汉字结构感知：让AI真正“写对”中文字

一、问题的根源：OCR把汉字当成了不可拆分的黑箱

在图像生成模型的后期训练中，强化学习依赖一个“裁判”来为生成结果打分。这个裁判通常由OCR（光学字符识别）模型担任：把生成图片中的文字区域截取出来，识别成文本，再与目标文字逐字比对——一致则给正分，不一致则给零分。

这套逻辑在英文场景下基本够用。英文的最小单位是26个字母，单词由字母线性排列而成，识别结果要么匹配要么不匹配，边界清晰。但汉字并非线性排列的最小单位，而是一种二维的积木结构：

• “尬”字由“九”与“龙”的变体左右排布构成；
• “想”字由“相”与“心”上下叠放构成；
• “国”字则是“囗”包围“玉”的包围结构。

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。构型的复杂性意味着：一个汉字可能在笔画层面出错、可能在部件层面出错、也可能在空间布局层面出错，而这三类错误在传统OCR裁判眼中统统等价于“识别失败”。

于是出现了一个典型的评分塌缩问题：无论模型写错一笔还是写错半边，只要OCR最终认不出，得分都是零。这就像批改100道选择题的试卷，学生错1道和错90道得到的分值完全相同——评分信号无法告诉模型“哪里需要改进”，模型自然也就学不到正确的优化方向。

二、三个典型失效场景

论文中给出了几个极具代表性的例子，揭示了当前评估方式的深层缺陷。

场景一：专用OCR模型的“老实误判”。 生成图中“尬”字的结构已经出错，专用OCR模型将其识别为另一个形近字。由于识别结果与目标不符，打0分。这个判断在“对错”层面是正确的，但它没有区分“完全写错”与“结构轻微偏差”，反馈信号过于粗糙。

场景二：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去识别同一张图，模型结合上下文语境“猜”出了正确文字，打出1分。但图上那个字形明明是错的——模型是靠语言能力蒙对的，而非真正“看懂”了字形。这种假阳性会直接误导训练：模型会以为错误的结构是可行的。

场景三：错字检测工具的“一刀切”。 一类专门检测字形异常的方案能够判断出该字结构有问题，但处理方式是将整个字标记为异常符号，同样打0分。它不会被语言先验欺骗，但依然是二值判断——对或错，中间没有灰色地带。

三个场景指向同一个结论：当前评估体系缺少对汉字内部结构的细粒度感知能力。

三、从“整字比对”到“结构分解”的评估范式

要解决上述问题，核心思路是将评估粒度从“整字”下沉到“构型”。具体而言，可以把一个汉字的正确性拆解为多个可独立判断的维度：

1. 部件存在性：目标汉字所需的偏旁部首是否都已出现；
2. 部件完整性：每个部件自身的笔画是否书写完整、无缺失无多余；
3. 空间关系：部件之间的相对位置（左右比例、上下间距、包围关系）是否符合构型规范；
4. 整体可读性：整字是否仍可被识别为目标汉字。

在此基础上，可以设计一个分级评分函数，而非二值输出。伪代码示意如下：

def structural_score(generated_img, target_char):
    parts = decompose(target_char)          # 拆解目标字的部件与布局
    score = 0.0
    for part in parts:
        if part_exists(generated_img, part):
            score += 0.3 * part_completeness(generated_img, part)
    score += 0.4 * layout_conformity(generated_img, parts)  # 空间关系得分
    score += 0.3 * readability(generated_img, target_char)  # 整体可读性
    return score  # 连续分值，而非0/1

这种评分方式的优势在于：当模型写错一个部件时，得分会下降但不会归零，梯度信号能够定位到具体的失败维度。训练过程由此获得方向性——是补笔画、换部件，还是调整布局，模型可以从分数差异中推断出来。

四、工程落地的关键考量

将结构感知评估投入实际训练闭环，还需注意几点：

部件拆解的覆盖率。 汉字部件体系庞大，拆解规则需要覆盖常用字集的构型模式，并对生僻字提供降级策略（如回退到整字比对）。

评估器的鲁棒性。 结构评估器本身也会犯错，因此建议采用多评估器交叉验证：专用字形检测器负责结构异常判定，通用识别模型负责整体可读性判定，二者加权融合可显著降低假阳性与假阴性。

评分曲线的设计。 分级评分需要平滑且单调：错误越严重，扣分越多；局部正确应获得部分奖励。这要求对各类结构缺陷设定合理的权重，并通过小规模实验校准。

与强化学习框架的衔接。 结构分数应作为奖励信号的一部分，与任务级奖励（如整体图像质量）加权组合，避免模型过度优化局部结构而牺牲整体生成质量。

五、小结

汉字生成的质量评估，本质上是“机器如何理解汉字结构”的问题。把汉字当作不可拆分的黑箱，评估信号就只能是二值的、粗糙的、无法指导优化的。将评估粒度下沉到偏旁部首与空间关系层面，构建连续、可解释的结构评分，才能让AI在训练中真正“看见”自己错在哪里，从而写对每一个中文字。对于从事中文OCR、文字图像生成与多模态训练的开发者而言，这是一条值得投入的基础设施建设路径。