当前，大语言模型（Large Language Model, LLM）借助上下文学习（In-context Learning）和思维链提示（Chain of Thoughts Prompting），在许多复杂推理任务上展现出了强大的能力。

在这项工作中，我们提出了一种名为Envisioning Outlier Exposure (EOE) 的分布外检测方法，该方法利用通过利用大型语言模型 (LLM) 的专家知识和推理能力来想象潜在的异常值暴露，从而提升VLMs的OOD检测性能 (如图1 (c) 所示)，同时无需访问任何实际的 OOD 数据。

我们提出了一种名为NegLabel的创新方法，该方法利用VLMs进行OOD检测。NegLabel方法特别引入了“负标签”机制，这些负标签与已知ID类别标签具有显著的语义差异，通过分析比较图像与ID标签和负标签的亲和性，NegLabel能够有效地区分出属于分布外的样本，从而显著增强模型对OOD样本的识别能力。

我们结合球面线性插值法和直接引入噪声的方法，提出了一个全新的插值方法：对潜在变量的极值进行约束，并结合微小的高斯噪声使其更接近预期的分布，且引入了原始图片来缓解信息丢失的问题。

尽管大语言模型 LLM (Large Language Model) 在各种应用中取得了巨大成功，但它也容易受到一些 Prompt 的诱导，从而越过模型内置的安全防护提供一些危险 / 违法内容，即 Jailbreak。