> 💡 **一句话带走**：Infinity-Parser2 把"可控数据合成 + 多任务联合强化学习"拧成一个端到端文档解析大模型，开源 500 万双语数据和两个模型，给"用一个模型替掉整条解析流水线"提供了很强的公开基线——做 RAG / 文档智能的人值得在自己数据上跑一遍。

做 RAG 或文档智能的人，多半都和 PDF 解析较过劲。你拿一份双栏论文、一张密密麻麻的财务表、一段手写公式塞给解析工具，结果版面串了行、表格糊成一团、公式变成乱码——然后下游 RAG 默默吞下这些垃圾，检索质量怎么调都上不去。

更烦的是，传统做法要拼一条流水线，每一环都得单独配一个模型：

- 🔤 OCR 先过一遍，把文字啃出来
- 📐 版面分析再来一遍，理清段落和阅读顺序
- 🧮 表格识别单独一个模型，公式识别又一个，图表再一个

每一环都有自己的 bug，串联起来错误层层叠加。你花在"拼流水线"上的时间，往往比花在业务上的还多。

那有没有可能，一个模型把这些活儿全端了？🤔 INF 团队发的 Infinity-Parser2 想干的就是这件事——一个端到端的大模型，把文档的版面、表格、公式、图表，甚至化学式和文档问答，一口气都学会。

> **想自己动手试？**
> - 📄 论文：https://arxiv.org/abs/2607.07836)
> - 💻 代码：https://github.com/infly-ai/INF-MLLM
> - 🧩 模型：https://huggingface.co/collections/infly/infinity-parser2
> - 📊 数据集：https://huggingface.co/datasets/infly/Infinity-Doc2-5M
> - 🎮 Demo：https://huggingface.co/spaces/infly/Infinity-Parser2-Demo

## 🎯 这篇论文到底想解决什么问题？

问题卡在两个结构性瓶颈上：

- 🗃️ **训练数据又缺又不真**。真实文档千奇百怪，人工标注又慢又贵；于是大家要么数据规模不够，要么用合成数据但合成得离真实太远，模型一上线就露怯。
- 🏝️ **任务被拆成各自为政的孤岛**。以前的解析系统把"看版面、找表格、认公式"当成各自独立的头或串行阶段，各干各的、没法联合优化——可这些任务明明高度耦合，版面认错了表格也跟着错。

Infinity-Parser2 的回答是同时治这两头：用一套"可控渲染"的数据合成引擎造出 500 万条双语（中英）训练样本（Infinity-Doc2-5M），再用"可验证的多任务奖励"把 8 个任务放在一起做强化学习联合训练。

它要证明的命题一句话——**文档解析可以被一个统一的大模型端到端吃下，不必再拼流水线**。我个人觉得这个方向是对的：pipeline 的工程债太重，端到端模型一旦够强，对做应用的人是实打实的减负。

## 🛠️ 它的思路是什么？

先说数据怎么来的，因为这是整篇报告我觉得最值得抄的部分。他们没去硬标 500 万条，而是造了一个 DOM-based 的文档合成引擎——简单说，反过来造文档。


*图说：合成引擎分三步——先收集语料（纯文本、LaTeX、图片、图表），再配置版面与样式（字体、分栏、DPI、缩进），最后渲染成文档；固定布局和灵活布局走两条路径，渲染结果天然带精确坐标标注。*

先有结构化的内容（一段段文字、一个个表格、一条条公式），再配上版面参数（字体、分栏、DPI、留白），用渲染引擎把它"排版"成 PDF 或图片。因为是先有结构再渲染，每一段文字、每一个表格单元格的坐标和内容都天然已知——ground truth 不用标，天生精确。这比拿真实 PDF 逆向标注省事太多，而且可控：想练双栏就批量造双栏，想练公式密集就批量造公式。

光有数据还不够，还得让模型同时学好这么多任务。模型走的是统一的 image-to-sequence：一页文档图片丢进去，自回归吐出一串 token，这串 token 可以是 markdown、json、公式的 LaTeX、表格的 HTML——具体由任务决定。训练分两步走：

- 🎓 先做 SFT 监督微调，让模型学会"把文档图变成结构化输出"的基本能力
- 🔁 再用 GRPO（Group Relative Policy Optimization，DeepSeek 带火的强化学习算法）做多任务联合 RL，在 8 个任务上一起迭代

这里最关键的是"可验证奖励"——为什么文档解析特别适合 RL？因为它的好坏很大程度上能自动判分：

- 📋 表格还原得对不对，可以程序化地比对结构和文字
- ➗ 公式还原对不对，可以用 LaTeX 语法树比对
- 📌 版面位置对不对，可以用 IoU（交并比）算

公式细节我不展开（GRPO 的推导有点绕），你只要知道它的作用是让模型在"能被程序自动判分"的任务上自我迭代，不需要人工再打分——这也是这条路能 scale 起来的根本原因。

## 📈 效果到底怎么样？

先看最直接的——三个最常见的文档解析基准。Infinity-Parser2-Pro（35B 那个）在三个基准上都压住了对手：

- **olmOCR-Bench 拿 87.6**，超过 dots.mocr（83.9）、PaddleOCR-VL-1.5（78.5）、DeepSeek-OCR-2（76.3）
- **ParseBench 拿 74.3**，超过 Chandra-OCR-2（70.1）、Gemini-3.1-Pro（69.1），甚至 GPT-5.5（67.8）
- **OmniDocBench-v1.6 到 93.95**，高于 MinerU2.5（92.98）和 dots.ocr（90.50）


*图说：olmOCR-Bench、ParseBench、OmniDocBench-v1.6 三个主流文档解析基准的对比，Infinity-Parser2-Pro 在三者上均居首。*

老实说，单看 OCR 这个数字我并不意外——端到端大模型把小模型流水线卷下去是早晚的事。但让我觉得这篇报告有料的，是它顺带把各种"元素级"任务也刷上去了，而且不是只强在 OCR（下面这些指标都越接近 100 越好）：

- **表格**：PubTabNet 94.76、FinTabNet 98.88（单位 TEDS，衡量表格结构还原得准不准）
- **数学公式**：CDM 均值 97.7（CDM 是公式 LaTeX 的字符匹配相似度，其中 SPE 子集 99.4）
- **图表**：Chart-to-JSON 在 strict / slight / high 三档拿到 61.7 / 68.9 / 73.7（AP 平均精度，从严到宽）
- **化学式**：CoSyn-Chemical 上 InChI 53.91、valid SMILES 86.72（两种把化学结构转成文本的表示法，valid SMILES 是"生成出的合法结构串占比"）

我的解读是：这份"全面"恰恰是联合训练的价值——表格、公式、图表这些任务共享了文档理解的底层能力，单独训反而学不到这种共性。一个模型把这些都做了，意味着你不用再为每个元素类型单独部署一个模型，工程上清爽一大截。

不过得提醒一句：这些结果主要来自作者自测（technical report，没经同行评审），不同基准的评测协议和竞品版本我没能完全核对 (uncertain)，所以"全面碾压"的措辞还是要打个折。

## 🤔 为什么你要关心？

你可能觉得文档 OCR 这种活儿不是早就解决了吗？还真没有——尤其是表格、公式、双栏、扫描噪声这些，至今是 RAG 和文档入库的"漏勺"。Infinity-Parser2 这类端到端模型，最直接的用处就是替掉你 pipeline 里那串拼起来的解析组件。


*图说：版面分析、表格、图表、化学式、文档问答、通用多模态等多项任务上的横向对比，模型在大多数任务上排第一或第二——说明它不只是 OCR 强，而是全栈。*

落到实操，如果你做 RAG 或文档智能，我建议你关注三件事：

- 🇨🇳 **中文场景白捡一份大数据**：它开源了 500 万双语样本（Infinity-Doc2-5M），对中文文档解析尤其值钱——中文高质量解析语料一直稀缺
- ⚙️ **部署有得选**：给了两个变体，Flash（2B，吞吐快 3.68 倍）适合线上、Pro（35B-A3B）适合要精度的场景
- 🧪 **合成思路能复用**：DOM 合成那套完全可以抄去给你的领域（病历、合同、票据）造合成数据，不一定非得用它这个模型

再往远看一点，我有个判断：文档解析正在从"工程拼装"转向"单模型端到端"，就像机器翻译当年从 pipeline 走向神经端到端一样。Infinity-Parser2 不是终点，但它是这条路上一座很显眼的里程碑。

## 🧊 冷静一下

几个该打问号的地方：

- ⚠️ **结果是自测的**。它是 technical report，没有同行评审；多个基准上"超 GPT-5.5、超 Gemini-3.1"出自作者自评，评测协议和竞品版本我没有完全核对 (uncertain)，建议拿你自己场景的数据复测再下结论
- **benchmark 不等于你的真实文档**。合成数据训出来的模型，遇到真实扫描件的脏噪声（印章、歪斜、水印）能不能稳，是另一个问题，作者自己也承认这个 gap
- **联合 RL 是否对每个任务都是正贡献**。8 个任务的奖励量纲和难度不一样，作者给了消融但不算深，我觉得这点还留了些疑问

> 作者：lusca
> 版本：lusca-paper-blog v1.2.8
> 出处：https://github.com/yjmm10/lusca-skill/tree/main/skills/lusca-paper-blog

💡 一句话带走：Infinity-Parser2 把"可控数据合成 + 多任务联合强化学习"拧成一个端到端文档解析大模型，开源 500 万双语数据和两个模型，给"用一个模型替掉整条解析流水线"提供了很强的公开基线——做 RAG / 文档智能的人值得在自己数据上跑一遍。

做文档解析的人该看看 Infinity-Parser2：一个模型把版面、表格、公式、图表全端了

人工智能

开发工具

后端

Infinity-Parser2创新端到端文档解析大模型，融合可控数据合成与多任务强化学习，开源500万双语数据。在OCR、表格、公式等8项任务上表现优异，可替代传统解析流水线，显著提升RAG和文档智能处理效率。特别适合中文场景，提供2B和35B两个版本，支持不同部署需求。

机器翻译

强化学习

大数据

DeepSeek

JSON

2026上云采购 | AI焕新·智启新局

imagerecognition

文字识别限时特惠，新用户0.5折起


文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

做文档解析的人该看看 Infinity-Parser2：一个模型把版面、表格、公式、图表全端了-腾讯云开发者社区-腾讯云

做文档解析的人该看看 Infinity-Parser2：一个模型把版面、表格、公式、图表全端了

做文档解析的人该看看 Infinity-Parser2：一个模型把版面、表格、公式、图表全端了

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐