拆解汉字构型：让文生图模型写对中文字的技术路径

一、问题的表象与本质

让文生图模型生成一张包含中文文字的海报，得到的结果往往呈现出一种“远看尚可、近看崩坏”的典型特征：整体轮廓与目标字形大致吻合，但某个笔画多出一撇、某个偏旁被压缩变形、某个部件的位置关系错乱。这一现象并非偶发，而是当前文生图模型在处理汉字时的系统性缺陷，笔画复杂度越高，崩坏程度越严重。

要理解这一问题的成因，需要从模型训练的评价机制入手。在基于强化学习的后训练流程中，模型需要一个“裁判”来对生成结果打分，以此指导优化方向。当前普遍采用的裁判是OCR模型——将生成图片中的文字区域截取出来，识别为文本，再与目标文字比对，一致则给正分，不一致则给零分。

这套逻辑在英文字母场景下基本够用，因为英文字母是最小书写单位，26个字母的排列组合构成单词，识别的最小粒度与书写的误差粒度基本对齐。但汉字的情况完全不同。

二、汉字构型：被忽略的二维结构属性

汉字是一种二维积木式结构。以一个左右结构的字为例，它由两个或多个偏旁部件按照特定的空间关系组合而成；上下结构的字则由上下两部分叠放构成；此外还有包围、半包围等复合空间关系。这种由部件按照空间关系组合成完整字形的属性，可以称为汉字的构型。

构型属性意味着汉字的书写误差是多层级、多粒度的：

• 笔画级误差：某一笔写长了、写短了、写歪了；
• 部件级误差：某个偏旁整体变形或缺失；
• 结构级误差：部件之间的位置关系错误，如左右比例失调、上下错位；
• 字形级误差：整体轮廓正确但细节全部偏离。

OCR裁判的问题在于，它把整个汉字当作一个不可拆分的黑箱来处理。当输入字形出现任何程度的偏差时，OCR的输出行为呈现两种典型模式：其一，强行识别为一个形近字，从而给出错误的“正确”判定（假阳性）；其二，直接判断为无法识别，给出零分。无论偏差是错一笔还是错半边，最终得分都是零——这相当于批改一百道选择题时，无论学生错一道还是错九十道，统统给零分。这样的评分信号无法告诉模型“哪里需要改进”，模型也就无从学习优化的方向。

三、二元评分的结构性缺陷

3.1 假阳性问题

当OCR模型面对一个结构有误但整体轮廓接近的汉字时，可能将其识别为另一个形近字。如果这个形近字恰好与目标文字相同，裁判就会给出正分。但此时生成的字形实际上是错误的，模型得到的是一个错误的奖励信号。

更隐蔽的情况来自具备语言建模能力的多模态大模型。这类模型在识别单个字形时，会结合上下文语境进行“猜测”——即使字形本身有误，模型也可能凭借语言先验“脑补”出正确文字，从而给出正分。这同样是一种假阳性，且更难被察觉，因为评分表面上看是“合理”的。

3.2 假阴性的信息损失

另一类专门用于检测书写异常的工具能够更准确地判断字形结构是否存在问题，但其处理方式是将异常字形整体标记为一个特殊符号，直接给出零分。这种方式避免了语言模型的“脑补”干扰，但同样是非黑即白的判断：对，或者错，中间没有灰色地带。

问题的核心在于：汉字的错误本来就有程度之分。错一个笔画与错一个偏旁，其严重程度不同；偏旁位置偏移与偏旁完全缺失，其修正难度也不同。二元评分将这些差异全部抹平，导致奖励信号的信息量极低。

3.3 对强化学习训练的影响

在强化学习框架下，奖励信号的粒度直接决定了模型能够学到的优化方向。当奖励只有0和1两个取值时，模型只能感知“这次生成整体上是否被接受”，而无法感知“哪个部件出了问题、问题有多严重”。对于笔画复杂的汉字，模型在随机探索中触及正确字形的概率极低，而二元奖励又无法提供中间状态的梯度信息，导致训练效率低下甚至停滞。

四、部件级拆解：一种细粒度评价思路

要解决上述问题，评价机制需要从“整字比对”下沉到“部件与结构关系”的层级。核心思路可以概括为：将汉字拆解为部件序列与结构关系的组合，在部件级别和关系级别分别评估生成质量，再综合为细粒度评分。

4.1 构型表示的拆解

一个汉字可以表示为一个结构化的元组：

char = (component_1, component_2, ..., relation)

其中 component_i 表示第 i 个部件（偏旁或独体字），relation 表示部件之间的空间关系（左右、上下、包围等）。例如，左右结构的字可表示为两个部件加上“左右”关系；上下结构的字可表示为两个部件加上“上下”关系。

在这一表示下，生成字形的评价可以分解为多个子任务：

1. 部件完整性检测：每个目标部件是否在生成字形中完整出现；
2. 部件形态质量评估：每个部件的笔画是否书写正确；
3. 结构关系评估：部件之间的相对位置、比例是否符合目标构型；
4. 整体一致性校验：部件组合后的整体轮廓是否与目标字形一致。

4.2 评分函数的设计

基于上述拆解，可以设计一个分层的评分函数。以部件级评分为例，一种可行的形式为：

score = w_1 * s_component + w_2 * s_relation + w_3 * s_global

其中 s_component 衡量部件级别的平均书写质量，s_relation 衡量结构关系的正确程度，s_global 衡量整体字形的相似度，w_i 为可调节的权重。与二元评分相比，这种评分能够区分“错一笔”与“错半边”的差异，为模型提供更丰富的优化信号。

4.3 实现层面的考量

在工程实现上，部件级评价需要解决两个关键问题：

• 部件检测与对齐：需要一种能够定位生成字形中各部件位置的方法，可以借助部件级的目标检测或分割模型实现；
• 结构关系判定：需要判断部件之间的空间关系是否与目标构型一致，可以通过比较部件包围盒的相对位置与目标关系模板来完成。

需要说明的是，部件级评价并非要替代整字识别，而是作为整字识别的补充。整字识别负责快速筛选明显正确的样本，部件级评价负责在错误样本上提供细粒度的反馈信号。两者结合，才能在保证评价效率的同时提升信息密度。

五、对训练流程的启示

将细粒度评价引入文生图模型的后训练流程，需要在以下几个环节做出调整：

奖励信号的分层设计。在强化学习中，奖励信号的设计直接影响策略优化的方向。将部件级评分作为辅助奖励，与整字级奖励加权组合，可以在保持整体目标一致的前提下，为模型提供更密集的反馈。

难例挖掘与针对性优化。部件级评分能够定位具体出错的部件或结构关系，从而支持针对性的难例挖掘——将部件错误率高的样本优先纳入训练，提升模型在复杂汉字上的收敛速度。

评价与生成的闭环。细粒度评价的价值不仅在于打分，更在于为生成模型提供可解释的反馈。当模型能够“知道”是哪个部件写错了、错在何处时，后续的优化才能有的放矢。

六、小结

文生图模型在中文文字生成上的缺陷，根源之一在于评价机制对汉字构型属性的忽视。OCR裁判将汉字视为不可拆分的黑箱，二元评分抹平了错误程度的差异，导致奖励信号信息量不足。将汉字拆解为部件与结构关系的组合，在部件级别和关系级别进行细粒度评价，能够为模型提供更丰富的优化信号。这一思路的核心不在于替换某个具体工具，而在于重新定义“如何看懂一个汉字”——从整字比对走向构型感知。对于从事文生图模型训练与优化的开发者而言，评价机制的设计与模型架构的选择同样重要，值得在工程实践中持续投入与迭代。