拆解汉字构型：让AI画对中文字的评估新思路

一、现象：轮廓对了，细节崩了

让AI生成一张带中文的海报，最常见的翻车场景是：远看版式漂亮、氛围到位，凑近一看才发现某个字多了一撇、某个偏旁被挤成了四不像、部件之间比例失衡。整体轮廓接近，细节一塌糊涂。这不是某一家模型的偶发缺陷，而是当前文生图模型在汉字渲染上的通病，笔画越复杂，翻车越频繁。

从技术上看，汉字的生成难度天然高于英文：

• 字符基数大、形近字多：常用汉字数以千计，一笔之差、一点之别就是另一个字，模型的判别空间远大于26个字母的组合；
• 结构是二维的：英文单词是字母的一维线性排列，汉字却是部件按照空间关系组合而成的二维“积木”，对空间布局精度的要求高得多；
• 笔画约束严格：横竖撇捺的长短、角度、穿插避让都有规范，差一点就会“似是而非”；
• 有效训练信号稀缺：预训练语料中的图文对很难教会模型笔画级的精确空间控制。

但生成端难，并不是故事的全部。真正让“画对汉字”长期止步不前的，是评估端的系统性漏洞。

二、被忽略的环节：裁判的打分方式决定优化上限

要持续提升生成质量，业界的通行做法是对预训练好的文生图模型做强化学习后期训练：模型针对同一提示词生成一批候选图，由“裁判”逐张打分，再用分数构造损失去更新模型。这条链路里，裁判打分细不细、准不准，直接决定模型能学到什么。

在中文文字生成任务里，这个裁判通常是OCR。OCR即光学字符识别，是让机器“认字”的通用技术：把图片中的文字区域识别出来，转成机器可读的文本。用它当裁判的逻辑很直接，把生成图里的文字截出来识别一遍，与目标文字一致给高分，不一致给低分。

逻辑看似闭环，实则埋着一个致命假设：把汉字当成一个不可拆分的整体来判定对错。

三、三类裁判的失效模式

1. 整字OCR：黑箱加二值，错误没有程度

当OCR面对一个结构写坏的复杂汉字时，常见表现有三种：把整个字判成不认识的东西、硬猜一个形近字、或者干脆放弃输出。无论生成结果是错了一笔还是错了半边，只要OCR认不出来，裁判给出的都是同样的零分。

这相当于批改一份100道选择题的卷子，学生错一道和错九十道，得分完全一样。分数里没有梯度，模型自然学不到该往哪个方向改。

2. 多模态大模型裁判：语义脑补制造假阳性

换成更聪明的多模态大模型来打分，会出现另一种失效：它会把海报上下文、提示词语境一起纳入判断，凭借语言能力“猜”出这个字应该是什么，然后给出满分，可图上的字形明明是错的。这种“蒙对”的假阳性比给零分危害更大，错误行为反而被当成了奖励。

3. 错字检测工具：只会盖章“异常”

还有一类专门检测错字的字形检测工具，能判断出某个字结构有问题，但输出方式是把整个字标记成一个异常符号，最终同样落到零分。这类方法不会被语义脑补欺骗，却仍然是非黑即白的判断：对，或者错，中间没有灰色地带，也给不出“错在哪、差多少”。

共同根因

三种裁判形态各异，失效根源却是同一个：都把汉字视为不可拆分的最小单元，丢掉了“结构”这一层信息。而汉字的错误，恰恰就发生在结构这一层。

四、被浪费的先验：汉字的构型本身就是答案

汉字系统有一个重要特性，可分解性：

• 层级结构：整字可以拆成部件，部件再拆成笔画，形成“整字—部件—笔画”的三层结构；
• 空间关系：部件之间按左右、上下、全包围、半包围、左中右、镶嵌等构型组合。例如“想”是“相”与“心”的上下结构（“相”本身又是“木”与“目”的左右结构），“尬”是“尢”与“介”的左右结构，“圆”是“囗”包围“员”的全包围结构；
• 部件复用：同一部件会以稳定变体出现在大量汉字中（如“氵”之于“水”），这种复用把数千汉字的复杂度压缩成了几百个基础部件的组合问题。

这意味着一个关键事实：任何一个汉字写错，错误必然可以定位到某个部件、某组空间关系或某几笔上。“错”天然有位置、有程度。把这个先验用起来，评估就能从“对或错”变成“哪里对、哪里错、错多少”。

五、结构感知的评估：从0/1到可定位的连续分数

国内有研究团队正是沿着这条思路提出了改进方案：与其问“这个字认不认得出来”，不如先拆解、再比对、后聚合。完整流程可以拆成四步：

1. 字形分解：借助部件知识库，把目标字拆解成部件树与空间关系描述，明确“由哪些部件、以什么构型组成”；
2. 部件定位：在生成图中定位出与各部件对应的区域，而非只做整字级别的识别；
3. 分层比对：
   • 部件层：应出现的部件是否齐全、形态是否准确；
   • 结构层：左右、上下、包围等布局是否正确，部件间的比例、对齐与穿插避让是否合理；
   • 笔画层：是否存在多笔、少笔、笔画粘连或断裂；
4. 连续聚合：把各层得分加权汇总为0到1之间的连续分数，同时输出“错在哪个部件、哪类关系”的诊断信息。

一个示意性的打分逻辑如下（仅用于说明评估思路，不代表任何具体系统的接口）：

def structural_reward(img, target_char):
    # 1) 结构分解：整字 -> 部件树 + 空间关系
    tree = decompose(target_char)   # 例：{"parts": ["尢", "介"], "layout": "左右"}
    # 2) 部件定位与切分
    regions = locate_parts(img, tree)
    # 3) 分层比对
    s_part   = mean([part_sim(r, p) for r, p in regions])  # 部件形态相似度
    s_layout = layout_score(regions, tree)                 # 空间构型是否正确
    s_stroke = stroke_penalty(img)                         # 笔画增删、粘连程度
    # 4) 连续化聚合，而非二值判分
    return 0.5 * s_part + 0.3 * s_layout + 0.2 * (1 - s_stroke)

与整字判分相比，这套范式的关键差异在于：分数是连续的、有归因的。左边部件写对了、右边写错了，得分会明确反映“错在右侧”；部件全对但结构摆歪，结构层分数就会拖低总分。错误的程度与位置都被编码进了奖励信号。

六、这套范式带来的实际收益

• 奖励由稀疏变稠密：整字判分下，绝大多数生成结果都是零分，模型拿不到有效梯度；部件级打分让多数样本都能拿到有差异的分数，学习信号大幅增加；
• 归因精准，方向明确：策略更新时模型“知道”错在左半边还是右半边、是形态错了还是布局错了，优化不再是盲猜；
• 杜绝假阳性：评估只看字形本身的结构比对，不依赖语义推断，“靠语境蒙对”的路径被封死；
• 训练更稳定：同一批候选图内部得分有了区分度，组内相对优势的估计更可靠，策略梯度的方差随之下降；
• 评估可解释、可回归：结构化的诊断报告便于人工抽检，也能沉淀为版本迭代的回归测试集，避免“改好一处、改坏三处”。

七、落地实践建议

如果要为中文文字生成搭建一套结构感知的评估管线，以下几点值得注意：

1. 前置校准：先做文字区域检测与透视校正，把字从海报背景中干净地裁出来，避免背景干扰进入比对环节；
2. 部件库与混淆对：部件库要覆盖常用部件与主要构型，并重点构造形近字混淆对（如“末/未”“土/士”“己/已”）的判别样本，这些恰是生成模型的易错点；
3. 多裁判互补而非互斥：训练期以结构分数为主奖励，上线前用整字OCR做终验兜底；多模态大模型只用于判断语义合理性与版面美观，不参与字形对错的裁决；
4. 标注成本可控：部件级真值可以基于字形数据自动生成，人工只需抽检校正，无需逐字逐笔标注；
5. 场景适配：海报与营销物料生成、教育类识字应用、文档图像合成、品牌周边设计等，凡是“图上中文必须写对”的场景都直接受益。对以中文用户为主的业务而言，包括在百度智能云等平台上构建的文生图与多模态应用，汉字渲染质量是衡量生成结果能否真正可用的硬指标，评估管线的精细程度直接决定后期训练效果的上限。

八、结语：把构型先验写进奖励回路

从“整字对不对”到“结构哪里错”，看似只是评估粒度的变化，实质是把汉字数千年沉淀下来的构型先验，正式注入了机器学习的奖励回路。裁判不再只宣布生死，而是像一位语文老师那样批改每个部件、每一处布局。当奖励信号足够细，“画对中文字”才有可能从偶然事件变成可训练、可复现的必然结果。这套思路也不难延伸：日文汉字等更广泛的CJK场景、可控生成与版式理解的结合，都是顺理成章的下一步。