汉字结构识别与生成评价：为什么OCR裁判会把中文字越教越歪

一、问题不在生成，而在“怎么看”中文字

在文生图任务中，生成带中文的海报、封面或宣传图已经越来越常见。用户输入一句“生成一张带有‘尴尬’二字的国风海报”，模型往往能输出构图合理、风格统一的图片。但只要把视线集中到文字区域，问题就暴露出来：某个字多了一横，某个偏旁被压成奇怪的形状，或者两个部件之间的比例完全失当。

很多人第一反应是“模型画不准”。但更深层的问题可能不在生成端，而在评价端。模型通过强化学习进行后期优化时，必须依赖一个奖励信号来判断当前生成结果是否更好。如果这个信号本身是粗糙的、非结构化的，甚至无法区分“错一笔”和“完全错误”，那么模型就很难朝着正确的方向收敛。

对于中文场景，这个奖励信号通常来自OCR。OCR的任务是把图片中的文字识别成可编辑文本。它在通用文档识别中表现良好，但并不意味着它适合充当汉字生成质量的裁判。

二、汉字不是线性字符，而是二维构型系统

英文字母是线性排列的。26个字母按照固定顺序组合成词，OCR识别时只需处理从左到右的字符序列。即使某个字母写得潦草，上下文也能帮助判断。中文字符的本质完全不同。

一个汉字通常由多个部件按照空间关系组合而成。例如“想”由上面的“相”和下面的“心”构成，形成上下结构；“尬”由“尢”与“介”构成，形成左右结构；“国”则是典型的全包围结构。部件本身可能还有更小的笔画单位，形成多层嵌套。

这种特性意味着汉字的错误不是简单的“字符级错误”，而可能是：

• 部件缺失：少了某一侧或某一层；
• 部件错位：左右变成上下，或包围结构散开；
• 笔画错误：多一笔、少一笔、长短失衡；
• 比例失调：某个部件过宽，挤压另一个部件；
• 伪字生成：看起来像字，但实际不存在于字库。

如果评价系统只是输出“对”或“错”，那么这些完全不同类型的错误都会被归为一类。模型无法知道自己生成的“尬”是因为左边部件错位丢分，还是因为整个字模糊不清丢分。

三、OCR裁判的局限：把结构化问题拍平成布尔值

强化学习训练依赖标量奖励。OCR方案的做法通常是：裁剪生成图中的文字区域，输入OCR模型，将输出文本与目标文本比较。如果字符串完全匹配，奖励为1；否则为0。

这个流程在英文字符场景中勉强可用，因为英文单词拼写错误和视觉模糊之间的区分度相对较高。但移植到中文场景后，问题被急剧放大。

举一个典型例子。目标汉字是“尴尬”中的“尬”。生成结果可能是一个形近但结构错误的字。OCR模型识别时，可能发生以下几种情况：

1. 识别为另一个字：如果错误字形恰好接近某个真实汉字，OCR可能输出错误结果。此时奖励为0。
2. 直接输出乱码或空：如果字形偏离太远，OCR可能放弃识别。奖励同样为0。
3. 被语言模型校正：如果使用具有语言理解能力的多模态模型作为裁判，它可能根据上下文“推理”出正确文字。比如图片中写的是“尴X”，即使X结构错误，多模态模型仍可能输出“尴尬”。此时奖励为1，但属于假阳性。

第一种和第二种情况都把不同程度的结构错误压缩成了同一个零分。第三种情况则更糟：模型得到了错误的正向反馈，强化了生成错误字形的行为。

部分错误检测工具采用另一种思路。例如某些拼写检查或字形纠错模型会标记“当前字符结构异常”，但处理方式通常是用一个统一符号替代该字符，比如“#”，然后给出零分。这种做法避免了语言模型“脑补”带来的假阳性，但仍然没有解决核心问题：错误程度被忽略了。

一个只错一笔的“尬”和一个完全无法辨认的“尬”，在这类裁判眼中都是“#”。对于强化学习来说，这种反馈几乎没有信息量。

四、奖励信号缺失如何影响强化学习

强化学习的目标是最大化累积奖励。奖励信号的质量直接决定了策略优化的方向。

假设模型生成了三张候选图片：

• 图片A：汉字完全正确；
• 图片B：汉字差一笔，但整体结构清晰；
• 图片C：汉字完全错误，部首混乱，不可辨认。

如果使用OCR作为裁判：

• A可能得到1分；
• B可能得到0分；
• C也可能得到0分。

从奖励上看，B和C没有任何区别。模型无法从这次采样中学习到“B比C更接近正确答案”这一重要信息。它只能随机探索，运气好时选中A，运气不好时继续在B和C之间徘徊。

更糟糕的是，如果使用带语言理解能力的多模态模型作为裁判，B可能因为上下文被“猜对”而得到1分。这会让模型误以为B是正确输出，进而把B的特征固化下来。长期训练后，模型生成“差一点但能被猜对”的字形的概率会上升，但这显然不是用户想要的。

五、真正需要的：细粒度的汉字构型评价

解决这个问题的方向之一，是将汉字评价从“字符级”下沉到“结构级”或“部件级”。具体来说，评价系统不应该只输出一个布尔值，而应该输出一组关于字形质量的反馈。

可以从以下几个维度进行拆解：

1. 部件存在性：目标汉字的每个部件是否都出现在生成结果中；
2. 部件位置：各部件之间的空间关系是否符合标准构型，如左右、上下、包围；
3. 部件完整性：每个部件内部的笔画是否完整；
4. 比例协调性：各部件在整体字形中的占比是否合理；
5. 可辨识度：去除语言模型的上下文辅助后，纯视觉角度下能否识别该字。

这种多维评价可以产生更平滑的奖励信号。比如一个“尬”字如果只是右侧部件内部少了一笔，它在“部件存在性”和“可辨识度”上可能仍有部分得分，只是“部件完整性”丢分。这比简单打0分更有指导意义。

从工程实现角度看，这类评价器可以结合汉字拆分表、部件检测模型和符号化构型规则来构建。例如提前将目标汉字拆分为标准部件组合，再在生成图像的文字区域上检测这些部件是否存在、位置是否匹配，最后综合打分。

六、对工程实践的启示

对于从事文生图或多模态生成应用开发的团队来说，这个问题的启示在于：生成质量的提升不仅是网络结构和数据规模的问题，评价系统的设计同样关键。

如果产品中需要生成带中文的图像，却仍然使用通用OCR作为唯一质量指标，就可能出现以下现象：

• 表面指标很好，但用户实际体验极差；
• 模型在训练集上分数很高，但在真实场景中生成大量“形近错字”；
• 某些带有语言理解能力的裁判还会制造假阳性，掩盖字形质量问题。

更合理的做法是建立多层次的汉字质量评价体系：

• 第一层：基础OCR识别，判断是否完全可读；
• 第二层：部件级检测，拆分汉字后分别验证；
• 第三层：字形美学或比例评估，从结构角度判断质量；
• 第四层：人工抽检或用户反馈采集，作为最终兜底。

同时，在训练流程上，可以考虑将强化学习奖励重塑为分段奖励：识别正确给基础分，部件存在但结构有误给中间分，完全不可辨认才给零分。让模型在探索过程中获得连续反馈，而不是在黑暗中碰运气。

七、结语

AI生成中文字的问题看似出在生成端，实际暴露的是评价端长期被忽略的缺陷。把汉字当成不可拆分的黑箱，用非对即错的OCR分数驱动强化学习，就像用“及格/不及格”来评判一场分步骤的数学考试，学生永远不知道自己哪一步错了。

汉字的二维构型特性决定了它的生成质量评价必须同样具备结构意识。只有当评价系统能够“看见”偏旁、部品、位置和比例时，模型才有可能真正学会“画对”中文字。这项能力不仅关系到海报生成和 AI 设计产品，也关系到所有需要将图像中的汉字作为核心信息载体的应用场景。