GPT-4o連驗(yàn)證碼都解不了？？SOTA模型成功率僅40%

聞樂(lè) 2025-06-04 17:04:02 來(lái)源：量子位

MetaAgentX團(tuán)隊(duì) 投稿

量子位 | 公眾號(hào) QbitAI

當(dāng)前最強(qiáng)多模態(tài)Agent連驗(yàn)證碼都解不了？

MetaAgentX團(tuán)隊(duì)推出首個(gè)專注于“多模態(tài)交互智能體×CAPTCHA（人機(jī)驗(yàn)證）問(wèn)題”的開(kāi)放式研究平臺(tái)——Open CaptchaWorld。

該平臺(tái)專門用于測(cè)試Agent解驗(yàn)證碼的能力。

實(shí)測(cè)結(jié)果顯示：人類平均成功率達(dá)93.3%，SOTA多模態(tài)模型平均僅5%-40%不等。

連GPT-4o都被難住了。

驗(yàn)證碼是現(xiàn)階段Agent部署的一大瓶頸

在真實(shí)網(wǎng)頁(yè)場(chǎng)景中部署多模態(tài)Agent，你是否也被人機(jī)驗(yàn)證（CAPTCHA）卡住過(guò)？

項(xiàng)目團(tuán)隊(duì)發(fā)現(xiàn)，不少大型Benchmarks（包括AgentBench、VisualWebArena等）在構(gòu)建過(guò)程中都刻意跳過(guò)了含驗(yàn)證碼的網(wǎng)頁(yè)，仿佛這道攔路虎根本不存在。

但現(xiàn)實(shí)很骨感：驗(yàn)證碼從不是“特例”，而是任何實(shí)際任務(wù)中不可回避的存在，尤其在電商、登錄、票務(wù)等高價(jià)值網(wǎng)頁(yè)中更是常見(jiàn)。

于是，Open CaptchaWorld這個(gè)測(cè)試平臺(tái)以及Benchmark應(yīng)運(yùn)而生：一個(gè)針對(duì)多模態(tài)大模型Agent的CAPTCHA解題平臺(tái)與評(píng)估基準(zhǔn)——專為視覺(jué)-語(yǔ)言-動(dòng)作交互任務(wù)設(shè)計(jì)。

無(wú)論是OpenAI的o3、Anthropic的Claude?3.7-sonnet、還是Gemini?2.5-pro，這些最新的多模態(tài)大模型Agent盡管在靜態(tài)感知任務(wù)（如圖文問(wèn)答、UI理解）中表現(xiàn)出色，但在真實(shí)交互環(huán)境中常常卡在了CAPTCHA環(huán)節(jié)：

• WebAgent在執(zhí)行end-to-end任務(wù)時(shí)，常因驗(yàn)證碼而被“卡死”；
• AgentBench、VisualWebArena等主流評(píng)估集普遍過(guò)濾掉含CAPTCHA的網(wǎng)頁(yè)；
• 過(guò)去的驗(yàn)證碼研究（如reCAPTCHA、DeepCAPTCHA）更聚焦靜態(tài)識(shí)別，對(duì)交互、多步規(guī)劃與狀態(tài)跟蹤能力評(píng)估嚴(yán)重不足。

為了系統(tǒng)性地評(píng)估Agent在驗(yàn)證碼中的真實(shí)表現(xiàn)，研究團(tuán)隊(duì)設(shè)計(jì)了一個(gè)全新的開(kāi)放基準(zhǔn)與平臺(tái)——Open CaptchaWorld。

這個(gè)平臺(tái)不僅包含最新的現(xiàn)代驗(yàn)證碼而且類型豐富（20種），全部在真實(shí) Web 瀏覽環(huán)境中進(jìn)行操作，真正復(fù)現(xiàn) Agent 實(shí)際遇到的挑戰(zhàn)：

“解圖+理解規(guī)則+計(jì)劃操作+逐步交互” = Agent能力的真實(shí)考驗(yàn)。

Open CaptchaWorld平臺(tái)

具體特點(diǎn)

1、 大規(guī)模、多樣性以及覆蓋全面：研究團(tuán)隊(duì)創(chuàng)作了商用的最新的20類現(xiàn)代驗(yàn)證碼，累計(jì)225個(gè)樣例；類型涵蓋點(diǎn)擊順序、滑塊對(duì)齊、圖像選擇、數(shù)字計(jì)數(shù)、拖拽匹配等。

2、 交互真實(shí)：所有驗(yàn)證碼均部署在網(wǎng)頁(yè)環(huán)境中，Agent必須通過(guò)觀察截圖、點(diǎn)擊、拖動(dòng)等方式完成操作，模擬真實(shí)用戶交互流程。

3、 提出新評(píng)估指標(biāo)CAPTCHA Reasoning Depth：用于量化一個(gè)驗(yàn)證碼背后需要多少步“視覺(jué)理解+認(rèn)知計(jì)劃+動(dòng)作控制”的過(guò)程；是對(duì)傳統(tǒng)“靜態(tài)圖像分類”評(píng)價(jià)方式的重要補(bǔ)充，更貼近Agent真實(shí)解題難度。

4、 對(duì)比分析詳盡：對(duì)OpenAI-o3、GPT-4o、Claude-3.7、Gemini2.5-Pro等模型進(jìn)行系統(tǒng)評(píng)估；人類解題成功率高達(dá)93.3%，最強(qiáng)模型OpenAI-o3僅為40.0%；并從策略偏差、視覺(jué)錯(cuò)誤、執(zhí)行失敗等維度剖析失敗原因。

數(shù)據(jù)構(gòu)造方法

Open CaptchaWorld的數(shù)據(jù)集構(gòu)建遵循四階段流程，旨在生成多樣化、高質(zhì)量、可交互的CAPTCHA樣本，用于評(píng)估多模態(tài)智能體在真實(shí)網(wǎng)頁(yè)場(chǎng)景下的表現(xiàn)。

第一步：圖像素材構(gòu)建（Type Related CAPTCHA Image Curation）

根據(jù)每類CAPTCHA的設(shè)計(jì)需求，由人類設(shè)計(jì)師或者GPT-4o生成具有變化性的圖像素材。

包括目標(biāo)位置、觀察角度、對(duì)象排布、數(shù)字與元素分布等多種視覺(jué)因素的系統(tǒng)調(diào)整，確保每類任務(wù)在結(jié)構(gòu)上具有足夠的多樣性與泛化性。

第二步：驗(yàn)證碼生成（CAPTCHA Generation）

圍繞構(gòu)造好的圖像素材，為每個(gè)實(shí)例配套生成自然語(yǔ)言指令，任務(wù)描述由人類設(shè)計(jì)或由大模型輔助生成，確保語(yǔ)言表達(dá)清晰，易于Agent理解。

指令內(nèi)容涵蓋點(diǎn)擊、滑動(dòng)、拖動(dòng)、計(jì)數(shù)、比對(duì)等典型交互操作，結(jié)合網(wǎng)頁(yè)前端組件實(shí)現(xiàn)真實(shí)交互邏輯。

第三步：推理深度估計(jì)（Reasoning Depth Estimation）

為精確刻畫每道CAPTCHA的解題復(fù)雜度，引入“CAPTCHA Reasoning Depth”指標(biāo)。

該指標(biāo)通過(guò)人工注釋者對(duì)解題過(guò)程的逐步分解，記錄人類在完成任務(wù)時(shí)涉及的視覺(jué)識(shí)別、邏輯判斷、記憶操作與交互控制等原子推理步驟，并據(jù)此評(píng)估任務(wù)的綜合認(rèn)知深度。

第四步：標(biāo)準(zhǔn)注釋生成（Annotation）

最終由標(biāo)注人員確認(rèn)每個(gè)CAPTCHA實(shí)例的標(biāo)準(zhǔn)答案，包括操作路徑、點(diǎn)擊位置或數(shù)值輸入結(jié)果。

所有任務(wù)均保證為人類易解（成功率高），同時(shí)具備統(tǒng)一的判定邏輯和網(wǎng)頁(yè)反饋接口，為模型訓(xùn)練與評(píng)估提供穩(wěn)定可靠的標(biāo)簽支撐。

多模態(tài)Agent在驗(yàn)證碼面前“過(guò)度思考、頻繁失敗”

該團(tuán)隊(duì)發(fā)現(xiàn)，多數(shù)先進(jìn)Agent在CAPTCHA面前顯得手足無(wú)措，不僅成功率低，而且解題行為遠(yuǎn)不如人類高效。

例如在“序列點(diǎn)擊”任務(wù)中：人類通常只需識(shí)別圖案 → 記住順序 → 一次性點(diǎn)擊完成；

模型（如OpenAI-o3）往往會(huì)把操作細(xì)化為十余步，比如“記住第一個(gè)圖標(biāo)”、“確認(rèn)當(dāng)前狀態(tài)”、“點(diǎn)擊后等待反饋”…… 這種“過(guò)度分解任務(wù)”的現(xiàn)象。不僅拖慢操作流程，還增加了出錯(cuò)概率。

這類現(xiàn)象反映出當(dāng)前Agent在高交互、高動(dòng)態(tài)場(chǎng)景下的顯著劣勢(shì)：缺乏人類式的抽象、泛化與控制能力。

除此之外研究團(tuán)隊(duì)還展示了當(dāng)前主流多模態(tài)大模型Agent在Open CaptchaWorld上的成本-性能權(quán)衡關(guān)系。

從下圖所示，橫軸為評(píng)估成本（以對(duì)數(shù)刻度表示），縱軸為CAPTCHA解題任務(wù)中的Pass@1成功率（百分比）。每個(gè)點(diǎn)代表一個(gè)具體模型的運(yùn)行結(jié)果。

從圖中可以看出，OpenAI-o3雖然在成功率方面顯著領(lǐng)先（達(dá)40.0%），但同時(shí)也是成本最高的模型，顯示出較強(qiáng)的能力但較差的性價(jià)比。

而Gemini2.5-Pro和GPT-4.1等模型在保持相對(duì)較高成功率（約25%）的同時(shí)，成本控制更為合理，展現(xiàn)出較好的“單位預(yù)算表現(xiàn)”。

相比之下，Claude-3.5-Sonnet、GPT-4o與OpenAI-o1等模型盡管評(píng)估開(kāi)銷中等或偏高，但解題成功率較低，顯示出在當(dāng)前CAPTCHA場(chǎng)景下的適配能力仍較弱。

DeepSeek-V3和Claude-3.5-Haiku成本較低，成功率保持在15%~20%區(qū)間，體現(xiàn)出更優(yōu)的成本效率平衡，適合作為輕量級(jí)基線。

總體來(lái)看，該圖揭示了多模態(tài) Agent 在真實(shí)交互任務(wù)中并不總是“越貴越強(qiáng)”，也突出了Open CaptchaWorld平臺(tái)在分析Agent實(shí)用性、可部署性方面的重要價(jià)值。

未來(lái)的模型設(shè)計(jì)應(yīng)更加關(guān)注效率與性能之間的協(xié)同優(yōu)化。

Open CaptchaWorld平臺(tái)為Agent開(kāi)發(fā)者、基準(zhǔn)設(shè)計(jì)者提供了新的思路。

也揭示了——

• 當(dāng)前Agent的真實(shí)“短板”——長(zhǎng)序列任務(wù)動(dòng)態(tài)交互和規(guī)劃交互能力；
• 現(xiàn)有Benchmark評(píng)估的盲區(qū)——大量省略了真實(shí)部署中不可或缺的“人機(jī)驗(yàn)證”環(huán)節(jié)；
• 新模型設(shè)計(jì)方向——如何提升Agent在現(xiàn)實(shí)網(wǎng)頁(yè)任務(wù)中的自動(dòng)化與魯棒性。
• Agent時(shí)代下的新型Captcha設(shè)計(jì)——目前的Captcha遲早會(huì)被Agent能力增長(zhǎng)而攻破，我們也需要實(shí)時(shí)更新設(shè)計(jì)新的Captcha來(lái)順應(yīng)技術(shù)的發(fā)展。

Open CaptchaWorld的提出旨在鼓勵(lì)研究者在訓(xùn)練和評(píng)估Agent時(shí)，不再回避CAPTCHA問(wèn)題，而是勇敢面對(duì)它，因?yàn)樵诂F(xiàn)實(shí)世界中，如果連驗(yàn)證碼都通過(guò)不了，這個(gè)Agent就無(wú)法落地。

更多細(xì)節(jié)歡迎閱讀原文。

論文鏈接：https://arxiv.org/abs/2505.24878
Huggingface Spaces：https://huggingface.co/spaces/YaxinLuo/Open_CaptchaWorld
代碼庫(kù) & 數(shù)據(jù)鏈接： https://github.com/MetaAgentX/OpenCaptchaWorld

— 完 —