拆开汉字看结构：让AI画对中文字的关键不在生成器，而在评分器

你有没有试过让文生图模型生成一张带中文的海报？结果往往是这样的：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，某个偏旁被挤成了四不像，整体轮廓对，细节全崩。这不是个别现象，而是几乎所有文生图模型的通病，尤其是碰上笔画复杂的汉字时。

很多人的第一反应是“模型生成能力还不够”。但从技术链路来看，问题可能出在一个更隐蔽的地方：现有评价方法从一开始就在用错误的方式“看”中文字。

强化学习中的“裁判”为什么很关键

要让AI生成的字形越来越准确，常见做法是用强化学习做后期训练。训练过程中需要一个“裁判”来打分，告诉模型生成得好不好。这个裁判通常由OCR模型担任。

OCR全称Optical Character Recognition，即光学字符识别，就是把图片里的文字转换成计算机能理解的文本。OCR裁判的打分逻辑简单直接：把生成图片里的文字区域截取出来识别一遍，识别结果和目标文字一对比，对了就给分，错了就不给分。

问题恰恰出在这个“对了就给分，错了就不给分”上。

汉字不是线性字母序列，而是二维积木结构

汉字和英文字母有本质区别。英文字母是最小书写单位，26个字母排列组合成词，识别粒度天然是字符级甚至亚字符级。但汉字是一种二维的积木结构：

• “尬”字由“九”和“龙”的变体拼成，左右排布；
• “想”字由“相”和“心”上下叠放；
• “围”字则是“韦”被“囗”包围。

这种由偏旁部首按照左右、上下、包围、穿插等空间关系组合而成的结构，叫做汉字的构型。同一个偏旁在不同字中还会发生形变，比如“王”字旁在“现”“球”“环”中的宽窄比例和笔画收放都不同。这意味着汉字识别天然需要感知细粒度的空间关系，而不是简单地做字符分类。

整字OCR打分把“错多少”压缩成了“错没错”

OCR识别复杂汉字结构时，经常把整个字直接判断成一个不认识的东西，要么瞎猜一个形近字，要么干脆放弃。无论AI生成的字是写错了一笔还是写错了整个偏旁，只要最终OCR认不出，裁判给的分数都是零分。

这就好比你在批改一份100道选择题的试卷，但不管学生错一道题还是错九十道，你给的分数都一样，统统是零分。这样的打分方式完全没法告诉学生“你哪里需要改进”，模型也就学不到该往哪个方向优化。

更值得警惕的是另一种情况：多模态大模型参与识别时，可能结合上下文语境硬“猜”出正确答案。比如生成图里有个“尬”字写错了，专用OCR模型老老实实地把它认成了另一个形近字，打0分。换成多模态大模型去识别，它看到上下文里有“尴尬”这个词，直接“脑补”出了正确结果，打了1分。这实际上是一个假阳性——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。

“对”与“错”之间存在大量灰色地带

汉字的错误本来就有程度之分。同样是写错“尬”字，可能存在以下不同情况：

1. “九”和“龙”的比例失调，但两个部件本身可辨认；
2. “龙”的某一道笔画缺失或多余；
3. 左右结构被破坏，变成了上下排布；
4. 整个字被写成了一个完全不相关的字符。

这些错误对“可读性”和“正确性”的影响完全不同，但整字OCR的评分结果却可能完全一致：0分。强化学习依赖奖励信号的梯度来引导优化方向。如果所有错误都被压平成同一个分数，模型就无法获得足够的信号来区分“差一点就对了”和“完全不可用”，更谈不上针对性地改进某个偏旁或笔画。

细粒度评分需要拆解汉字构型

要解决这个问题，评分机制必须适配汉字的结构特性。一个可行的方向是改变“裁判”的观察方式：不再把汉字当成一个不可拆分的黑箱，而是让它审视汉字内部的构型元件。

具体来说，评价一个生成汉字的质量时，至少可以关注以下维度：

• 部件完整性：目标字包含的所有偏旁、部首及其变体是否都被正确生成；
• 空间关系正确性：部件之间的左右、上下、包围、穿插关系是否符合构型规范；
• 部件间比例合理性：各部件在整字中的宽窄、高矮比例是否协调；
• 笔画细节保真度：关键笔画是否缺失、多余或严重变形。

这种拆解式的评估方式，相当于把原本的“二值判断”转化为“多维连续打分”。模型生成的“尬”字如果只是右侧“龙”的某笔略有偏移，就不应该和“整字乱码”获得相同分数。评分信号拥有了梯度，强化学习才能沿着正确的方向调整生成策略。

一个可参考的评价流程

在实际工程中，可以将汉字结构的细粒度评价拆成若干步骤。以下是一个示意性的流程：

输入：生成图片中的汉字区域 + 目标汉字
步骤1：切分目标汉字的构型部件，确定各部件标准位置与形态
步骤2：将生成图片中的对应区域与各部件进行局部对齐
步骤3：分别计算每个部件的完整度、形变度和空间偏离度
步骤4：汇总为结构化评分向量，而非单一标量
输出：整字分数 + 部件级错误报告

这种方式不仅给出“好不好”，还给出“哪里不好”。对强化学习而言，多维评分向量比单一标量包含更丰富的监督信息，有助于模型定位生成缺陷。

从“识别结果导向”转向“结构质量导向”

当前文生图模型的文字评分机制，本质上是一种“识别结果导向”：只关心最终有没有被OCR认出来。这种导向对于拉丁字母系统或许勉强够用，因为字母本身的构型简单得多。但对于汉字这种构型复杂、部件繁多、空间关系敏感的书写系统，识别结果导向就显得过于粗糙。

一个更有价值的思路是引入“结构质量导向”：评价的不是“能不能被认出来”，而是“写得对不对、结构好不好”。这里的“结构”不是指整字与某个字典条目的相似度，而是指汉字内部的构型规则是否被遵守。

这也意味着，未来面向中文场景的文生图质量优化，可能需要将评分模型与汉字构型知识进行结合。评分模型需要理解偏旁、部首、间架结构等概念，而不是仅凭训练数据中“见过的字形”来分类。

对开发者的启示

如果你正在构建涉及中文文字生成的图像模型，或是在为这类模型搭建评估管线，以下几点值得关注：

1. 不要过度依赖单一OCR分数作为文字质量的唯一指标。OCR只能告诉你“是否可识别”，不能告诉你“错在哪里”。
2. 评价中文字形质量时，要主动考虑汉字的结构特性。将整字拆分为部件和空间关系，是提升评价粒度的重要一步。
3. 警惕多模态模型的“脑补”行为。在包含上下文语境的场景下，模型会利用语义先验来推断文字内容，这可能导致虚假的高分。
4. 为强化学习构建具有梯度的奖励信号。二值化的0/1分数几乎无法引导模型进行细粒度的字形修正。

文生图中的中文质量问题表面上是“画不好”，实质上可能是“教不好”。生成器能力再强，如果评分信号无法区分“错误的不同程度”，模型也难以真正学会汉字的结构规则。把汉字拆开看结构，不仅是语言学视角，更是一种工程视角。只有让裁判学会按照构型来评分，生成器才有机会把每一个字都画对。