문서 전체를 한 번에 해석하는 대형 멀티모달 모델 Infinity-Parser2가 공개됐다. 이 모델은 정확히 주석된 문서 파싱 데이터가 부족한 문제를 해결하기 위해 제어 가능한 데이터 합성 파이프라인과 다중 과제 강화학습을 결합했다. 글자 인식에만 머무르지 않고 페이지 배치, 표, 수학식, 차트, 화학식, 읽기 순서와 문서 질의응답을 하나의 구조에서 다루도록 설계됐다.
연구진은 중국어와 영어 문서 500만 개로 구성한 Infinity-Doc2-5M을 구축해 공개했다. 데이터에는 문서 요소의 경계 상자와 전체 페이지 읽기 순서가 포함되며, 내용은 Markdown·HTML·LaTeX·SMILES·구조화 차트 같은 표준 형식으로 주석된다. 합성 엔진은 제어 가능한 렌더링과 반복 개선 루프를 묶어 여러 문서 유형을 확장한다. 실제 문서만 수작업으로 표시할 때 발생하는 비용과 유형 편중을 줄이려는 선택이다.
학습에서는 문서 파싱, 레이아웃 분석, 표·수식·차트·화학식 파싱, 문서 VQA, 일반 멀티모달 이해 등 여덟 목표를 검증 가능한 보상 체계로 공동 최적화했다. 같은 아키텍처에서 지연 시간을 줄인 Flash와 정밀 작업용 Pro 두 변형을 제공한다. 논문은 Flash가 이전 Infinity-Parser-7B보다 처리량이 3.68배 높고, Pro가 olmOCR-Bench 87.6%, ParseBench 74.3%를 기록했다고 보고했다.
문서 AI 개발자에게 중요한 점은 인식과 구조 복원을 별도 모델로 이어 붙이지 않고 공통 보상 아래 통합했다는 데 있다. 특히 표와 수식, 화학식처럼 오류를 자동 검증하기 쉬운 영역을 강화학습 신호로 묶은 방식은 파싱 파이프라인 단순화 가능성을 보여준다. 다만 공개 벤치마크 성능이 기업의 스캔 품질, 언어 구성, 복잡한 서식에 그대로 이어지는지는 별도 평가가 필요하며, 합성 데이터의 분포와 실제 문서의 차이도 점검해야 한다.
원문: arXiv 2607.07836
저작권자 © STORIUM 무단전재 및 재배포 금지
