拆解汉字结构：让AI画对中文字的评价新思路

一、问题的表象与根源

用文生图模型生成一张带中文标题的海报，结果常常令人哭笑不得：远看布局合理、风格统一，放大后却发现某个字的偏旁多了一笔，或者左右结构的字被挤成了上下堆叠。整体轮廓尚可辨认，细节却经不起推敲。这不是某个模型的偶发缺陷，而是当前文生图方案在汉字生成上的普遍短板。

要理解为什么汉字生成如此困难，需要先回到汉字本身的结构特性。英文字母是线性排列的最小单元，26个字符通过顺序组合构成单词，识别与生成都相对简单。汉字则完全不同——它是一种二维的积木式结构。以“尬”字为例，它由“九”和“龙”的变体左右拼合而成；“想”字则由“相”与“心”上下叠放。这种由偏旁部首按照左右、上下、包围等空间关系组合而成的结构，称为汉字的构型。一个汉字往往包含多个部件，每个部件又有自己的笔画序列，层次嵌套、关系复杂。

当文生图模型尝试生成汉字时，它需要同时处理好笔画形态、部件比例、空间布局三个层面的问题。任何一个层面出现偏差，最终字形都会出错。而当前主流的训练与评价流程，恰恰没有为这三个层面提供足够的区分度。

二、OCR裁判的“黑箱”困境

要让生成模型越画越准，常见的做法是在后期训练中引入强化学习，用一个“裁判”模型对生成结果打分，引导模型向高分方向优化。这个裁判通常由OCR模型担任。

OCR，即光学字符识别，其基本工作流程是：从图片中截取文字区域，识别为计算机可读的文本，再与目标文字比对。比对结果只有两种——相同或不同。相同则给分，不同则零分。

这种二元判断在英文场景下基本够用，因为字母是最小单位，不存在“部分正确”的中间状态。但汉字不同。一个汉字可能写对了三个部件、写错了第四个，或者笔画形态正确但空间关系错位。这些不同程度的错误，在OCR裁判眼中统统归为零分。

打个比方：这就像批改一份100道选择题的试卷，无论学生错1道还是错90道，最终得分都是零。学生拿到成绩单后完全不知道自己哪里薄弱，也就无从改进。同理，生成模型收到一个笼统的零分后，无法判断是笔画画错了、部件比例失调了，还是整体布局偏移了，优化方向变得模糊。

更棘手的是，OCR模型在面对结构复杂的汉字时，本身就可能“放弃治疗”——要么将其识别为一个形近字，要么直接判定为不可识别字符。无论哪种情况，反馈信号都丢失了。

三、现有评价方案的局限性

除了通用OCR裁判，业界也出现过一些专门针对“写错字”的检测工具。这类工具的设计思路是：判断生成图中的汉字是否存在结构异常。如果发现异常，就将其标记为一个特殊符号，同样给出零分。

这种做法相比通用OCR有一个进步：它不会被语言模型的“脑补”能力欺骗。通用多模态大模型在识别时可能结合上下文语境，把结构错误的字“猜”成正确结果，产生假阳性。而专用检测工具只关注字形本身，能更准确地发现异常。

但它的问题同样明显：判断依然是二元的。一个字要么“正常”，要么“异常”，中间没有灰色地带。然而汉字的错误本来就有程度之分——少一笔和整个偏旁写错，严重性完全不同；部件比例略有偏差和部件完全放错位置，对可读性的影响也差异巨大。把所有异常统一标记为同一种错误，评价信号的信息量被大幅压缩了。

四、结构拆解：更精细的评价维度

要解决上述问题，关键在于改变评价的粒度。核心思路是：将汉字从不可拆分的黑箱，还原为可拆解的结构树。

具体来说，可以从三个层级设计评价信号：

第一层：部件级完整性。 判断每个偏旁部首是否存在、笔画是否完整。例如“想”字应包含“木”“目”“心”三个部件，如果“心”被生成为“必”，则部件级就出现了错误。

第二层：空间关系正确性。 判断部件之间的相对位置是否正确。“想”字应是上下结构，“相”在上、“心”在下；如果模型将其生成为左右结构，即使两个部件本身画对了，整体字形仍然是错的。

第三层：比例与形态协调性。 判断部件的大小比例、笔画的粗细曲直是否与原字一致。这一层不涉及“对错”，而是衡量“像不像”。

通过这样三层拆解，评价结果可以从单一分数变为一个多维向量。模型收到的反馈不再是“全错”，而是“部件完整、空间关系正确，但比例偏差较大”这样有方向性的信号。强化学习过程中的梯度更新因此更加精准，模型能够针对性地调整相应层面的生成能力。

五、工程落地的考量

将结构拆解的评价思路落地到实际训练流程中，需要考虑几个工程问题：

结构标注的获取。 汉字的结构信息可以通过公开的汉字构型数据库获取，也可以基于部首拆分规则自动生成。对于常用字，构建一份“部件-关系-比例”的标注表并不困难。

评价模块的轻量化。 在强化学习训练中，评价模块需要频繁调用，其推理速度直接影响训练效率。可以将结构拆解评价设计为独立的轻量模型，与文本识别解耦，避免引入过大的计算开销。

与现有流程的兼容。 结构评价不必完全替代OCR裁判，而是可以作为补充信号。对于结构简单的汉字，OCR裁判已经足够；对于结构复杂的汉字，结构评价提供额外的细粒度反馈。两者结合，既保证了通用性，又提升了困难样本的优化效果。

渐进式训练策略。 在训练初期，模型生成的汉字可能连基本轮廓都不对，此时结构评价的细粒度信号意义不大。可以先以OCR的粗粒度信号为主，待模型具备基本生成能力后，再逐步引入结构评价，引导模型从“画得像”向“画得对”进阶。

六、总结

文生图模型在汉字生成上的短板，表面上是生成能力问题，深层却是评价信号问题。当评价方法把汉字当作不可拆分的整体，模型就得不到足够的反馈来学习复杂的内部结构。将汉字还原为部件、空间关系、比例形态的多层级组合，并据此设计细粒度的评价信号，是提升汉字生成质量的一条可行路径。

这一思路不仅适用于海报文字生成，也可推广到任何需要精确控制汉字结构的生成场景。随着评价方法的精细化，AI画对中文字的那一天，或许比我们想象的更近。