汉字结构感知：让AI写对中文字的技术路径

一、问题的根源：当评估器把汉字当成“黑箱”

在生成式模型的后训练阶段，强化学习已成为提升输出质量的常见手段。其基本流程是：模型生成候选结果，由一个评估器（reward model）对结果打分，模型根据分数高低调整参数。在文本图像生成任务中，这个评估器通常由光学字符识别（OCR）模型担任——把生成图片中的文字区域截取出来，识别成文本，再与目标文字比对。识别正确则给高分，识别错误则给低分甚至零分。

这套逻辑在处理英文时基本够用。英文的最小单位是字母，26个字母线性排列构成单词，识别粒度天然对齐。但汉字的情况截然不同。

汉字是一种二维的积木式结构。一个汉字由若干偏旁部首按照左右、上下、包围、半包围等空间关系组合而成。例如，“尬”字由“九”和“龙”的变体左右排布构成；“想”字由“相”和“心”上下叠放构成。这种由部件按照特定空间关系组合而成的结构，称为汉字的构型。

当OCR模型面对这类复杂结构时，它并不理解部件之间的组合逻辑。它的工作方式更像是一个整体模式匹配器：如果整个字的笔画布局与训练数据中的某个字高度吻合，就输出该字；如果吻合度不够，就可能输出一个形近字，或者直接判定为无法识别。

这就引出了一个关键问题：无论模型生成的汉字是错了一笔还是错了整个半边，只要OCR最终认不出来，评估器给出的分数是一样的——零分。

用一个类比来说明：假设你批改一份100道选择题的试卷，学生错1道和错90道，你给的分数都是零分。这样的反馈无法告诉学生“你在哪些知识点上需要改进”，学生自然也就不知道下一步该往哪个方向努力。

二、传统评估方式的三种失败模式

论文中给出了一个非常直观的案例。生成图片中有一个“尬”字，但结构出了问题——左右部件的比例或位置不对。此时，不同的评估方式表现出截然不同的行为：

失败模式一：OCR识别为形近字，直接判零分。
专门的OCR模型老老实实地把这个结构有误的字识别成了另一个外形相似的字。由于识别结果与目标文字不匹配，评估器给出零分。这个分数本身没有错——生成的字确实不对——但它没有告诉模型“你写的这个字，左边部分对了，右边部分出了问题”。模型只收到一个“全错”的信号，无法定位具体缺陷。

失败模式二：多模态大模型靠语言能力“猜对”，产生假阳性。
换成具备上下文理解能力的多模态大模型来识别，它可能结合上下文语境，硬是“猜”出了正确的字，并给出满分。但这其实是一个假阳性——图上那个字形明明是错的，模型只是靠语言能力蒙对了而已。这种假阳性比假阴性更危险，因为它会鼓励模型生成“看起来像但实际错误”的字形。

失败模式三：专用检测工具标记异常，仍是非黑即白。
还有一类专门检测“写错字”的工具，能准确判断出某个字的结构有问题，但处理方式是把整个字标记为一个异常符号（如“#”），同样打零分。这种方法虽然不会被语言模型的“脑补”骗到，但同样是一种非黑即白的判断：对，或者错，中间没有灰色地带。

这三种失败模式的共同特征在于：评估信号的粒度太粗，无法反映汉字内部的结构正确性。

三、拆开汉字：从整体匹配到结构感知

要解决上述问题，核心思路是：让评估器“拆开”汉字来看结构，而不是把它当作一个不可拆分的黑箱。

3.1 部件级拆解

汉字可以按照构型规则拆解为部件序列。例如：

• “尬” → [九, 龙]（左右结构）
• “想” → [相, 心]（上下结构）
• “国” → [囗, 玉]（包围结构）

如果评估器能够在部件级别进行比对，就可以给出更细粒度的反馈。例如：左边部件“九”写对了，右边部件“龙”的笔画有缺失——那么模型就知道，问题出在右半部分，而不是整个字都不对。

3.2 空间关系建模

仅仅拆解出部件还不够，部件之间的空间关系同样重要。同样是“九”和“龙”两个部件，左右排布是“尬”，上下排布可能就是另一个字。因此，评估器需要同时检查：

1. 部件是否正确：每个部件的形状是否与目标一致；
2. 空间关系是否正确：部件之间的相对位置、比例、包围关系是否符合规范；
3. 整体协调性：部件组合后是否形成了合理的汉字结构。

3.3 渐进式奖励设计

基于上述拆解，可以设计一种渐进式的奖励机制，而不是简单的0/1二值判断。例如：

• 部件全部正确且空间关系正确：奖励1.0；
• 部件全部正确但空间关系有偏差：奖励0.6；
• 部分部件正确：奖励0.3；
• 部件全部错误或无法识别：奖励0.0。

这种阶梯式的反馈信号，可以让模型在学习过程中获得更明确的方向指引。它不再只是知道“我错了”，而是知道“我错在哪一部分、错到什么程度”。

四、技术实现路径的考量

要将上述思路落地，需要考虑几个关键的技术环节。

4.1 部件级标注数据的构建

汉字部件拆解需要依赖高质量的标注数据。业界已有一些汉字结构数据库，但覆盖范围和标注精度参差不齐。对于特定应用场景，可能需要针对性地构建部件级标注数据，包括部件边界框、部件类别、空间关系类型等。

4.2 评估模型的架构选择

评估模型可以采用多任务学习架构，同时输出部件分类结果和空间关系预测结果。也可以采用两阶段方案：先做部件检测与分割，再做部件识别与关系判定。具体选择取决于数据规模、计算资源和精度要求。

4.3 与生成模型的对接方式

在强化学习训练中，评估器的输出需要转化为可微或可采样的奖励信号。如果评估器本身是可微的，可以直接通过梯度回传进行端到端训练；如果评估器是黑箱模型，则需要通过策略梯度等方法进行训练。渐进式奖励的设计需要与训练算法相匹配，避免奖励稀疏或奖励噪声过大的问题。

4.4 假阳性的抑制

多模态大模型的“脑补”能力是一把双刃剑。在评估环节，需要显式地抑制这种假阳性。一种可行的做法是：将结构检测结果与语义识别结果进行交叉验证。如果结构检测显示字形有误，但语义识别给出了正确结果，则判定为假阳性，不予奖励。只有当结构检测和语义识别都通过时，才给予高分。

五、更广泛的意义：从汉字到其他复杂结构

汉字结构感知的思路，不仅适用于汉字生成任务，也可以推广到其他具有复杂内部结构的符号系统。例如：

• 日文中的汉字（Kanji）和假名混合排版；
• 韩文中的谚文（Hangul）字母组合；
• 某些少数民族文字或古代文字；
• 甚至音乐符号、化学结构式等具有组合规则的符号系统。

这些符号系统的共同特征是：整体由部件按照特定规则组合而成，整体识别无法反映局部正确性。结构感知的评估方法可以为这类任务提供更精细的反馈信号。

六、总结

让AI写对中文字，关键在于让评估器“看懂”汉字的结构。传统OCR将汉字视为不可拆分的黑箱，只能给出全对或全错的二值判断，无法指导模型进行有针对性的优化。通过引入部件级拆解、空间关系建模和渐进式奖励设计，可以构建更精细的评估体系，让模型在学习过程中获得明确的改进方向。

这一思路的核心可以概括为三句话：

1. 拆开看：把汉字拆解为部件和空间关系，而不是整体匹配；
2. 分级判：用渐进式奖励替代二值判断，反映局部正确性；
3. 交叉验：结合结构检测和语义识别，抑制假阳性。

对于从事生成式模型训练和评估的开发者而言，这套方法论提供了一条可落地的技术路径。在实际工程中，需要根据具体场景的数据条件、计算资源和精度要求，选择合适的实现方案。