汉字生成评估不能只看对错：拆解构型的分级评分思路

一、问题的起点：把汉字当成黑箱的评估方式

在图像生成模型的后期训练中，强化学习是提升输出质量的常见手段。而强化学习要运转起来，离不开一个“裁判”角色——它负责给模型生成的样本打分，告诉模型这次生成得好还是不好。在文字渲染类任务里，这个裁判通常由 OCR（光学字符识别）模型担任。

OCR 的工作方式本身并不复杂：把生成图片中对应的文字区域截取出来，识别成计算机可读的文本，再与目标文字逐字比对，一致则给分，不一致则不给分。这套逻辑在拉丁字母体系下基本够用，因为英文的最小单位就是 26 个字母，单词由字母线性排列组合而成，错一个字母就是明确的局部错误。

但汉字不是线性结构。汉字是一种二维的“积木”系统：一个字符往往由若干偏旁部首按照左右、上下、包围等空间关系拼装而成。例如左右结构的字由两个部件横向排布，上下结构的字由两个部件纵向叠放。这种由部件及其空间关系构成的组织方式，可以称为汉字的“构型”。构型的核心在于：字符不是原子单位，而是有内部结构的组合体。

问题恰恰出在这里。当 OCR 面对一个结构复杂的汉字时，它并不理解内部构造，而是把整个字符当作一个不可拆分的整体来匹配。一旦字形出现任何偏差——写错一笔、错一个部件、空间关系错位——OCR 往往直接判定为“不认识”，输出一个形近字或者干脆放弃识别。无论偏差是轻微的还是严重的，裁判给出的分数都一样：零分。

这就好比批改一份满分 100 分的试卷，学生错一道题和错九十道题得到的分数完全相同，都是零分。这样的信号无法告诉模型“你哪里需要改进”，模型也就无从学习优化的方向。

二、二元评分的三种失真表现

2.1 梯度消失：全零信号让模型无从优化

强化学习的核心在于利用奖励信号的差异来调整策略。如果一批生成样本无论质量高低都得到相同的零分，那么策略梯度就失去了方向性。模型无法区分“只错了一个部件的样本”和“结构完全崩坏的样本”，也就无法朝着“少错一点”的中间状态前进。二元评分抹平了错误程度，等于抹平了学习路径。

2.2 假阳性：语言先验带来的“蒙对”

一个更隐蔽的问题是多模态大模型的“脑补”能力。当生成图中某个汉字的构型出现错误时，专用 OCR 模型会如实判定为不认识并给零分；但换成具备上下文理解能力的多模态模型去识别，它可能结合句子语境“猜”出原本想写的字，从而给出满分。

这实际上是一个假阳性：图上那个字形明明是错的，模型只是依靠语言能力蒙对了答案。用这样的裁判做强化学习，等于在奖励“写错但能被猜对”的样本，反而会鼓励模型弱化字形精度、依赖上下文兜底。

2.3 异常标记：非黑即白的另一端

还有一类专门检测错字的工具，能够较准确地判断某个字符的结构存在问题。但它们的处理方式是把整个字符标记为一个异常符号，同样直接给零分。这类方法虽然不会被语言先验误导，但依然是非黑即白的判断：要么对，要么错，中间没有灰色地带。

然而汉字的错误本来就有程度之分：少一横、多一撇、部件位置颠倒、部件缺失、整体结构崩坏，这些错误的严重性显然不在同一量级。评估体系如果不能表达这种程度差异，就无法为模型提供精细的改进信号。

三、拆解构型：从字符级评分走向结构级评分

要解决上述问题，核心思路是把评估粒度从“整个字符”下放到“字符内部结构”。具体来说，可以把一个汉字的评估拆成三个维度。

3.1 部件维度：偏旁部首是否正确

第一步是判断目标字符由哪些部件构成，并检查生成字形中这些部件是否齐全、是否正确。例如一个左右结构的字，左侧部件和右侧部件是否都出现了，各自的形态是否接近正确写法。部件级别的比对可以用部件识别模型或模板匹配完成，输出的是“部件缺失/部件错误/部件正确”这样的分档结果。

3.2 空间关系维度：部件排布是否合理

部件齐全不等于结构正确。左右、上下、包围等空间关系同样关键。两个部件都写对了，但位置颠倒或比例严重失调，字符依然是错的。这一维度可以通过检测部件包围框的相对位置、面积比例、重叠程度来量化，输出“关系正确/关系偏移/关系崩坏”等档位。

3.3 笔画维度：细节偏差是否可接受

在部件和空间关系都正确的前提下，还可以进一步考察笔画层面的偏差，例如某一笔过长、过短、缺失或多余。笔画级评估对细粒度优化的价值最大，因为它能指出“差一点点”的中间状态，而这正是二元评分最缺失的区间。

3.4 分级评分的组合方式

将上述维度组合起来，可以设计一个分档的评分函数，而不是单一的对错判定。示意性逻辑如下：

def score_char(generated, target):
    parts_score = compare_parts(generated, target)      # 0 / 0.5 / 1
    layout_score = compare_layout(generated, target)    # 0 / 0.5 / 1
    stroke_score = compare_strokes(generated, target)   # 0 / 0.5 / 1
    # 加权组合，突出结构正确性的优先级
    return 0.5 * parts_score + 0.3 * layout_score + 0.2 * stroke_score

这样，一个“部件齐全但位置略偏”的样本会得到高于“部件缺失”样本的分数，一个“笔画略有偏差”的样本又会得到更高分。奖励信号从此有了梯度，模型能够沿着“部件补齐 → 关系摆正 → 笔画精修”的路径逐步优化。

四、工程落地的几个注意点

第一，裁判模型本身需要校准。分级评分依赖部件识别与空间关系检测的准确性，如果裁判自身误判率高，梯度信号同样会失真。建议在训练前用带标注的错字样本集对裁判做一致性评估。

第二，避免奖励漏洞。分级评分引入了更多档位，也意味着模型可能找到“刷分”捷径，例如通过堆叠部件换取部件分而忽视整体结构。加权设计时应确保整体结构正确性的权重足够高，并定期用人工抽检校准。

第三，与语言先验解耦。评估阶段应尽量使用不依赖上下文的字形比对，避免多模态模型的“脑补”干扰评分。上下文信息可以用于其他训练目标，但不应混入字形正确性的裁判逻辑。

第四，评分粒度可按任务调整。如果训练目标是整体排版与可读性，部件级和关系级评分权重可以更高；如果目标是书法风格或精细字形还原，笔画级评分应占更大比重。

五、小结

把汉字当作不可拆分的黑箱来评估，是当前文字生成训练中一个容易被忽视却影响深远的问题。二元评分带来的梯度消失、假阳性和非黑即白的判定，都会让模型失去精细优化的方向。将汉字还原为“部件 + 空间关系 + 笔画”的构型结构，并据此设计分档评分，能够为强化学习提供有梯度、可解释的奖励信号。评估粒度的下放，本质上是对汉字本身结构的尊重——只有裁判看得懂结构，模型才学得会结构。