拆解汉字构型：让文生图模型真正写对中文字

一、问题现象：AI画的汉字为什么总是“形似神非”

如果让当前主流的文生图模型画一张带中文的海报，结果往往令人哭笑不得：乍一看版式漂亮、氛围到位，凑近一看，“某”字多了一撇，“留”字的下半部分被挤成一团，偏旁部首比例失调、空间关系错乱。整体轮廓对了，细节全崩。

这不是个别模型的偶发问题，而是文生图技术在汉字场景下的系统性短板。原因可以从三个层面理解：

• 汉字本身是高难度目标。英文字母只有26个最小单元，而常用汉字数千个，每个字由数量不等的笔画构成，笔画又组合成部件，部件再按左右、上下、包围等空间关系拼装成二维方块结构，自由度远高于字母。
• 训练数据信号偏弱。高质量、清晰、构图规整的中文文字样本在图文训练集中占比有限，模型难以从中学到笔画级的精确先验。
• 扩散式生成的天然限制。逐像素去噪的生成过程擅长纹理与氛围，却难以精确控制“这一横不能出头、这一撇必须避让”这类符号级约束。

二、根因剖析：被忽略的不是生成，而是评价

要让生成质量持续提升，业界通行做法是在预训练之后引入强化学习式的后期训练：模型生成图像，由一个“裁判”打分，分数作为奖励信号驱动策略优化。在文字生成任务中，这个裁判通常由OCR（光学字符识别）模型担任。

OCR裁判的逻辑非常直接：从生成图中截取文字区域，识别一遍，与目标文本比对，认对了给高分，认错了给零分。问题恰恰出在这种“非黑即白”的打分方式上。

缺陷一：奖励信号过于稀疏。 汉字的错误天然有程度和位置之分——少写一笔、部件变形、结构错位，严重性完全不同。但在OCR裁判眼里，只要最终认不出，一律零分。这就像批改一份一百道选择题的试卷，错一道和错九十道都得零分，学生永远不知道该往哪个方向改进，模型的策略梯度也因此失去了细粒度的指引。

缺陷二：裁判自身能力不匹配。 通用OCR模型多在印刷体上训练，对生成图像中轻微的笔画扰动极其敏感，常常把略有小瑕的字直接判成“不认识”或猜成形近字，大量本应获得部分肯定的正样本被误杀。

缺陷三：换更聪明的裁判会引入假阳性。 用多模态大模型做裁判时，它会调用强大的语言先验“脑补”：看到上下文是“尴尬”，即便图中“尬”的字形明显画错了，它也会结合语境猜出正确答案并给满分。这种奖励是危险的——它等于告诉模型“字形错了没关系，只要语境能猜出来就行”，方向完全跑偏。

缺陷四：专门的错字检测工具也只是“半个解”。 还有一类技术方案能敏锐地发现图中存在异常字形，但它的输出方式是把整个字标记成一个异常符号，依旧是“对或错”的二元判断，无法给出“错在哪、错多少”的连续信号。

归纳起来：现有评价体系把汉字当成一个不可分割的整体来“看”，而汉字的本质恰恰是可分解、可组合的二维结构。评价的颗粒度，决定了生成质量的上限。

三、关键洞察：把汉字当作可分解的积木

汉字构型学早已给出答案。一个汉字可以自顶向下分解为三个层级：

• 整字层：最终的识别正确性；
• 部件层：构成整字的偏旁部首，如“明”由“日”“月”左右排布，“想”由“相”“心”上下叠放，“国”为“囗”包围“玉”的全包围结构，“树”则是“木”“又”“寸”的左中右组合；
• 笔画层：横、竖、撇、捺、点、折等最小书写单元。

部件之间存在明确的空间关系约束：相对位置、大小比例、包围关系、穿插避让。所谓“写对”，就是每个部件画对了形状、摆对了位置、配对了比例。

因此，奖励函数的设计应当从“这个字认不认得出”转变为“每个部件画对没有、空间构型合理与否”。这正是结构化奖励的核心思想。

四、结构化奖励的设计与实现

4.1 奖励分解

一个可落地的结构化奖励通常包含三个分量：

• 部件级奖励：将目标字按构型拆解为部件集合，利用标准字体渲染出参考部件掩码，再在生成图中定位对应区域，逐一计算形状相似度；
• 构型级奖励：比较生成部件与参考部件之间的相对位置向量、尺寸比例、包围/并列关系是否符合该字的构型规则；
• 整字级奖励：保留OCR识别正确作为强奖励兜底，但权重降低，仅作为“完全正确”的确认信号。

示意性伪代码如下：

def structured_reward(image, target_char):
    # 1. 部件级：目标字拆解为部件，逐一比对形状
    ref_parts = decompose(target_char)            # 参考部件及其标准掩码
    gen_parts = localize_parts(image, ref_parts)  # 在生成图中定位对应部件
    part_score = mean([shape_iou(g, r) for g, r in zip(gen_parts, ref_parts)])
    # 2. 构型级：位置、比例、包围关系是否合理
    layout_score = layout_similarity(gen_parts, ref_parts)
    # 3. 整字级兜底：识别完全正确才给强奖励
    ocr_score = 1.0 if ocr_match(image, target_char) else 0.0
    # 加权组合：细粒度信号为主，整字正确为确认项
    return 0.5 * part_score + 0.3 * layout_score + 0.2 * ocr_score

4.2 训练流程

1. 构造提示词数据集：覆盖单字、常用词、短句等多种文本长度，以及招牌、海报、标题等典型排版场景，并刻意纳入笔画繁多的“难字”。
2. 自动生成参考标注：用多种标准字体渲染目标字，获得部件掩码与布局信息。这一步完全自动，无需人工标注；多字体混合渲染可避免裁判过拟合于某一种字重风格。
3. 采样与打分：模型对同一提示词采样多张候选图，结构化奖励函数逐图打分。
4. 策略优化：以奖励信号驱动策略梯度类算法更新生成模型，可采用近端策略优化（PPO）等通用强化学习方法。
5. 课程式推进：先从结构简单的独体字和常用字起步，逐步加入复杂构型字与多字排版，稳定训练过程。

4.3 防止奖励被“钻空子”

结构化奖励同样需要防范奖励劫持：

• 裁判盲评：打分环节只看图像本身，切断上下文线索，避免裁判靠语言先验“蒙对”；
• 证据一致性校验：识别结论必须与字形证据（部件匹配结果）相互印证，两者矛盾时下调置信度；
• 持续监控奖励分布：若奖励上升而人工抽检质量不升，说明裁判被破解，需及时迭代。

五、评估与工程落地建议

• 建立分层指标：除整字准确率外，单独统计部件准确率与构型合理率。整字准确率会掩盖问题，例如一个左右结构字可能常年“左对右错”，整体指标却已达标。
• 按构型类型归因：将错误按左右、上下、包围等结构分类统计，定位薄弱环节后针对性补充训练数据。
• 级联打分控制成本：结构化奖励的计算开销高于纯OCR。可先用OCR粗筛，识别完全正确的样本直接给强奖励，仅对失败样本做精细的结构归因，兼顾效果与算力。
• 善用云端基础设施：字形资产的渲染与存储可依托对象存储管理，训练任务跑在GPU算力与容器平台上，奖励分布与指标曲线接入监控告警。在实际应用侧，无论自研模型还是调用百度智能云等平台提供的通用文生图与模型服务能力，都可以将上述结构化评估思路作为质量验收环节接入业务流水线。

六、结语

汉字之美在于结构，让AI写对汉字，也要从结构入手。这篇思路的价值不在于某个具体技巧，而在于揭示了一个通用原则：当生成任务的失败模式具有内在层级时，评价体系必须具备同等颗粒度，否则强化学习只会在一无所知的黑暗中摸索。 把“整字对错”拆解为“部件与构型的连续评分”，模型第一次真正收到了“哪里错了、差多远”的反馈，写对中文字才从偶然变成必然。