汉字生成评估的细粒度拆解：从OCR黑箱到结构化打分

一、问题的根源：OCR把汉字当成不可拆分的黑箱

在AI图像生成领域，用强化学习做后期训练已是常见做法。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（光学字符识别）模型担任。

OCR的打分逻辑非常直接：把生成图片中的文字区域截取出来，送入识别模型，将识别结果与目标文字比对——一致则给分，不一致则不给分。

这套机制在处理英文时基本够用。英文的最小单位是26个字母，单词由字母线性排列而成，识别粒度天然对齐评估粒度。但汉字完全不同。

二、汉字的二维构型：为什么不能当黑箱处理

汉字是一种二维的积木结构。以“尬”字为例，它由“九”和“龙”的变体左右排布拼合而成；“想”字则由“相”和“心”上下叠放构成。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。

这意味着汉字的正确性不是原子化的，而是层次化的：

• 整字层：最终字形是否可识别
• 部件层：每个偏旁部首是否书写正确
• 结构层：部件之间的空间关系是否正确
• 笔画层：关键笔画是否存在、位置是否准确

OCR只关注整字层的识别结果，对下面三个层次的信息完全丢弃。

三、非黑即白的打分困境

OCR裁判的核心缺陷在于其打分函数的二值化特性：

score = 1 if OCR(image) == target_char else 0

这导致一个严重问题：无论AI生成的字是写错了一笔、写错了半边，还是结构完全崩坏，只要OCR认不出，得分都是零。模型无法从反馈中得知“哪里需要改进”。

论文中给出了一个典型例子：生成图中“尬”字的结构出了问题，专门的OCR模型将其识别为另一个形近字，判定为0分；而换成多模态大模型去识别，它结合上下文语境“猜”出了正确答案，打了1分——但这是一个假阳性，因为图上那个字形明明是错的，模型只是靠语言能力蒙对了。

还有一类专门检测写错字的工具，能准确判断字形结构有问题，但处理方式是将整个字标记为异常符号“#”，同样打0分。这种方式虽然不会被语言模型的脑补能力欺骗，但依然是非黑即白的判断：对，或者错，中间没有灰色地带。

用一个类比来说明：这就像批改一份100道选择题的试卷，不管学生错一道还是错九十道，给的分数都一样——统统零分。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。

四、汉字错误本就有程度之分

关键洞察在于：汉字的错误不是二值的，而是有程度之分的。

一个汉字可能：

• 少了一笔（如“王”写成“玉”少一点）
• 多了一笔（如“大”写成“太”）
• 某个部件写错（如“尴尬”的“尬”右边写成“尤”）
• 结构关系错误（如左右结构写成上下结构）
• 笔画位置偏移（如“己”和“已”的区别）

这些错误在严重程度上差异巨大，但OCR裁判将其全部映射为同一个分数：0。

这种信息损失直接导致：

1. 梯度信号稀疏：模型只有在完全写对时才能获得正向反馈，学习效率极低
2. 无法区分优劣：写对90%的字和写对10%的字得到相同分数
3. 优化方向不明：模型不知道应该修正笔画、调整结构还是重新生成

五、结构化拆解：更细粒度的评估思路

解决思路的核心是：将汉字评估从整字级别下沉到部件与结构级别。

5.1 部件级拆解

将目标汉字拆解为部件序列，例如：

尬 → [九, 龙] (左右结构)
想 → [相, 心] (上下结构)
回 → [口, 口] (包围结构)

对生成图片分别评估每个部件是否正确生成、位置是否合理。

5.2 结构关系建模

部件之间的空间关系需要单独建模和评估：

• 左右结构：两个部件水平排列，宽度比例是否合理
• 上下结构：两个部件垂直堆叠，高度比例是否合理
• 包围结构：外部部件是否完整包裹内部部件

5.3 分层打分函数

可以设计一个分层打分函数：

total_score = w1 * structure_score 
            + w2 * component_score 
            + w3 * stroke_score 
            + w4 * recognizability_score

其中各分量分别评估结构关系、部件完整性、笔画准确性和整体可识别性。权重可根据具体任务调整。

六、对生成模型训练的意义

采用结构化细粒度评估后，训练信号的信息密度大幅提升：

评估方式	反馈信息量	优化方向明确性
OCR二值打分	1 bit	无
结构化分层打分	连续向量	明确到部件/结构级别

模型可以学到：

• “这个字的结构对了，但右边部件少了一笔” → 修正笔画
• “两个部件都写对了，但左右比例失衡” → 调整空间关系
• “整体可识别，但风格不一致” → 优化生成风格

七、总结

汉字生成的评估不能简单套用英文OCR的思路。汉字作为二维构型文字，其正确性分布在整字、部件、结构、笔画多个层次上。传统的OCR裁判将所有错误压缩为一个零分，导致训练信号极度稀疏。通过将汉字拆解为部件与结构关系，设计分层细粒度的打分机制，可以为生成模型提供更丰富、更精确的优化信号，从而真正提升AI生成汉字的准确率和质量。

这一思路的通用性原则——评估粒度应与生成任务的语义粒度对齐——也可以推广到其他结构化生成任务中，例如表格生成、公式生成、流程图生成等场景。