简介：文生图模型生成中文时常出现“轮廓对、细节崩”的问题，根因之一是现有评分机制对汉字构型错误的判断过于粗糙。本文从汉字二维结构、OCR评分缺陷与结构级反馈优化三个层面展开，帮助开发者理解如何设计更细粒度的生成质量评估与训练反馈，从而提升中文字形生成的准确率。
文生图模型在生成中文内容时，表现往往呈现一种典型特征：远看整体布局尚可，近看笔画、偏旁、空间关系频繁出错。一个常见的现象是，某个字多了一撇，某个偏旁被挤压变形，或是左右结构被错误地改成上下结构。这类问题不是偶发波动，而是当前图像生成模型在处理复杂汉字时普遍存在的系统性问题。
相较英文，中文生成难度更高，原因并不仅仅在于字符数量更大，而在于中文字符本身具有更复杂的空间组织方式。英文单词由线性排列的字母组成，生成模型可以借助语言序列的先验进行约束；而中文汉字是二维方块字，其正确性不仅取决于出现了哪些偏旁，还取决于这些偏旁之间的相对位置、比例关系、笔画交叠方式等结构信息。传统生成模型在视觉布局上的误差，很容易破坏这些结构约束，从而产生“看起来像一个字，但实际上并不是某个正确字”的情况。
为了提升生成质量，常见的工程实践是在生成模型后接一个“裁判”网络，通过强化学习或反馈微调的方式，让模型逐步收敛到更优的生成分布。对于英文任务，这个裁判可以是相对成熟的文本识别模块；它识别生成图像中的文字，并与目标文本进行比对，从而给出奖励信号。
但将这种方式直接迁移到中文场景时，会暴露出一系列结构性问题。
传统OCR模块在评分时使用的是一种近似完全匹配的判断逻辑。它首先将生成图像中的文字区域截取出来，然后进行字符识别，如果识别结果与目标字符串一致，则判为正确，否则判为错误。
这种二元判断方式对英文字符序列较为适用，因为英文单词拼写错误通常可以被识别为另一个词，评分模型可以通过编辑距离等方式给出部分分数。但在汉字场景中，一个字形即使只错了一笔，也可能被OCR识别为完全不同的字，或者被直接判定为无法识别。此时评分结果通常是零分，而无法反映这个字距离正确字形到底有多远。
例如，生成图像的目标字是“尬”，但模型在生成时让左侧偏旁“尢”的结构发生偏移，OCR可能将其识别为“轨”或“究”，甚至直接输出无法识别。这种评分结果无法告诉生成模型：这个字只是结构偏了一点，而不是完全错误。模型无法从奖励信号中区分“差一点”和“完全失败”，优化过程自然很难收敛。
比传统OCR更复杂的是多模态大模型识别。这类模型具备较强的上下文理解能力，能够根据整句语义推测某个位置的文字。如果生成图像中的字形存在结构错误，多模态模型可能仍然依据上下文“猜出”正确目标字。这种情况下，评分会错误地给出一分，形成假阳性。
这种评分结果对生成模型的训练尤其有害。模型明明生成了一个结构错误、笔画错误的字形，但裁判仍然给出了正向奖励。这样一来，模型不仅不会纠正字形，还可能进一步强化这种错误生成路径。语义能力越强，这种掩盖效应越明显。
还有一类专门检测字形错误的工具，它们能够识别出某个字符结构不合法，但处理结果往往是将其统一标记为异常符号，例如“#”，并给出零分。这种方式虽然避免了多模态模型的语义脑补问题，但本质上仍然是一种非黑即白的判断，无法描述错误的程度与类型。
对于中文生成任务来说，字形错误是分层次的。例如：
如果把这些完全不同的错误都归为一类，并统一给零分，那么生成模型就失去了精细化调整的依据。
要设计适合中文生成任务的评估机制，需要先回到汉字本身的结构特征。汉字并不是任意像素堆叠出来的符号，而是由偏旁、部件按照一定的空间关系组合而成的表意单位。这种“偏旁+位置”的组合方式，称为汉字构型。
举个简单例子：
这些字形的合法性并不仅仅取决于“出现了哪些偏旁”，还取决于偏旁之间的拓扑关系是否正确。因此，一个适合中文生成质量的评估模型，至少需要具备以下能力：
通过引入构型信息，评估模块可以帮助生成模型建立更精细的优化方向。例如，模型生成了“想”的整体布局，但下面的“心”被压缩得过小，评估系统可以给出“上下比例异常”的反馈，而不是直接判定为错误。
在实际训练流程中，如果将评估模块改造为结构级评分器，可以带来以下几方面的改进。
强化学习训练依赖于奖励信号的多样性。如果奖励只有0和1，策略梯度很难判断哪些生成方向是值得保留的。引入结构级评分后，奖励可以变为连续值。例如：
这种多级奖励机制能够有效提升模型的探索效率，使优化过程更快收敛到字形正确的生成分布。
结构级评估还可以用于离线分析。在一批生成结果中，系统可以统计错误最常见出现在哪些偏旁、哪些构型、哪些空间关系中。比如，模型可能频繁将左右结构的字写得太挤，或者对包围结构的边界处理不稳定。基于这些统计结果，可以针对性地扩充训练数据，或调整生成模型的注意力机制。
结构级评分器可以作为独立组件存在，与传统OCR识别模块、多模态识别模块并行运行。它并不要求完全替代现有裁判，而是作为一个补充信号。实际工程中可以设计多路裁判融合策略：
这样能够在保持语义理解能力的同时，显著降低字形错误被掩盖的风险。
虽然不展开具体算法实现细节，但从工程角度，结构级评分器通常需要包含以下几个模块。
将生成图像中的目标字切分出来以后，先进行部件级别的识别。这一步不要求识别出完整汉字，而是识别出可能存在的偏旁或部首。例如，对于一个上下结构的字，需要分别提取上部与下部组件。
在获得偏旁候选后，判断这些偏旁之间的相对位置关系。可预定义一组常见的空间关系类别，例如左右、上下、左中右、上中下、半包围、全包围、品字形等。该模块输出一个构型标签，并与目标字的构型标签进行比对。
在确认偏旁与构型基本正确后，还需要对局部笔画质量进行评估。例如，笔画是否断裂、是否异常粘连、偏旁的大小比例是否合理等。这个模块可以基于图像特征进行规则判断，也可以使用小规模标注数据进行监督学习。
最终评分由多个子模块的输出加权融合得到。权重可以根据实际业务需求进行调整。例如，在Logo设计场景中，字形美观度权重更高；在文本还原场景中，识别正确性权重更高。
中文字形生成的质量问题，不宜仅仅归因于生成模型能力的不足，评估与反馈机制同样关键。当前普遍采用的OCR二元评分方式，虽然在英文场景中较为有效，但在面对汉字构型高度结构化的特征时，往往无法提供足够的监督信号。
改进的核心方向是引入汉字结构意识，让评估系统能够看见偏旁、位置关系和错误层级，而非只给出对错判断。结构级评分机制可以帮助生成模型在强化学习过程中得到更有效的奖励，从而在字符细节层面完成更稳定的优化。对于涉及中文内容的图像生成应用来说，这种评估思路具有直接的工程参考价值。