一句话说清：开放词汇检测（Open-Vocabulary Detection，OVD）就是让目标检测（Object Detection）不再被一张写死的类别清单绑住——你想找什么，用文字说出来，模型就去图里把它框出来并命名。
传统检测器训练前就定好了 N 个类别，网络最后接一个分类头，只输出这 N 维。想加一类"安全帽上的反光条"，就得重新标注数据、重新训练。开放词汇检测把这个分类头换成了"语言接口"，大致三步：先用区域提议（region proposal）找出可能是物体的候选框；再把每个框编码成视觉向量；同时把用户输入的文本（比如"生锈的螺母""没系绳的狗"）用文本编码器编码，让图文落在同一个嵌入空间（embedding space）里算相似度，谁像就贴谁的标签。这份能力来自视觉-语言预训练（vision-language pre-training）：在海量图文对上，模型已经学过"图长什么样"和"词是什么意思"是对齐的。
打个比方：传统检测器像一家只有固定菜单的餐厅，菜单上没有的菜你点不出来；开放词汇检测更像一位听得懂描述的厨师，你说"辣的、有花生、别放香菜"，他照着做——做得像不像是另一回事。
它和几个近亲容易混：
| 概念 | 类别从哪来 | 主要关注点 |
|---|---|---|
| 封闭集检测 | 训练前写死的 N 类 | 把这 N 类测准 |
| 开放集检测（open-set detection） | 已知类固定 | 允许"不认识"，别把未知物硬报成某一类 |
| 零样本检测（zero-shot detection） | 测试类没标注过，但来自预定集合 | 迁移到新类别 |
| 开放词汇检测 | 用户当场输入的任意文本 | 语言就是接口，即插即用 |
实际意义很直接：电商想找"带蝴蝶结的红色童鞋"，工厂想找没见过的某种缺陷，机器人按一句话抓桌上的东西，内容审核按描述筛画面——都不用为新类别重新标注再训练。代价也要讲清楚：对罕见词和细粒度词，准确率往往不稳；措辞一变结果可能就变，同义词尤其敏感；还容易把长得像的东西认错，过度检测和漏检都会出现。工程上常见的兜底办法是准备几组候选措辞、设相似度阈值、再用小样本数据微调一下。它的效果上限，基本由底层的图文对齐模型决定，具体能力请以各模型的官方页面为准。
对普通人来说，变化是搜索方式：以后找图、找商品不必依赖别人打好的关键词标签，直接描述你要什么就行。