你有没有观察过自己写字的样子？
当你写"the"这个词的时候，t和h之间会不会连起来一点，h和e之间又是怎么衔接的？你大概从来没想过这个问题，因为这是肌肉记忆，是你从小学写字时慢慢养成的、独属于你的习惯。但如果有一天，一台电脑要模仿你的字迹，它最容易学错的地方，恰恰就是这些你自己都没意识到的细节。
这就是这篇论文要解决的问题。
(资料图片)
**手写生成AI，一直在"整体模仿"和"局部失真"之间打架**
先说说什么是"在线手写生成"。
在线手写*：记录的不只是最终写出来的字长什么样，还包括写字的过程，比如笔尖移动的坐标顺序、什么时候抬笔、什么时候落笔。这和"离线手写"不同，离线手写只是一张静态的图片，记录不了写字的动态过程。
想让AI生成一整句话的手写体，难点在于它得同时搞定两件事：字要写得像那个人写的（风格），字与字之间怎么连接、间距多大也要像那个人的习惯（边界行为）。
论文里给这个"边界行为"专门造了几个词，我们先弄清楚：
字形*：某个字符按照特定写字风格画出来的具体轨迹。
字符间边界*：两个相邻字符之间的过渡地带。
边界行为*：在这个过渡地带发生的连笔、间距、相对对齐这些事情。
连笔连接*：笔尖不抬起，直接从一个字符延续画到下一个字符。
字符间距*：两个相邻的、非空格的字符之间的水平距离或重叠程度。
词间距*：由空格造成的水平间隔。
在这篇论文出现之前，主流做法基本都是把一整句话丢给一个长序列模型（比如RNN或者Transformer），让它自己一路生成下去。这类方法包括2018年的DeepWriting、2020年的DSD、还有2025年的OLHWG等等，它们都能生成看起来"过得去"的字形，但连笔断裂、间距生硬这些毛病始终甩不掉。
问题出在哪？这些模型把字符间的过渡关系当成了序列生成中顺带出现的副产品，而不是需要专门盯着学的东西。这就好比让一个新手厨师做一整桌菜，你只告诉他每道菜单独怎么做，却没人教他上菜的节奏和摆盘的衔接，最后端上桌的时候，每道菜可能都不错，但整桌饭吃起来就是怪怪的，衔接不自然。
如果不专门处理这个"接口"问题会怎样？
论文的实验数据给出了答案：在一个叫DSD的对照设置下，原方法的连笔判断F1分数只有0.07，几乎等于瞎猜；换成论文提出的新方法后，直接跳到0.45。这不是一个小修小补的提升，这说明原来的模型对"该不该连笔"这件事基本没学明白。
**把字符间的接缝，从"顺便学"变成"专门学"**
这篇论文提出的方法叫BoundInk，核心思路说白了就一句话：不要让边界处理成为序列生成的意外产物，而是把它当成一个明确的生成目标去训练。
具体怎么做？BoundInk把生成一个字符时需要用到的信息拆成了四块：写什么（字符本身是谁）、模仿谁的字（写作者的整体风格）、这个字该怎么写（这个字符特有的书写细节）、以及它该怎么和邻居打交道（局部边界历史加上句子上下文）。
这里有个很关键的设计，叫二元组感知的滑动窗口Transformer解码器（Bi-SWT decoder）。
Bi-SWT解码器*：一种只关注"前一个字符+当前字符"这个局部窗口的解码器，专门捕捉相邻字符之间的连笔和间距关系，而不是一次性处理整句话。
为什么要限制窗口只看前一个字符，而不是看更长的历史？
论文的解释是，连笔和间距主要由相邻字符决定，如果窗口开得太大，比如同时看三四个字符组成的n-gram，可训练数据里能覆盖到的组合就会急剧变少，模型反而学不扎实。这就好比你想教一个人打招呼的礼仪，如果你非要教他"见到张三李四王五同时出现时该怎么打招呼"，这种场景太稀少了，他很难练熟；但如果你只教他"见到任意一个人时该怎么打招呼"，练习机会就多得多，效果反而更好。
那句子层面的整体语境怎么办？总不能完全不管吧。
这就是第二个关键设计：门控上下文融合（gated context fusion）。
门控上下文融合*：用一个可学习的"闸门"来控制句子级别的上下文信息，注入到局部字符生成过程中的比例，既不完全忽略全局语境，也不让它压过局部的风格特征。
公式上，模型会算一个介于0到某个上限之间的门控值，决定当前这个token要吸收多少"句子上下文"的信息，剩下的部分继续保留"写作者风格"的信息。这个设计就像调音台上的推子，你不是简单地把两路信号叠加在一起，而是根据情况实时调整每一路信号的音量占比。
如果去掉这个门控融合会怎样？论文的消融实验显示，去掉它之后，连笔F1分数从0.49掉到0.35，掉幅相当明显，但间距相关的指标（KGS、SSS）变化不大。这说明句子上下文信息主要是用来判断"这里该不该连笔"，而字符间距的稳定性主要还是靠局部的二元组建模撑着的。两个模块各管一摊，缺一个都不行。
再往深看一层，Bi-SWT到底是怎么运作的。
它构造了一个"预测器窗口"，把前一个字符的身份编码、前一个字符的轨迹token、当前字符的身份编码、当前字符的轨迹token全部拼在一起，作为解码器一次要处理的输入。训练的时候用真实数据"喂"给模型（teacher forcing），推理的时候，前一个字符的轨迹换成模型自己刚生成出来的结果，自回归地往下走。
为了让模型知道窗口内谁在前谁在后，论文用了RoPE（旋转位置编码）来编码窗口内的相对顺序。
RoPE*：一种给序列中每个位置打上"相对位置标签"的编码方式，帮助模型区分谁在前谁在后，这里被用在Bi-SWT窗口内部，帮模型分清是前一个字符还是当前字符的信息。
每一步，解码器最终要预测的是一个高斯混合模型的参数，用来描述笔尖下一步移动的方向和距离，同时还要判断当前处于哪种笔的状态。
高斯混合模型（GMM）*：用多个高斯分布叠加起来去拟合一个复杂的概率分布，这里用20个混合成分来描述笔尖移动的方向和幅度的不确定性。
笔的状态一共有四种：落笔移动、抬笔、连笔式的字符结束（CursiveEOC）、普通的字符结束（EOC）。特别值得一提的是CursiveEOC这个状态，它显式地告诉模型"这里字符结束了，但笔还没抬起来，要连着写下一个字"，这直接对应着连笔这个书写行为。
**三阶段课程学习：先学字，再学接口，最后学整句话**
光有好的模型结构还不够，怎么训练也很关键。
BoundInk采用了一个三阶段的课程学习策略，从单字到二元组再到整句话，一步步把训练任务变难。
课程学习*：像人类学习一样，先让模型掌握简单任务（写好单个字），再逐步过渡到复杂任务（处理字符间的过渡），最后挑战最难的任务（生成完整句子）。
第一阶段只训练单字的书写；第二阶段引入相邻字符对（bigram），让模型专门学习字符间的过渡关系；第三阶段才加入完整句子的生成，同时保留前两阶段的训练信号，不是替换而是叠加。
为什么不能一上来就直接训练整句话？
这就好比教小孩写作文，如果你一开始就要求他直接写一篇完整的议论文，他大概率连基本的字都写不稳，句子逻辑也理不清，最后写出来的东西每个环节都是半吊子。但如果先让他把每个字写工整，再练习怎么把两个词自然地连起来造句，最后才让他写整篇文章，每一步的基础都打得更扎实，最终成品自然更好。论文里在英文实验设置中，第一阶段用到1万步迭代，第二阶段延续到5万步，第三阶段一直训练到100万步，前两个阶段学到的东西并没有被丢弃，而是作为持续的辅助信号保留在整个训练过程里。
在第二、三阶段，论文还加入了一个叫垂直漂移损失（VDL）的辅助正则项。
垂直漂移损失（VDL）*：专门惩罚相邻字符之间垂直方向上位置不一致的问题，通过比较字符的顶部、中心、底部三个统计量在预测和真实数据之间的差异来计算。
这个设计是为了解决一个具体的痛点：因为模型是按坐标增量（delta）逐步预测轨迹的，误差会一步步累积，写到句子后半段的时候，字可能会莫名其妙地往上飘或者往下沉。VDL就像给写字的人在纸上画了隐形的横线提醒，"你这一笔的高度跟前一个字对不上了，往回调调"。
**怎么评价一个AI写得像不像？光看轨迹重合度是不够的**
这篇论文还提出了一整套新的评价指标，叫连接与间距度量（Connectivity and Spacing Metrics，CSM）。
为什么需要专门造一套新指标？因为传统上评价生成轨迹好坏，用的是动态时间规整（DTW）这种衡量整条轨迹形状相似度的方法，但这种方法测不出局部的连笔对不对、间距合不合理。
动态时间规整（DTW）*：一种计算两条时间序列之间对齐代价的方法，常用来衡量生成轨迹和真实轨迹在整体形状上的相似程度。
论文里举了个很直观的例子说明这个盲区：有些案例里，两个方法的DTW分数几乎打平，差距只有0.004，但用CSM去看，一个方法的连接和间距质量得分是0.339，另一个是0.714，差了整整一倍还多。也就是说，两条轨迹整体形状看起来差不多贴合，但字符之间到底连没连、间距合不合理，完全是两回事。这就好比两份地图的整体轮廓画得都很像，但一份地图上路口的转弯方式全画错了，光看轮廓根本发现不了这个问题。
CSM具体由四个子指标组成。
F1Cursive专门评价每一个字符边界处，模型判断"该不该连笔"判断得准不准，把CursiveEOC当作正类来算精确率和召回率。CRE比较的是生成句子和真实句子在"整体连笔使用频率"上是否接近，因为不同人有不同的连笔习惯，有人爱连笔，有人写字比较断开，这个指标就是看模型有没有学到这种个人偏好。KGS衡量相邻非空格字符之间的水平间距是否合理，SSS则专门看词与词之间因空格产生的间隔是否自然。KGS和SSS都用了一种叫做"重叠感知的对称对数比相似度"的计算方式，既能捕捉相对间距误差，又不会因为不同人写字整体大小不同而失真。
有了这套指标，论文在三个基准对照设置下做了系统的对比实验。
方法 | F1Cursive | CRE | KGS | SSS | DTW(归一化)
DeepWriting基线 | 0.26 | 0.81 | 0.15 | 0.57 | 2.70
BoundInk（对应DeepWriting设置） | **0.33** | **0.84** | **0.41** | **0.61** | **1.41**
DSD基线 | 0.07 | 0.84 | 0.39 | 0.49 | 1.25
BoundInk（对应DSD设置） | **0.45** | **0.90** | **0.44** | **0.63** | **0.99**
OLHWG基线（中文场景） | — | — | 0.34 | — | 0.17
BoundInk（对应OLHWG设置） | — | — | **0.40** | — | **0.14**
这张表最值得注意的地方是，BoundInk不是牺牲全局轨迹相似度换取局部质量，而是两头都占了便宜：DTW反而变小了（数值越小说明轨迹越接近真实数据），归一化DTW在DeepWriting设置下从2.70降到1.41，降幅达到47.8%；在DSD设置下从1.25降到0.99，降幅是20.8%。
论文还专门验证了BoundInk在生成整句话的同时，会不会把单个字符的字形质量给牺牲掉。答案是没有，在SDT兼容的英文和中文单字评测协议下，BoundInk拿到的DTW分数都是所有对比方法里最低的，英文场景从1.6048降到1.3649，中文场景从0.8789降到0.8718。这说明这个方法不是靠"顾此失彼"取得的进步。
**消融实验：两个模块各自的价值，用数字说话**
论文把Bi-SWT和门控上下文融合这两个核心组件拆开来单独测试，做了一个2×2的对照实验。
变体 | Bi-SWT | 上下文融合 | F1Cursive | CRE | KGS | SSS | DTW(归一化)
完整方法 | 开 | 开 | **0.49** | **0.91** | **0.49** | **0.71** | **0.51**
去掉Bi-SWT | 关 | 开 | 0.37 | 0.88 | 0.44 | 0.40 | 0.60
去掉上下文融合 | 开 | 关 | 0.35 | 0.91 | 0.48 | 0.69 | 0.55
两者都去掉 | 关 | 关 | 0.22 | 0.85 | 0.29 | 0.66 | 0.57
去掉Bi-SWT之后，SSS从0.71骤降到0.40，几乎腰斩，说明局部二元组建模对间距稳定性的贡献非常关键。去掉上下文融合之后，F1Cursive从0.49跌到0.35，说明句子级语境对"是否连笔"这个判断至关重要。两个模块都去掉之后，F1Cursive只剩0.22，比完整方法差了一大截，这说明两个模块提供的信息是互补的，谁也替代不了谁。
**人类评委怎么看？盲测结果压倒性**
论文还做了一个30人参与的盲人评审实验，让评委在不知道方法身份的情况下，对比BoundInk和两个基线方法生成的手写，在风格、连接性、间距三个维度上打分。
对阵DSD时，在789个有效的逐项判断中，BoundInk获得了615个偏好票，占比78.0%；对阵DeepWriting时，815个有效判断里BoundInk拿到673票，占比82.6%。分维度看，风格维度的偏好比例最高，对阵DSD时达到73.7%，对阵DeepWriting时达到81.0%。
这个结果和自动化指标的结论是对得上的，说明CSM这套新指标确实抓住了人类真正在意的东西，不是自娱自乐的数字游戏。
论文还专门做了内容和写作者身份的验证实验，用OCR识别器检查生成的字是否还能被正确认出来，用写作者分类器检查生成的字是否还保留着目标写作者的风格特征。
结果显示，BoundInk在OCR识别准确率上和基线方法基本持平，没有为了追求边界质量而牺牲字的可读性；但在写作者风格分类的准确率上，提升非常明显。对阵DeepWriting时，Top-1准确率从35.8%提升到61.7%；对阵DSD时，Top-1准确率从6.0%直接跳到69.0%，提升了整整63个百分点。
**这条路还能走多远**
论文的作者们也坦诚地留了几个开放问题。
未来的方向包括引入可选的序列参考（也就是让模型除了看静态的字符图片参考，也能看一段真实的写字轨迹作为参考），去更精准地捕捉某个写作者独有的边界习惯；还包括扩展到更多文字体系、处理训练数据里没见过的字符组合、以及应对参考样本稀缺或不匹配的场景。另外，自回归生成长句子时误差累积的问题，也需要进一步解决。
论文附录里其实已经做了一个有意思的探索性实验，尝试给模型加一个基于真实轨迹序列的"序列风格参考"（而不只是图片参考），外加一个边界状态的辅助预测任务，专门去缓解长句子生成时的垂直漂移问题。中间检查点的结果显示，这个改进版本的平均漂移比率从0.6999降到了0.4994，降幅将近三成，但论文也很诚实地指出，这个版本在同等训练步数下的DTW反而比原版差，说明这是一个还没有完全调和好的权衡，值得后续工作继续打磨。
Q&A
Q1：BoundInk解决的核心问题是什么？
A：BoundInk要解决的是AI生成手写体时，字符与字符之间连笔断裂、间距生硬、写法不符合特定写作者习惯的问题，它把字符间的过渡关系当作明确的生成目标，而不是序列生成过程中顺带产生的副产品。
Q2：CSM指标和传统的DTW指标有什么区别？
A：DTW衡量的是整条轨迹的全局形状相似度，但测不出局部连笔对不对、间距合不合理；CSM由F1Cursive、CRE、KGS、SSS四个子指标组成，专门评价连笔判断准确性、连笔使用频率、字符间距和词间距，能捕捉DTW测不出的局部边界质量问题。
Q3：BoundInk的Bi-SWT解码器为什么只看前一个字符，不看更长的历史？
A：因为连笔和间距主要由相邻字符决定，如果窗口范围扩大到更长的n-gram，训练数据里能覆盖到的字符组合会急剧减少，导致模型学习不充分，只关注相邻字符对反而能让模型学得更扎实。
营业执照公示信息