Infinity-Parser2 是一个开源多模态文档解析模型,用强化学习同时训练 6 个任务,35B Pro 版 SOTA、2B Flash 版极速,一行命令就能把 PDF 转成结构化 Markdown。
项目地址:https://github.com/infly-ai/INF-MLLM HuggingFace:https://huggingface.co/infly/Infinity-Parser2-Pro 在线 Demo:https://huggingface.co/spaces/infly/Infinity-Parser2-Demo
前言
做 RAG、做知识库、做文档问答的同学,大概率都踩过同一个坑:PDF 解析。
扫描版 PDF、带表格的论文、混排图文的技术文档、甚至还有化学公式和复杂图表——传统 OCR 工具(PaddleOCR、Tesseract)只能出「一堆乱码文字」,排版关系全丢了。后来有了 MinerU、Marker 这类开源方案,用多阶段 Pipeline(检测→识别→版面分析→重建)来处理,效果好了不少,但延迟高、部署重、遇到没见过版式就翻车。
最近,infly.ai 放出了 Infinity-Parser2,直接刷新了我对「文档解析」这件事的认知:
- • 35B Pro 版:olmOCR-bench 87.6%、ParseBench 74.3%,双双 SOTA,超过 DeepSeek-OCR-2、PaddleOCR-VL-1.5、MinerU-2.5
- • 2B Flash 版:推理速度 1624 tokens/sec,比自家上一代 7B 模型快 3.68 倍
- • 统一架构:一个模型同时搞定文档解析、表格提取、公式识别、图表转结构化数据、文档问答、化学式解析——不是靠堆 Pipeline,是靠 多任务强化学习(Joint RL) 训出来的
更关键的是,它完全开源,HuggingFace 上直接下载,一行 pip install infinity_parser2 就能跑。
数据说话:它到底强多少?
olmOCR-bench:文档解析基准
olmOCR-bench 是文档解析领域最权威的公开基准之一,测试模型把各种版式 PDF 转成结构化文本的能力。
Infinity-Parser2-Pro 87.6%,比 PaddleOCR-VL-1.5 高 7.6 个百分点,比 MinerU-2.5 高 12.4 个百分点。这意味着每 100 页 PDF,MinerU 会漏掉或错排约 25 页的内容,而 Infinity-Parser2-Pro 只错约 12 页。
更夸张的是 Flash 版(2B)也有 86.0%,只比 Pro 版低 1.6 个百分点——用小模型做到了别人大模型都做不到的成绩。
ParseBench:更难的解析质量测试
ParseBench 比 olmOCR-bench 更严格,考察复杂版式(多栏、嵌套表格、图文混排)下的解析准确率。
这里差距更悬殊:
- • Infinity-Parser2-Pro 74.3%,超过 Gemini-3-Pro(69.1%)
- • PaddleOCR-VL-1.5 和 DeepSeek-OCR-2 都只有 40% 出头
- • MinerU-2.5 也只有 45.9%
也就是说,Infinity-Parser2 在「最难的版式」上,准确率是竞品的 1.6~1.8 倍。
多任务能力:一个模型顶六个
传统方案是「一个模型做 OCR,另一个做表格识别,再一个做版面分析……」拼在一起。Infinity-Parser2 用统一架构 + Joint RL 同时训练 6 个任务:
从数据上看,Infinity-Parser2-Pro 在所有任务上都有竞争力:
- • 表格解析 PubTabNet:94.76%(超过 PaddleOCR-VL 的 84.6%)
- • 公式识别 UniMERNet:97.7%(超过 DeepSeek-OCR-2 的 79.8%)
- • 文档问答 DocVQA:96.43%(超过 DeepSeek-OCR-2 的 43.42%)
- • 化学式解析 CoSyn_Chemical:71.48%(DeepSeek-OCR-2 仅 52.16%)
很多竞品在部分任务上根本没有数据(N/A),说明它们要么不支持,要么效果太差不敢放 benchmark。
技术拆解:为什么它能这么强?
核心创新 1:可验证奖励的 Joint RL
Infinity-Parser2 最大的技术亮点不是「模型更大」,而是训练方式。
传统多任务学习通常是「共享 backbone + 多个 task head」,每个任务各自优化。Infinity-Parser2 搞了一套可验证奖励系统(Verifiable Reward System):
- • 文档解析任务:输出结构化 JSON,奖励 = 与 ground truth 的匹配度
- • 表格任务:输出 HTML 表格,奖励 = 单元格准确率
- • 公式任务:输出 LaTeX,奖励 = 编译成功率 + 语义等价性
- • 图表任务:输出结构化数据,奖励 = 数值匹配率
这些奖励都是可自动验证的,不需要人工标注偏好数据。基于这套奖励,模型用 Joint Reinforcement Learning 同时优化所有任务——不是轮流训,是同一个 batch 里同时有 6 种任务的样本…