汉字结构拆分：提升文生图模型中文生成质量的技术思路

一、问题从一张海报开始

如果你尝试过让文生图模型生成带中文的海报、招牌或封面图，大概率会遇到类似情况：整体画面风格不错，文字区域也像那么回事，但一旦放大细看，汉字往往会出现各种问题。有的字多了一横，有的偏旁被过度压缩，有的左右结构比例失衡，甚至出现偏旁与主体完全错位的现象。

这类问题在笔画简单、结构清晰的汉字上表现尚可，一旦遇到“尴尬”“囊”“龘”这类笔画繁复、空间关系复杂的字，生成质量会快速下降。其根本原因并不是模型不会画画，而是模型对汉字内部空间结构的理解能力不足。更深层的问题在于：现有训练与评价机制长期把汉字当作一个不可拆分的整体对象来处理，导致模型无法获得足够有效的反馈信号去修正笔画和结构偏差。

二、传统OCR评分的“非黑即白”困境

为了提升文生图模型生成文字的准确率，行业普遍做法是通过强化学习对模型进行后期训练。训练过程中需要一个“裁判”对生成结果进行评分，再把评分作为奖励信号反馈给模型。常见的裁判就是OCR识别模型。

OCR的全称是Optical Character Recognition，即光学字符识别，核心能力是把图像中的文字区域转化为可编辑的文本内容。其常见评分逻辑如下：

• 从生成图像中截取文字区域；
• 调用OCR模型进行识别；
• 将识别结果与目标文字做对比；
• 完全一致给满分，不一致则给零分。

这种评分方式表面上合理，但对于中文场景而言存在明显问题。英文单词由26个字母线性排列而成，错误往往表现为字母缺失、替换或顺序颠倒，OCR对这些错误比较容易给出稳定的判断。而汉字是一种典型的二维构型文字，由偏旁、部首和笔画按照左右、上下、内外等空间关系组合而成。

例如“想”字由“相”和“心”上下堆叠而成，“尬”字由“九”和“尢”左右排布而成，“国”字则属于全包围结构。OCR模型在识别这类字时，如果字形结构发生局部破坏，比如偏旁比例失衡、笔画粘连、部件位置偏离，识别器很可能直接把整字判定为不可识别对象。此时无论错误是“只错一笔”还是“整个偏旁崩溃”，最终得分都是零。

这可以类比为：批改一份100道选择题的试卷，但评分规则不是按正确题数给分，而是只有全对才给分，否则一律零分。学生无法从分数中判断自己究竟错在何处，模型同样无法从零分中获得有效的梯度信息。

三、假阳性：多模态模型“猜对”并不能代表写对

为了改善OCR评分的局限，一些方法开始引入多模态大模型作为评判器。多模态模型具备更强的语言理解与上下文推理能力，能够在识别文字时结合画面语义进行“纠错”。

例如生成图中某个“尬”字结构明显错误，单一OCR模型可能直接判定为识别失败；而多模态模型结合周围文本语义后，可能会推测出此处应为“尴尬”一词，从而输出正确识别结果并给出高分。这种高分的来源并不是字形本身正确，而是模型的语言先验补全了视觉信息的缺失。

这类“假阳性”评分对训练具有误导作用。模型可能会学到：即使字形结构不准确，只要语境足够强烈，裁判仍然会给高分。结果就是生成结果在语义上看起来通顺，但字形细节长期无法改善。

另一种专门检测错别字的工具则走向另一个极端。这类工具能够比较准确地标记出字形结构存在异常，但输出方式通常是将整字替换为异常符号，例如“#”，最终的结果仍然是“对”或“错”的二值判断。这种方案不会受语言模型脑补影响，但同样缺乏错误程度的度量能力。

四、汉字错误是有层次和颗粒度的

英文字母的书写错误通常是离散的：字母写错就是写错，不存在“半对”的字母。但汉字的错误天然具有层次性：

• 笔画级错误：横画长度偏差、撇捺角度错误、点画缺失；
• 部件级错误：偏旁比例失调、部首与主体粘连、部件间距异常；
• 整字级错误：左右结构颠倒、上下关系破坏、包围结构不闭合；
• 语义级错误：字形正确但用字错误，例如“在”与“再”混淆。

传统评分机制将所有类型错误压缩为一个二值信号，损失了大量可用于优化模型的信息。如果能让裁判输出结构化评分，模型就可以知道自己是在“笔画控制”上出了问题，还是在“偏旁布局”上出了问题，从而更精准地调整生成策略。

五、结构拆分：让裁判“看懂”汉字内部构造

解决上述问题的核心思路是：不再把汉字当成不可拆分的识别单元，而是按照汉字的构型规律进行部件拆分，分别对每个部件及其空间关系进行评价。

以“想”字为例，可以拆分为上下两个一级部件：“相”和“心”。其中“相”又可以进一步拆分为左右两个二级部件：“木”和“目”。评价流程可以设计为：

1. 定位整字区域，判断目标字是否完整出现；
2. 拆分一级部件，分别与标准部件进行对比；
3. 计算部件之间的空间关系是否符合构型规则；
4. 对每个部件的内部笔画质量进行局部评分；
5. 汇总得到整字的结构化评分。

这种评分方式不再只输出0或1，而是可以输出一个连续分数。例如某个“想”字上半部分“相”结构基本正确，但下半部分“心”的卧钩笔画粘连严重，最终整字得分可能为0.7。这个0.7携带的信息量远超简单的0分或1分。

六、构型拆分的工程可行性

汉字虽然总数庞大，但其构型具有高度规律性。常用汉字大多可以通过有限的基础部件和几种基本构型规则组合而成。常见的结构类型包括：

• 左右结构：如“明”“休”“河”
• 上下结构：如“思”“花”“家”
• 上中下结构：如“草”“慧”
• 左中右结构：如“街”“滩”
• 半包围结构：如“区”“病”
• 全包围结构：如“国”“圆”

如果裁判模型能够预先学习这些构型规则，并在识别时输出部件级标注信息，就可以为文生图模型提供更细粒度的训练信号。工程上不一定需要做到完全精准的部件级识别，只要能稳定输出“上下比例是否合理”“左右边界是否粘连”“包围结构是否闭合”等关键判断，就足以显著改善训练质量。

七、结构化评分如何改进文生图训练

以强化学习为例，奖励信号的设计直接决定模型优化的方向。当裁判只能输出二值奖励时，模型很难从低分样本中学到有效修正策略；而当裁判能输出结构化评分时，奖励信号可以分解为多个子项：

total_reward = w1 * stroke_score 
             + w2 * component_score 
             + w3 * layout_score 
             + w4 * semantic_score

各子项含义如下：

• stroke_score：笔画级质量评分，衡量笔画是否存在缺失、多余、断裂或变形；
• component_score：部件级相似度评分，衡量偏旁部首与标准形态的接近程度；
• layout_score：空间构型评分，衡量左右、上下、包围等结构关系是否正确；
• semantic_score：语义一致性评分，衡量生成文字与上下文语义是否匹配。

模型在训练时不仅可知整字得分高低，还能定位到具体是笔画问题还是布局问题。优化器可以据此调整生成策略，例如加强对部件边界的约束、提高笔画细节的采样精度等。这种多粒度反馈机制，比单一整体评分更能推动模型向正确的字形空间收敛。

八、从“认对字”到“写对字”的认知转变

传统OCR裁判的设计目标是为了解决“这张图里写的是什么字”的识别问题，而文生图模型需要解决的是“这张图里的字写得对不对、好不好”的生成问题。这两类任务虽然都涉及文字，但对评判维度的要求完全不同。

识别任务关注的是信息提取，即图像中是否存在正确的文本内容；生成质量评价关注的是视觉表现，即字形内部结构是否规范、空间层次是否合理、风格是否统一。将识别逻辑直接套用到生成评价上，本质上是用错了度量标准。

因此，改进方向不是把OCR模型做得更强大，而是构建更适合文字生成评价任务的结构化评分体系。这个体系至少需要具备以下特征：

• 能感知笔画边界，而不仅仅是整字边界；
• 能理解构型规则，对部件空间关系敏感；
• 能输出连续分数，而非二值判断；
• 能区分不同层级的错误类型；
• 能抵抗上下文语义带来的“脑补”干扰。

九、该思路的泛化价值

这套“结构拆分”思路并不局限于汉字。任何具有内部结构规律的复杂文字系统，理论上都可以采用类似方法进行细粒度评价。对于企业级应用而言，文生图模型经常需要生成带有品牌名称、活动标语、界面截图等包含文字元素的图像。如果文字生成质量不稳定，会直接影响用户体验和品牌形象。

采用结构化评分机制后，模型面对的就不再是“整字对或错”的粗略反馈，而是包含笔画、部件、布局和语义多维度的丰富指导信息。这种改变有望显著提升中文海报生成、营销物料设计、UI原型生成等场景下的文字可靠性。

十、小结

文生图模型的中文生成质量问题长期难以解决，一个重要原因在于评价机制过于粗糙。把汉字视为不可拆分的整体进行OCR识别和打分，导致模型无法获得有效的梯度信号。多模态模型的“语境猜字”虽然能提高识别率，却容易掩盖字形真实错误。

更合理的技术路径，是将汉字按照构型规律进行结构拆分，从笔画、部件、空间布局等多个层级分别评分，再将结构化评分结果作为训练信号反馈给生成模型。这样可以有效区分“错在哪里”和“错到什么程度”，让模型学会的不是单纯“画出一个能被认出的字”，而是“生成一个结构正确的字”。这一思路对提升文生图模型在中文场景下的工程可用性，具有重要参考价值。