拆开汉字看结构：让AI画对中文字的评分思路

一、问题背景：文生图的“文字短板”与裁判机制

当前主流的文生图模型在自然场景上表现出色，可一旦画面中需要出现中文文字，就频繁“翻车”：招牌缺笔画、标题偏旁张冠李戴。业界通行的改进做法是在基础模型之上叠加强化学习式的后期训练，让模型反复生成带文字的图像，再由一个“裁判”对结果打分，分数作为奖励信号回传，指导模型朝“画得更对”的方向更新参数。

裁判的选择直接决定训练上限。实践中最常用的裁判是OCR（光学字符识别）模型：把生成图像中的文字区域裁出来识别一遍，将识别结果与目标文字逐字对比，一致则给分，不一致则零分。这套流程在英文场景运转良好，换到中文场景却问题频出。

二、OCR裁判为何失效：汉字不是字母

英文字母是线性的最小书写单位，26个字母横向排列组合成词，词的对错几乎等价于逐字符的对错。汉字则完全不同，它是二维的“积木式”结构：

• “尬”由“九”与“龙”的变体左右排布而成；
• “想”由“相”与“心”上下叠放而成；
• “国”由“囗”包围“玉”构成。

这种由偏旁部首按照左右、上下、包围等空间关系逐级组合而成的结构，通常称为汉字的构型。一个字是否正确，不仅取决于用了哪些部件，还取决于部件之间的相对位置、比例与衔接方式。

OCR面对这类复杂结构时经常力不从心：要么把整个字判成一个“不认识的符号”直接放弃，要么瞎猜一个形近字输出。由此产生一个致命缺陷，AI生成的字无论错一笔还是错半边，只要OCR认不出，裁判一律给零分。

这就像批改一份100道选择题的试卷：学生错1道和错90道，得分完全相同，都是0分。这样的打分无法告诉学生“哪题错了、错在哪”；同理，也无法告诉生成模型该往哪个方向优化。对强化学习而言，奖励信号就是优化方向的来源，没有区分度的奖励等于没有方向。

三、三种裁判的失效模式对比

近期一篇研究给出了直观的对比案例，暴露了三类常见裁判各自的短板：

1. 专用OCR模型：认成形近字，一律零分。 生成图中某个“尬”字的部件结构写错了，OCR老老实实把它识别成另一个形近字，与目标不符，判0分。判0分本身没错，但由于所有错误都同样归零，模型得不到任何关于错误程度的信息，无法形成有效梯度。

2. 多模态大模型：靠语境脑补，产生假阳性。 换用更强大的多模态大模型充当裁判，它结合上下文语境硬是“猜”出了正确答案，判满分。可图上那个字形明明是错的，模型只是凭借语言先验蒙对，这属于典型的假阳性：字形错误却拿满分。假阳性比假阴性更危险，它直接奖励错误行为，会诱导模型固化错误写法。

3. 错字检测类工具：标记异常符号，仍是二元判断。 还有一类专门检测错字的工具，能准确判断该字结构有问题，不会被语境脑补欺骗，可靠性强。但其处理方式是把整个字替换成异常符号”#”，同样打0分，判断更准了，粒度却没变，本质仍是非黑即白。

横向对比可以得出一个关键结论：只要评价粒度停留在“整字对/错”这一层，无论裁判多聪明，都会同时造成两类伤害，错杀（不同程度的错误全部归零，训练没有方向）与错放（语境蒙对拿满分，直接强化错误行为）。

四、核心洞察：汉字的错误有程度之分

问题的根源是评分体系与被评价对象的结构不匹配。汉字的书写错误天然是分层级、分程度的：

• 程度最轻：个别笔画的长短、角度略有偏差，字仍可辨认；
• 程度中等：某个部件写错，比如把“九”写成“几”，但整体布局正确；
• 程度较重：部件都对，空间关系错乱，左右结构写成了上下结构；
• 程度最重：部件与布局全错，完全不成字。

合理的裁判应当区分这些层级，输出有梯度的分数：错一笔给0.9，错一个部件给0.5，布局错乱给0.3，完全不成字给0。有了梯度，强化学习才有“坡”可爬，模型每一步优化都能知道自己变好了还是变差了。

五、解法：按构型拆字，做结构感知的细粒度评分

顺着这个洞察，解决方案自然浮出水面：不再把汉字当成黑箱，而是按构型把它拆解成“部件+空间关系”的层级结构，逐层比对、加权汇总。可落地的评分流程分四步：

第一步，目标字解析。 把目标汉字拆解成构型树：先拆出部件（偏旁部首或独立笔画块），再记录部件间的空间关系。常用字可离线预解析成结构字典，运行时直接查表。

第二步，生成字解析。 对生成图像中的字形做同样的拆解，可借助字形结构解析算法或视觉检测模型完成部件的定位与识别。

第三步，逐层匹配比对。 将生成字的构型树与目标构型树逐层对齐，分别评估部件集合的相似度（该有的部件有没有、有没有多余或写错的部件）、空间关系的一致性（左右是否写成了上下）、笔画细节的偏差程度。

第四步，加权汇总。 按部件正确性、空间关系正确性、笔画细节分别加权，输出0到1之间的连续分数，替代二元打分。

示意性的评分函数如下（伪代码，仅表达思路）：

def glyph_score(target_char, rendered_glyph):
    # 构型树解析：如 "尬" -> (["九","龙"], LEFT_RIGHT)
    t_tree = lookup_structure(target_char)
    g_tree = parse_rendered(rendered_glyph)
    # 三个维度分别比对
    comp_score   = component_match(t_tree, g_tree)   # 部件匹配, 0~1
    layout_score = spatial_match(t_tree, g_tree)      # 空间关系匹配, 0~1
    stroke_score = stroke_compare(t_tree, g_tree)     # 笔画细节, 0~1
    # 加权汇总为连续奖励
    return 0.5*comp_score + 0.3*layout_score + 0.2*stroke_score

这样设计后，前文的三种失败模式都能得到修正：

• “尬”字错了一个部件：部件得分约0.5，布局与笔画得分正常，总分约0.7，模型收到明确信号：布局对了，部件错了，改进方向清晰；
• 字形写对：各维度得分都接近1，拿满分；
• 完全不成字：各维度趋近0，总分趋近0；
• 假阳性被堵死：评分依据是字形本身的结构比对，而非“识别结果是否等于目标文本”，语言先验无法蒙混过关。

六、工程落地的四个要点

把上述思路接入强化学习训练管线，还有几处细节值得注意：

其一，构型解析的可靠性是前提。 构型树解析错了，奖励就错了。建议以通用的汉字部件规范为底表构建结构字典，常用字离线校验后再上线，减少运行时的解析抖动。

其二，结构分数应与识别结果组合使用。 结构比对衡量“写得像不像”，识别一致性衡量“读起来对不对”，二者互补：纯靠识别会有假阳性，纯靠结构可能放过“结构正确但用错字”的正字法问题。可行做法是以结构分数为主、识别一致性为校验项。

其三，控制假阳性优先于控制假阴性。 训练中宁可少给分，不可错给分：奖励缺失只是学得慢，奖励错误则是学得偏，且偏得理直气壮。

其四，按字形复杂度分级处理。 独体字（如“人”“大”）无部件可拆，退化为笔画级比对；多部件复杂字启用完整的构型树比对。评分管线应能自动适配不同复杂度。

七、总结

AI画不好中文字，表面是模型能力问题，深层是奖励信号设计问题。OCR把汉字当成不可拆分的黑箱，二元打分抹平了错误的程度差异，也给语境脑补式假阳性留了后门。汉字构型的层级性天然提供了更细的评价粒度：拆成部件、比对关系、逐层打分、加权汇总。这个案例更普适的启示是：为强化学习设计奖励时，评分粒度应当与被评价对象的结构粒度对齐，只有奖励信号本身携带“哪里错、错多少”的信息，模型才能学会“往哪里改、改多少”。