本研究提出了一种多尺度符合预测的零样本机器生成文本检测框架，旨在降低虚假正例率（FPR）带来的社会风险。该框架有效限制FPR上限，并提升检测性能，实证结果在多个检测器和数据集上表现显著。

本研究提出了一种新方法，结合大语言模型与视觉语言模型，解决视频异常检测中的可解释性和时间推理挑战，提升检测能力，推动少样本和零样本检测应用。

本研究探讨大型语言模型在异常检测中的应用，提出AD-LLM基准，评估其在零样本检测、数据增强和模型选择方面的表现，结果表明LLM在零样本异常检测中效果显著，为未来研究提供了指导。

本文介绍了我们在VAND 2023 Challenge中的零样本检测方向的提交结果，通过增强WINCLIP框架的定位能力和整合零样本分割模型，我们在VAND挑战赛中排名第三，实现了VisA数据集上的平均F1-max得分为81.5/24.2。