一句话定义：分布外泛化（Out-of-Distribution Generalization，常缩写为 OOD Generalization）指的是，模型在训练时没见过的数据分布上，依然能保持可用性能、不出现断崖式下跌的能力。
原理：它考的是"没练过也得会"
想象一位只在晴天、白天、空旷路段练车的司机。他记住了"路面有影子就减速""前面有大块白色就可能是车"这类经验。换到雪夜山路，这些线索全部失效，人就懵了。模型也一样：它往往不是"理解"了任务，而是从训练数据里挑出了最容易降低损失的规律——哪怕那只是巧合。
一个常见例子：训练集里猫都在室内、狗都在草地上。模型很可能学到的不是"猫长什么样"，而是"背景是草地就算狗"。这类捷径特征也叫虚假相关（spurious correlation）。测试集一旦出现草地上的猫，准确率就可能崩盘。
"分布变了"其实分好几种：输入的样子变了、但规律没变，比如换了摄像头或光照条件，这叫协变量偏移（covariate shift）；类别的比例变了，比如某天举报内容里垃圾信息占比骤升，这叫标签偏移（label shift）；连"输入到答案"的映射本身都在变，比如用户口味随季节漂移，这叫概念漂移（concept drift）。
和相邻概念的区别
| 概念 | 能否看到目标域数据 | 关注点 |
|---|---|---|
| 分布内测试 | 不需要，同分布 | 常规准确率 |
| 域适应（Domain Adaptation） | 能看到，通常无标签 | 缩小源域与目标域的差距 |
| 域泛化（Domain Generalization）／OOD 泛化 | 看不到 | 未知环境下不崩 |
| 迁移学习（Transfer Learning） | 能看到，还能用标签微调 | 新任务上快速见效 |
一句话总结：域适应和迁移学习允许"先看一眼新环境再调整"，OOD 泛化考的是"没看过就得会"。
对实际工作的意义
对从业者，最危险的信号是"离线指标涨了"。如果测试集是随机切分的，它和训练集同分布，涨分可能只是模型把捷径记得更牢。更稳妥的做法是按时间、地域、设备、渠道切分做留出域验证，并且别只看平均分，要看最差的那一组。数据增强、去偏、正则化、约束特征等方式都常被使用，但没有万能药；具体效果以你自己的验证集和你所用工具的官方页面为准。
对普通人，这意味着"模型上线"不等于"一劳永逸"。同一套医学影像模型换一家医院、同一套推荐系统遇上突发事件、同一套风控模型遇上新型欺诈，表现都可能明显变差。所以线上监控、分组指标和能及时回滚的机制，和模型本身一样重要。