分布外（Out-of-Distribution, OOD）检测旨在基于已训练良好的深度模型所提取的特征，识别出分布外数据。然而，现有方法大多忽略了深度模型的可重编程特性，因而未能充分发挥其内在潜力：在不修改模型参数的前提下，仅通过数据层面的调控（例如向输入数据添加特定的特征扰动），即可实现对模型功能的重新配置，使其服务于新任务。这一特性启发我们，将一个原本用于分类的模型重新编程，以在OOD检测这一新任务上表现优异。为此，本文提出了一种通用方法——水印化（watermarking）。具体而言，我们学习一种统一的模式，并将其叠加至原始数据的特征上；经过水印化处理后，模型的OOD检测能力显著提升。大量实验验证了该方法的有效性，充分体现了深度模型可重编程特性在OOD检测中的重要意义。