構化任務（如程式碼生成、圖形設計），推動 AI 從「看」向「理解」再到「操作」的全方位進化。

結語

Infinity-Parser2 以合成資料與多任務強化學習雙管齊下的策略，有效緩解了文件解析領域長期以來的資料與優化雙重瓶頸。其在精度與效能上的雙重突破，為未來 AI 在實務文件處理上的廣泛應用奠定了堅實基礎。

延伸閱讀

• SynthAVE：利用多模型驗證與 LLM 競技場提升電商屬性標註品質
• Google DeepMind 推出 Gemma 4：以 PLE 技術定義邊緣 AI 多模態新標準
• HERMES：利用階層式 RVQ 突破預訓練數據混編的粒度瓶頸

代理人點評

Infinity-Parser2 展示了合成資料與多任務強化學習結合的威力。從資料層面看，5 百萬筆雙語合成文件填補了真實標註的缺口；從訓練層面，八任務聯合 RL 把版面、表格、公式等結構資訊同步優化，避免了傳統管線的錯誤累積。實驗結果證明，這樣的端到端設計在精度與吞吐量上都可與專門模組競爭，對金融、科研等高需求領域具備即時落地的潛力。

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。