拆解汉字构型：让AI写对中文字的技术路径

一、问题的起点：OCR把汉字当成了黑箱

在生成式模型的质量优化流程中，强化学习已成为常见的后训练手段。其基本框架是：模型生成候选结果，由一个“裁判”模块对结果打分，模型根据分数信号调整参数。这套范式的关键假设在于——裁判的打分必须是有梯度的，即分数要能反映生成质量的连续变化。

当生成目标从通用图像转向中文字形图像时，裁判角色通常由OCR（光学字符识别）模型承担。逻辑非常直接：把生成图片中的文字区域截取出来，送入OCR识别，识别结果与目标文字一致则给高分，不一致则给低分甚至零分。

这个逻辑在英文场景下基本够用。英文的最小单位是字母，26个字母的排列组合构成单词，错误模式相对离散——要么拼错了某个字母，要么整个词不对。OCR对英文字母的识别鲁棒性也较高，评分信号相对清晰。

但汉字的情况截然不同。

二、汉字不是线性序列，而是二维积木结构

汉字与英文最根本的差异在于构型（character configuration）。英文是线性序列，字母从左到右排列；汉字是二维空间中的积木式组合——偏旁部首按照左右、上下、包围、半包围等空间关系拼合而成。

举几个直观的例子：

• “尬”：由“九”和“龙”的变体左右排布构成；
• “想”：由“相”和“心”上下叠放构成；
• “围”：由“囗”包围“韦”构成；
• “题”：由“是”和“页”半包围组合。

这种结构的复杂度意味着，一个汉字可能出现的错误模式远多于英文单词。笔画写错一笔、偏旁写错半边、空间关系错位、部件比例失调——每一种都是不同性质的错误，其严重程度也各不相同。

然而，OCR裁判并不区分这些。它的输出只有两种：识别对了，或者识别不出来。

三、非黑即白的评分为什么致命

假设一个生成模型正在学习写“尬”字。它可能生成以下两种结果：

1. 左边写成“九”，右边写成“尤”——整体结构正确，但右半部分写错了；
2. 左边写成“九”，右边写成“龙”——完全正确。

对于OCR裁判来说，第一种情况中，如果OCR模型恰好能识别出这个错字并映射到某个形近字，结果可能是“不对，0分”；如果OCR直接无法识别，结果同样是“0分”。第二种情况则是“对了，1分”。

问题在于：第一种情况和完全乱写一个无关字符，得到的分数是一样的。模型无法从“0分”这个信号中得知：自己是偏旁写错了、结构写反了、还是笔画多了一笔。它只知道“错了”，但不知道“错在哪里、错了多少”。

这就好比批改一份100道选择题的试卷，不管学生错一道还是错九十道，分数统统是零分。这样的打分方式完全无法告诉学生“你哪里需要改进”，模型也就学不到该往哪个方向优化。

更隐蔽的问题在于假阳性。论文中给出了一个典型案例：生成图里有个“尬”字结构出了问题，专门的OCR模型老老实实地把它认成了另一个形近字，打0分——这是正确的判断。但换成多模态大模型去识别时，它结合上下文语境，“猜”出了正确答案，打了1分。这其实是一个假阳性：图上那个字形明明是错的，模型只是靠语言能力蒙对了而已。

还有一类专门检测“写错字”的工具，能准确判断出字形结构有问题，但处理方式是把整个字标记成一个异常符号，直接打0分。这种方法虽然不会被语言模型的“脑补”骗到，但同样是非黑即白的判断：对，或者错，中间没有灰色地带。

四、汉字错误的程度之分：从“完全正确”到“面目全非”

汉字的错误本来就有程度之分。从技术角度，我们可以将生成字形的质量划分为多个层级：

层级	描述	示例
L5 完全正确	笔画、结构、比例均正确	“尬”字标准写法
L4 轻微瑕疵	笔画粗细不均或比例微调	“尬”字右半稍宽
L3 部件错误	某个偏旁写错但结构正确	“尬”字右半写成“尤”
L2 结构错位	左右/上下关系颠倒	“尬”字左右互换
L1 严重变形	多个部件错误或严重扭曲	只能看出大致轮廓
L0 完全无关	无法辨认或为其他字符	随机笔画组合

一个理想的评分机制应当能够区分L0到L5，并给出连续的分数信号。这样模型才能知道：当前生成结果处于哪个层级，距离目标还有多远，应该优先改进哪个方面。

五、技术路径：构型分解与分级打分

要让AI真正“学会”写对汉字，需要从评分机制的根本上做改造。核心思路是：将汉字从不可拆分的黑箱，拆解为可独立评估的构型组件。

5.1 构型分解

首先需要建立一个汉字构型知识库，将每个汉字拆解为：

• 部件序列：如“尬” → [“九”, “龙(变体)”]；
• 空间关系：如“左右结构”、“上下结构”、“包围结构”；
• 部件属性：每个部件的笔画数、关键特征点。

这个知识库可以基于通用的汉字构型数据库构建，不依赖特定厂商的专有资源。

5.2 多维度评分

评分模块不再依赖单一OCR识别结果，而是从多个维度分别评估：

def score_character(generated_img, target_char, config_db):
    """
    多维度汉字生成质量评分
    返回0-1之间的连续分数，以及各维度子分数
    """
    target_parts = config_db.get_parts(target_char)
    target_layout = config_db.get_layout(target_char)
    # 维度1：部件识别——每个部件是否被正确生成
    part_scores = []
    for part in target_parts:
        part_img = crop_by_layout(generated_img, part.position)
        part_score = recognize_part(part_img, part)
        part_scores.append(part_score)
    # 维度2：空间关系——部件之间的相对位置是否正确
    layout_score = evaluate_layout(generated_img, target_layout)
    # 维度3：笔画完整性——关键笔画是否存在
    stroke_score = evaluate_strokes(generated_img, target_char)
    # 加权综合
    final_score = (
        0.4 * mean(part_scores) +
        0.3 * layout_score +
        0.3 * stroke_score
    )
    return final_score, {
        "part_scores": part_scores,
        "layout_score": layout_score,
        "stroke_score": stroke_score
    }

5.3 分级反馈信号

基于多维度评分，可以生成更丰富的反馈信号：

• 如果部件分数低但布局分数高：模型知道“结构对了，但部件写错了”，应重点优化部件生成；
• 如果布局分数低但部件分数高：模型知道“部件写对了，但位置放错了”，应重点优化空间关系；
• 如果所有维度都低：模型知道当前生成结果与目标差距很大，需要整体重构。

这种分级反馈信号比单一的“对/错”二元信号信息量大得多，能显著加速模型收敛。

六、实践中的工程考量

在实际工程落地中，还需要考虑以下问题：

评分模块的鲁棒性。部件识别模型本身也可能出错，需要引入置信度机制。当部件识别置信度低于阈值时，该维度的评分权重应降低，避免误导生成模型。

计算开销。多维度评分比单次OCR调用开销更大。可以采用缓存机制：对同一目标字符的构型分解结果进行缓存，避免重复计算。

与现有训练流程的集成。分级打分模块可以作为强化学习中的奖励函数，替换原有的OCR裁判。在训练初期，可以使用较粗粒度的评分；随着模型能力提升，逐步启用更细粒度的维度。

评估基准的建立。需要构建一套包含不同错误层级的汉字生成测试集，用于验证评分模块是否真正区分了不同严重程度的错误。

七、总结

汉字生成的质量优化，核心瓶颈不在于生成模型本身的能力，而在于评分信号的信息量。OCR裁判将汉字视为不可拆分的黑箱，只能给出“对/错”的二元判断，导致模型无法从错误中学习“错在哪里、错了多少”。

解决路径是明确的：拆解汉字构型，建立多维度评分体系，提供分级反馈信号。这不仅是技术上的改进，更是对汉字本质结构的尊重——汉字本来就是二维积木，就应该用积木的方式去评估。

对于开发者而言，这套思路可以迁移到其他复杂结构化生成任务中：当评估指标过于粗粒度时，拆解目标结构、设计多维度评分，往往是提升生成质量的关键杠杆。