分解偏旁再奖励：面向中文文本精确渲染的细粒度检测 Decompose Radicals, Then Reward: Fine-Grained Inspection for Accurate Chinese Text Rendering

第一步，构词表：用 BabelStone（Unicode 16.0）递归分解 GB 18030–2022 汉字，$D(y)=D(c_1)\oplus\cdots\oplus D(c_M)$ 即目标 IDS 序列，深度封顶 10。第二步，造数据训识别器：均匀采样随机文本、UnionST 渲染 100 万张图配 IDS 标签（解码上限 100 token），训练 $f_{ids}$（SVTRv2 编码器 + NRTR 式解码器，直接输出部件与空间操作符）。第三步，算奖励：OCR 检测器出 $K$ 个裁剪，$f_{ids}$ 逐裁剪预测 $\hat{s}_k$；与目标 $s=D(y)$ 半全局对齐、NMS 去重、全局指派得 $A^\star$，$r_{ids}=\frac{2C(A^\star)}{|D(y)|+\sum_k|\hat{s}_k|}$（$C$ 为唯一记功 token 数）；$r_{sem}$ 目标串出现于识别串时取 1，否则 $1-\min\{\mathrm{Lev}(\bar{\hat{y}},\bar{y}),|\bar{y}|\}/|\bar{y}|$。第四步，融合：$R=\lambda r_{sem}+(1-\lambda)r_{ids}$（$\lambda=0.5$），Flow-GRPO 训 LoRA（秩 64、$\alpha=128$、lr $3\times10^{-4}$），奖励训练后丢弃。

新颖性体现在三个层面。表示层面：把奖励信号从“整字类别”升维到“部件+空间操作符的序列”，使同属识别失败的不同结构错误获得可区分、可渐进的信用，这是对 OCR 原子奖励的根本改造，而非像 TextPecker 那样只在整字级叠加异常标记。机制层面：目标条件化的裁剪级对齐（半全局对齐 + NMS + 全局指派 + 唯一记功）解决了检测顺序不定、裁剪覆盖范围不一的难题，消融显示它比直接拼接高 0.025 Sem.、比字符级匹配高 0.012 Sem.。训练层面：IDSynth-1M 的均衡字符采样直接回应了“识别器可能走语言捷径”这一深层风险——随机文本让语言先验无法兜底，保证 IDS 预测真正建立在视觉部件证据之上。此外，奖励仅在训练期使用，生成器结构与推理成本完全不变，是一个干净的外挂式改进。

独立弱点分析：第一，IDS 词表与部件粒度固定于 Unicode 词表，极端草书或美术字连部件都难以辨认，$f_{ids}$ 预测可能整体崩溃，可引入笔画级或视觉 patch 级的兜底奖励形成层级退让。第二，奖励基于 token F1，“部件对但位置放错”与“部件完全画错”可能同分，若把对齐目标换成结构树编辑距离可更精准区分空间关系错误。第三，IDSynth-1M 是合成渲染图，与真实生成图像存在风格域差距，可能造成奖励误判，可用模型自身生成的数据做域适应微调。第四，唯一记功约束假设每个目标位置只值得一次信用，但重复字符（如“谢谢”“的……的”）可能出现多处部分正确，按匹配质量软分配会更公平。第五，TextPecker 既是基线又是评估裁判，对 IDSpect 存在指标偏向风险，应补充人工评测或多裁判交叉验证。第六，只在 Qwen-Image 上验证，对 SD3、Flux 等其他生成器的泛化性未知，且 $\lambda$ 的最优值可能与生成器相关。

作者提出的方向：扩展到更广的汉字覆盖范围（生僻字、异体字），并推广到日文、韩文等同样使用部件组合的书写系统——IDS 思想天然适配这些语言的字符分解体系。基于本文成果可延伸的方向：其一，把结构奖励从字符级推广到行级、版式级，奖励多文本区域的空间布局与语义一致性，直接呼应文中多区域提示词的应用场景；其二，探索 $\lambda$ 的自适应调度，例如训练早期侧重结构信用、后期侧重语义保真；其三，将 $f_{ids}$ 的中间表示用于推理时引导（如结构条件注入或 classifier-free 式引导），而不只充当训练期奖励；其四，构建包含真实手写与艺术字形的 IDS 评测基准，检验奖励在域外字形上的判别力；其五，把“确定性分解 + 部分信用”的范式迁移到公式、乐谱、化学结构式等其他具有组合结构的视觉内容渲染任务，这些任务的奖励设计面临与中文渲染同构的原子化困境。

复现评估：论文未提及开源代码、模型权重或 IDSynth-1M 数据集，完整复现需自行拼装组件——Qwen-Image 基座、Flow-Factory 框架 + Flow-GRPO 后训练（LoRA 秩 $r=64$、$\alpha=128$、学习率 $3\times10^{-4}$、权重衰减 $10^{-4}$，均为主流公开配置）、SVTRv2 与 NRTR 的公开实现改造成 IDS 解码头、UnionST 渲染引擎与 BabelStone Unicode 16.0 词表（后者公开可得）。主要成本在两处：渲染 100 万张均衡合成图并训练 $f_{ids}$ 属中等规模（单机多卡数天量级）；对扩散模型做 GRPO 组采样后训练最昂贵，每步需采样多个图像并过 OCR + IDS 双分支打分，通常需多机多卡数周。评估需接入 LongText-Bench、GenTextEval-Bench 与 TextPecker 评估协议。总体判断：算法与超参描述充分、具备复现可行性，但工程复杂度高，缺乏官方代码是明显门槛，复现难度评级为高。