英文：Out-of-Distribution Generalization 分类：foundation
模型对训练分布之外数据的适应能力。现实数据总会偏离训练分布（新场景、新写法、新领域），分布外泛化决定模型能否真正落地，是机器学习最核心的稳健性挑战。
影响因素：数据多样性（覆盖越广外推越稳）、模型结构（归纳偏置）、训练策略（数据增强、领域对抗）与规模效应（大模型分布外表现更好）。评估用分布偏移基准（如不同领域/语言的测试集），并区分"合理外推"与"偶然巧合"。
用于自动驾驶（新城市）、医学影像（新设备）、NLP（新领域文本）与推荐（新用户冷启动）；工程上通过持续监控分布漂移与在线校准控制风险。
相关词条：Transformer · 注意力机制 · 自注意力 · 模型能力边界 · 多任务学习