本文综述了分布偏移和超出分布（OOD）样本检测的研究进展，提出了多种新框架和方法，以提高机器学习模型在非独立同分布数据下的泛化能力和检测性能。研究内容包括OOD检测的定义、方法、评估及未来发展方向，强调了外部数据和生成学习在OOD学习中的重要性。

本文介绍了多种新方法以提高外部分布（OOD）样本检测性能，包括LoCoOp、ODPC和NegLabel等。这些方法在真实世界数据集上表现优异，特别是在少样本学习和异常值检测方面，显著提升了检测的准确性和鲁棒性。通过对比损失和负向提示等技术，研究者们在多个基准测试中取得了最先进的结果。