简介：文生图模型生成中文时常出现“轮廓像、细节崩”的问题，根因不只是画图能力不足，更在于结果评估方式本身存在偏差。本文从汉字构型、OCR判分逻辑、错误分级与强化学习反馈机制出发，分析现有评估链路为何难以指导模型优化，并探讨如何构建更细粒度的中文渲染质量反馈体系，帮助模型从“画得像”走向“结构对”。
在文生图任务中，中文文字生成一直是一个高难度场景。很多人第一反应是模型画图能力不够，但实际测试下来会发现一个更隐蔽的问题：模型有时已经接近画出正确结构，却因为评估信号过于粗糙，导致优化方向失真。
举个典型现象：模型生成一张包含“尴尬”的海报图，整体排版、颜色、字体风格都合理，但“尬”字的左边偏旁“尢”多了一笔，或者右侧“介”的上下比例失衡。如果用一个普通OCR模型去识别，常见结果有两类：一是识别成另一个相近字，二是直接给出空结果或异常标记。无论哪种结果，最终反馈给训练过程的分数都是“错误”。
这就带来一个关键问题：模型不知道自己错在哪里，更不知道错到什么程度。它只收到一个统一的零分信号，无法区分“差一点就对了”和“完全不可读”之间的差异。对于强化学习这类依赖奖励信号进行策略更新的训练范式来说，这种二值化反馈近似于没有反馈。
要理解上述问题的严重性，需要先回到汉字本身的结构特性。
英文或其他字母文字，通常由有限数量的字母线性排列组成。视觉生成时，模型主要处理的是字符之间的横向顺序、字距、基线对齐和笔画连续性。一个单词即使某个字母写得不太标准，只要整体形状和上下文足够强，仍然可以被人类和OCR识别。
但汉字不同。汉字的最小语义单元并不是笔画，而是偏旁、部件及其空间关系。比如“想”由“相”和“心”上下组合，“街”是左中右结构，“围”是外包围结构，“医”是半包围结构。这些部件之间的相对位置、大小比例、笔画避让和结构重心一旦改变，就可能从“想”变成另一个字，或者根本不成立。
更复杂的是，许多汉字共享相同部件，但通过不同空间关系形成完全不同的字。例如“陪”和“部”，都包含“咅”和“阝”，但左右互换后意义完全不同。如果评估系统只看最终识别结果，就完全忽略了这种结构层面的重要差异。
因此，面向中文生成质量的评估，不能只停留在“整字是否可识别”的层面，而应当拆解到部件、笔画、结构关系等更细粒度。
许多文生图训练流程会使用OCR模型作为奖励模型。其逻辑是：从生成图像中裁切文字区域，交给OCR识别，将识别结果与目标字符串比对，完全一致给1分，否则给0分。
这种方案在最简单的英文生成场景中尚可工作，因为单词识别相对稳定，错一个字母通常还能识别出近似结果。但在中文场景下，整字识别非常脆弱。一个部件轻微错位就可能导致整字被识别成另一个字，或者被识别为无效字符。
更严重的是，部分OCR模型本身在处理生僻字、艺术字、变形字体时能力有限。模型生成的字即使已经接近正确，只要OCR模型不认识，同样会判为零分。这相当于用一把误差很大的尺子去量精细结构，最后训练信号几乎不可用。
另一种做法是使用多模态大模型来识别生成图像中的文字。这类模型不仅能看图，还能结合上下文进行语义推断。比如图中出现“今天很尴_”，即使字形画得不标准，模型也可能根据常见表达补全为“尴尬”，并输出“识别正确”的判断。
这种语言先验在自然场景中是有帮助的，但在评估生成质量时会造成严重误导。模型可能根本没有画出正确的“尬”字结构，只是画出了一个近似形状，多模态识别却因为语义连贯而给了正反馈。这类“假阳性”会导致文生图模型在错误的结构上得到鼓励，继续强化错误画法。
更隐蔽的是，多模态模型有时会“无意识修正”看到的内容。例如某个部件写错了，但由于整体轮廓接近某个词，模型会直接输出正确词。这种修正行为对普通用户友好，对训练信号却是有害的。
有一类专门用于检测书写错误的工具，可以识别出某个字“结构有问题”。它们通常会将异常字标记为特殊符号，比如“#”，表示该位置不可识别或不符合正常字形规范。
这类工具的价值在于，它们不会被语义上下文欺骗。即使上下文强烈提示某个字应该是什么，只要字形结构不对，仍然会报错。这解决了多模态模型的“脑补”问题。
但这类工具的缺陷也很明显：它只能给出“正常”或“异常”两种状态。对于“多了一笔但整体可辨”“某个部件比例失调”“部件顺序错误但部件本身正确”等不同程度的结构问题，它无法给出区分。训练系统仍然无法知道当前生成的错误属于轻微可修正还是严重不可用。
我们可以用一个教育类比来理解这个问题。如果一位老师只按“满分”和“零分”批改作业，学生永远无法知道自己距离目标还有多远。而有效的教学反馈应当至少包含以下几点：
对应到中文文生图评估中，理想的奖励信号也不应该只是0和1，而应该是一个结构化评分结果。例如：
这样一来，模型在强化学习过程中就可以获得更连续的奖励。例如“部件正确但左右比例失衡”可以给0.6分，“部件缺失”给0.3分，“完全不可读”给0分。这种细粒度反馈能显著提升模型的学习效率。
第一步是把目标字拆解为部件集合。例如“想”可以拆解为“木”“目”“心”。“尬”可以拆解为“九”的变体与“介”的变体。评估时，不仅判断整字是否识别正确，还分别检查每个部件是否出现、是否大致处于正确位置。
这种方法需要一份汉字部件映射表，或者使用现有字形拆分规则。虽然构建成本较高，但一旦完成，就可以为大量生成样本提供结构化标签。
部件存在只是基础，还要检测它们之间的空间关系。例如“想”是上“相”下“心”，“陪”是左“阝”右“咅”。如果部件都在，但左右颠倒，仍然属于严重错误。
结构关系检测可以借助目标字的结构模板完成。对于左右、上下、包围、半包围等常见构型，可以预定义空间约束。评估时判断生成结果是否满足这些约束。
在部件和结构关系都正确的前提下，还需要对局部质量进行评分。例如笔画是否完整、比例是否协调、重心是否稳定。这一层可以借助字形特征提取模型，将生成字形与参考字形进行局部比对。
这一层的目标不再是判断“对错”，而是给出一个连续相似度分数。比如0到1之间的数值，用于刻画生成字形与标准字形在视觉和结构上的接近程度。
最终的奖励信号可以由多个维度加权合成。例如：
score = 0.4 * 部件完整度 + 0.3 * 结构关系正确度 + 0.3 * 字形相似度
这种合成方式可以让模型在训练早期先学会“把部件画全”，再学会“把位置放对”，最后优化“局部细节”。相比一次性给整字判对错，这种渐进式信号更符合强化学习的优化节奏。
如果将上述细粒度评估引入训练流程，最直接的变化是奖励信号不再稀疏。在原来的方案中，大量生成样本得到的奖励都是零，只有极少数样本能得到正反馈。模型需要在海量负样本中摸索优化方向，效率极低。
而结构化评分可以为每一个生成样本提供非零梯度信息。即使某个字仍然错误，只要部件完整度提升了一点，分数就会相应上升。这种“部分正确也有奖励”的机制，能让模型更快收敛到合理结构。
此外，细粒度评分还可以用于训练过程中的质量监控。比如统计每一轮训练中“部件缺失率”“结构错误率”“笔画冗余率”的变化趋势，及时发现模型在哪个维度上停滞或退化。
需要明确的是，构建这样的评估体系并不容易。首先是部件拆分的覆盖面问题。常用汉字有数千个，加上生僻字和繁体变体，需要维护较大规模的部件映射数据。
其次是生成图像的裁切与对齐问题。文生图生成的文字通常嵌入在海报、场景或艺术字体中，如何准确抽取单个汉字区域并归一化到统一尺寸，直接影响后续评估质量。这需要结合文字检测模型和几何矫正技术。
最后是细粒度标注成本。如果完全依赖人工标注部件和结构关系，规模难以扩展。更现实的路径是结合自动拆分工具与人工校验，先构建高质量种子数据，再逐步扩展覆盖范围。
文生图中文生成能力的提升，不能只依赖生成模型本身的参数增长或训练数据扩充。如果评估链路仍然停留在整字识别、二值判分、语义补全的阶段，模型就很难获得足够精确的学习信号。
更合理的路径是：将汉字视为具有二维构型特征的视觉对象，从部件、空间关系、笔画质量、字形相似度等多个层次构建评估指标。这样才能把“这个字不对”转化为“哪里不对、差多少、优先改什么”。
对于开发者来说，在训练图像生成模型时，如果目标场景包含中文文本渲染，建议尽早引入结构化的文字质量评估模块，而不是简单接入一个现成OCR作为奖励模型。评估体系的精细程度，往往决定了模型在复杂文字场景中的上限。