简介：文生图模型在生成中文时经常出现“形近字”“缺笔字”却仍被打满分，根本原因在于现有评价机制把汉字当成不可拆分的整体。本文从汉字构型与OCR评分逻辑出发，分析黑箱打分、假阳性判断与非黑即白反馈对模型优化的影响，并探讨更合理的结构级评价思路。
在文生图任务中，要让模型稳定生成可读的中文，通常需要引入一个评价模型来给出反馈。常见做法是：生成图片后，用文字识别系统提取图中的文字，再与目标文字比较。如果识别结果一致，就认为生成正确；如果不一致，就认为生成错误。
这个流程看起来自然，但在中文场景下隐藏着一个关键问题：文字识别系统并不是为“评价汉字书写质量”而设计的。它的目标是“认出这段文字是什么”，而不是“判断这个字形是否写对了、结构是否合理”。当这两个目标被混用时，评分结果就会失真。
尤其是汉字并不是像英文那样由少量字母线性排列而成。英文中，即使某个字母写得不太标准，只要整体单词可辨认，识别系统通常仍能给出接近正确的判断。但汉字是二维构型系统，由偏旁、部件、笔画关系共同决定字义与字形。一旦这些结构信息被忽略，模型便无法知道自己错在哪里。
常见的文字识别系统在对图片中的汉字进行判断时，往往只输出一个整体识别结果。也就是说，它的基本工作单位是“整个字”，而不是“字内部的部件或笔画”。
这就带来一个后果：如果一个生成出来的“尬”字结构错误，右半部分写得像一个相近字，识别系统可能直接把它判成另一个字，或者给出一个低置信度结果。无论生成结果只是某一横位置不对，还是整个右半部分完全变形，只要识别失败，反馈都一样：错误。
这种评分模式实际上是一种黑箱判断。它把“字形是否正确”压缩成“识别是否命中”，丢失了关于错误位置、错误类型、结构偏差程度等信息。模型在训练时收到的反馈过于粗糙，很难据此调整生成策略。
更关键的是，汉字中存在大量形近字。它们可能只差一个点、一个横、一个钩，甚至只是部件之间的相对位置不同。例如“未”与“末”、“己”与“已”、“晴”与“睛”，在语义上差别很大，但在视觉上非常接近。如果评价系统只提供“对或错”的二元结果，模型就无法理解这些细微但至关重要的差异。
汉字构型讲究方位关系和层级关系。一个汉字可以拆成若干一级部件，一级部件还可以继续拆成更小的二级部件。例如“想”可以拆成“相”和“心”，“相”又可以继续拆成“木”和“目”。这种层级关系决定了汉字的组合方式不是简单地“画出来”，而是要满足结构规则。
如果生成模型把“想”中的“心”写得过于靠右，或者把“木”与“目”的比例搞错，人类一眼就能看出问题。但在整体评分机制下，只要识别系统认不出来，反馈就是零分；如果识别系统碰巧猜对了，反馈又可能是满分。
这类似于一套考试评分规则：学生写了一百道题，但评分系统只返回“全部正确”或“全部错误”。学生无论错一道还是错一百道，得到的反馈都一样。这样的反馈无法指导学习，也无法告诉学生应该加强哪一方面的训练。
对于文生图模型来说，缺少梯度反馈意味着训练信号不稳定。模型可能在“结构轻微错误”和“结构严重错误”之间无法区分改进方向。优化过程变得低效，甚至可能在某些情况下向错误方向收敛。
近两年，多模态大模型在图像理解任务中表现出很强的能力。在文生图评价中，一些方案会使用多模态模型代替传统文字识别系统来做裁判。多模态模型可以结合上下文、常识以及语言先验进行判断，因此在识别模糊字形时，往往能够“猜”出正确文字。
但这恰恰带来另一个问题：模型可能基于上下文补全出正确结果，而不是基于视觉证据判断字形正确。换句话说，它可能把一个结构错误的“尬”字识别成正确的“尬”，原因仅仅在于整句话的语境让它倾向于补出这个词。
这种判断方式在自然语言任务中是优势，但在字形评价中却可能造成假阳性。模型“猜对了”文字，却掩盖了图像中真实存在的书写错误。评价结果从表面看是正确，但从字形角度看是完全错误。
这也说明：单纯依赖“识别结果是否匹配目标文本”并不足以评价文生图中的汉字质量。评价系统需要更细粒度地关注字形本身，而不是只关注语义层面的识别命中。
针对错别字和异常字形，一些检测方案能够判断出汉字是否符合构型规则。这类工具不像通用识别系统那样依赖语义猜测，而是更关注笔画、部件和空间关系。因此，它们能够发现某些字形“不像一个字”或者“部件结构不合法”。
然而，这类检测方法在输出上仍然偏于二元：正确或错误。它可能将一个结构异常的“尬”字整体标记为异常符号，而不给出具体哪一部分错误、是什么类型的错误。这样虽然避免了语言模型脑补导致假阳性，但也未能形成细粒度反馈。
换句话说，这类方案解决的是“能否识别出错误”，但没有解决“如何描述错误”。对生成模型训练而言，有用的反馈不止是“你写错了”，更需要“哪里写错了、错到什么程度、应该朝什么方向改”。
与英文字母拼写错误不同，汉字错误天然存在程度差异。错一个笔画、错一个部件、部件位置不对、多一笔少一笔、结构比例失调，这些错误的严重程度不同，对可读性和美观度的影响也不同。
例如，一个汉字少了一个点，可能仍然可辨认；但如果左右结构变成上下结构，或者某个偏旁严重变形，就可能彻底不可读。这种差异显然不能只用0和1来表示。
更合理的评价方式应当是结构化的：先将汉字拆成部件，再判断每个部件是否存在、位置是否正确、笔画是否完整。这样，评价结果不再是一个整体分数，而是一个结构化反馈，比如“左部件正确，右部件结构异常，整体识别度中等”。
这种结构化评价对模型训练尤其重要。模型可以根据不同部件的反馈进行针对性优化，而不是在整体错误信号中盲目调整。尤其在强化学习场景中，奖励信号越细粒度，策略更新越稳定，生成质量提升也越明显。
当前文生图中的中文评价仍大量沿用“认字”逻辑，即：截取文字、识别、与目标文本比较。这个方法在英文等线性文字中相对有效，但在汉字等二维构型文字中暴露明显不足。
根本原因在于，“认字”回答的问题是“这是什么字”，而文生图评价真正需要回答的是“这个字写对了吗、结构合理吗”。两者密切相关，但并不是同一个任务。
要让文生图模型真正学会画对中文字，评价系统必须从“整体识别”转向“结构判断”。这意味着需要更多地利用汉字构型知识，把评价粒度从整字下推到偏旁、部件甚至笔画层级。
与此同时，评价输出也需要从单一的二元标签扩展为结构化结果。比如可以输出部件是否存在、部件相对位置是否正确、整体字形是否协调等信息。这样的反馈才能更接近人类对汉字质量的判断方式。
从工程角度看，构建面向中文文生图的评价链路，可以考虑将传统识别与结构分析能力结合。识别系统负责给出整体文字候选，结构分析模块负责对候选字与目标字进行部件级比对。
在设计评价流程时，可以先生成目标汉字的部件列表及空间关系，再对生成图中的文字进行分割与部件检测。比较时不仅看整字是否识别一致，还要看关键部件是否存在、位置是否合理。这样得到的评分结果更具解释性，也能为训练提供更细的反馈。
在训练过程中，还可以引入多级奖励：整体识别正确给基础奖励，部件正确给额外奖励，结构关系正确再追加奖励。相反，若识别错误但部分部件正确，则应保留部分奖励，而不是直接清零。这种设计可以显著提高训练信号的丰富度。
对开发者来说，不必等到所有评价能力都完全成熟再接入训练。可以先从常见高频字和典型构型入手，逐步构建结构级评价能力。即使只覆盖一部分常用字，也能对模型的中文生成效果产生明显改善。
中文文生图的技术难点，并不仅在于生成模型是否足够强大，还在于评价系统能否准确描述汉字的错误类型与错误程度。当一个模型只能获得“对”或“错”的反馈时，它很难理解中文书写的精细规则。
真正有效的优化，不只是提高模型画图的精度，还要升级“裁判”的评分方式。只有让评分系统也具备“拆字看结构”的能力，生成模型才可能从粗放的优化转向精细的结构学习。
从行业实践来看，这种改变是可行的，但并不轻松。它需要引入更多汉字构型先验，构建部件级比对能力，并将这些能力集成到现有的训练与评估链路中。无论对从事模型训练、数据标注还是质量评估的技术团队而言，这都是一项值得投入的基础能力。
最终，文生图中的中文可读性问题，不只是“生成得更像字”的问题，更是“如何评价一个字写得对不对”的问题。只有把这个问题解决，模型画出来的中文才会从“偶尔能看”走向“结构稳定、细节可信”。