拆解汉字结构：细粒度评价让AI画对中文字

一、一个尴尬的现实：AI画的中文字经不起放大

让文生图模型生成一张带中文的海报，早已是营销、设计、电商等场景的常见需求。但生成结果往往“乍一看挺像那么回事，凑近了才发现不对劲”：某个字多了一撇，某个偏旁被挤成四不像，整字轮廓大体正确，局部细节全面崩坏。笔画越复杂、字数越多，翻车概率越高。

这不是某一家模型的偶发缺陷，而是当前文生图技术在中文文字渲染上的系统性短板。其深层原因之一并不在生成端，而在评价端——我们用来给生成结果打分的“裁判”，从一开始就在用错误的方式“看”中文字。

二、训练闭环里的裁判：打分方式决定能力上限

要让生成质量持续提升，主流路径是对模型做强化学习后训练：先生成一批结果，由“裁判”逐条打分，再依据分数更新参数，循环往复。这个裁判通常由OCR模型担任。

OCR（光学字符识别）是让机器“认字”的技术，负责把图片中的文字转换为机器可读文本。用它做裁判，打分逻辑很直接：从生成图中裁出文字区域，识别一遍，与目标文字比对——一致给1分，不一致给0分。

问题恰恰出在“对了给分、错了不给分”这六个字上。

打个比方：批改一份100道选择题的试卷，规定无论学生错1道还是错90道，一律给零分，也不标注错在哪里。这样的分数既反映不出掌握程度，也给不出改进方向。对模型而言，奖励信号极度稀疏，信用分配无从谈起——它只知道“这批不好”，不知道“哪一笔、哪个部件不好”。

三、三种裁判的集体失灵

近期有研究系统性地检验了现有评价方案，发现三类常见裁判在汉字场景下全部失灵，且失灵方式各不相同。

1. 传统OCR：形近误认，信息丢失。 面对一个结构出错的字，OCR往往老老实实识别成形近字，判定不一致，给0分。判定本身没错，但0分掩盖了错误的内部结构：错的是整个字，还是某个部件？模型得不到任何定位信息。

2. 多模态大模型：语言先验“脑补”，产生假阳性。 换成更聪明的多模态大模型去认图中的字，它可能结合上下文语境，硬是“猜”出正确答案，给出1分。但图上的字形明明是错的，模型只是靠语言能力蒙对了——这是一个假阳性。更麻烦的是，这种错误信号会主动误导训练：模型可能学到“糊弄也行”，而不是“写对才行”。

3. 专用错字检测工具：能发现，但一刀切。 还有一类专门检测错字的工具，能准确判断出某个字结构异常，但处理方式是把它整体标记为异常符号，直接判0分。这类方法不会被语言模型“脑补”骗到，却仍是非黑即白：对，或者错，中间没有灰色地带。

三种裁判殊途同归：要么给不出定位信息，要么给出错误信号。共同的病根只有一条——把汉字当成不可拆分的黑箱。

四、汉字的构型本质：二维积木，天然可分解

理解病根，要先回到汉字与拼音文字的结构差异。

英文的最小单位是字母，26个字母一维线性排列组合成词，错误就是“某个字母错了”，识别与评价天然是字符级的。汉字则完全不同：它是二维的积木结构。笔画先组成部件，部件再按照左右、上下、包围等空间关系拼合成整字——“想”由“相”和“心”上下叠放，“明”由“日”和“月”左右并排，“国”是“囗”全包围“玉”，“赢”更是五个部件的紧凑排布。这种由偏旁部首按空间关系组合而成的结构，称为汉字的构型。

构型带来一个关键推论：汉字的错误天然可以分解、可以定位。 一个字画错，无非是两类问题之一——某个部件画错了（形状、笔画层面的错），或者部件之间的空间关系错了（比例失衡、位置错位、包围关系破裂）。评价体系本可以利用这个层级结构给出精细反馈，却长期被“整字识别”的范式忽略。

五、破局思路：让评价粒度对齐构型粒度

由此，改进方向也就清晰了：把“拆开汉字看结构”引入裁判的打分逻辑，让评价粒度与汉字构型的粒度对齐。具体可以做三层校验：

• 部件级校验：借助字形先验，把目标字分解为部件集合，逐一核对生成图中对应区域是否正确呈现了每个部件；
• 关系级校验：核对部件之间的空间约束——左右、上下、包围关系是否成立，相对位置与面积比例是否合理；
• 整字级兜底：保留整字识别作为最终一致性检查，防止“部件都对、拼在一起不对”的边界情况。

这样的裁判输出的不再是0/1，而是一个连续的、可分解的分数：错一个部件扣一部分分，错一处布局再扣一部分。示意如下：

# 传统裁判：整字二元判分
def ocr_reward(img, target):
    return 1.0 if ocr(crop_text(img)) == target else 0.0
# 结构化裁判：部件 + 空间关系的细粒度打分
def structural_reward(img, target):
    parts = decompose(target)      # 如 "想" -> ["相", "心"]
    rel   = layout_of(target)      # 如 "想" -> 上下结构
    s = sum(match_component(img, p) for p in parts)
    s += match_layout(img, rel)
    return s / (len(parts) + 1)    # 连续值，可归因到具体错因

（以上为示意伪代码，仅用于说明两种奖励设计的差异，不代表任何具体系统实现。）

六、细粒度奖励为什么值得投入

其一，奖励密度显著提升。 从0/1两档变为连续谱，原本“全对才有信号”的稀疏奖励，变成“每个样本都携带部分有效信号”，强化学习的样本效率随之改善。

其二，信用分配更准确。 分数可以归因到具体部件与关系，相当于每道“错题”都附带了错题解析，模型能明确知道下一步该往哪个方向优化。

其三，抵御语言先验污染。 逐部件核对不依赖上下文语义，多模态模型难以靠“猜词”骗过裁判，假阳性问题被从机制上抑制。

其四，改造成本可控。 结构化打分器对外暴露的仍是“图进、分数出”的接口，可以无缝替换训练管线中的原有OCR裁判，训练框架本身无需大改。

七、落地价值与延伸思考

对依赖文字渲染的应用——营销海报、电商图文、品牌物料、教育课件——“生成即用”意味着省去反复重抽与人工校对的成本。这类能力正逐步沉淀到云上的AIGC服务中，以百度智能云为代表的内容生成与图像处理类服务，文字准确性都是衡量可用性的关键指标；评价方法的进步，最终会传导为生成质量的提升。

再往大处看，这套思路并不局限于汉字。日文汉字混排、韩文音节块等具有块状或二维结构的文字系统，同样面临整字评价粒度过粗的问题。把“评价对象自身的结构”纳入奖励设计，而不是把所有文字都塞进一维字符串的评价框架，是提升生成类模型可控性与可信度的一条通用路径。

八、结语

AI画错汉字，病根不只在生成端，更在评价端。当裁判只会说“对”或“错”，学生永远不知道错在哪一笔。把汉字拆开看结构，让分数本身携带定位信息，才能把“画对中文字”从碰运气的概率事件，变成可以持续优化的工程问题。