从扫描版PDF复制文字常得乱码，根源在于AI仅将扫描件视为图片。Infinity-Parser提出一种创新方案，通过名为layoutRL的强化学习框架，赋予AI真正的“布局感知”能力，精准解析文档结构，解决了这一长期难题。
智能速览
传统AI难以理解扫描文档，因其仅能识别像素而无法解读布局结构。
Infinity-Parser采用强化学习框架layoutRL，通过奖励机制引导模型学习。
其核心是一种三合一奖励系统，分别评估内容准确性、结构完整性和阅读顺序。
研究团队构建了包含5.5万份文档的Infinity-Doc-55K数据集用于训练。
在多项基准测试中，Infinity-Parser性能显著超越GPT-4o等现有模型。
精华内容
要训练出真正理解文档的AI，关键在于如何教会它“看”懂结构。Infinity-Parser的独到之处，并非简单地增加数据量，而是采用了一种巧妙的强化学习策略，手把手地引导模型掌握布局规律。
强化学习新思路
传统方法分步识别，一步错则步步错。Infinity-Parser另辟蹊径，采用强化学习（RL）框架。这种方法不依赖海量样本灌输，而是像训练宠物一样，当AI做出正确解析时就给予奖励。通过这种正向反馈，模型能主动学习如何正确识别文档布局，从根本上避免了错误累积的问题。
三合一奖励机制
这套系统的精妙之处在于复合奖励机制。首先是编辑距离奖励，逐字比对提取内容与原文的相似度，确保内容准确。其次是数量奖励，检查AI是否遗漏或多出段落，保证结构完整。最后是顺序奖励，确保提取的段落符合人类阅读逻辑。三者结合，为AI的“布局感知”能力提供了全方位的评估标准。
庞大且精巧的训练集
为了支撑上述训练，团队构建了Infinity-Doc-55K数据集，包含超过五万五千份文档。该数据集的设计颇具匠心，88%来自结构复杂的真实世界文档，让AI见识真实场景；12%为完美无瑕的合成数据，提供标准答案。这种双管道机制，让AI既能处理复杂情况，又能学习正确范例。
性能实测与超越
在与主流工具的对比中，Infinity-Parser表现卓越。在处理一个杂志页面时，其输出结果结构清晰，而竞品则顺序错乱。面对学术论文，它精准提取了全部内容，而GPT-4o则遗漏了图表标题。关键指标“总体编辑距离”测试中，Infinity-Parser得分仅为0.134，远低于GPT-4o的0.316，性能实现翻倍式超越。
Infinity-Parser的意义远不止于解决复制粘贴的烦恼。它真正解锁了海量沉睡于扫描件中的信息，让历史档案可被检索，为视障人士提供更准确的屏幕阅读，并推动业务流程自动化。当所有尘封的文档都能被完美理解时，一个全新的知识普惠时代或将到来。
