汉字生成评估的粒度困境：从OCR黑箱到结构感知的细粒度反馈

一、问题背景：当AI写不对汉字

让文生图模型生成一张包含中文文字的海报，结果往往令人哭笑不得：远看字形轮廓有模有样，放大细看却发现某个字多了一横、某个偏旁被压缩变形，整体结构似是而非。这不是某一家的个别缺陷，而是当前几乎所有文本生成图像方案在面对汉字时的系统性短板——笔画越复杂，崩坏越明显。

为了提升生成质量，业界普遍采用强化学习进行后期训练：模型生成候选图像，由一个“裁判”模型打分，再根据分数反向优化生成策略。这个裁判通常就是OCR（光学字符识别）模型。然而，问题恰恰出在这个裁判身上。

二、OCR裁判的工作机制与根本局限

2.1 OCR裁判的评分逻辑

OCR裁判的流程非常直接：

生成图像 → 裁剪文字区域 → OCR识别 → 与目标文本比对 → 输出得分

比对结果只有两种：识别正确则给满分，识别错误则给零分。这种二值化的评分方式，在英文场景下基本够用——英文字母是最小书写单位，26个字母的排列组合构成单词，错一个字母就是错一个词，逻辑自洽。

2.2 汉字不是线性排列，而是二维构型

汉字与英文的根本差异在于结构维度。英文是一维的线性序列，汉字则是二维的积木式拼装：

• 左右结构：如“尬”由“九”和“龙”的变体左右排布；
• 上下结构：如“想”由“相”和“心”上下叠放；
• 包围结构：如“国”由外框“囗”包裹内部“玉”；
• 复合结构：更多汉字是多种空间关系的嵌套组合。

这种由偏旁部首按特定空间关系组合而成的二维结构，称为汉字构型。OCR模型在设计之初是为“识别文本内容”服务的，它并不关心字内部的结构是否正确，只关心最终识别结果是否匹配。

2.3 二值评分的信息坍缩

当OCR面对一个结构错误的汉字时，典型行为有三种：

1. 误识别为形近字：把错误字形猜成另一个真实存在的字；
2. 直接判为未知符号：输出异常标记，表示“这不是一个有效字符”；
3. 依赖语言模型脑补：多模态大模型结合上下文“猜”出正确内容，形成假阳性。

无论哪种情况，只要最终输出与目标不一致，得分都是零。这意味着：写错一笔和写错整个偏旁，得到的惩罚完全相同。

用一个类比来说明这种评分方式的荒谬：批改一份100道选择题的试卷，学生错1题和错90题，最终得分都是零分。这样的反馈无法告诉学生“你哪里需要改进”，模型也就无法学到“往哪个方向优化”。

三、错误有程度之分：被忽略的灰色地带

3.1 汉字错误的谱系

汉字的书写错误并非非黑即白，而是存在一个连续的严重程度谱系：

错误类型	示例	严重程度
笔画粗细不均	横画偏细	轻微
笔画位置偏移	点画偏高	轻度
笔画增减	多一撇或少一横	中度
偏旁变形	部首比例失调	中重度
结构错位	左右颠倒、上下错乱	重度
完全不可辨认	字形崩坏	极重度

一个理想的评估系统应当能够区分这些层级，给出梯度化的反馈信号。但OCR裁判将所有错误一视同仁地归零，等于丢弃了最有价值的学习信号。

3.2 假阳性问题：语言能力的“作弊”

多模态大模型在识别错误字形时，可能结合上下文语境“猜”出正确答案。例如生成图中“尬”字结构有误，但模型根据前后文推断此处应为“尬”，于是判定识别成功，给出满分。这实际上是一种假阳性——图像上的字形明明是错的，模型只是靠语言能力蒙对了答案。

这类假阳性会严重误导强化学习过程：模型收到“这个方向是对的”的信号，继续强化错误的结构模式，导致问题固化。

3.3 专用检测工具的改进与不足

一类专门用于检测“写错字”的工具能够准确判断字形结构是否存在异常，比通用OCR更敏感。但其处理方式是将异常字符整体标记为一个特殊符号，同样给出零分。这种方法虽然避免了语言模型脑补带来的假阳性，但本质上仍是非黑即白的判断：对，或者错，中间没有灰色地带。

四、从“认字”到“拆字”：评估范式的转变

4.1 核心思路：结构感知的细粒度反馈

要解决上述问题，评估模型需要从“整字识别”转向“结构分析”。具体而言，评估过程应当拆解为多个层级：

第一层：整字是否可辨认？
第二层：偏旁部首是否齐全？
第三层：各部件比例是否协调？
第四层：笔画位置是否准确？
第五层：笔画形态是否规范？

每一层给出独立的评分，最终形成一个多维度的反馈向量，而非单一标量。这样，模型就能知道“这个字整体结构对了，但左偏旁比例偏大”或“笔画数量正确，但第三笔位置偏移”。

4.2 技术实现路径

实现结构感知的细粒度评估，可能涉及以下技术组件：

• 部件分割：将生成汉字切分为偏旁部首级别的子区域；
• 结构分类：判断部件之间的空间关系（左右、上下、包围等）是否正确；
• 部件匹配：将每个子区域与目标部件进行形态比对；
• 位置回归：评估各部件在整体中的相对位置和比例；
• 笔画级分析（可选）：对关键笔画进行提取和比对。

这些组件的输出可以组合成一个结构化的评分报告，为强化学习提供丰富的梯度信息。

4.3 对训练流程的影响

采用细粒度评估后，强化学习的奖励信号将从“0或1”变为连续值或多维向量。这意味着：

• 模型能够区分“轻微错误”和“严重错误”，优先修正后者；
• 模型能够在结构正确但细节有误时获得部分奖励，保持已有正确结构；
• 训练过程更稳定，避免了因全零奖励导致的梯度消失问题。

五、更广泛的启示

汉字生成的评估困境并非孤立问题，它反映了一个更普遍的原则：评估函数的粒度决定了模型学习的天花板。当评估只能给出粗粒度信号时，模型只能学到粗粒度的改进；只有当评估能够捕捉到细微差异，模型才有可能精细化地优化输出。

这一原则同样适用于其他结构化生成任务：代码生成中的语法与逻辑正确性、图表生成中的布局与标注准确性、分子结构生成中的键合关系等。设计一个能够“看懂结构”的评估器，往往比堆叠更多训练数据更能推动模型能力的实质提升。

对于中文场景而言，汉字构型的二维特性使得这一问题尤为突出。从“认字”到“拆字”，评估范式的转变不仅是技术优化，更是对汉字本质的重新理解——汉字不是黑箱，而是可以被拆解、分析和精细评价的结构化系统。只有评估器先学会“拆字”，生成模型才能真正学会“写字”。