“不怕措折地奋斗”里的“措”该改成“挫”？“我受爸爸妈妈”中的“受”其实是“爱”？这些因拼音相近或字形相似导致的中文拼写错误，AI现在能更精准地识别纠正了。近日，北京理工大学团队提出的多模态预训练模型DRMSpell，通过动态权衡“看字形、听拼音、读文本”三种信息，在中文拼写纠错（CSC）任务上实现突破，多项指标刷新当前最优（SOTA）。相关成果发表于《Frontiers of Information Technology & Electronic Engineering》。

中文纠错难在哪？多模态信息“各说各话”

中文拼写纠错是自然语言处理的核心任务之一，直接影响OCR（光学字符识别）、语音转文字等技术的准确性。但中文“一字多音”“形近字多”的特点，让纠错变得棘手——比如“热”和“然”字形相似，“措”和“挫”拼音相同，AI仅靠文本上下文常“拿不准”。

此前，研究人员尝试引入拼音（语音）、字形（视觉）等多模态信息辅助纠错，但现有方法存在两个问题：一是各模态信息“简单相加”，没考虑不同错误类型（比如拼音错或字形错）需要侧重不同模态；二是预训练时“一刀切”掩码所有模态，模型对噪声（如输入信息不全）的鲁棒性不足。

DRMSpell：给多模态信息装个“智能裁判”

针对这些痛点，团队提出DRMSpell模型，核心有两大创新：

动态重加权多模态模块（DRM）：就像给AI装了个“智能裁判”，处理每个字时会动态计算拼音、字形、文本三种模态的“重要度”。例如，遇到“热”和“然”这类字形相似的错误，模型会给“字形”模态更高权重；遇到“措”和“挫”这类拼音相同的错误，则更依赖“拼音”模态。这种动态调整让AI能根据上下文“灵活取舍”。

独立模态掩码策略（IMS）：传统方法预训练时，若一个字被掩码，所有模态（文本、拼音、字形）都会被替换。而IMS会独立掩码各模态——比如文本用“热”，拼音用“ren”（随机噪声），字形用“然”（正确字形）。这种“出难题”的训练方式，让模型学会在部分信息错误或缺失时仍能正确纠错，鲁棒性更强。

实验结果：多数据集“霸榜”，OCR纠错更擅长

在SIGHAN13、SIGHAN14、SIGHAN15等权威测试集上，DRMSpell表现亮眼：

• 在SIGHAN15的句子级纠错任务中，F1得分达80.6%，比此前最优模型提升1个百分点；
• 在OCR数据集（含大量形近字错误）中，句子级纠错F1得分比BERT提升5.3个百分点，对“看走眼”的OCR错误纠正更准。

团队还做了“压力测试”：当输入的拼音或字形有噪声时（比如拼音输错、字形模糊），DRMSpell仍能保持高准确率；若输入正确的字形，模型几乎能100%纠正错误——这验证了字形信息对中文纠错的关键作用（因为每个汉字的字形是唯一的，歧义更少）。

未来：让AI“更懂汉字”，助力更多场景

“中文是象形文字，字形里藏着丰富的语义信息。”研究人员表示，DRMSpell的突破不仅提升了纠错准确率，更验证了多模态信息动态融合的有效性。未来，团队计划进一步探索字形与文本表示的差异，优化模型对复杂汉字（如多音字、生僻字）的处理能力，助力OCR、智能客服、教育类APP等场景的文本处理更精准。

来源: 信息与电子工程前沿FITEE