汉字结构感知：让AI更准确生成中文字的技术路径

一、问题的起点：OCR将汉字当作不可拆分的黑箱

在生成式模型的能力迭代中，强化学习已成为后期训练的重要手段。其基本流程是：模型生成候选结果，由一个“裁判”模型对结果打分，模型根据分数调整参数。在图文生成任务中，这个裁判通常由OCR（光学字符识别）模型担任——将生成图片中的文字区域截取出来，识别为文本，再与目标文字比对：一致则给分，不一致则不给分。

这套机制在英文场景下基本够用。英文的最小单位是26个字母，单词由字母线性排列而成，OCR对字母的识别已经相当成熟，评分信号清晰且连续。

但汉字的情况截然不同。

二、汉字的本质：二维积木结构

汉字并非线性排列的符号序列，而是一种二维的积木结构。每个汉字由偏旁部首按照特定的空间关系组合而成：

• 左右结构：如“尬”由“九”和“龙”的变体左右排布；
• 上下结构：如“想”由“相”和“心”上下叠放；
• 包围结构：如“国”由外框“囗”与内部“玉”嵌套组合；
• 半包围结构：如“远”由“辶”与“元”组合。

这种由部件按照空间关系组合而成的结构，称为汉字的构型。构型是汉字区别于拼音文字的核心特征，也是OCR识别汉字时最大的难点。

三、黑箱评分的根本缺陷：非黑即白

当OCR面对结构复杂的汉字时，常见的行为模式有三种：

1. 误判为形近字：将结构错误的字识别为另一个外形相似的字；
2. 直接拒识：输出一个无意义的符号或空白；
3. 依赖语言模型“脑补”：多模态大模型结合上下文语境，猜出正确的字，但图中字形实际上是错的。

无论哪种情况，评分逻辑都是二值的：识别结果与目标一致则得1分，否则得0分。

这就导致一个严重问题：无论模型是写错了一笔还是写错了整个半边，只要OCR最终认不出，得分都是零。 这好比批改一份100道选择题的试卷，不管学生错一道还是错九十道，统统给零分。这样的信号完全无法告诉模型“哪里需要改进”，模型也就无法学到正确的优化方向。

论文中有一个直观案例：生成图中“尬”字的结构出了问题，专用OCR模型将其识别为另一个形近字，判定错误，得0分；换用多模态大模型后，模型结合上下文“猜”出了正确答案，得1分——但这是一个假阳性，因为图中字形明明是错的，模型只是靠语言能力蒙对了。

另一类专门检测“写错字”的工具能够准确判断字形结构异常，但处理方式是将异常字整体标记为一个特殊符号，同样给0分。这种方式虽然不会被语言模型的“脑补”欺骗，但依然是非黑即白的判断：对，或者错，中间没有灰色地带。

四、汉字错误的程度差异：需要连续信号

汉字的错误天然存在程度之分：

• 笔画级错误：多一笔、少一笔、笔画位置偏移；
• 部件级错误：某个偏旁写错或缺失；
• 结构级错误：左右颠倒、上下错位、包围关系错误；
• 整体级错误：完全写成另一个字。

不同的错误程度对应不同的优化优先级。如果评分机制能够输出连续值——比如结构完全正确得1.0，部件正确但笔画有偏差得0.7，结构错误但部件可辨得0.3，完全错误得0.0——那么模型就能获得更细粒度的梯度信息，从而更高效地学习。

五、技术思路：从黑箱评分到结构感知评分

要解决上述问题，核心思路是将汉字从“不可拆分的黑箱”转变为“可拆分的结构树”。具体而言，可以从以下几个层面入手：

5.1 构建汉字结构表示

将每个汉字表示为一个结构树，例如：

尬
├── 部件1: 九
├── 部件2: 龙(变体)
└── 空间关系: 左右

这种表示可以递归展开到笔画级别。有了结构表示，评分模型就可以逐层比对，而不是只比对最终识别结果。

5.2 设计分层评分函数

评分函数可以按照结构层次加权：

def structure_aware_score(pred_img, target_char):
    # 1. 识别整体字符
    pred_char = ocr(pred_img)
    if pred_char == target_char:
        # 进一步检查结构是否正确
        if structure_match(pred_img, target_char):
            return 1.0
        else:
            # 识别正确但结构有误，扣分
            return 0.8
    # 2. 整体识别失败，进行部件级比对
    pred_parts = extract_parts(pred_img)
    target_parts = decompose(target_char)
    part_score = match_parts(pred_parts, target_parts)
    # 3. 部件级比对失败，进行笔画级比对
    if part_score < threshold:
        stroke_score = match_strokes(pred_img, target_char)
        return stroke_score * 0.5
    return part_score * 0.7

5.3 引入结构异常检测

除了识别结果，还应引入专门的结构异常检测模块，判断生成的字是否存在笔画断裂、部件错位、空间关系异常等问题。这类检测可以作为独立信号，与OCR识别结果融合，形成更全面的评分。

5.4 结合语言模型时的防“脑补”机制

多模态大模型在识别时容易依赖语言先验“猜”出正确字，导致假阳性。解决方案是：将视觉结构检测与语言识别结果解耦。视觉结构检测只负责判断“字形结构是否正确”，不依赖上下文；语言模型只负责判断“这个字在语境中是否合理”。两者分别输出信号，再综合决策。

六、工程实践中的注意事项

在实际系统中落地结构感知评分，需要注意以下几点：

1. 结构标注数据的获取：需要构建汉字结构分解的标注数据，包括部件拆分、空间关系、笔画序列等。这部分数据可以基于公开的汉字结构数据库进行整理。

2. OCR与结构检测的协同：OCR负责快速筛选，结构检测负责精细评分。两者可以级联使用，先由OCR做初步判断，再由结构检测对OCR无法区分的case进行细粒度评分。

3. 评分函数的可微性：如果评分函数需要嵌入强化学习流程，最好设计为可微或近似可微的形式，以便梯度回传。如果无法可微，也可以采用策略梯度方法，用评分作为奖励信号。

4. 避免过拟合到特定字体：结构感知评分应关注结构关系而非像素级匹配，否则模型可能只学会生成训练集中出现过的字体风格，而无法泛化到新字体。

七、总结

汉字生成任务的评估，核心挑战在于汉字本身是二维积木结构，而传统OCR评分将其视为不可拆分的黑箱，只能输出二值信号。这种非黑即白的评分方式无法区分轻微笔画偏差与严重结构错误，导致模型无法获得有效的优化方向。

解决路径是引入结构感知评分机制：将汉字表示为结构树，设计分层评分函数，结合结构异常检测，并在使用语言模型时解耦视觉结构与语言先验。这样，生成模型就能获得连续、细粒度的反馈信号，从而更高效地学会写对汉字、写好汉字。

对于从事生成式模型训练、OCR系统开发或多模态应用的开发者而言，理解汉字构型的特殊性，并据此设计更合理的评估与训练机制，是提升中文生成质量的关键一步。