拆开汉字看构型：让AI写对中文字的细粒度打分法

文生图模型已经能画出以假乱真的光影与人脸，却常常在“写字”上翻车——尤其是写汉字。近期一项研究指出：问题不全在生成模型本身，更在给它打分的“裁判”。本文从问题根源出发，拆解这套把汉字按结构逐层评分的思路，并延伸到工程落地与通用启示。

一、起点：文生图模型的“写字困难症”

近两年，文生图模型在质感、构图上的进步肉眼可见，但“把字写对”始终是块难啃的骨头，中文尤甚。拼音文字只要按线性顺序拼出有限字符集，就能凑出像样的单词；汉字则是几十笔笔画、两三层部件嵌套出的二维图形——某一横写歪、某个部件缺笔、上下位置颠倒，整字就“废”了。

业界主流的改进路径是强化学习式的后期训练：模型生成一批图，由一个“裁判模型”逐张打分，分数作为奖励信号回传，驱动模型朝“写得对”的方向迭代。裁判通常由OCR（光学字符识别）模型担任——即让机器“认字”、把图片里的文字转成计算机可理解文本的技术。

这套流程里有一条容易被忽视的铁律：裁判的分辨率，决定了学生的上限。裁判只会说“对/错”，学生就只能靠盲试去逼近正确答案。

二、OCR裁判为什么带不好“学生”

把现有裁判的失真模式归拢一下，大致有三类，外加一个“治标不治本”的补丁。

1. 整字黑箱，零分零信息。OCR的判决逻辑是“把图里的字截出来识别，与目标文字比对，对了给分，错了不给”。问题在于：写错一笔和写错半边，得分完全一样，都是零。这好比批改一份100道选择题的卷子，学生错1题和错90题统统给0分——分数无法告诉学生哪里需要改进。放到强化学习语境下，这叫信用分配失效：奖励信号里不含任何“哪部分做对了”的定位信息，优化就失去了抓手。

2. 形近字误读，冤枉“差一点”的答案。汉字的部件组合空间极大，结构出错的字往往“长得像”另一个字。OCR遇到这类字，常常老实巴交地把它认成某个形近字，比对失败，0分。写得接近正确的样本可能因被误读而蒙冤，奖励噪声随之增大。

3. 语言先验带来假阳性。论文给了一个很直观的例子：生成图里一个“尬”字结构写错了，专用OCR把它认成另一个形近字，判0分——判断本身没错；换多模态大模型识别，它结合上下文“脑补”出了正确答案，给了1分——这其实是假阳性：图上的字形明明是错的，模型靠语言能力蒙对了。用这种奖励训练，模型学到的不是“把字写对”，而是“写得像到能被猜对即可”，甚至演变成专门糊弄裁判。

4. 专用错字检测工具，仍是二值判决。还有一类专门检测“写错字”的工具，能准确判断该字结构有问题，不会被语言先验骗到，但处理方式是把整个字标记成异常符号，直接打0分。判断粒度依旧非黑即白，中间没有灰色地带。

四类裁判殊途同归：都把汉字当成不可拆分的整体，只输出整字级判决。而汉字恰恰是最“可拆分”的文字之一。

三、换个视角：汉字是天然的二维积木

研究的核心洞察朴素得很：既然汉字本身是组合结构，对它的评价也应该是组合式的。汉字的构型可拆成三层：

• 笔画层：横、竖、撇、捺、点、折等最小书写单元；
• 部件层：偏旁部首级别的独立构件，如“木、口、心、辶”；
• 结构层：部件间的空间关系——左右（“河”）、上下（“想”）、包围（“围”）等。

举例：“想”由“相”与“心”上下叠放，“相”又可拆成“木”和“目”，说明构型还是递归的；“尬”由“尢”与“介”左右拼合。AI写错的字，绝大多数并非“全错”，而是某个部件写歪、缺了一笔，或两个部件位置摆错——错误是局部的，惩罚却是全局的，这正是症结所在。

四、细粒度奖励：把“判决书”改成“诊断单”

该方案的本质，是把整字判决替换成一张逐项打分的诊断单，流程可抽象为五步：

1. 定位：从生成图中切出目标文字区域；
2. 分解：按公开的汉字构形规范，把目标字拆成“部件集合+空间关系”；
3. 对齐：把生成字形与各部件模板对齐到同一坐标系，得到每个部件的预测位置与形状；
4. 逐项评分：部件数量是否齐全、每个部件的形是否正确、空间关系是否正确（上下不颠倒、左右不换位）；
5. 加权聚合：核心部件权重高、装饰性细节权重低，合成整字分。

示意伪代码：

def char_reward(rendered_glyph, target_char):
    # 按构型拆解目标字
    comps, layout = decompose(target_char)   # "想" -> ["相","心"], 上下结构
    # 在生成字形中估计每个部件的位置与形状
    boxes = align(rendered_glyph, comps)
    score = 0.0
    for comp, box in zip(comps, boxes):
        score += w_shape * shape_similarity(box, comp)    # 部件写得像不像
        score += w_pos   * position_score(box, layout)    # 部件摆得对不对
    score += w_layout * layout_consistency(boxes, layout) # 整体结构关系
    return score / normalizer

关键变化在于信号形态：分数从“0/1”的阶跃，变成连续的、带空间定位的梯度。一个少写一横的“想”，会拿到“相”部件的高分、“心”部件的低分和满额的结构分——模型一眼便知：问题出在下半部分。

五、三类旧问题如何被逐一化解

对照前文的失真模式：

• 信用分配失效：部件级评分天然携带“错在哪”的定位信息，优化方向从盲试变成有指引的修正；
• 形近字误读：相似度是连续量，即使整体像别的字，正确部件仍能保住部分分数，“差一点”不再蒙冤；
• 语言假阳性：评分基于图形与部件的对齐结果，不依赖语言先验，从机制上抑制了多模态裁判式的“脑补”。

与“标记异常符号打0分”的错字检测工具相比，优势同样明显：从二值判决升级为连续评分，介于“全对”与“全错”之间的海量中间状态终于被区分开——而这部分中间态，恰恰是训练中最有价值的样本。

六、工程落地：三个必须盯住的风险

思路虽好，落地时有三件事要提前设防。

1. 防奖励作弊。细粒度奖励给了模型更多钻空子的路径，例如把高分部件写得格外大来抬高总分。需附加正则约束：整体布局比例、笔画粗细一致性、字形与背景风格的协调，都应纳入扣分项。

2. 拆分规范的一致性。同一个字可能有多种拆法（独体字与合体字之争、嵌套粒度选择），训练与评测必须共用同一套构型规范，否则分数不可比，奖励信号会引入系统性偏差。

3. 裁判的吞吐与成本。部件级对齐比整字OCR更重，而强化学习每步都需要海量打分，工程上通常要做轻量化、批量推理，或采用“粗筛+精评”的两级流水线。企业若想在自己业务里落地类似思路，可以把通用文字识别能力当底座——比如在百度智能云这类云平台上，文字识别属于成熟的通用能力类目，可先用它完成检测、定位、切字等前置环节，再叠加自研的部件级评分逻辑做二次开发。

评测建议采用双轨指标：整字准确率（最终能否读对，面向用户）与部件级得分（写得像不像，面向训练诊断），后者对迭代更有指导价值。

七、延伸思考：结构化的输出，配得上结构化的奖励

这个故事的价值超出中文场景。表格、图表、五线谱、化学结构式……凡是“整体由局部按空间或逻辑关系组装”的生成任务，都适用同一条设计原则：奖励函数应当与输出的真实结构同构分解。

反过来讲，“黑箱裁判+二值奖励”是生成模型训练里最隐蔽的瓶颈之一——它不报错、不崩溃，只是让模型学得慢、学得歪，且难以察觉原因。把汉字拆开看，不只是为了让AI写对几个字，更是为“如何科学地评价生成质量”提供了一个可复用的样板：先理解对象的构造，再让打分逻辑顺着构造走。