النماذج الحديثة للتحليل الدلالي تُصنف بدقة أمثلة الاختبار التي تشبه توزيع مجموعة التدريب. ومع ذلك، فإن نهجها التمييزي المغلق ليس موثوقًا في البيئات العملية التي تتسم بانزياحات في التوزيع وفئات خارج التوزيع (OOD). ونتيجة لذلك، يمكن أن تكون الاحتمالات المتنبأة دقيقة جدًا عند استخدامها كمقاييس لدرجة الثقة في وقت الاختبار. ولحل هذه المشكلة، نقترح نموذجًا توليديًا للكشف المتزامن عن الأخطاء في التصنيف داخل التوزيع (IDM) والكشف عن الفئات الخارجية للتوظيف (OOD)، والذي يعتمد على إطار عمل التدفق الطبيعي (normalizing flow). يمكن للكاشف القائم على التدفق مع المدخلات القائمة على الطاقة (FlowEneDet) توسيع النماذج المُعدة مسبقًا للتحليل الدلالي دون الحاجة إلى إعادة تدريبها التي تستهلك وقتًا طويلاً. ويحقق FlowEneDet بنية ذات تعقيد منخفض مع زيادة ضئيلة في استهلاك الذاكرة. كما يُظهر FlowEneDet نتائج واعدة على مجموعات بيانات Cityscapes، وCityscapes-C، وFishyScapes، وSegmentMeIfYouCan في مهام الكشف عن IDM/OOD عند تطبيقه على نماذج التحليل الدلالي المُعدة مسبقًا DeepLabV3+ وSegFormer.