كشف البيانات الخارجة عن التوزيع (OOD)، أي تحديد ما إذا كان المُدخل مُستخلصًا من توزيع جديد مختلف عن التوزيع التدريبي، يُعد مهمة حاسمة لضمان توظيف أنظمة التعلم الآلي بشكل آمن في البيئة المفتوحة. في الآونة الأخيرة، أظهرت أساليب الكشف ما بعد التدريب التي تعتمد على النماذج المُدرّبة مسبقًا أداءً واعدًا ويمكن توسيعها لمعالجة المشكلات على نطاق واسع. يثير هذا التقدم سؤالًا طبيعيًا: هل يمكننا الاستفادة من تنوع مجموعة من النماذج المُدرّبة مسبقًا لتحسين أداء أساليب الكشف ما بعد التدريب؟ في هذا العمل، نقترح طريقة لتعزيز الكشف من خلال تجميع قرارات الكشف المستمدة من مجموعة متنوعة من النماذج المُدرّبة مسبقًا. تعتمد طريقةنا على استخدام قيمة p بدلًا من الحد الثابت الشائع، وتكفل إطارًا أساسيًا لاختبار الفرضيات المتعددة للتحكم في معدل القيم الإيجابية الحقيقية للبيانات ضمن التوزيع (ID). ونركّز على استخدام "مزرعة النماذج" (model zoo) ونقدم مقارنات تجريبية منهجية مع أحدث الطرق المُتقدمة على مختلف معايير كشف OOD. تُظهر الخطة المُجمعة تحسينًا ثابتًا مقارنةً بالكواشف المبنية على نموذج واحد، وتفوق بشكل كبير الطرق التنافسية الحالية. تُحسّن طريقتنا الأداء النسبي بنسبة 65.40% و26.96% على معايير CIFAR10 وImageNet على التوالي.