拆开汉字看结构：让AI写对中文字的评分新思路

一、背景：图像生成模型的“中文之痛”

文生图模型近两年进步显著，画面质量、构图控制都已相当成熟，但“图里的文字”始终是块短板，而中文又是短板中的短板。常见症状包括：笔画缺漏、部首变形、部件位置颠倒、比例失衡，甚至凭空造出一个字典里不存在的“伪汉字”。

根源在于：生成模型本身并没有“字”的概念，它学习的是像素的分布规律。要让模型主动写对字，业界通行做法是在基础训练之后叠加后训练环节（尤其是强化学习），让模型在“生成—打分—修正”的闭环中逐步逼近正确字形。而这个闭环的效率，几乎完全取决于打分者——“裁判”——的水平。

二、裁判模型：强化学习后训练的指挥棒

先交代这个“裁判”在训练流程中的位置。一个典型的后训练闭环如下：

1. 策略模型（即被优化的生图模型）根据提示词生成含文字的图像；
2. 裁判模型将图像中的文字与目标文字比对，输出分数；
3. 分数作为奖励信号回传，通过强化学习算法更新策略；
4. 循环迭代，模型逐步学会“写对字”。

对裁判有两个基本要求：一是判断准确，不能把错的判成对的；二是信号丰富，至少要能区分“比较好”和“比较差”。OCR（光学字符识别，即让机器“认字”、把图片文字转换为计算机可读文本的技术）因为成熟、成本低、可大规模并行，成了最常被选用的裁判。

三、OCR裁判的打分逻辑：非黑即白

OCR裁判的打分方式简单直接：从生成图中裁出文字区域，识别一遍，将识别结果与目标文字逐字符对比——相等给分，不相等不给分。

问题恰恰出在这个“对就给分、错就不给分”上。打个比方：你在批改一份一百道选择题的试卷，但无论学生错一道题还是错九十道题，你给的分都一样，统统零分。这样的打分无法告诉学生“哪里需要改进”——对人类如此，对模型同样如此。在强化学习语境下，这叫奖励信号稀疏且无梯度方向：策略每次尝试得到的反馈都是同一个0，训练便容易陷入低效的随机试错。

而汉字，把这一缺陷放大到了极致。

四、汉字的本质：二维的积木结构

英文字母本身是最小书写单位，二十六个字母按一维序列排列成词。汉字则不同，它是一种二维组合结构：偏旁部首按照左右、上下、包围等空间关系拼装成字。举例来说，“尬”由“九”和一个“龙”的变体左右排布而成；“想”由“相”与“心”上下叠放而成。这种由部件按空间关系组合的规律，通常称为汉字的构型。

组合结构意味着汉字的错误天然是分层的：

• 笔画级：多一笔、少一笔、笔画形态变形；
• 部件级：某个偏旁写错，或用成了形近的另一个部件；
• 结构级：部件齐全，但空间关系错了——左右结构写成上下结构、位置互换；
• 整字级：完全不成字，属于“凭空造字”。

一套只输出0或1的评价体系，等于把上述四个层次的信息全部压平成单个比特。而OCR面对复杂构型时，经常要么硬猜一个形近字，要么直接放弃——无论AI生成的字是错了一笔还是错了半边，只要最终识别不出，得分一律为零。

五、三类裁判的失效现场

那篇论文给了一个很直观的案例：生成图中有个“尬”字，结构写错了。让三类裁判分别评判：

1. 专用OCR模型：老老实实把它认成了另一个长得像的字，与目标不符，判0分。错半边与错一笔得到完全相同的惩罚。
2. 多模态大模型：结合上下文语境，硬是“猜”出了正确答案，给了1分。但这其实是假阳性——图上字形明明是错的，模型只是凭借语言先验蒙对了。用作训练信号时，这种“脑补式通过”反而更危险：它会把字形错误但语境通顺的样本标记为正例，系统性污染奖励。
3. 专用错字检测工具：能准确判断这个字结构有问题，但处理方式是把整个字标记成异常符号，直接打0分。它不会被语言模型的“脑补”骗到，却依然非黑即白：对，或者错，中间没有灰色地带。

三条路径殊途同归：没有一个裁判能回答“这个字错到什么程度”。

六、核心思路：拆开汉字，逐项给分

论文的关键洞察正如其主题所言——既然汉字是“部件+空间关系”的积木，评分就应该在同一粒度上进行。把这套思路抽象出来，大致分四步：

1. 结构解析：借助汉字构型知识（部件表、结构类型标注等规范化资源），把目标字分解为部件序列与布局描述；
2. 部件检测：在渲染出的字形图像中定位并识别各个部件，相当于一次小规模的检测加分类；
3. 逐项比对：部件是否齐全、每个部件的字形是否正确、部件间位置是否符合布局约束；
4. 分数融合：将各项局部得分加权融合，输出0到1之间的连续分数，完整保留“错误程度”信息。

示意性伪代码如下：

def score_glyph(rendered_img, target_char):
    # 1. 目标侧：拆字
    target = decompose(target_char)
    #    例："尬" -> components=["九", "龙*"], layout="left-right"
    # 2. 生成侧：部件检测与布局分析
    detected = detect_components(rendered_img)
    # 3. 局部得分：部件命中率 + 结构正确性
    s_comp   = match_components(target.components, detected)
    s_layout = verify_layout(target.layout, detected.layout)
    # 4. 融合为连续分数
    return alpha * s_comp + beta * s_layout

效果上：部件全对但位置放错的字，得到中等分数；只写对一半部件的字，得到低分；全部正确得满分。灰色地带回来了，“批改老师”终于能说出“你错在右半边”这样的话。

七、为什么“有程度的分数”对强化学习至关重要

• 密集奖励：强化学习依赖奖励的差异提供学习信号。连续分数让模型的每一点微小改进（比如从缺三笔修正为缺一笔）都能被“看见”，避免长期停在零分高原上盲目试错。
• 信用分配：细粒度分数隐含了“哪一类错误被修复了”的信息，策略更新因此能定位到具体改进方向，而不是笼统的“还是不行”。
• 训练稳定性：若初期错字率高、奖励几乎全为0，训练信号近乎消失，学习难以启动；分级奖励保证了训练早期也存在可爬的坡度。
• 抑制假阳性：相比依赖语境猜测的多模态裁判，部件级比对聚焦字形本身，大幅减少“蒙对”样本对训练数据的污染。

八、工程落地的几个要点

• 构型资源建设：部件拆分依赖规范化的汉字构型数据库。业界通用的文字识别能力（如百度智能云等云厂商提供的文字识别服务）可作为整字识别环节的成熟组件，结构化评分则在其之上充当“解释层”，二者互补而非替代。
• 部件检测的鲁棒性：生成图像中的字形常带风格化、艺术化变形。部件检测需要容忍风格差异、同时严控结构差异——容忍“写得潦草”，拒绝“拼错积木”——这是整套方案最难的一环。
• 可扩展性：这套“拆结构再打分”的思路天然适用于整个CJK文字家族，日文汉字、韩文谚文同样具备组合式结构，方法可直接迁移。
• 更广的应用面：细粒度评分不只服务于强化学习，还可以做成独立的“文字保真度”评测基准，用于横向比较不同生图模型；也可用于设计稿校对、字体质量抽检，甚至书法教学中的结构纠错反馈。

九、结语

把汉字从“不可拆分的黑箱”还原为“可拼装的积木”，评价粒度从整字下沉到部件与结构，奖励信号从一位比特扩展为连续刻度——这既是让AI写对中文的关键一步，也揭示了评估体系设计的一条普遍规律：想让模型学会改进，先得让裁判有能力说清楚“差在哪里、差多少”。对任何做生成模型后训练的团队而言，这个思路都值得纳入自己的奖励设计工具箱。