كشف البيانات غير الموزعة (OOD) يُعد مهمة حاسمة عند نشر نماذج التعلم الآلي في عوالم مفتوحة. وقد أظهرت الطرق القائمة على المسافة وعودًا واعدة، حيث يتم اعتبار العينات المُختبرة كبيانات OOD إذا كانت بعيدة نسبيًا عن البيانات الموزعة داخليًا (ID). ومع ذلك، فإن الطرق السابقة تفرض افتراضات توزيعية قوية على الفضاء المميز، والتي قد لا تتحقق دائمًا. في هذه الورقة، نستكشف فعالية المسافة القائمة على الجيران الأقرب غير المعلمية في كشف OOD، والتي تم تجاهلها إلى حد كبير في الأدبيات السابقة. على عكس الدراسات السابقة، لا تفرض طريقة لدينا أي افتراضات توزيعية، مما يوفر مرونة وعامة أقوى. نُظهر فعالية كشف OOD القائم على الجيران الأقرب على عدة معايير، ونُثبت أداءً متفوقًا. وباستخدام نفس النموذج المدرب على ImageNet-1k، تمكّن طريقتنا من تقليل معدل الخطأ الإيجابي الكاذب (FPR@TPR95) بنسبة 24.77% مقارنةً بقاعدة قوية (SSD+) التي تستخدم نهجًا معلميًا يعتمد على مسافة ماهالانوبيس في الكشف. الكود متاح: https://github.com/deeplearning-wisc/knn-ood.