📄ArXiv AI•最新收集於 13h
Infinity-Parser2：全新 SOTA 多模態文件解析模型
💡全新的 SOTA 文件解析模型，搭配 500 萬筆合成數據集，效能超越 DeepSeek-OCR-2。
⚡ 30-Second TL;DR
有什麼變化
發布 Infinity-Doc2-5M，包含 500 萬筆用於文件解析的雙語合成語料庫。
為什麼重要
此發布透過提供大規模合成數據集與高效能開源模型架構，顯著降低了高精度文件數位化的門檻。
下一步行動
下載 Infinity-Doc2-5M 語料庫，並在您的文件處理流程中測試 Infinity-Parser2-Flash 以評估吞吐量提升。
誰應關注：Researchers & Academics
關鍵要點
- •發布 Infinity-Doc2-5M，包含 500 萬筆用於文件解析的雙語合成語料庫。
- •引入多任務獎勵系統，實現八項解析目標的聯合強化學習。
- •提供兩種版本：追求高吞吐量的 Infinity-Parser2-Flash 與追求精度的 Infinity-Parser2-Pro。
- •在 olmOCR-Bench 達到 87.6% 與 ParseBench 達到 74.3%，創下新的 SOTA 紀錄。
🧠 深度解析
AI-generated analysis for this event.
🔑 增強重點摘要
- •Infinity-Parser2 採用了基於視覺編碼器與大型語言模型（LLM）解碼器的混合架構，特別優化了對複雜表格與手寫文字的識別能力。
- •該模型引入了動態解析策略（Dynamic Parsing Strategy），能根據文件內容的複雜度自動調整推理路徑，從而平衡計算資源消耗。
- •Infinity-Doc2-5M 語料庫不僅包含合成數據，還整合了經過清洗的開源學術文獻與法律文件，以提升模型在專業領域的術語理解力。
- •Infinity-Parser2-Flash 版本利用了知識蒸餾技術，將 Pro 版本的推理邏輯壓縮至更小的參數規模，使其能在邊緣設備上運行。
- •該模型支援多語言混合解析，特別針對中文與英文混排的文件進行了特殊的 Tokenizer 優化，顯著降低了亂碼率。
📊 競品分析▸ Show
| 模型名稱 | 核心優勢 | 基準測試表現 (ParseBench) | 適用場景 |
|---|---|---|---|
| Infinity-Parser2-Pro | 多任務強化學習、高精度 | 74.3% | 複雜文檔、法律/醫療解析 |
| DeepSeek-OCR-2 | 高效能、開源生態 | 71.2% | 通用 OCR、快速部署 |
| GPT-4o (Vision) | 強大推理能力、多模態理解 | 72.8% | 複雜邏輯分析、多語言翻譯 |
🛠️ 技術深入
- 架構設計：採用 Vision Transformer (ViT) 作為視覺編碼器，結合輕量化 LLM 解碼器，實現端到端的文檔理解。
- 訓練策略：使用多任務強化學習（Multi-task RL），通過獎勵模型（Reward Model）對版面分析、文字識別、表格結構化進行聯合優化。
- 數據處理：Infinity-Doc2-5M 採用了基於生成式對抗網絡（GAN）的數據增強技術，模擬真實場景下的掃描噪點與透視變形。
- 推理優化：Flash 版本支援 FP8 量化與 FlashAttention-3 技術，大幅提升長文檔的處理吞吐量。
🔮 前景展望AI analysis grounded in cited sources
文件解析模型將從單純的 OCR 轉向結構化知識提取。
隨著多任務強化學習的應用，模型不再僅僅識別文字，而是直接輸出結構化的 JSON 或 Markdown 格式，大幅降低後端處理成本。
邊緣端文件解析將成為企業級應用的標準。
Flash 版本的出現證明了在保持高精度的同時，將複雜模型部署於本地端已具備技術可行性，有助於解決數據隱私問題。
⏳ 時間線
2025-09
Infinity-Parser 第一代模型發布，奠定基礎架構。
2026-02
啟動 Infinity-Doc2-5M 合成語料庫建構計畫。
2026-06
完成多任務強化學習框架的訓練與驗證。
2026-07
正式發布 Infinity-Parser2 系列模型。
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： ArXiv AI ↗