汉字生成评估的细粒度拆解方法

一、问题现象：轮廓对、细节崩

让文生图模型生成一张带中文文字的海报，结果往往呈现出一种高度一致的模式：远看整体布局合理、字形轮廓依稀可辨，凑近细看则问题丛生——某个字多了一撇，某个偏旁被压缩成难以辨认的形状，左右结构被挤成上下堆叠，笔画交叠处粘连成一团。这类失败并非个别模型的偶发缺陷，而是当前文生图能力在面对笔画复杂、结构密集的汉字时的普遍表现。

值得追问的是：为什么模型“知道”这里应该有个字，却“画不对”这个字？除了模型自身的表征能力限制之外，一个长期被忽视的环节是评估方式本身。训练后期常采用强化学习对生成结果进行优化，而优化的方向完全由“裁判”的打分决定。如果裁判看不清楚问题在哪，模型自然也就学不到该往哪里改。

二、传统评估范式的结构性缺陷

2.1 OCR裁判的打分逻辑

常见的做法是引入光学字符识别（OCR）模型作为奖励信号来源：从生成图像中裁剪出文字区域，送入OCR识别，将识别结果与目标文字做字符串比对，一致则给予正向奖励，不一致则奖励为零。

这套逻辑在处理英文时基本可用。英文的最小单位是26个字母，单词由字母线性排列构成，识别错误通常表现为字母级别的替换，比对结果尚能反映部分正确性。但汉字完全不同。

2.2 汉字是二维积木结构

汉字的最小结构单位不是“字”，而是偏旁部首及其空间组合关系。例如左右结构的字由两个部件横向排布，上下结构的字由部件纵向叠放，还有包围、半包围等复合关系。这种由部件按照特定空间关系组合而成的整体结构，通常称为汉字的构型。

OCR模型在面对构型复杂的汉字时，常见的行为有三种：

• 误识为形近字：将结构出错的字识别成另一个外形接近的合法汉字；
• 拒识：直接判定为无法识别的符号；
• 上下文脑补：多模态大模型结合语义语境“猜”出目标字，即使图上字形明显错误。

前两种情况下，无论生成结果是错一笔还是错半边，只要最终识别不通过，得分统统为零。这就好比批改一份 hundred 题的试卷，学生错一道和错九十道得到相同的零分，反馈信号完全无法指示“错在哪里、错了多少”。

2.3 假阳性与全有全无的两难

更棘手的是假阳性问题。当使用具备语言先验的多模态模型作为裁判时，模型可能依据上下文语境“推断”出正确的字，从而给出正向奖励，但图像上的字形实际上是错的。这类奖励信号会直接误导训练方向，让模型学会“只要语境对，字形可以糊弄”。

而专门的文字错误检测工具虽然能判断结构异常，但处理方式通常是将异常字符整体标记为特殊符号并判零分，本质上仍是非黑即白的二值判断。汉字的错误本来就有程度之分：缺一笔、多一笔、部件位置颠倒、部件比例失调、笔画粘连，这些错误的严重性和修正难度各不相同，但现有评估体系无法区分。

三、细粒度评估的核心思路

要解决上述问题，评估信号必须从“整字级二值判断”下沉到“部件级与关系级的结构分析”。核心思路可以概括为三个层次。

3.1 第一层：部件完整性

将目标汉字拆解为部件序列，逐一检查每个部件是否在生成图像中完整出现。例如左右结构的字，需要确认左侧部件与右侧部件均存在，且各自的关键笔画没有缺失或多余。

这一层输出的是部件级的召回情况：哪些部件被正确生成，哪些部件缺失，哪些部件出现了笔画增删。

3.2 第二层：空间关系正确性

部件齐全不等于结构正确。两个部件都存在，但左右排布被画成上下叠放，或者包围结构的内部部件跑到了外面，字形依然是错的。因此需要在部件检测的基础上，判断部件之间的相对位置关系是否符合目标构型。

可用一个简化的关系判定表示：

def structure_score(parts_detected, target_layout):
    # parts_detected: {部件名: 边界框}
    # target_layout: 期望的空间关系，如 ("左", "右") / ("上", "下") / ("外", "内")
    score = 0.0
    for (a, b), relation in target_layout:
        if a not in parts_detected or b not in parts_detected:
            continue
        actual = infer_relation(parts_detected[a], parts_detected[b])
        score += 1.0 if actual == relation else 0.0
    return score / len(target_layout)

这类关系判定不依赖整字识别，因此不会因为整体字形“不像任何合法汉字”而失效。

3.3 第三层：笔画级偏差度量

在部件与关系都正确的前提下，进一步度量笔画层面的偏差，包括笔画数量差异、关键笔画的位置偏移、笔画间的粘连程度等。这一层可以使用图像层面的距离度量或笔画骨架比对来实现，输出的不再是0/1，而是连续的打分。

三层组合后，评估结果从单一标量变为一个结构化向量：部件召回率、关系正确率、笔画偏差度。这个向量既能作为强化学习的奖励信号（通过加权组合为连续奖励），也能作为诊断信息告诉开发者——当前模型主要错在部件缺失，还是错在空间关系混乱。

四、从评估到训练反馈的落地要点

将细粒度评估接入训练流程时，有几个工程上需要注意的问题。

奖励塑形（reward shaping）。直接将三层分数加权求和作为奖励，需要谨慎设计权重，避免模型为追求部件齐全而牺牲整体协调性。建议保留一个整字可读性的兜底项，但降低其在总奖励中的占比，让梯度更多来自结构层面的差异。

评估器的一致性。部件检测与关系判定本身也可能出错，需要保证评估器在不同分辨率、不同字体风格下的判定稳定性。可通过在评估器训练数据中覆盖多字体、多字号、多背景的样本提升鲁棒性。

与人工抽检结合。细粒度分数便于自动化，但不能完全替代人工判断。建议在训练早期以人工标注校准评估器的打分分布，避免奖励信号系统性偏置。

评估成本控制。三层评估的计算开销高于单次OCR识别，可在训练中采用采样策略：对高置信度样本使用快速通道，对低分或边界样本启用完整的三层分析。

五、小结

汉字生成的难点不仅在生成侧，也在评估侧。将汉字视为不可拆分的黑箱，用整字识别的对错作为唯一奖励，等于放弃了错误程度这一关键信息。把评估拆解到部件完整性、空间关系正确性与笔画偏差三个层次，既能提供更平滑的奖励信号，也能为模型优化指明具体方向。对于从事中文文字生成相关工作的开发者而言，评估方案的设计应当与模型结构设计获得同等重视——毕竟，裁判看不清的地方，选手也很难练对。