汉字结构感知：让AI画对中文字的技术拆解

一、问题的起点：OCR作为裁判的先天局限

在图像生成领域，用强化学习做后期训练来提升生成质量已是常见做法。这套流程里有一个关键角色——裁判模型，负责给生成结果打分，告诉模型”这一步走得好不好”。在文字生成任务中，这个裁判通常由OCR模型担任。

OCR（光学字符识别）的核心能力是把图片中的文字转换为计算机可理解的文本。它的打分逻辑非常直接：将生成图片中的文字区域截取出来，识别一遍，识别结果与目标文字一致则给高分，否则给低分甚至零分。

这套逻辑在英文场景下运行得相当顺畅。英文的最小单位是字母，26个字母通过线性排列组合成词，识别失败通常意味着某个字母确实出了问题，反馈信号虽然粗糙但方向大致正确。

然而，当这套逻辑被直接迁移到汉字场景时，一个结构性的缺陷就暴露出来了。

二、汉字的特殊性：二维积木结构

汉字与英文的本质差异在于结构维度。英文是一维线性序列，汉字是二维空间构型。

举个直观的例子：

• “尬”字由”九”和”龙”的变体左右排布组成；
• “想”字由”相”和”心”上下叠放组成；
• “围”字由”囗”包围”韦”形成包围结构。

这种由偏旁部首按照左右、上下、包围、半包围、品字形等空间关系组合而成的结构，称为汉字的构型。一个汉字可以拆解为若干部件，部件之间又存在明确的拓扑关系。这意味着汉字的”正确性”实际上包含两个层面：

1. 部件层面：每个部件本身是否写对；
2. 结构层面：部件之间的空间关系是否正确。

一个汉字可能部件全对但排布错了位置，也可能结构框架对但某个部件缺了一笔。这两种错误在人类看来是不同程度的偏差，但在传统OCR裁判眼中，它们都会被归为同一类结果：识别失败。

三、黑箱判定的代价：零梯度与假阳性

OCR对复杂汉字的处理方式，本质上是一次全有或全无的判定。面对结构复杂的汉字，OCR常见的行为模式有三种：

1. 直接判为未知字符：输出一个无法匹配的结果；
2. 猜一个形近字：输出一个与目标字形相似但实际不同的字；
3. 在多模态大模型辅助下”脑补”正确结果：结合上下文语言先验，猜出目标文字。

前两种情况下，无论生成的字是错了一笔还是错了半边，裁判给出的分数都是零。这就好比批改一份100道题的试卷，学生错1道和错90道得到的分数完全一样，都是零分。这种打分方式无法告诉模型”你哪里需要改进”，模型也就失去了优化方向。

第三种情况更隐蔽。多模态大模型可能凭借强大的语言能力，在字形明显错误的情况下仍然”猜”出正确答案并给出高分。这是一个典型的假阳性：模型靠语言先验蒙对了答案，但图像上的字形明明是错的。如果训练中大量出现这种假阳性奖励，生成模型会学到”字形差不多就行，反正裁判能猜出来”的错误策略，最终导致字形质量持续退化。

还有一类专门检测”写错字”的工具，能准确判断字结构有问题，但处理方式是把整个字标记为一个异常符号，同样打零分。这种方法虽然不会被语言先验欺骗，但依然是非黑即白的判断：对或错，中间没有灰色地带。

核心矛盾在于：汉字的错误空间是连续的、多维的，而OCR裁判的输出是离散的、一维的。

四、从单字判定到结构感知：评估思路的转变

要解决这个问题，需要把评估粒度从”整字”下钻到”部件 + 空间关系”。

4.1 分层奖励设计

一个可行的方向是构建多级奖励信号：

总奖励 = w1 * 部件完整性得分
       + w2 * 部件位置关系得分
       + w3 * 整体可读性得分
       + w4 * 语言先验一致性得分

其中：

• 部件完整性：检测每个预期部件是否存在、笔画是否完整；
• 部件位置关系：检测左右/上下/包围等结构是否符合预期；
• 整体可读性：由OCR或识别模型给出，但权重降低，仅作为兜底信号；
• 语言先验一致性：由语言模型给出，权重也需要控制，防止假阳性主导。

这样，一个”部件全对但左右写反”的字，与一个”部件缺了一半”的字，会得到明显不同的分数。模型就能从奖励差异中学习到”先保证部件完整，再保证结构正确”的优化路径。

4.2 结构标注与监督信号

实现上述方案的前提是，训练数据中需要包含汉字的结构标注。常见做法包括：

• 部件级标注：将每个汉字拆解为部件序列，并标注每个部件的边界框；
• 结构类型标注：标注汉字的构型类别（左右、上下、包围等）；
• 空间关系标注：标注部件之间的相对位置约束。

这些标注可以通过成熟的汉字结构数据库获取，也可以基于规则和字形分析自动生成。对于生成任务而言，不需要每个字都精确到笔画级，部件级的粒度已经能提供远优于整字判定的反馈信号。

4.3 与强化学习流程的集成

在强化学习训练中，奖励函数的改造是最直接的切入点。具体来说：

1. 预训练阶段：使用结构标注数据训练一个部件检测器与结构分类器；
2. 奖励计算阶段：对生成图像先做部件检测，再判断结构关系，最后结合OCR结果计算综合奖励；
3. 策略更新阶段：生成模型根据综合奖励梯度更新参数，逐步学会”先写对部件，再摆对位置”。

这种设计的好处是，奖励信号变得稠密且有方向性。模型不再需要从零分中猜测问题所在，而是能明确知道”这次是部件错了”还是”这次是结构错了”。

五、工程实践中的注意事项

5.1 避免奖励黑客

分层奖励设计需要警惕模型找到”捷径”。例如，如果部件检测器本身不够鲁棒，模型可能生成一些检测器容易识别但人眼看起来奇怪的形状。因此，各部件的权重需要仔细调优，并定期用人工评估校准。

5.2 语言先验的合理使用

语言先验是一把双刃剑。完全不用，会丢失上下文信息；用得过多，会引入假阳性。建议将语言先验作为辅助信号而非主导信号，权重控制在总奖励的20%以内，并且在字形结构明显错误时直接屏蔽语言先验的加分。

5.3 评估集的构建

要验证结构感知奖励的效果，需要构建包含分级错误的评估集。例如：

• 正确字形；
• 部件正确但结构错误；
• 部件缺失但结构正确；
• 部件与结构均错误。

通过对比不同方法在这些分级样本上的评分行为，可以直观判断奖励函数是否真正具备了结构感知能力。

六、总结

OCR作为生成模型的裁判，在汉字场景下存在先天不足：它把汉字当作不可拆分的黑箱，输出的是非黑即白的判定，无法区分”错一笔”与”错半边”的差异。解决思路是把评估粒度从整字下钻到部件与空间关系，构建分层、稠密的奖励信号，让模型能够从反馈中学习到”先写对部件，再摆对位置”的优化路径。

这一思路的核心价值在于：让反馈信号与问题的真实结构对齐。汉字是二维积木结构，评估体系也应该是结构化的。只有在评估层面实现结构感知，生成模型才能真正学会画对中文字。