简介：在文本生成图像的评估链路中，OCR常被当作“裁判”来打分，但传统OCR对汉字构型缺乏细粒度感知，导致奖励信号粗糙甚至失真。本文从汉字二维构型出发，分析OCR评分失效的根因，并拆解一种更合理的结构化评判思路，帮助开发者在训练与评估中建立更稳定的反馈机制。
在文本生成图像、手写体合成、字体迁移等任务中，为了让模型生成的画面更准确，业界普遍采用强化学习做后期训练。强化学习的关键在于奖励信号：模型每生成一张图，就需要一个“裁判”来判断结果好不好。这个裁判通常由OCR模型担任。
OCR，全称Optical Character Recognition，即光学字符识别。它的任务是把图片中的文字区域识别成计算机可处理的文本序列。用OCR做裁判的逻辑看起来非常自然：将生成图片中的文字区域裁剪出来，送到OCR模型里识别一遍，再把识别结果与目标文字做比对。如果完全一致，就给一个正向奖励；如果不一致，就给零分或负向奖励。
这个逻辑对英文等线性文字体系来说，问题不大。英文字母数量有限，26个字母组合成单词，OCR识别粒度与任务目标基本对齐。错误类型也比较清晰：字母识别错、字母顺序错、漏字母或多字母。即便一个单词只错一个字母，OCR也能给出“接近但不完全对”的信息，因为整词识别结果仍然保留了大量可区分的局部特征。
但把同样的思路搬到中文场景，问题就变得棘手起来。
理解这个问题之前，需要先明确汉字与英文在结构上的本质差异。
英文单词是一维线性序列。单词“hello”由h、e、l、l、o五个字母按固定顺序排列，识别过程可以理解为从左到右逐字符扫描，局部错误和整体错误之间存在连续梯度。
汉字则完全不同。汉字是一种二维的积木式结构。一个汉字往往不是最小的不可再分单元，而是由多个偏旁、部首或构字部件按照特定空间关系组合而成。
以“尬”字为例，它并不是一个孤立的符号，而是由“九”和“龙”的变体两个部件左右排布而成。再比如“想”字，上部是“相”，下部是“心”，呈上下叠放关系。更复杂的汉字还会出现包围结构，如“围”“国”“问”，以及左中右、上中下、品字形等多种空间布局。
这种由偏旁部首按照左右、上下、内外、包围等空间关系组合而成的结构，在文字学中称为汉字的构型。构型信息是汉字的重要特征，它不仅决定了一个字的视觉形态，也承载了字义和字音的线索。
正是因为这种二维构型，汉字的识别难度远高于简单线性文字。同一个部件出现在不同位置、与不同部件组合，会形成完全不同的字。“木”可以出现在左侧成为“林”的一部分，也可以出现在上方成为“杏”的一部分，还可以作为底部支撑“桌”字。部件相对位置稍有变化，整字含义就可能截然不同。
当OCR模型面对这类复杂结构时，往往出现两种典型失效模式。
第一种是把整个字直接判断为一个不认识的东西。OCR模型如果对某个汉字的构型组合缺乏足够的训练样本，或者该字的结构过于复杂，模型可能无法将其映射到任何已知字符上。此时它要么瞎猜一个形近字，要么直接放弃输出空结果。
第二种是“整体失分”。无论AI生成的字是只错了一笔，还是整个半边都写错了，只要OCR最终无法正确识别，裁判给出的分数都可能是零分。这种情况下，奖励信号失去了区分度。
打个比方：你在批改一份一百道选择题的试卷，但不管学生是错一道题还是错九十道题，最终给出的分数都一样，统统是零分。学生无法从这个分数中知道自己到底哪里做得还可以，哪里需要改进。强化学习模型同样如此。当奖励信号完全没有梯度时，模型无法判断自己的生成结果是“差一点就对了”还是“错得离谱”，训练过程就会变得低效甚至不稳定。
这个问题的本质在于：传统OCR模型的输出层设计目标是“整字识别”，而不是“构型评估”。它的输出是一个完整的字符ID或字符序列，中间过程对构型部件的感知并没有被显式暴露出来。因此，当它被拿来做奖励函数时，就天然丢失了汉字的细粒度结构信息。
要解决这个问题，一个自然的技术方向是：不再把汉字当成不可拆分的黑箱，而是让评判系统显式地理解汉字的构型。
具体来说，可以从以下几个层面拆解。
将每个汉字拆成若干个基础部件。以“想”字为例，可以拆解为“相”和“心”两个一级部件，其中“相”又可以进一步拆解为“木”和“目”。这种拆解形成了一棵层级树，树的叶子节点是最小的不可再分笔画或部首单元。
在评估阶段，可以分别检查每个部件是否被正确生成、位置是否准确。这样，即便整字识别失败，系统仍然能够指出“左半边是对的，右半边出了问题”，从而给出一个介于零分和满分之间的连续奖励值。
光拆出部件还不够。汉字的构型不仅包括“有哪些部件”，还包括“这些部件怎么摆放”。同样两个部件，左右摆放是“明”，上下摆放就是“萌”的一部分。因此，评估系统需要对部件之间的空间关系进行建模。
空间关系可以抽象为几种基本类型：左右结构、上下结构、左中右结构、上中下结构、半包围结构、全包围结构、品字形结构等。对于每一种结构，可以定义对应的参考模板。评估时，将生成图中的部件布局与参考模板进行比对，得到空间关系层面的相似度。
在部件级之上做进一步细化，还可以引入笔画级的比对。一个部件是否书写正确，可以通过比对笔画数、笔画走向、交叉点数量、端点位置等特征来判断。这种方法更接近人类对书写的评价方式：一个字写得对不对，首先看结构的架设是否合理，其次看每个笔画是否规范。
笔画级比对的好处是，它可以捕捉到“只差一笔”这种极其细微的错误。对于强化学习训练来说，这种细粒度差异形成的梯度信号非常珍贵。
有了上述拆解能力之后，就可以重新设计奖励函数。
一种可行的做法是将奖励分为多个层次，逐层加权求和。比如：
total_reward = alpha * stroke_score+ beta * component_score+ gamma * layout_score+ delta * whole_char_score
其中：
这种分层评分机制的核心优势在于，即使整字识别失败，模型仍然可以从 stroke_score、component_score 和 layout_score 中获得有效的梯度信息，从而知道自己的生成结果在哪些维度上接近目标，在哪些维度上偏离较大。
对于训练早期，模型生成质量较差，整字识别率低，此时细粒度得分占主导；随着训练推进，生成质量逐步提升，整字识别率上升，此时可以适当提高 whole_char_score 的权重，让模型把注意力转向全局正确性。
实现这类结构化评判系统，需要构建相应的数据与特征工程能力。
需要一个覆盖常用汉字的构型拆解库，记录每个字的部件组成、空间结构类型以及层级关系。这个知识库可以由语言学规则驱动，也可以结合大规模标注数据构建。对于生僻字或结构存疑的字，可以采用人工审核的方式保障准确性。
要对生成图中的汉字进行细粒度评估，首先需要在图像层面定位各个部件的位置。这里可以借用目标检测的思路，训练一个部件定位模型。该模型的输入是文字图像，输出是各部件的位置框、类别以及置信度。
在获得部件位置之后，还需要判断这些部件的空间关系是否符合该字的构型模板。比如对于左右结构，判断两个部件的相对位置是否满足左右关系；对于上下结构，判断上下边界是否基本对齐。空间关系推理可以由规则引擎完成，也可以由一个小型分类模型完成。
在实际工程落地中，可以走一个渐进式路径。
第一阶段，先基于整字OCR打分运行基础训练。此时模型能快速学会生成一些简单字，但对于复杂构型字的生成能力有限。
第二阶段，引入部件级辅助评分。利用汉字拆解知识库，将训练目标中出现的复杂字拆解为部件序列，结合部件检测模型给出部件层面的准确性反馈。此时奖励函数可以写成整字分数与部件分数的加权和。
第三阶段，再叠加空间关系评分。对部件的相对位置进行校验，特别关注包围结构、上下结构等容易出现位置偏差的类别。
第四阶段，在以上基础上做强化学习的策略优化。由于奖励信号从稀疏的零一信号变成了多层次的连续信号，训练稳定性与收敛速度都会得到改善。
这个思路虽然清晰，但在实际应用中还有几个问题需要关注。
第一，拆解粒度需要与业务需求匹配。如果应用场景对字级精度要求极高，比如书法生成、碑文字体复刻，笔画级拆解就非常必要；如果只是普通场景的文字清晰度保障，部件级拆解加整字识别可能已经足够。
第二，细粒度评分的计算成本不能忽视。笔画级比对、部件级检测都会带来额外的推理开销。如果训练数据规模很大，这部分开销可能成为瓶颈。可以考虑将细粒度评判做成离线批处理流程，或者只在训练的关键阶段启用。
第三，评分模型本身也需要评估和迭代。如果部件检测模型本身准确率不高，它提供的细粒度奖励信号可能反而引入噪声。因此，在接入训练链路之前，需要对评分模块进行独立的准确率验证和误差分析。
把汉字拆开看结构，本质上是在纠正一个长期被忽视的问题：OCR识别适合做最终验收，但不一定适合做训练过程中的唯一裁判。对于中文文本生成图像这类任务，单一维度的零一打分无法提供足够的训练信号，而基于汉字构型的结构化拆解，则为奖励函数设计提供了一条更细腻、更合理的路径。
这种思路的延伸价值也不限于文本生成图像。在字体风格迁移、古籍文字修复、手写体合成、中文场景下的OCR鲁棒性评测等方向，构型感知的评判机制都有可能带来新的质量提升空间。与其让模型在黑箱里试错，不如先拆开汉字的结构，把反馈信号做得更清楚一些。