30秒サマリー
- 大規模マルチモーダルモデル「Infinity-Parser2」が表・数式・化学式を含む多様な文書を高精度でエンドツーエンド解析
- 500万件の中英バイリンガルコーパスをオープンソースで公開、8つの文書解析タスクを強化学習で同時最適化
- ベンチマークでDeepSeek・PaddleOCRなど競合モデルを上回る87.6%の精度を記録
何が起きたか
2026年7月8日、Zuming Huangら15名の研究者チームがarXivに技術報告書「Infinity-Parser2」を公開した。同モデルは、文書解析用の正確なアノテーション付きコーパスが慢性的に不足しているという課題に対応するため、制御可能なデータ合成パイプラインと多タスク強化学習を組み合わせた大規模マルチモーダルモデルとして設計されている。
主な成果として、まず500万サンプルの中国語・英語バイリンガルコーパス「Infinity-Doc2-5M」を構築しオープンソースで公開した。このコーパスは多様な文書タイプをカバーし、要素のバウンディングボックス、Markdown・HTML・LaTeX・SMILES等の正規コンテンツ形式、ページ全体の読み取り順序といったアノテーションを含む。次に、文書解析・レイアウト分析・表解析・数式解析・チャート解析・化学式解析・文書VQA・一般的なマルチモーダル理解の8つのタスクを同時学習する報酬システムを導入した。
モデルは2種類のバリアントとして提供される。「Infinity-Parser2-Flash」は低遅延推論に最適化されており、先行モデル「Infinity-Parser-7B」比で3.68倍のスループット向上を達成。「Infinity-Parser2-Pro」は高精度が求められる用途向けに設計されており、olmOCR-Benchで87.6%、ParseBenchで74.3%を記録し、DeepSeek-OCR-2、PaddleOCR-VL-1.5、MinerU2.5を上回ったと論文は主張している。
原典ハイライト
論文アブストラクトによれば、Infinity-Parser2-Proはolm OCR-Benchにて87.6%、ParseBenchにて74.3%を達成し、現時点での最高水準（state-of-the-art）と位置付けられている。また、500万件規模のバイリンガルコーパスがオープンソースで公開される点も明記されている。
出典: arXiv cs.AI（論文）
So What?（なぜ重要か）
文書解析AIの精度・速度・多様性が同時に向上したことで、OCR・文書デジタル化・情報抽出の自動化ハードルが一段と下がる。表・数式・化学式・チャートまで単一モデルで処理できる点は、これまで個別ツールを組み合わせていたワークフローの統合を可能にする。さらにオープンソースコーパスの公開により、研究機関や企業が独自モデルを追加学習する土台が整う。
日本企業への示唆
日本企業がDXを推進する上で、請求書・契約書・設計図書・研究報告書など多様な文書の自動処理は長年の課題だった。Infinity-Parser2のような高精度・多形式対応モデルは、既存のRPA・文書管理システムへのAI組み込みを現実的な選択肢に押し上げる。特に中英バイリンガル対応コーパスが公開されている点は注目に値するが、日本語対応については原文に明記がなく、実務導入前に検証が必要。また、Flash（高速）とPro（高精度）の2バリアント構成は、用途別のコスト最適化を検討する際の参考になる。オープンソースコーパスを活用した日本語特化ファインチューニングの検討も選択肢の一つとなろう。
背景・経緯
文書解析AIは、正確なアノテーション付きコーパスの不足が長年の技術的ボトルネックとなってきた。原文によれば、Infinity-Parser2はこの課題に正面から取り組むべく設計されており、合成データ生成と強化学習を組み合わせる手法を採用している。同チームには先行モデル「Infinity-Parser-7B」が存在することが原文中に示唆されており、今回はその後継・改良版として位置付けられる。
