一句话定义：OOV（Out-of-Vocabulary，词表外词）指的是在某个模型的词表（vocabulary）里找不到对应条目的词或字符——它说的是“这套词表没收录”，而不是“这个说法在语言里不存在”。
要理解 OOV，先看模型怎么“认字”。文本进模型之前，要先过分词器（tokenizer）：把句子切成一个个 token，再查词表换成数字 ID。词表就是模型的认字本，规模通常在几万条量级。查得到，就有 ID；查不到，就是 OOV。
打个比方：老式功能机的通讯录只认常用字，你输入一个生僻字就显示方块。字本身当然存在，只是这台机器没给它留位置。换一台手机，同一个字可能就正常显示了——所以 OOV 是“相对于某个词表”的属性，不是词的固有属性。同一个词，对 A 模型是 OOV，对 B 模型可能不是。
这正是子词分词（subword tokenization）要解决的问题。BPE、WordPiece、SentencePiece 这类方法的思路是：与其为每个完整单词留一条记录，不如收录高频片段，遇到没见过的词就拆开拼。比如 tokenization 会被切成 token + ization 这样的常见片段；再退一步，还能到字符级甚至字节级（byte-level），理论上任何字符串都能被编码，OOV 率可以压到接近零。
但“能编码”不等于“能理解”。一个罕见专名被切成七八个碎片，模型看到的是一串语义稀薄的片段，效果自然打折。所以 OOV 的真正痛点不是报错，而是表示质量下降。
几个容易混淆的概念：
| 概念 | 说的是什么 | 关注点 |
|---|---|---|
| OOV | 词表里没有这个条目 | 分词器与词表覆盖 |
| 罕见词 | 语料里出现次数很少 | 数据分布 |
| 新词 | 新造词、专名、拼写变体 | 语言本身在变 |
罕见词可以不是 OOV（只要子词拼得出来），OOV 也不一定是新词（冷门专业术语对通用词表就是 OOV）。
对从业者的实际意义：词表大小是个权衡——词表大，嵌入参数多、低频词表示稀疏；词表小，序列变长、推理更贵。做垂直领域（法律、医疗、代码）时，通用分词器常把专业词切得稀碎，值得评估领域内继续训练分词器或扩充词表。上线后监控“每千字平均 token 数”是个便宜又灵敏的信号：数值突然升高，往往意味着来了词表没覆盖的输入。
对普通人：模型数错字符串里的字母、写错你公司名或产品型号，很多时候就是分词切碎导致的。给小众专名时多给一点上下文或解释，通常能明显改善结果。