简介：针对AI生成汉字评测中OCR“非对即错”导致反馈信号稀疏的问题，本文剖析黑箱判别模式的局限，提出以汉字构型为中间表示的结构化评测思路，介绍部件拆分、空间关系建模与分级打分机制，并给出可落地的评测管线设计，帮助开发者构建更细粒度、更稳定的生成质量反馈闭环。
在图像生成模型的后期优化中，强化学习常被用来提升输出质量。其基本流程是：模型生成候选结果，由“裁判”模型打分，分数作为奖励信号回传，驱动模型向高分方向调整。在这个环节里，裁判的判别粒度直接决定了模型能学到什么。
对于含文字的生成任务，裁判通常由光学字符识别（OCR）模型担任。逻辑非常直接：把生成图中的文字区域裁剪出来做识别，识别结果与目标文本一致则给分，不一致则不给分。这套方案在拉丁字母场景下尚可运转，因为字母是最小单位，26 个符号的排列组合构成词，识别正确与否基本等价于书写正确与否。
但汉字不是这样。汉字是二维的积木结构：一个字符由若干部件按照左右、上下、包围等空间关系组合而成。这种由部件及其空间排布构成的层级组织方式，可以称为汉字的构型。例如左右结构的字由两个部件横向拼合，上下结构的字由两个部件纵向叠放，半包围结构则涉及部件对内层部件的包裹关系。也就是说，一个汉字同时包含“有哪些部件”和“部件怎么摆”两类信息。
OCR 在面对这种复合结构时，往往把整字当作一个整体模式匹配。一旦笔画错位、部件缺失或比例失调，识别器要么输出一个形近字，要么直接判为无法识别。于是评测退化为二值判断：无论错一笔还是错半边，只要最终识别不出来，得分都是零。
用一个类比说明其后果：批改 100 道选择题的试卷，学生错 1 题和错 90 题得到相同的零分，反馈中不包含“哪里需要改进”的任何信息。对强化学习而言，这意味着奖励信号极度稀疏，梯度无法指向具体的错误维度，模型只能在大量无效尝试中随机游走。
现有评测手段在汉字场景下主要表现出两类问题，且方向相反。
第一类是假阳性：语言先验掩盖字形错误。 当裁判换成语义能力更强的多模态大模型时，模型会结合上下文语境“猜”出目标字。例如生成图中某个字的间架结构已经明显错乱，但整句语义通顺，大模型倾向于输出语义上合理的那个字，从而给出正确判定。这实际上是用语言能力补足了视觉缺陷，把字形错误放了过去。对训练而言，这种错误的正奖励比不给奖励更有害，因为它明确鼓励了“结构可以写错、语义对就行”的倾向。
第二类是假阴性：异常检测的过度粗粒度。 另一类方案使用专门的文字异常检测手段，能够发现字形结构存在问题，但处理方式是把整个字符标记为一个异常符号，同样给出零分。这类方法不会被语言先验误导，判断更可靠，但依然是非黑即白的：对，或者错，中间没有灰色地带。它能告诉你“这个字有问题”，却不能告诉你“是左边的部件错了，还是上下比例错了”。
两类方法的共同缺陷是反馈维度单一。强化学习需要的是可分解的奖励：部件是否齐全、空间关系是否正确、笔画是否规整，各维度的得分应当独立变化。只有把评测从“整字判别”下推到“结构判别”，反馈信号才能变得稠密。
解决路径的核心是引入一个中间表示：不直接比对整字，而是先把汉字拆解为部件序列与空间关系，再在结构层面进行比对与打分。整体流程可分为四步。
第一步是定义一套可计算的构型描述。对每个目标汉字，预先标注其部件构成及组合方式，形成结构化的参考表示。描述内容通常包括：
这套表示不需要精确到笔画级，部件级粒度已足以覆盖绝大多数结构错误。标注体系应保持有限的关系类型集合，避免组合爆炸，便于后续模型学习与规则匹配。
第二步是对生成图像做结构解析，而不是整字识别。可采用的方案包括：训练一个部件检测与关系分类的联合模型，输出图像中字符的部件框及其两两之间的空间关系；或在检测到字符区域后，先做部件分割，再对分割结果做关系推断。
解析阶段的输出应当是一个与参考表示同构的结构化对象，例如：
{"char": "target","components": ["comp_a", "comp_b"],"relations": [{"from": "comp_a", "to": "comp_b", "type": "left_right"}]}
只有表示形式对齐，后续比对才有意义。这一步是整个方案的技术难点，也是评测精度的主要瓶颈。
第三步是在结构层面计算相似度，并将相似度映射为分级分数。一个可操作的打分设计如下：
| 维度 | 判定内容 | 权重建议 |
|---|---|---|
| 部件完整性 | 参考部件是否全部出现 | 高 |
| 部件正确性 | 每个部件是否被正确识别 | 高 |
| 空间关系 | 部件间关系类型是否与参考一致 | 中高 |
| 比例规整度 | 部件尺寸占比是否落在约束区间 | 中 |
总分可由各维度加权得到，也可设计为逐级扣分：部件缺失扣大分，关系错误扣中分，比例偏差扣小分。这样，错一笔与错半边的样本会获得显著不同的奖励，模型因此能够区分错误严重程度。
需要强调的是，分级打分并不要求完全取代 OCR。一种务实的做法是混合裁判：OCR 负责快速判定整字是否可读，结构化解析负责在不可读时给出细粒度归因。两者串联，既保留效率，又补上解释性。
结构化分数最终要回流到训练中。对接时需注意两点：
将上述思路投入实际训练前，还需评估几个现实约束。
标注成本与覆盖度。 部件与关系的标注需要人工或半自动完成，覆盖常用字集的成本可控，但生僻字与异体字需要额外处理。建议先覆盖高频字集，再逐步扩展，并为未覆盖字符设计降级策略（回退到整字判别）。
解析模型的鲁棒性。 生成图像往往存在模糊、形变、背景干扰，部件检测在这种条件下的稳定性直接决定评测可信度。应当在训练解析模型时引入与生成分布一致的退化样本，避免评测器本身成为噪声源。
评测与生成的博弈。 任何固定评测器都可能被生成模型“钻空子”：模型可能学会满足结构约束但视觉上仍不自然的写法。因此结构化评测宜作为阶段性信号，配合人工抽检与评测器迭代，形成动态闭环，而不是一劳永逸的静态标准。
指标的可解释性输出。 训练日志中应保留各维度的分项得分与典型失败样本，便于定位是部件识别环节还是关系推断环节出了问题。可解释的分项指标，其诊断价值往往高于总分的微小提升。
汉字生成的质量瓶颈，很大程度上不在生成端，而在评测端。把汉字当作不可拆分的黑箱，必然得到稀疏且方向不明的奖励信号；把汉字拆开，用部件与空间关系作为中间表示，才能让裁判说出“错在哪里”。结构化评测的价值不只是提高分数精度，更是把强化学习的反馈从单一标量扩展为可分解的诊断信息。对开发者而言，这意味着一条清晰的工程路径：先建立构型标注体系，再实现结构解析，最后设计分级打分并与训练环路对接。每一步都有明确的输入输出与可验证的中间结果，适合渐进式落地。