汉字生成评估新范式：从整字判别到结构级拆解

一、问题的提出：为什么AI总是写不对汉字

当前主流文生图模型在生成包含汉字的图像时，普遍存在一个尴尬现象：远看轮廓像模像样，近看细节一塌糊涂。某个字多了一撇，某个偏旁被挤压变形，整体结构看似合理，笔画层面却经不起推敲。这不是某一款模型的个别缺陷，而是整个文生图领域在汉字生成任务上面临的系统性难题。

笔画复杂的汉字尤其容易出错。与拉丁字母不同，汉字不是线性排列的字符序列，而是由偏旁部首按照左右、上下、包围等空间关系组合而成的二维结构。这种结构特性使得汉字生成对模型的空间建模能力提出了远超英文文本的要求。

然而，真正制约汉字生成质量提升的，可能并不只是生成模型本身的能力瓶颈——评估环节存在的结构性缺陷，同样是一个被长期忽视的关键因素。

二、现有评估机制的致命盲区

2.1 OCR裁判的工作逻辑

在强化学习驱动的生成模型后期训练中，通常需要一个“裁判”模型对生成结果打分，为模型提供优化方向。这个裁判角色一般由OCR模型担任：将生成图像中的文字区域截取出来，送入OCR系统识别，识别结果与目标文字一致则给分，不一致则不给分。

这套逻辑在处理英文文本时基本够用。英文以字母为最小单位，26个字母排列组合成词，OCR的识别粒度与英文的构词层级天然匹配。

2.2 汉字场景下的失效

但汉字的情况截然不同。一个汉字本身就是由多个偏旁部首组合而成的复杂结构。以“尬”字为例，它由“九”和“龙”的变体左右排布构成；“想”字则由“相”和“心”上下叠放组成。这种由部件按照特定空间关系组合而成的结构，称为汉字的构型。

OCR模型面对这类复杂结构时，往往采取“整字判别”策略：要么将整个字识别为某个形近字，要么直接判定为无法识别。无论AI生成的字是错了一笔还是错了半边，只要OCR无法正确识别，裁判给出的分数都是零。

这就好比批改一份100道选择题的试卷，不管学生错一道还是错九十道，最终得分都是零分。这样的打分方式无法告诉模型“哪里需要改进”，模型也就无法获得有效的学习信号。

2.3 三种典型失败模式

论文中给出了一个直观案例：生成图中有一个“尬”字结构出错。面对这个错误样本，不同类型的评估工具表现出截然不同的行为：

• 专用OCR模型：将其识别为另一个形近字，判定错误，打0分。这属于“误判”，但至少检测到了问题。
• 多模态大模型：结合上下文语境，“猜”出了正确文字，打1分。这是一个假阳性——模型靠语言能力蒙对了答案，但图像上的字形明明是错的。
• 文字缺陷检测工具：能准确判断该字结构异常，但处理方式是将整个字标记为异常符号，直接打0分。这种方法不会被语言模型的“脑补”欺骗，但同样是非黑即白的判断。

三种方式殊途同归：都无法区分错误的严重程度，都无法为模型提供“往哪个方向优化”的梯度信息。

三、核心洞察：汉字的错误有程度之分

3.1 从二值判断到分级评估

上述问题的根源在于，现有评估体系将汉字识别简化为一个二分类问题：对或错。但汉字的书写错误本质上是一个连续谱——从完全正确到面目全非，中间存在大量中间状态。

一个偏旁写对了但位置偏了，和一个偏旁完全写成了另一个部件，这是两种严重程度截然不同的错误。前者可能只需要微调空间位置，后者则需要重新学习该偏旁的写法。如果评估系统不能区分这两种情况，模型就无法有针对性地改进。

3.2 结构级拆解的思路

解决这一问题的关键在于：将评估粒度从“整字”下沉到“结构”。具体而言，可以从以下几个维度对生成汉字进行拆解评估：

部件层面：将目标汉字分解为若干偏旁部首，逐一检查每个部件是否正确生成。比如“想”字可拆为“相”和“心”，先分别判断这两个部件是否写对。

空间关系层面：检查部件之间的相对位置关系是否正确。左右结构是否左右分明，上下结构是否上下对齐，包围结构是否包围到位。

笔画层面：在部件内部进一步检查关键笔画的完整性和准确性。

整体一致性：综合以上各维度，给出一个分级的、连续的评分，而非简单的0或1。

3.3 分级评分的实现路径

一种可行的实现方式是设计一个多级评分函数。例如：

score = w1 * 部件正确率 + w2 * 空间关系得分 + w3 * 笔画完整度

其中各维度得分均为0到1之间的连续值，权重可根据具体任务调整。这样，一个“偏旁写对但位置偏移”的生成结果，其得分会明显高于“偏旁完全写错”的结果，但低于“完全正确”的结果。模型由此获得了一个有梯度的学习信号。

更精细的方案可以引入结构相似度度量，在部件级别计算生成结果与目标之间的匹配程度，支持部分匹配和模糊匹配，从而更准确地反映错误的严重程度。

四、技术实现中的关键考量

4.1 部件拆解的标准化

汉字部件拆解并非随意切割，需要遵循一定的规范。业界常用的做法是建立一套标准的部件拆解库，为每个汉字定义其部件组成和空间结构类型。这种拆解库可以基于通用的汉字结构数据库构建，确保拆解结果的一致性和可复现性。

4.2 评估模型的训练

结构级评估模型本身的训练也是一个挑战。需要大量标注了部件边界、空间关系和错误类型的样本。可以利用合成数据增强：在正确汉字图像上人工施加不同类型的扰动（笔画缺失、部件位移、部件替换等），生成带有精确标注的训练样本。

4.3 与强化学习训练的集成

结构级评分可以直接替换现有强化学习流程中的OCR裁判模块，作为奖励信号提供给生成模型。由于评分是连续的，模型可以获得更丰富的梯度信息，从而更高效地学习汉字的结构规律。

五、更广泛的意义

这一思路的价值不仅限于汉字生成。任何具有层次化结构特征的视觉生成任务，都可能受益于类似的“结构级评估”范式。例如，生成包含图表、公式或乐谱的图像时，同样需要超越“整体相似度”的细粒度评估。

从方法论角度看，这项工作揭示了一个更普遍的原则：评估粒度的选择，本身就是模型能力提升的关键变量。当评估信号过于粗糙时，模型的学习效率会受到根本性制约。设计更精细、更符合领域特性的评估机制，往往能带来意想不到的效果提升。

对于开发者而言，这意味着在构建生成式AI应用时，不能只关注生成模型本身的架构和训练策略，还需要同等重视评估环节的设计。一个好的评估函数，本身就是一种强大的监督信号。