“不怕措折地奋斗”中的“措”应为“挫”，“我受爸爸妈妈”中的“受”应为“爱”——这些因发音相同（措/挫，cuò）或字形相近（受/爱）导致的拼写错误，在日常沟通、OCR识别（如扫描文件）中屡见不鲜。传统拼写纠错模型常像“一刀切”的医生，无法精准区分错误类型，纠错准确率长期卡在75%左右。近日，北京理工大学团队在《Frontiers of Information Technology & Electronic Engineering》发表研究，提出多模态预训练模型DRMSpell，通过让AI同时“看字形、听拼音、读文本”，在权威数据集上实现句子级纠错F1分数80.6%的新纪录，尤其擅长处理“形近字”“同音字”等棘手错误。

中文纠错难在哪？“音形陷阱”让AI犯迷糊

中文拼写纠错（CSC）堪称NLP领域的“细节魔鬼”。不同于英文仅26个字母，汉字兼具“形、音、义”三重属性：一个拼音（如“shū”）对应多个声调，每个声调又可能对应十几个汉字（如“书、输、舒”）；而字形相近的字（如“己、已、巳”）更是“双胞胎”，连人类都常混淆。

传统纠错模型要么只看文本上下文，像“闭目猜字”；要么简单拼接拼音、字形信息，如同“把三种食材乱炖”，无法针对不同错误类型动态调整注意力。例如纠正“热后我应该回到家”（应为“然后”）时，模型若只关注拼音“rè”，可能误判为“惹”；若只看字形“热”，又可能错改成“然”的形近字“燃”。

DRMSpell：给AI装“模态调节器”和“独立出题官”

团队提出的DRMSpell模型，相当于给AI配备了两个“神器”：

动态重加权多模态（DRM）模块——像“交通指挥官”协调三种模态信息。当遇到音近错误（如“受”误为“爱”，均读ài），模块会给拼音模态“开绿灯”，权重提升至0.58；遇到形近错误（如“热”误为“然”），则让字形模态“唱主角”，权重占比超60%。这种动态调整，解决了传统模型“一碗水端平”导致的模态信息浪费问题。

独立模态掩蔽策略（IMS）——如同“给不同模态独立戴口罩”。训练时，随机对文本、拼音、字形中的一个或多个模态“打码”，迫使模型通过剩余模态推理正确字符。例如掩蔽“然”的拼音，只给文本“热”和字形“?”（模拟OCR识别错误），模型仍能通过字形联想纠正为“然”。这种“逆境训练”让模型对模态噪声更健壮，比如拼音输入错误时（如“ren”误为“ran”），纠错准确率仍保持79%以上。

实测：OCR纠错提升5%，参数规模更轻巧

在SIGHAN中文拼写纠错 benchmark（包含1.2万句真实错误文本）上，DRMSpell表现亮眼：句子级纠错F1分数达80.6%，较现有最优模型DORM提升1个百分点；在OCR扫描文本纠错任务中，句子级纠错F1分数65.4%，比BERT（60.1%）、ChineseBert（63.0%）分别提升5.3和2.4个百分点，尤其擅长修复扫描模糊导致的“形近字”错误（如“机”误为“札”）。

更难得的是，DRMSpell参数规模仅1.5亿，远小于融合语音、图像的PHMOSpell（2.68亿），却实现了更高性能。这意味着它能在普通服务器上高效运行，降低工业落地成本。

未来：让AI“读懂”汉字形音义

目前DRMSpell已展现出在OCR文档处理、语音转文字（ASR）等场景的应用潜力。团队表示，下一步将探索汉字“形义关联”——比如“河、湖、海”都带“氵”，暗示与水相关，让模型从字形结构中学习语义规律，进一步提升纠错鲁棒性。

来源: 信息与电子工程前沿FITEE