简介：AI生成带中文的图像时常出现“轮廓对、细节崩”的通病，一个被长期忽视的根源是评价机制粗糙：OCR式打分把汉字当作不可拆分的黑箱，非对即错。本文剖析三类裁判的失效模式，介绍基于汉字构型拆解的细粒度评价与奖励设计思路，并给出可落地的工程实践要点。
试着让文生图模型生成一张带中文标语的宣传海报，大概率会得到这样的结果：整体构图、配色、字体风格都有模有样，可一旦凑近看那几个汉字——某个字多了一撇，某个偏旁被挤压变形，左右结构挤成一团，甚至出现字典里根本不存在的“造字”。
这并非个别模型的偶发缺陷，而是当前几乎全部文生图模型面对表意文字时的系统性通病。拼音文字的书写系统由几十个形态简单的字母线性组合而成，模型把它当作有限类别的“符号识别”问题尚可应付；而常用汉字数千个，每个字都是一套独特的二维空间布局，复杂字的部件嵌套深度与笔画密度，远超模型在图文数据中自然习得的先验。
近期一项来自国内高校研究团队的工作，把矛头指向了一个长期被忽略的环节：问题不只出在模型“画不准”，更出在我们“评不对”——现有评价方法从一开始就在用错误的方式看中文字。
要让生成结果越来越准，业界通行做法是在预训练之后叠加以奖励信号驱动的后期训练（典型如强化学习式微调）：训练过程中由一个自动裁判对每次生成打分，分数作为奖励回传，引导模型朝高分方向迭代。裁判的质量直接决定训练的上限——裁判给不出有区分度的信号，模型就只能盲走。
由于“图里的字写得对不对”表面上是个识别问题，这个裁判通常由OCR（光学字符识别）模型担任：把生成图中的文字区域裁切出来识别一遍，识别结果与目标文本逐字比对，对上了给分，对不上不给分。
问题恰恰出在这个“非对即错”的判定机制上。
英文字母是拼音系统的最小书写单位，词由字母线性排列而成，识别错误可以逐字符定位、逐字符计分。汉字则是另一套构造逻辑——一种二维的构字系统：
这种由偏旁部首依照左右、上下、包围等空间关系组合而成的形态规律，一般称为汉字的构型。一个字是否写对，不仅取决于“用了哪些部件”，还取决于“部件摆得对不对”——这决定了汉字的评价天然应当是结构化的、有层次的。
OCR处理构型复杂的汉字时，常见两类失败：把整个字判定为无法识别的对象，输出空或乱码；或者硬猜一个形近字。无论哪种，都导致同一个后果——模型生成的字无论是只错了一笔，还是错了半个字，只要最终识别不出，裁判给的分数完全相同：零分。
这就像批改一份100道题的试卷，学生错1道和错90道，成绩单上都写0分。这种打分完全无法告诉“差在哪、差多少”。在强化学习的语境下，奖励信号的粒度决定策略更新的效率：当奖励被压成0/1两档，大量“部分正确”的样本被折算为零，模型等于在一堆无差别负例里盲猜优化方向，学习效率极低。
该研究给出了一个很直观的对照案例：同一个写坏了的字，交给三类裁判，结果都不理想。
（1）专用OCR模型：按字形老实识别，把坏字认成另一个形近字，与目标不符，判0分。判定本身没有错，但信息量止步于“错了”，不说明错在哪个部件、哪种结构关系上。
（2）多模态大模型当裁判：这类模型语境推理能力强，能结合海报上下文“猜”出这里本该是哪个词，于是打出满分。但这恰恰是一个假阳性：图上的字形明明是错的，分数却是满的——用语言先验掩盖了视觉缺陷。把这种裁判接入奖励回路，模型会“学会”生成字形错误但语境合理的字，错误被系统性奖励固化。
（3）专门的错字检测工具：一类面向生成文本质量检测的工具能够准确判断“这个字的结构有问题”，但处理方式是将整个字标记为异常符号并判0分。它不会被大模型的脑补骗到，判定更专一，但仍然是二值判断：对或错，中间没有灰度。
三类裁判的共同短板一目了然：评价的最小颗粒度都是“整字”，把汉字当成一个不可再分的原子符号。而汉字的错误天然分层次：写坏一笔、写错一个部件、部件全对但位置关系错误、整体结构类型错误——这是四种严重程度截然不同的错误，在0/1打分下却被压平成同一个信号。
这是整项工作最有价值的出发点，也值得每一位做多模态生成的工程师记住：先把评价对象建模成结构化对象，再谈优化。
把想法形式化一点：设目标字为 y、生成为 ŷ，理想的评价函数应输出连续分数 s(ŷ, y) ∈ [0, 1]，且满足三条性质：
要构造这样的函数，前提是把汉字从“黑箱符号”拆解为层次化对象：
三个层次对应三类错误：错部件（用错偏旁）、错结构（上下写成左右）、错笔画（多笔、少笔、变形）。逐层比对即可得到有梯度的分数：全对得满分；部件齐全但某处布局偏移得较高分；某部件形似但明显变形得中等分；用错部件得低分；整体崩坏为零。有了梯度，强化学习才谈得上“方向感”。
沿着这一思路，可以把评价管线设计为三段式。以下给出的是通用工程框架，具体实现可依数据条件裁剪。
第一步是建设汉字构型知识库。业界存在公开的部件分解与结构关系资源可作为数据基础，也可基于规范汉字表自行标注。目标字被解析为结构树：
想├── 结构类型：上下├── 上部件：相│ ├── 结构类型：左右│ ├── 左部件：木│ └── 右部件：目└── 下部件：心
结构树是后续所有比对的“标准答案”。复杂字（多层嵌套、变形部件）需要额外人工校验，这是整个体系里最值得投入的基础设施。
对生成图先做文字检测与字形区域切割，再尝试将字形分解到部件层级。这一步是工程难点：当模型生成了“四不像”部件时，分解算法需要容忍形变。可行做法是借助部件检测、笔画提取等通用视觉手段，为每个候选部件输出“最接近的部件假设 + 置信度”，允许不确定性存在，而非强制二选一。
对齐完成后逐层比对，示意性的计分逻辑如下：
def char_score(gen_tree, tgt_tree):# 1. 结构类型比对：错结构是根本性错误s_type = 1.0 if gen_tree.type == tgt_tree.type else 0.0# 2. 部件集合比对：带形变容差的软匹配s_parts = soft_match(gen_tree.parts, tgt_tree.parts)# 3. 空间布局比对：位置与占比的一致性s_layout = layout_consistency(gen_tree.layout, tgt_tree.layout)# 加权合成，权重按任务调优；结构权重应显著高于笔画级形变return W_TYPE * s_type + W_PARTS * s_parts + W_LAYOUT * s_layout
设计要点有三：其一，结构类型错误属于根本性错误，权重应显著高于笔画级形变；其二，“部件形似但变形”与“部件缺失/用错”要区分计分，前者给部分分，后者接近零分；其三，输出物除了总分，还应附一张“错误诊断单”——缺哪个部件、错哪种结构、哪个笔画变形——为后续针对性优化提供归因信息。
有了连续分数，奖励设计就有了抓手。一个示意性的总奖励函数：
R(image) = α · R_char # 细粒度字形得分（核心）+ β · R_quality # 图像整体质量（清晰度等通用指标）+ γ · R_align # 图文语义一致性
与直接拿OCR对错当奖励相比，细粒度字形得分带来两个直接收益：
顺带一提，该评价框架的价值不止于文生图：图像编辑中的文字替换、设计自动化中的版式文字生成、文档理解链路里的合成数据生产，凡是涉及“生成汉字是否正确”的质量把关环节，都可以复用这套分层评价逻辑。
落到具体项目里，建议按以下顺序推进：
先审视裁判，再考虑换模型。模型写不对字，未必是容量不足，很多情况下是奖励信号失真。准备一组人工标注的分层错误样本（错一笔/错一部件/整字崩坏各若干），喂给现有评价函数：若分数不能单调区分三类错误，说明裁判需要升级。这个“裁判区分度测试”成本很低，却能在训练前拦住方向性错误。
构型知识库决定上限。部件分解与结构标注的覆盖率、准确率直接影响评价质量。建议从规范汉字集出发构建核心字库，对高频复杂字做人工复核，并保持版本化管理。
谨防语境脑补式假阳性。若裁判链路引入多模态大模型，务必约束其只回答“图上画的是什么”，而不是“这里应该是什么”；或直接将字形判断与语境判断解耦成两个独立信号，避免语言先验污染视觉评价。
分层复用云端基础能力。文字检测、通用识别、图像质量评估等基础能力，可依托百度智能云等平台提供的通用视觉与文字识别类服务搭建基线，再在其上叠加自研的构型拆解与分层计分层。分层解耦的好处是各层可独立迭代、独立评估，基线层随平台通用能力升级而持续受益。
给评价体系本身建立评价。用重复生成的一致性（同一目标字多次生成的分数稳定性）、与人工评分的相关性等指标度量裁判的可靠性，防止裁判随训练分布漂移而失真。
回到最初的问题：为什么AI画的中文字“远看像、近看崩”？答案的一半在模型，另一半在裁判。当评价函数把汉字压缩成一个0/1符号，模型就永远学不到“错在哪一笔、哪一半、哪一层”；而一旦裁判开始拆开汉字看结构——部件、关系、笔画逐层比对——奖励信号便从“是否正确”升级为“差多远、往哪改”，优化才真正有了方向感。
对做多模态生成的团队而言，这项研究最大的启发或许不是某个具体算法，而是一条朴素的方法论：在抱怨模型学不会之前，先检查你给它的反馈能不能教会它。汉字生成的下一次跃迁，未必来自更大的模型，而很可能来自更聪明的评价。