汉字生成评估新思路：从OCR黑箱到结构感知

一、问题的表象与根因

让文生图模型生成一张带中文标语的海报，往往会出现一种典型失败：远看版式、配色、字体风格都成立，近看却发现某个字多了一横、某个偏旁被挤压变形、左右结构比例失调。整体轮廓相似，局部细节崩塌。这不是个别模型的偶发问题，而是当前文生图能力在汉字场景下的共性短板，笔画越多、结构越复杂的字，出错概率越高。

多数团队的直觉反应是”加大训练量”或”换更强的基座模型”。但有一个更前置的漏洞常被忽略：评估环节本身就在用错误的方式”看”汉字。在强化学习式的后训练流程中，评估模型（通常是一个OCR识别器）扮演裁判角色，它的打分信号直接决定模型往哪个方向优化。如果裁判只能输出”对/错”，那么模型永远无法知道自己是错了一笔还是错了半边。

二、OCR裁判的二元打分为何失效

OCR（光学字符识别）的任务设定是：把图片中的文字区域转换为计算机可读的文本序列。它的输出是离散的字符串，评判逻辑自然就是字符串比对——识别结果与目标文字一致则得分，不一致则不得分。

这套逻辑对英文是合理的。英文的最小单位是字母，26个字母线性排列构成词，任何一处拼写差异都会直接改变识别结果，二元信号与错误程度大致相关。

汉字则完全不同。汉字是二维的积木式结构：一个合体字由若干偏旁部首按照左右、上下、包围等空间关系组合而成，这种组合方式称为构型。例如左右结构的字由两个部件横向排布，上下结构的字由两个部件纵向叠放。OCR在识别这类结构时，一旦局部笔画或部件出现偏差，整字置信度会急剧下降，模型要么输出一个形近字，要么直接判为无法识别。于是无论错误是一笔还是半个部件，裁判给出的分数都是零。

用一个类比说明其荒谬性：批改一份100道选择题的试卷，学生错1道和错90道得到相同的分数——都是0分。这样的信号无法告诉学生”你哪里需要改进”，模型也就学不到有效的优化方向。

更麻烦的是两类”假信号”：

• 多模态大模型的假阳性：让具备语言能力的多模态模型去识别生成图中的错字，它可能结合上下文语境”猜”出正确答案并给出高分。但图上那个字形客观上是错的，模型只是靠语言先验蒙对了，这会把错误样本标记为正确，污染训练信号。
• 错字检测工具的一刀切：专门的字形异常检测工具能判断出结构有问题，但处理方式是把整字标记为异常符号，同样输出零分。它不会被语言先验欺骗，但依然是非黑即白的判断，中间没有灰度。

三、重新定义评估粒度：构型感知的分层打分

要解决这个问题，评估器需要从”整字识别”退化为”结构解析”。核心思路是：把汉字拆成部件与空间关系，对每个维度分别打分，再加权聚合。

一个可落地的评估框架包含三层：

1. 部件存在性：目标字的每个偏旁部首是否在图中出现，是否可辨识。
2. 空间构型正确性：部件之间的相对位置关系（左右、上下、包围）是否符合该字的标准构型，比例是否在合理区间。
3. 笔画细节完整性：部件内部的关键笔画是否缺失、冗余或错位。

这三层由粗到细，天然形成分级信号。部件缺失属于结构性错误，权重大；笔画多一撇属于细节错误，权重小。这样即使两个字都”不完全正确”，得分也能区分出严重程度，为模型提供可比较的梯度。

3.1 部件级评估的实现路径

实现上不必从头训练一个复杂的结构解析模型，可以复用现有的视觉能力，组合出一条评估管线：

def evaluate_char(image, target_char, component_db, ocr, detector):
    # 第一步：定位文字区域
    boxes = detector.detect(image)          # 返回字符级 bbox
    if not boxes:
        return {"score": 0.0, "reason": "no_text_region"}
    # 第二步：整字识别，作为粗筛信号
    pred = ocr.recognize(image, boxes[0])
    coarse = 1.0 if pred == target_char else 0.0
    # 第三步：结构解析——拆分目标字的部件与构型
    spec = component_db.lookup(target_char)  # {components, layout, ratios}
    present = []
    for comp in spec["components"]:
        # 在字符区域内做部件级匹配（模板匹配或轻量分类器）
        present.append(match_component(image, boxes[0], comp))
    comp_score = sum(present) / len(present)
    # 第四步：构型校验——检查部件相对位置与比例
    layout_score = check_layout(image, boxes[0], spec["layout"], spec["ratios"])
    # 第五步：加权聚合，保留分级信号
    score = 0.2 * coarse + 0.5 * comp_score + 0.3 * layout_score
    return {"score": score, "coarse": coarse,
            "components": comp_score, "layout": layout_score}

这段伪代码的关键设计在于保留各维度子分数，而不是只返回一个标量。训练侧可以据此做细粒度奖励塑形：部件缺失扣结构分，笔画偏差扣细节分，避免”一错全零”。

3.2 构型数据库的构建要点

上述方案的可行性依赖一个结构化的汉字构型库。构建时需注意：

• 部件切分标准要统一：同一批数据必须采用一致的部件拆分规范，否则跨字比较失去意义。
• 构型类别要收敛：左右、上下、包围、半包围、品字形等类别即可覆盖绝大多数合体字，不必追求过于细碎的划分。
• 比例区间要容差：左右结构的字两部分宽度比有一个合理范围，评估时应使用区间判定而非精确值，避免对生成结果的轻微风格差异过度惩罚。
• 繁简与异体要分列：不同字形标准下的部件构成不同，评估目标字所属的标准必须与训练目标一致。

四、从评估改进到训练收益

评估粒度的细化，最终要反馈到训练流程中。实践中有三个值得注意的点：

第一，把分级分数接入奖励函数。 在强化学习后训练中，奖励信号越平滑，策略优化越稳定。将部件分、构型分、细节分按权重组合成连续奖励，比稀疏的0/1奖励收敛更快，也更不容易陷入”生成可识别但结构错误的字”这种局部最优。

第二，区分假阳性与真阳性样本。 对于多模态模型”猜对”的样本，应引入独立的字形校验分支做二次确认，把语言先验带来的误判样本剔除出正样本池，否则模型会学到”写不清楚也能得分”的错误关联。

第三，评估集要覆盖构型分布。 如果评估集中左右结构字占绝大多数，模型在上下结构和包围结构上的退化不会被暴露。构建评估集时应按构型类别分层采样，并对复杂笔画字（如笔画数超过15的字）单独设组统计。

五、总结

汉字生成的难点不在”画得像不像”，而在”结构对不对”。当前主流的OCR式评估把汉字当作不可拆分的黑箱，只能输出二元对错，既无法反映错误的严重程度，也容易被语言先验制造的假阳性误导。把评估粒度下沉到部件与构型层面，构建分层、连续、可解释的打分信号，是让文生图模型真正”画对”中文字的关键一步。这一思路不依赖某个特定模型或平台，任何自建生成评估管线的团队都可以按上述框架逐步落地：先建构型库，再做部件匹配，最后把分级分数接回训练奖励。