拆解汉字构型：让生成模型真正学会写字

一、问题的根源：把汉字当成不可拆分的黑箱

在图像生成模型的后期训练中，强化学习已成为提升输出质量的常见手段。其基本流程是：模型生成图像，由一个“裁判”模型对结果打分，分数作为奖励信号回传，驱动模型向高分方向优化。在文字渲染这类任务中，裁判角色通常由 OCR（光学字符识别）模型担任——它把生成图像中的文字区域截取出来，识别成文本，再与目标文字逐字比对，一致则给分，不一致则不给分。

这套机制在英文场景下运行得相当顺畅。英文的最小书写单位是 26 个字母，单词由字母线性排列构成，OCR 的识别粒度与文字的最小构成单位基本吻合，识别正确与否可以直接反映生成质量。

但汉字不是线性结构。汉字是一种二维的“积木”系统：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。例如“尬”由“九”与“龙”的变体左右排布，“想”由“相”与“心”上下叠放。这种由构件依空间关系组合而成的整体结构，就是汉字的构型。构型是汉字的本质属性，也是它与拼音文字最根本的差异所在。

当 OCR 面对这类复杂结构时，它的行为模式是“整字判别”：要么识别成一个形近字，要么判定为无法识别的乱码。无论生成图像是错了一笔、错了半边，还是整体结构崩坏，只要最终识别结果与目标不一致，裁判给出的分数统统是零。

这就像批改一份 100 道选择题的试卷，学生错 1 题和错 90 题得到的是同一个分数——零分。这样的信号无法告诉模型“哪里需要改进”，模型也就无从学习优化的方向。奖励信号的稀疏性与信息的丢失，是当前中文文字渲染训练的核心瓶颈。

二、三个典型失败模式

论文中给出了一个很有代表性的例子，可以拆解出三类典型的评测失效情形。

第一类：专用 OCR 的误判。 生成图中某个字的构型已经出错，但专用 OCR 模型把它识别成了另一个形近字。由于识别结果与目标不符，裁判打 0 分——分数方向是对的，但反馈信息量为零，模型不知道错在笔画、构件还是布局。

第二类：多模态大模型的假阳性。 换用具备语言先验的多模态大模型来识别，它结合上下文语境“猜”出了正确答案，打出 1 分。但图上那个字形明明是错的，模型只是靠语言能力蒙对了。这是典型的假阳性：评测通过，质量问题被掩盖。对于训练而言，这种错误的正向奖励比零分更有害，它会强化错误行为。

第三类：错字检测工具的二值化。 还有一类专门检测书写异常的工具，能够判断出字形结构有问题，但处理方式是把整个字标记为一个异常符号，直接打 0 分。这类方法不会被语言模型的“脑补”欺骗，但同样是非黑即白的判断：对，或者错，中间没有灰色地带。

三种模式指向同一个结论：以整字为单位的二值评分，既无法区分错误类型，也无法度量错误程度。要打破这个瓶颈，评测的粒度必须下探到构型层面。

三、思路转变：从整字比对到结构分解

解决方向其实很直接：既然汉字的构型由构件与空间关系组成，那么评分也应当在这一层面展开，而不是停留在整字黑箱上。

一个可落地的细粒度评估框架可以包含三个层次：

第一层：构件完整性。 将目标字分解为偏旁部首序列，逐一检查生成图像中对应构件是否存在、形态是否正确。这一层回答“零件齐不齐”的问题。

第二层：空间关系正确性。 检查构件之间的相对位置与比例是否符合构型规范，例如左右结构的字是否左右分明、上下结构的字是否重心稳定、包围结构的字开口方向是否正确。这一层回答“装配对不对”的问题。

第三层：整字一致性。 在前两层通过的基础上，再做整字识别比对，作为最终确认。这一层回答“整体像不像”的问题。

三层评分可以加权合成一个连续分数，也可以输出结构化的诊断报告。相比单一的二值信号，这种设计的关键优势在于：错误被定位到了具体构件与具体关系上，模型能够获得方向明确的梯度信息。

四、实现示例：分层评分器的骨架

下面给出一个简化但完整的评分器骨架，展示如何把上述思路转化为可运行的逻辑。示例只涉及通用的图像处理与文本处理概念，不依赖任何特定厂商能力。

from dataclasses import dataclass, field
from typing import List, Tuple
@dataclass
class Component:
    name: str                 # 构件名称，如“九”“龙”“相”“心”
    bbox: Tuple[float, float, float, float]  # 归一化位置框 (x1, y1, x2, y2)
@dataclass
class CharStructure:
    char: str
    components: List[Component]
    layout: str               # "left-right" | "top-bottom" | "surround" | "single"
    weights: dict = field(default_factory=lambda: {
        "component": 0.4, "layout": 0.3, "holistic": 0.3
    })
def score_component_presence(gen_boxes, ref_components, iou_thresh=0.5):
    """第一层：构件完整性。逐一匹配参考构件与生成区域。"""
    matched = 0
    for ref in ref_components:
        best_iou = max((iou(ref.bbox, gb) for gb in gen_boxes), default=0.0)
        if best_iou >= iou_thresh:
            matched += 1
    return matched / max(len(ref_components), 1)
def score_layout(gen_boxes, ref_components, layout):
    """第二层：空间关系。检查构件相对方位是否符合构型。"""
    if len(gen_boxes) < 2:
        return 0.0
    ok = 0
    total = 0
    for i in range(len(ref_components)):
        for j in range(i + 1, len(ref_components)):
            total += 1
            rel_ref = relative_position(ref_components[i].bbox,
                                        ref_components[j].bbox)
            rel_gen = relative_position(gen_boxes[i], gen_boxes[j])
            if rel_ref == rel_gen:
                ok += 1
    return ok / max(total, 1)
def score_char(gen_boxes, recognition_result, structure: CharStructure):
    """三层加权合成连续分数，并返回结构化诊断。"""
    s1 = score_component_presence(gen_boxes, structure.components)
    s2 = score_layout(gen_boxes, structure.components, structure.layout)
    s3 = 1.0 if recognition_result == structure.char else 0.0
    w = structure.weights
    total = w["component"] * s1 + w["layout"] * s2 + w["holistic"] * s3
    return {
        "score": round(total, 3),
        "component_score": round(s1, 3),
        "layout_score": round(s2, 3),
        "holistic_score": s3,
        "advice": build_advice(s1, s2, s3)
    }

这段骨架的关键设计在于：build_advice 根据三层得分生成可读的诊断信息，例如“构件缺失”“左右比例失调”“整字可辨但局部笔画异常”。这些诊断既可以作为奖励塑形的辅助信号，也可以作为人工复核的依据。

工程落地时需要注意几点。其一，构件分解本身需要可靠的参考数据，可通过构型数据库或人工标注构建，并做好版本管理。其二，生成图像中的构件定位可能不精确，IoU 阈值与匹配策略需要在验证集上校准，避免过严导致误判。其三，连续分数的量纲需要归一化，防止某一层主导总奖励。其四，对于独体字这类不可再分的字符，应退化为整字评分路径，保证框架的完备性。

五、对训练流程的影响

细粒度评分带来的改变不止于评测指标本身，它会重塑训练信号的形态。

在奖励设计上，连续分数比二值分数提供更平滑的优化面。模型在“错一笔”与“错半边”之间获得不同奖励，梯度方向因此有了区分度。对于强化学习而言，这意味着更低的奖励稀疏性与更稳定的收敛行为。

在数据筛选上，结构化诊断可以用来定位训练集中的薄弱类别。例如，若某批生成结果在“包围结构”这一层的得分系统性偏低，就可以针对性地补充该类构型的训练样本，而不是笼统地增加数据量。

在人工复核上，诊断报告把复核者的注意力引导到具体构件与具体关系上，显著降低复核成本。相比“这个字对不对”的整字判断，“这个字的右半部分比例是否失调”是更易回答、也更易达成一致的问题。

六、小结

汉字生成的质量瓶颈，很大程度上并不在生成模型本身，而在评测信号的粒度。把汉字当作不可拆分的黑箱，用整字比对给出二值分数，等于放弃了构型这一最核心的结构信息。将评测下探到构件与空间关系层面，用分层加权的方式输出连续分数与结构化诊断，能够同时缓解零分信号的信息丢失与语言先验造成的假阳性两类问题。

这套思路并不依赖特定平台或工具，其本质是把领域知识（汉字构型学）注入评测环节，让裁判从“判对错”升级为“指问题”。对于任何涉及复杂结构化输出的生成任务，这都是一个值得借鉴的通用范式：当黑箱评分无法提供有效反馈时，回到领域本身，找到那个既能分解、又能度量的中间表示。