汉字生成评估的粒度困境：从二值判定到结构感知

一、问题的起点：把汉字当成不可拆分的黑箱

在生成式模型的后训练流程中，强化学习常被用来把输出质量从“能看”推到“准”。这套流程需要一个裁判模型为每次采样打分，把分数作为奖励信号回传给生成模型。在文字图像生成任务里，这个裁判通常由 OCR（光学字符识别）模型担任：把生成图片中对应的文字区域裁剪出来送入识别器，识别结果与目标文本一致则给正分，不一致则给零分。

这个逻辑在拉丁字母场景下大体成立，因为英文的最小书写单位就是字母，26 个符号的排列组合构成词，识别器只要逐字符对齐即可给出细粒度反馈。但汉字不是线性序列，而是二维的积木结构：“尬”由“九”与“龙”的变体左右排布，“想”由“相”与“心”上下叠放，还有包围、半包围、品字堆叠等空间关系。由偏旁部首按这些空间关系组合而成的结构，就是汉字的构型。

一旦裁判把一个复杂构型的汉字当作整体符号来判别，评估就退化成了二值判定：整字被认出且与目标一致得 1 分，其余一切情况得 0 分。写错一个笔画、错一个偏旁、左右颠倒、上下错位，甚至只是笔画粘连导致识别失败，反馈完全一致——都是零。这相当于用同一份满分 100 的试卷批改所有学生，无论错 1 题还是错 90 题都给 0 分，学生无法知道该补哪里，模型也拿不到指向“哪一部分错了、错在什么关系上”的梯度。

二、二值裁判的三类失效模式

第一类：形近字误判。 生成图里某个字的结构已经出错，但 OCR 把它识别成另一个字形相近的合法汉字。此时识别结果与目标不一致，判 0 分——分数方向没错，但信息量极少：模型只知道“这个字不对”，不知道是左边的偏旁写歪了，还是右边部件的笔画多了一横。

第二类：语言先验导致的假阳性。 换用多模态大模型做裁判时，模型会结合上下文语境“猜”出本该出现的字，即使图上字形明显是错的也判对。这是更危险的情况：错误被奖励，模型会强化“写个大概轮廓、靠上下文兜底”的策略，字形精度反而下降。

第三类：异常标记的粗粒度惩罚。 一些专门检测错字的工具能发现结构异常，但处理方式是把整个字标记为异常符号，直接判 0 分。它不会被语言先验骗过，可依然是非黑即白的判断：对，或者错，中间没有灰色地带。对于“偏旁位置基本正确但笔画有粘连”和“整个字结构完全崩坏”这两种严重程度相差极大的错误，惩罚完全相同。

三类失效模式指向同一个根因：评估的粒度与错误的粒度不匹配。汉字的错误本身有程度之分——笔画级、部件级、结构关系级、整字级，而裁判只输出一个比特。

三、改进方向：把裁判从“判对错”改成“量差异”

3.1 以部件与空间关系作为中间监督

既然汉字的构型可以分解为“部件集合 + 空间关系”，评估就应当在同一层面展开。一种可行做法是让裁判模型同时输出结构化解码结果，而不只是最终字符串：

输入：生成图裁剪出的单字区域
输出：
{
  "components": ["九", "龙"],          # 识别出的部件序列
  "layout": "left_right",               # 空间关系：左右/上下/包围/堆叠
  "component_scores": [0.92, 0.41],     # 各部件置信度
  "structure_score": 0.55               # 布局与目标布局的匹配度
}

有了这样的中间表示，奖励函数就不再是一个比特，而是可以按部件加权求和，并对布局错误单独扣分。部件置信度低说明“这个偏旁没写像”，布局得分低说明“位置关系错了”，两者对应的优化方向完全不同。

3.2 分级奖励与结构相似度

在此基础上可以设计分级奖励。例如把单字质量划分为若干档：整字正确且部件齐全 → 高奖励；整字可识别但存在部件缺失或替换 → 中等奖励并附加惩罚项；结构关系错误 → 低奖励；完全不可识别 → 零奖励。分级的关键在于档位之间的差距要能反映错误的严重程度，而不是所有非满分都塌缩到零。

另一种思路是引入结构相似度指标作为稠密奖励：对生成图与目标字分别提取笔画或部件掩码，计算交并比、位置偏移、拓扑关系一致性等，得到一个连续取值的分数。连续分数天然带有“错得多扣得多”的性质，能为策略优化提供更平滑的梯度。

3.3 多裁判协同与假阳性抑制

单一裁判容易被某一类偏差主导：纯 OCR 偏向整字判别，多模态大模型偏向语言先验。工程上可以组合多个裁判并做一致性校验——当整字识别判对、但结构相似度得分很低时，标记为可疑样本，交由更严格的结构校验环节复核。这样既保留了整字识别的稳定性，又抑制了“靠上下文蒙对”的假阳性。

四、奖励设计的工程要点

刷分风险。 一旦奖励由多个分项加权求和，模型就可能学会只优化容易拿分的分项（例如把部件写得很大以提升部件置信度），而忽略难以优化的布局项。应对方式是周期性审计各分项的得分分布，检查是否存在某一项异常饱和，并对权重做动态调整。

裁判模型的稳定性。 裁判本身也是有误差的模型，其判定噪声会直接进入奖励信号。实践中需要对裁判做一致性测试：对同一批样本做多次识别或轻微扰动，统计判定结果的方差；方差过高的样本类型应从训练集中剔除或降权。

评估与训练的闭环。 结构化的评估输出不仅是奖励，也是诊断报告。可以把部件级、布局级的得分聚合起来做可视化，观察模型在哪些构型类型上系统性偏弱（例如包围结构的字普遍布局得分低），据此调整训练数据的配比，而不是盲目扩大数据规模。

五、小结

汉字生成的评估难点不在于“能不能认出字”，而在于“能不能说清楚错在哪”。把汉字当作不可拆分的黑箱，裁判就只能输出二值结论，模型学不到改进方向；把汉字还原为部件与空间关系的组合，评估才能获得与错误粒度相匹配的分辨率。从二值判定走向结构感知，需要三件事同时到位：裁判输出结构化中间表示、奖励函数分级且连续、多裁判协同抑制假阳性。这三步做扎实，汉字生成的质量优化才有可依据的抓手。