该研究提出了一个高性能的缺陷检测模型，能够在未有异常数据的情况下检测图像中未知的异常模式。该模型使用两阶段框架，通过学习自监督的深度表示和生成单类分类器来实现异常检测。在实验中，该方法在 MVTec 异常检测数据集上表现良好，并在学习表示时相较于现有技术提升了 3.1 AUC。作者还通过迁移学习，在 ImageNet 预训练模型基础上实现了 96.6 AUC 的最优表现，并扩展了该框架以从补丁学习和提取表示，无需训练期间标注即可定位损坏区域。

该研究提出了一种审计方法，用于检测大型语言模型中的异常模式，并能传播到下游任务。研究结果表明，BERT在编码幻觉方面能力有限，而OPT则能够编码幻觉信息。该方法在没有暴露于虚假陈述的情况下，表现出与完全监督的离群样本分类器相当的性能。