拆开汉字看结构：让AI画对中文字的技术路径

一、问题的起点：OCR作为“裁判”的结构性缺陷

在图像生成领域，一个常见的优化范式是：用强化学习做后期训练，让生成模型在“裁判”的反馈下不断逼近目标。这个裁判通常由OCR（光学字符识别）模型担任——把生成图片中的文字区域截取出来，送入OCR识别，将识别结果与目标文字比对，一致则给正分，不一致则给零分。

这套逻辑在英文场景中基本够用。英文的最小单位是字母，26个字符线性排列组合成词，识别粒度天然与生成粒度对齐。但汉字不是线性排列的字母串，而是一种二维的积木结构：

• “尬”由“九”与“龙”的变体左右排布；
• “想”由“相”与“心”上下叠放；
• “围”是外包围内，“达”是左下包围右上。

这种由偏旁部首按照左右、上下、包围等空间关系组合而成的结构，称为汉字的构型。OCR模型在面对这类复杂结构时，往往把整个字当作一个不可拆分的黑箱：要么猜一个形近字，要么直接判为“不认识”。无论生成的字是错了一笔还是错了半边，只要最终OCR认不出，裁判给出的分数都是零。

这就好比批改一份100道选择题的试卷，学生错一道和错九十道得到的分数完全一样——都是零分。这样的反馈信号没有任何梯度信息，模型无法知道“哪里需要改进”，也就学不到该往哪个方向优化。

二、两个典型的失败案例

案例一：形近字误判与语言模型的“脑补”。

生成图中有一个“尬”字，结构已经出错。专门的OCR模型老老实实地把它认成了另一个形近字，判定为错，打0分。换成多模态大模型去识别，它结合上下文语境，硬是“猜”出了正确答案，打了1分。但这是一个假阳性——图上那个字形明明是错的，模型只是靠语言能力蒙对了而已。裁判被打分对象的“语言先验”骗过，反馈信号失真。

案例二：异常检测工具的“非黑即白”。

还有一类专门检测“写错字”的工具，能准确判断出某个字结构有问题，但处理方式是把整个字标记为一个异常符号，直接打0分。这种方法虽然不会被语言模型的“脑补”骗到，但同样是一种非黑即白的判断：对，或者错，中间没有灰色地带。错一笔和错半边，得到的反馈完全一样。

两个案例指向同一个根因：评价粒度与生成粒度不匹配。汉字生成的最小可优化单元是笔画与部件，而OCR裁判的最小反馈单元是整个字。粒度错位导致反馈信号丢失，模型无法从“错”中提取“怎么错”。

三、解决思路：从“整字黑箱”到“结构感知”

要解决这个问题，核心是把评价单元从“整字”下推到“结构”。具体来说，需要建立一个分层可微的评价体系，让反馈信号能够定位到具体的部件与空间关系上。

3.1 结构分解：把汉字拆成可评价的单元

一个可操作的分解方案如下：

汉字
├── 部件序列（如：九、龙）
│   ├── 部件1：类别 + 位置 + 尺寸
│   └── 部件2：类别 + 位置 + 尺寸
├── 空间关系（左右 / 上下 / 包围 / 半包围）
└── 笔画级细节（可选，用于高精度场景）

在这个分解下，评价不再是一个二值判断，而是一个结构化匹配问题：

• 部件类别是否正确？（“九”是否被写成了“丸”？）
• 部件数量是否正确？（左右结构是否多了一个部件？）
• 空间关系是否正确？（左右是否被写成了上下？）
• 部件相对位置与比例是否合理？（左窄右宽是否被写成等宽？）

每一项都可以独立打分，最终加权汇总。这样，错一笔和错半边得到的反馈就完全不同，模型能明确知道是“部件类别错了”还是“空间关系错了”。

3.2 分层校验：从粗到细的反馈流水线

在实际系统中，可以设计一个分层校验流水线：

第一层：整字级OCR校验。
快速过滤掉完全无法识别的样本，作为粗筛。这一层保留原有逻辑，但不作为唯一信号。

第二层：部件级检测与分类。
用目标检测或分割模型定位候选部件区域，对每个区域做部件分类。输出部件序列及其边界框。

第三层：空间关系校验。
根据部件边界框的相对位置，判断空间关系是否符合目标构型。例如，左右结构的两个部件，其中心点水平距离应显著大于垂直距离。

第四层：结构相似度打分。
将生成字的结构图与目标字的结构图做图匹配，计算结构相似度。这一层可以容忍笔画级的微小差异，但对结构错误敏感。

最终得分是各层得分的加权组合。权重可以根据任务需求调整：如果任务强调结构正确性，则第三、四层权重更高；如果强调笔画精度，则引入笔画级校验。

3.3 奖励设计：从稀疏到稠密

在强化学习框架下，上述分层评分可以转化为稠密奖励：

def compute_reward(generated_char, target_char):
    # 第一层：整字识别
    ocr_score = ocr_match(generated_char, target_char)  # 0 or 1
    # 第二层：部件匹配
    gen_parts = detect_parts(generated_char)
    tgt_parts = decompose(target_char)
    part_score = part_f1(gen_parts, tgt_parts)
    # 第三层：空间关系
    gen_rel = infer_relation(gen_parts)
    tgt_rel = target_relation(target_char)
    rel_score = 1.0 if gen_rel == tgt_rel else 0.0
    # 第四层：结构相似度
    struct_score = graph_similarity(gen_parts, tgt_parts)
    # 加权汇总
    reward = (0.2 * ocr_score +
              0.3 * part_score +
              0.2 * rel_score +
              0.3 * struct_score)
    return reward

这样，即使整字OCR识别失败，只要部件和空间关系部分正确，模型仍能获得正向反馈，知道“方向对了，只是细节需要调整”。奖励从稀疏的二值信号变成了稠密的结构化信号。

四、数据构造与工程实践

要让上述方案落地，需要配套的数据与工程支持。

部件级标注数据。 需要构建一个覆盖常用汉字的部件分解库，标注每个字的部件序列、空间关系与相对位置。这类数据可以基于通用汉字结构规范自动生成，再辅以人工校验。

结构感知的评估指标。 除了传统的整字准确率，还应引入部件准确率、空间关系准确率、结构相似度等指标，用于离线评估生成质量。

渐进式训练策略。 在训练初期，可以先用部件级监督信号预热模型，让模型学会“先搭结构，再填细节”；后期再引入整字级奖励做精调。这种从粗到细的课程学习方式，通常比直接端到端训练更稳定。

与通用云能力的结合。 在实际部署中，部件检测、OCR、图匹配等模块可以借助通用的容器平台做弹性调度，利用对象存储管理训练数据与生成样本，通过日志服务与监控告警追踪训练过程中的奖励曲线与异常样本。这些通用类目能力为方案提供了工程底座，而不涉及任何特定厂商的专有接口。

五、总结与展望

汉字生成的评价难题，本质上是评价粒度与生成粒度不匹配的问题。OCR裁判把汉字当作不可拆分的黑箱，导致反馈信号稀疏且无梯度，模型无法从错误中学习。

解决路径是明确的：拆开汉字看结构，把评价单元从整字下推到部件与空间关系，构建分层、稠密、可定位的奖励信号。这不仅能提升中文生成的质量，也为其他具有复杂结构的符号系统（如日文汉字、韩文谚文等）提供了可借鉴的范式。

未来的方向包括：更精细的笔画级评价、可学习的结构相似度度量、以及将结构感知奖励与扩散模型、自回归生成模型等不同架构深度结合。当AI真正“看懂”汉字的结构，它才能“画对”中文字。