拆开汉字看结构：让文生图模型画对中文字的评价方法

一、问题的表象：轮廓正确，细节崩塌

让文生图模型生成一张含中文字的海报，结果往往具有欺骗性：远看版式合理、字形轮廓接近，放大后却发现某个字多了一撇、某个偏旁被挤压变形，甚至整块结构错位。这类问题在笔画繁多、部件嵌套的汉字上尤为突出，几乎成为当前生成模型的共性短板。

原因并不难理解。英文以字母为最小单位，字形结构是一维线性排列；汉字则是二维的积木式结构，由偏旁部首按照左右、上下、包围等空间关系组合而成，这种组合规则通常称为汉字的构型。模型要画对一个字，不仅要画对每个部件，还要画对部件之间的相对位置与比例。任何一层出错，最终字形都会失真。

要让模型逐步画得更准，常见做法是引入强化学习做后期训练：生成结果由一个“裁判”打分，模型根据分数调整策略。问题在于，这个裁判通常由通用文字识别能力充当，而它的评分方式从一开始就把汉字当成一个不可拆分的整体。

二、黑箱式评分的根本缺陷

通用文字识别技术的工作流程可以概括为：从生成图片中截取文字区域，识别成计算机可读的文本，再与目标文字比对——一致给分，不一致不给分。

这套逻辑处理英文时问题不大，因为字母是最小单元，拼错一个字母与拼错整词在识别层面都会体现为文本不一致。但用于汉字时，它产生了两个层面的信息损失：

第一，错误程度被抹平。 一个字写错一笔与写错半边，只要最终识别不出来，得分都是零。这好比批改一百道选择题，学生错一道与错九十道得到相同分数，反馈信号无法告诉模型“哪里需要改进”。

第二，错误类型被掩盖。 面对结构异常的字形，识别模型可能强行输出一个形近字，也可能结合上下文语境“猜”出正确结果。后者尤其危险：它依赖语言先验蒙对答案，属于假阳性，图上字形明明是错的，却拿到了正分。另一类专门检测异常字形的方案虽然能判断结构有问题，但处理方式是把整字标记为异常符号并直接判零，同样是非黑即白的判断，中间没有灰色地带。

无论是哪种实现，本质都是把汉字视为不可拆分的原子单位。评价维度单一，模型自然学不到细粒度的优化方向。

三、结构化评价：把汉字拆开来看

改进思路的核心，是让评价信号从“整字对错”下沉到“结构层面”。汉字虽然形态万千，但其构型具有强规律性：部件数量有限、组合关系可枚举、部件间的位置约束相对稳定。这为结构化评价提供了可行基础。

一个可落地的评价框架大致包含三个层次：

1. 部件级分解。 将目标汉字拆解为部首与剩余部件序列，例如左右结构拆为左部件与右部件，上下结构拆为上部件与下部件，包围结构拆为外框与被包围部分。分解结果作为评价的中间表示，而非直接比对最终像素。

2. 空间关系校验。 对每个部件，检查其是否出现在预期区域内，以及部件之间的相对位置、尺寸比例、基线对齐是否符合构型约束。左右结构要求两部件横向排布且高度大致协调，上下结构要求纵向堆叠且重心稳定。这一层能捕捉“部件画对了但摆错了”的错误。

3. 笔画级完整性检查。 在部件内部进一步核验关键笔画是否存在、走向是否正确、连接关系是否成立。这一层解决“部件轮廓对但缺一笔”的问题。

三层检查的输出不是单一分数，而是一个结构化报告：哪个部件缺失、哪组空间关系被破坏、哪些笔画异常。这样的报告可以直接转化为奖励函数的多个分量，也可以作为数据筛选的依据。

用伪代码表示评分流程，大致如下：

def score_hanzi(generated_img, target_char):
    parts, relations = decompose(target_char)   # 部件分解与构型约束
    report = {}
    for part in parts:
        region = locate(generated_img, part.expected_area)
        report[part.id] = {
            "present": check_presence(region, part),
            "strokes": check_strokes(region, part),
        }
    for rel in relations:
        report[rel.id] = check_spatial(rel, report)  # 位置/比例/对齐
    return aggregate(report)   # 多分量奖励，而非单一0/1

四、对训练与工程实践的意义

结构化评价的价值不止于“打分更准”，它改变了训练信号的形态。

在强化学习微调阶段，多分量奖励能缓解稀疏奖励问题。整字判对错时，模型在绝大多数探索步骤上拿不到有效梯度；拆到部件与空间关系后，即使整字尚未完全正确，部分正确也能获得区分度，策略优化更有方向。

在数据筛选阶段，结构化报告可用于定位低质量样本的具体缺陷，按错误类型分层管理数据集，而不是简单丢弃所有“识别失败”的样本。

在效果评估阶段，单一识别准确率无法反映生成质量的分布。引入部件完整率、空间关系合规率等指标，能更真实地刻画模型在复杂汉字上的能力边界。

需要强调的是，结构化评价并不排斥端到端识别。二者是互补关系：端到端信号提供整体一致性约束，结构化信号提供细粒度定位能力。工程上可以先以整体信号做粗筛，再用结构化检查做精修，兼顾效率与精度。

五、落地时的注意事项

推进这类方案时，有几个现实约束值得提前考虑。

分解覆盖率。 汉字构型复杂，部分字形存在异体、连笔、部件嵌套等特殊情况，分解规则需要覆盖足够广的字符集，并对无法可靠分解的字形提供回退策略，避免评价流程本身成为瓶颈。

标注与规则成本。 部件位置约束与笔画校验依赖结构化先验，初期可通过规则库与少量标注结合的方式构建，后续再用模型辅助扩展，控制人工成本。

与生成模型的对齐。 评价粒度并非越细越好。过细的笔画级信号可能引入噪声，导致模型过度优化局部而破坏整体协调性。实践中需要根据任务类型调整各分量的权重，并在验证集上观察整体字形质量的同步变化。

误判兜底。 任何自动评价都存在误判，结构化报告应保留可追溯的中间结果，便于人工抽检与规则迭代，避免错误信号被放大进训练循环。

结语

汉字生成之所以难，一半难在生成，一半难在评价。当评价把汉字当作不可拆分的黑箱，模型就只能收到“对”或“错”的笼统反馈，无法知道错在哪个部件、哪组关系、哪一笔。把汉字拆开来看，用部件与空间关系构成中间表示，让评分从二值判断变成结构化诊断，是提升生成质量的务实路径。对于从事多模态生成、数据质量治理与模型评估的开发者而言，这套思路同样适用于其他具有强结构先验的符号系统——先想清楚“如何评价”，往往比急于“如何生成”更能决定最终效果的上限。