汉字结构感知：从OCR黑箱评分到细粒度字形反馈的技术路径

一、问题的起点：当“裁判”只会打零分

在生成式模型的后训练阶段，强化学习已成为提升输出质量的主流手段。其基本流程是：模型生成候选结果，由某个“裁判”模型打分，再将分数作为奖励信号回传，驱动模型参数更新。对于图像中文字生成这类任务，裁判角色通常由OCR模型担任。

OCR（Optical Character Recognition，光学字符识别）的目标是将图片中的文字转换为可编辑文本。作为裁判时，它的工作逻辑非常直接：从生成图像中截取文字区域，识别后与目标文字比对，一致则给分，不一致则零分。

这套逻辑对英文等一维字符体系尚可运转——26个字母是最小单元，拼写错误只有“对”与“错”两种状态。但汉字完全不同。

二、汉字的本质：二维积木结构

汉字不是线性排列的字符序列，而是由偏旁部首按照特定空间关系组合而成的二维结构体。这种组合方式称为汉字构型，常见关系包括：

• 左右结构：如“尬”由“九”与“龙”的变体左右排布；
• 上下结构：如“想”由“相”与“心”上下叠放；
• 包围结构：如“国”由外框与内部部件嵌套；
• 半包围结构：如“这”由“辶”与“文”部分包裹。

这意味着，一个汉字的信息量分布在两个维度上：部件本身是否正确，以及部件之间的空间关系是否正确。任何一个维度出错，都会导致字形异常，但异常的程度可能天差地别——少一笔、多一笔、部件错位、部件替换，严重程度各不相同。

三、黑箱评分的三重困境

将OCR作为裁判，本质上把汉字当成了一个不可拆分的黑箱。这带来三个层面的问题。

3.1 梯度消失：错误程度无法区分

假设目标字是“尬”，模型生成了三种结果：

• 结果A：整体结构正确，仅右下角笔画略短；
• 结果B：左部件写成了“九”，右部件写成了“尤”；
• 结果C：整个字完全糊成一团。

在OCR裁判眼中，这三种结果可能都被识别为“非目标字”，统一给0分。但从优化角度看，结果A距离正确仅一步之遥，结果C则差之千里。奖励信号完全相同，模型无法分辨哪个方向更值得调整。这就像批改100道选择题，无论错1道还是错90道，统统给零分——学生根本不知道从哪里改进。

3.2 假阳性：语言模型的“脑补”陷阱

更聪明的多模态大模型作为裁判时，会结合上下文语境进行推断。例如，生成图中“尬”字结构有误，但上下文是“尴尬”一词，模型可能直接“猜”出正确答案并给出高分。这实际上是一个假阳性：图像上的字形明明是错的，裁判却被语言能力蒙蔽，给出了错误的正向奖励。长此以往，模型会学会“只要上下文对，字形可以糊弄”，与任务目标背道而驰。

3.3 非黑即白：异常检测的局限

还有一类专门检测“写错字”的工具，能准确判断字形结构异常，但处理方式是将异常字符整体标记为特殊符号（如“#”），同样给0分。这种方法虽然不会被语言模型“脑补”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。而汉字的错误本来就有程度之分——错一笔和错半边，理应获得不同的反馈强度。

四、破局思路：从“整字评分”到“结构感知评分”

核心方向是：将汉字从黑箱拆解为可评估的结构化对象，在部件级别和关系级别分别计算奖励，从而构建连续的、有梯度的反馈信号。

4.1 部件拆解与标注

首先需要建立一个汉字-部件-结构的映射表。例如：

{
  "尬": {
    "structure": "left-right",
    "components": ["九", "龙"],
    "relations": ["left", "right"]
  },
  "想": {
    "structure": "top-bottom",
    "components": ["相", "心"],
    "relations": ["top", "bottom"]
  }
}

这份映射表可以基于公开的汉字结构数据库构建，覆盖常用汉字即可满足大部分场景。

4.2 多层级奖励设计

评分不再是一个0/1标量，而是一个多维向量：

• 部件存在性得分：每个部件是否被正确生成；
• 部件正确性得分：每个部件的字形是否准确；
• 结构关系得分：部件之间的空间排布是否符合构型；
• 整体协调性得分：笔画连接、比例是否自然。

最终奖励可以是加权和：

reward = w1 * component_presence 
       + w2 * component_accuracy 
       + w3 * structure_score 
       + w4 * harmony_score

这样，结果A（仅笔画略短）可能在部件正确性上得0.9，结构关系得1.0；结果B（部件替换）在部件正确性上得0.3，结构关系得1.0；结果C（完全糊掉）各项都接近0。奖励信号自然拉开了差距，模型能清晰感知“哪个方向更接近正确”。

4.3 实现路径：两阶段评估

工程上可以设计两阶段评估流水线：

第一阶段：结构解析

利用轻量级图像分割模型，从生成图中提取文字区域，并预测其部件分割掩码与结构类型。这一步不需要识别具体是什么字，只需要判断“这里有几个部件、它们怎么排列”。

第二阶段：部件比对

将分割出的部件与目标字的部件模板逐一比对，计算形状相似度（如IoU、余弦相似度等）。同时，根据预测的结构类型与目标结构类型计算关系匹配度。

这种流水线避免了对整字OCR的依赖，从根源上绕开了黑箱问题。而且，由于部件数量有限、结构类型可枚举，评估结果具有很好的可解释性——不仅能告诉模型“错了”，还能指出“哪个部件错了、错在什么关系上”。

五、进一步优化：引入可学习的奖励模型

上述规则化评分虽然可解释，但权重需要人工调整，且对复杂字形的适应性有限。更进阶的做法是训练一个可学习的奖励模型，输入是生成图与目标字的部件级标注，输出是细粒度评分。

训练数据可以通过对正确字形施加不同程度的扰动（笔画缺失、部件替换、结构偏移等）自动生成，标签为扰动程度。这样训练出的奖励模型能够捕捉更微妙的字形质量差异，同时保持对语言模型“脑补”的免疫力——因为它只看字形结构，不看上下文语义。

六、总结与展望

汉字生成的评价难题，根源在于将二维结构体当成了一维字符串来处理。OCR裁判的黑箱评分，不仅无法区分错误程度，还容易被语言先验误导，最终导致模型学不到有效的优化方向。

解决路径是明确的：拆解结构、分层评分、连续反馈。通过部件级和关系级的细粒度奖励建模，可以让模型清晰地知道“哪里需要改进、改进多少”，从而在强化学习中获得稳定且有效的梯度信号。

这一思路不仅适用于汉字生成，对于任何具有层级组合结构的视觉生成任务——如化学分子式、电路图、乐谱等——都具有参考价值。结构感知的评价体系，是生成模型从“能画”走向“画对”的关键一步。