TextVerifier：超越识别的中文文字渲染验证器 TextVerifier: Seeing Beyond Recognition to Verify Chinese Text Rendering

流程：①前端——CRAFT 检出字符框，PP-OCRv6 识别目标字 $c$，得裁剪 $x$；②阶段1——250 万图像过滤得 1013 万对（8,189 字），长尾字补齐到约 1273 万裁剪-IDS 对，同字掩码双向 InfoNCE 训 2 epoch；③阶段2——30+ 字体字形做缺笔/多笔扰动，Makemeahanzi 楷体矢量做整笔级精细编辑，得约 175 万绝对标签样本，阈值锚定软加损失训练并回放阶段1损失；④阶段3——自训约 1B JiT 修复模型，早/晚检查点重绘同一（位置，目标字）得约 70 万对，截断铰链损失训 1 epoch；⑤读出——每字 500 裁剪 k-means 成 $K=10$ 原型，$\mathrm{score}=1-\max_j\cos(f(x),\mu_j^c)$，阈值 $\delta$ 取训练分数 90 分位；⑥奖励——$r$ 在 $\delta$ 内为 1、$2\delta$ 外为 0、中间线性，$G=0.9\bar r+0.1\min r$，$N=1-\mathrm{NED}$，$R=0.8G+0.2N$ 接入 Flow-GRPO。

技术新颖性可从四个层面分析。任务层面：此前没有对生成中文文本的逐字验证形式化与基准——TextPecker 的“结构异常”是目标无关的，TIQA 只回归感知质量，Type-R 靠词级 OCR 差分查错别字，都不是目标条件、逐字、连续、校准的判定。表示层面：把 IDS 从零样本识别（图像-IDS 对齐）和手写检错（解码成 IDS 再符号比对，假设错误是部件级替换）迁移为验证条件，并论证生成错误是像素级的断笔、粘连与风格化偏移，落在合法流形附近而非变成另一个字，因此必须靠嵌入空间的流形距离而非符号比对。数据层面：三路无人工标注的监督——真实图像自动管线、字形矢量精确扰动、生成器训练轨迹挖掘——其中“同字不同质对”是巧妙的免费难负例来源，且作者区分绝对与相对标签并配以不同损失。应用层面：验证分数首次作为逐字连续奖励进入 Flow-GRPO，与 OCR 语义奖励互补而非替代；实验证明只有字形感知奖励能真正提升 Glyph-Acc（0.822→0.915），而奖励模型比 8B VLM 方案小 23 倍、快约 42 倍。

独立分析几个弱点。第一，前端级联误差：整个系统建立在 OCR 能正确定位并识别目标字之上，而论文恰恰论证了 OCR 在风格化文本上不可靠——若 OCR 把错字“认成”另一个字，验证器会去验证错误的条件，反而放行错误；改进方向是对 top-k 候选字联合打分取最优，或并行训练一个不依赖目标字的无条件异常分支做交叉校验。第二，验证-修复闭环缺失：把分数当 RL 奖励需要整轮后训练，代价高；更实用的是把逐字分数接入推理期局部重绘做即时修复，论文训练的修复模型已具备此能力但未被串联。第三，基准正例仅 642 个，精确率/召回率置信区间较宽，且缺笔、多笔、部件错位、整字错误等类型未分层报告，无法判断模型对哪类错误最弱，建议按错误类型细分评测。第四，跨分布校准：$\delta$ 由训练分数分布决定，面对未见过的艺术字体或非平面媒介（霓虹灯、刺绣）可能系统性偏移，可引入逐字校准或保形预测给出个性化阈值。第五，IDS 覆盖面：981 符号只覆盖标准分解，扩展区生僻字、简化部件可能缺分解，长尾字全靠字体字形补齐，对真实风格化写法的验证上限存疑。

作者方向上，验证器作奖励已被验证有效，自然延伸包括：把 $R$ 奖励迁移到其他后训练范式（DPO、偏好对齐）与其他生成器（自回归、编辑式模型）；将逐字分数接入推理期搜索（best-of-N、噪声重采样）或局部重绘，实现免训练即时纠错；把 TextRenderBench-ZH 扩展为多语言基准（日文汉字假名混排、韩文）并公开。基于本文成果可继续挖掘的方向：一是错误定位与可解释验证——利用 ViT patch token 或 IDS 部件子树输出归因，指出“哪一笔错了”，进而驱动笔画级精准修复；二是校准与不确定性——为每个字、每种字体风格估计个性化阈值，输出带置信度的判定而非硬性二值；三是识别与验证的统一——训练一个既能读出字又能验证正确性的结构感知模型，摆脱对前端 OCR 的依赖，消除级联误差；四是数据引擎自动化——把“从生成器训练轨迹挖掘难负例”推广为通用配方，任何正在训练的生成模型都能为验证器提供免费监督，形成生成-验证协同进化闭环；五是覆盖手写体、书法、艺术字以及印刷品实拍场景的验证评测。

复现评估：论文正文与附录均未提供开源代码、权重或基准的发布链接，这是最大的复现障碍。可复用的公开组件较多：Makemeahanzi 提供楷体逐笔矢量路径，CRAFT 与 PP-OCRv6 公开可跑，ViT-L/16 与 DeBERTa-v2 有开源实现，Flow-GRPO、Qwen-Image、oneID-ZH、DreamSim、ImageReward 均公开。难点有三：约 250 万张含中文的真实图像与 308 张基准图的人工标注（7,358 字逐字三元组）需自备数据与标注人力；第三阶段依赖一个自训的约 1B 参数 JiT 文字修复模型（含定制注意力掩码与 3D-RoPE），细节虽全但工程量不小；训练总算力未披露，不过验证器本体仅 0.36B、三阶段合计 5 个 epoch，推测单节点 8 卡即可承担，主要开销在修复模型训练与 Flow-GRPO 后训练；推理实测环境为 4×H800（bf16，batch=1）。总体判断：对有大模型训练经验的团队，复现验证器本体为中等难度（架构与全部超参已给出），复现完整数据管线与 RL 实验为中高难度；若作者后续开源，成本将大幅下降。