NLP 模型主要通过在多样化数据集上进行训练、子词分词和上下文理解来处理俚语或非正式语言。当模型在包含非正式文本（如社交媒体帖子、论坛或聊天记录）的数据上进行训练时，它们会学习俚语的使用模式。例如，一个在 Twitter 数据上训练的模型可能会识别出在非正式语境中，“lit”通常意味着“令人兴奋的”。诸如字节对编码 (BPE) 或 WordPiece 之类的分词方法将未知的俚语分解为子词（例如，将“finna”拆分为“finn”+“a”），这使得模型能够处理词汇表中没有的词汇。这有助于模型处理诸如“bruh”或“af”（如“cool af”）之类的变体，即使这些词汇在训练期间没有明确出现过。
上下文嵌入，例如来自 BERT 或 GPT 等 Transformer 模型生成的嵌入，起着关键作用。这些模型会分析周围的词语以推断俚语含义。例如，在“That concert was fire”（那场演唱会太赞了）中，“fire”这个词根据“concert”的上下文和句子结构被映射到一个积极的含义。注意力机制允许模型衡量词语之间的关系，区分在医学语境中表示“生病的”的“sick”与在随意对话中表示“棒极了”的“sick”。微调进一步使模型适应特定领域——客户支持聊天机器人可能会在包含诸如“FYI”（供您参考）等缩写或“ghosting”（突然断绝联系）等俚语的聊天记录上重新训练，以提高性能。
由于俚语的不断演变和地域性，挑战依然存在。在旧数据上训练的模型可能会漏掉诸如“rizz”（魅力）或“cheugy”（过时）等新词汇。解决方案包括使用新数据持续重新训练，以及利用用户反馈标记未识别的词汇。一些系统采用俚语词典或基于规则的预处理方法，将非正式短语映射到正式等价物（例如，将“u”替换为“you”）。然而，过度依赖静态规则可能会随着俚语的变化而失效。开发者通常结合使用这些方法——利用强大的分词、上下文感知模型和定期更新——以便在处理非正式语言时平衡灵活性和准确性。