GlyphPrinter 開源：專治影像生成缺筆少劃，中日韓泰及符號都能打對

用 AI 生成圖片時，最讓人頭疼的往往不是畫面構圖，而是畫面裡的字。

現在的文生圖模型畫張風景或人像都很驚豔，但只要你在提示詞里加上一句「印著某某文字」，大機率就會翻車。英文稍微好一點，一旦換成中文、日文、韓文、泰文這種複雜文字，或者帶有特殊裝飾的符號，畫面裡的字要麼少一撇缺一捺，要麼直接變成誰也不認識的外星偽字。

復旦大學和南洋理工大學的研究團隊最近開源了一個叫 GlyphPrinter 的文字渲染框架，這篇論文已被 CVPR 2026 接收。它專門對付影像裡的文字崩壞，不僅要把字寫出來，還要把每一個筆畫和符號都打對。

不看整張圖，專盯寫錯字的那塊地方

讓 AI 學會在圖裡準確寫字，過去主要有兩種思路。要麼拼命堆合成數據硬微調，要麼掛一個龐大的判別模型來給整張圖打分。

但整張圖打分有個大毛病：AI 畫了一幅很棒的海報，背景滿分，偏偏右下角的日文字寫漏了一點。如果按整張圖來做偏好對齊，模型很難察覺到底哪裡出了問題，甚至會為了改對一個字而把整張畫的構圖給帶偏。

GlyphPrinter 的解法很聰明。它基於開源底座 FLUX.1-dev，提出了所謂的 R-GDPO，也就是區域分組直接偏好最佳化。

說白了，團隊專門構建了一個帶區域性標註的偏好資料集 GlyphCorrector。訓練時，演算法根本不看畫面無關的區域，而是把目光死死鎖定在容易出錯的文字區域性。

整個訓練分兩階段：先用多語言合成與真實影像做基礎微調，再用 R-GDPO 針對區域性字形做偏好對齊。在推理階段，他們還引入了區域獎勵引導，讓模型在取樣時能精準控制文字區域的準確率，徹底甩掉了外掛顯式打分模型的累贅。

搞定多語言，連石碑刻紋也不在話下

從實際效果來看，GlyphPrinter 最讓人驚喜的是對冷門與複雜字元的包容度。

在生成賽博朋克風格的遊戲海報時，給它指定一段日文標題和副標題，它幾乎能一字不差地還原假名和漢字。換成中文、韓文、法文甚至書寫極難的泰文，它也能老老實實寫對筆畫與結構，不再憑空捏造亂碼。

更實用的是，它不只是像打字機一樣把平面字型貼在圖上。

無論是街頭牆面上的塗鴉、石碑上歷經風化的凹陷雕刻、洞穴巖壁上的古老神秘符號，還是生日蛋糕上的奶油裱花字，GlyphPrinter 都能把字形與畫面的光影、材質自然地融為一體。

目前團隊已經把推理程式碼、模型權重以及 GlyphCorrector 資料集完整開源在 Hugging Face 上，本地部署只需要一套標準的 Python 環境即可跑起來。

為什麼重要

對於做電商設計、遊戲海報製作和自媒體配圖的人來說，文字生成崩壞一直是 AI 工具無法直接商用的最大痛點。很多人現在的做法是先用 AI 畫背景，再匯入 PS 手動加字，遇到需要光影貼合的立體雕刻更是隻能靠人工手繪。GlyphPrinter 證明了只要區域性對齊做得好，開源底座完全能把字寫精準。

從行業技術路線上看，這項研究把常用於大語言模型的直接偏好最佳化（DPO）精細化裁剪到了影像的區域性區域。它給文生圖領域的細節控制提供了一個新範式：解決區域性細節失真，不需要把整個底座從頭重訓一遍，通過針對性的區域性區域偏好對齊就能見效。

不過，目前 GlyphPrinter 的底座依然是體量不小的 FLUX.1-dev，想要在普通消費級電腦上流暢跑微調依然有一定視訊記憶體門檻。但它開出的這劑藥方，很可能會迅速被各類開源 WebUI 外掛吸納，成為設計師工作流裡的標配外掛。