論文の概要: CaptchaArena: A Large-Scale, Fine-Grained Dataset for Training Computer-Use Agents on Interactive CAPTCHAs
- arxiv url: http://arxiv.org/abs/2609.31957v1
- Date: Fri, 25 Sep 2026 20:04:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 04:20:39.308235
- Title: CaptchaArena: A Large-Scale, Fine-Grained Dataset for Training Computer-Use Agents on Interactive CAPTCHAs
- Title（参考訳）: CaptchaArena: 対話型CAPTCHAによるコンピュータ使用エージェントのトレーニングのための大規模かつ微細なデータセット
- Abstract要約: CaptchaArenaは、対話型CAPTCHA解決のための、最初の大規模できめ細かいトレーニングデータセットである。
20のCAPTCHAタイプに50Kのパズルと5つのインタラクションモードがあり、すべてのソリューションが実行によって検証されている。
CaptchaArenaを用いて、我々はCaptchaAgentを訓練する。CaptchaAgentは、すべてのCAPTCHAタイプに対して単一の9Bポリシーであり、教師付き微調整と強化学習が続く。
- 参考スコア（独自算出の注目度）: 38.83559363111707
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Interactive CAPTCHAs remain challenging for computer-use agents, while existing datasets face trade-offs among type coverage, interaction fidelity, and trajectory supervision. To address these gaps, we present CaptchaArena, the first large-scale, fine-grained training dataset for interactive CAPTCHA solving. It contains 50K puzzles across 20 CAPTCHA types and 5 interaction modes, with every solution verified through execution. CaptchaArena provides 50K screenshot-action trajectories, including 46K with step-by-step reasoning annotations. It also includes fine-grained pixel-mask annotations for irregular targets. Using CaptchaArena, we train CaptchaAgent, a single 9B policy for all 20 CAPTCHA types, with supervised fine-tuning followed by reinforcement learning. The environment verifier directly provides the RL reward. Supervised fine-tuning reaches 70.5 Pass@1, and reinforcement learning further improves it to 71.7, while also improving performance on two external benchmarks. These results demonstrate the value of large-scale, fine-grained computer-use supervision for training interactive CAPTCHA agents. We release CaptchaArena and CaptchaAgent at https://github.com/X0X0X00/CaptchaArena.
- Abstract（参考訳）: コンピュータ利用エージェントにとってインタラクティブなCAPTCHAは依然として困難であり、既存のデータセットは、型カバレッジ、インタラクションの忠実性、トラジェクトリ監視のトレードオフに直面している。
これらのギャップに対処するために、対話型CAPTCHA解決のための、最初の大規模できめ細かいトレーニングデータセットであるCaptchaArenaを紹介します。
20のCAPTCHAタイプに50Kのパズルと5つのインタラクションモードがあり、すべてのソリューションが実行によって検証されている。
CaptchaArenaは、ステップバイステップの推論アノテーションを備えた46Kを含む、50Kのスクリーンショットアクショントラジェクトリを提供する。
また、不規則なターゲットに対する微粒なピクセルマスクアノテーションも含まれている。
CaptchaArenaを用いて、我々はCaptchaAgentを訓練する。CaptchaAgentは、すべてのCAPTCHAタイプに対して単一の9Bポリシーであり、教師付き微調整と強化学習が続く。
環境検証器はRL報酬を直接提供する。
改良された微調整は70.5 Pass@1に到達し、強化学習により71.7に向上し、2つの外部ベンチマークのパフォーマンスも向上した。
これらの結果は、対話型CAPTCHAエージェントを訓練するための大規模できめ細かなコンピュータ・ユース・インスペクションの価値を示している。
CaptchaArenaとCaptchaAgentをhttps://github.com/X0X0X00/CaptchaArenaでリリースします。
関連論文リスト
- Invisible in Space, Visible in Time: Motion Vision CAPTCHA against GUI Agents [99.41302832667334]
Motion Vision CAPTCHA (MVCAP) は、階層型モーションベースのCAPTCHAフレームワークである。
MVCAPは、コヒーレントな動き、構造的な動き、生物学的動きの3つの段階においてインスタンス化される。
我々は、人間、ブラウザ利用エージェント、ネイティブコンピュータ利用エージェント、および追加のオフラインVQA設定を評価する。
論文 参考訳（メタデータ） (2026-09-23T07:27:23Z) - Robot Visions: Breaking reCAPTCHA at Zero Cost and Zero Shot [0.0]
フリーでローカルに実行されるモデルは、Google reCAPTCHAを損なう可能性がある。
オープンソースローカルモデルで完全に構築されたゼロショット無コストソルバを設計する。
エンド・ツー・エンドの自動解法は500のreCAPTCHAセッションでセッション当たり92.6%の成功率を達成した。
論文 参考訳（メタデータ） (2026-09-16T11:48:52Z) - CaptchaMind: Training CAPTCHA Solvers via Reinforcement Learning with Explicit Reasoning Supervision [50.35579781554922]
CaptchaベースのCaptchaベースのRLMindを導入し、8つのタスクの平均成功率は82.9%、現実世界のインスタンスでは72.9%に達した。
RLMindは8つのタスクで平均成功率82.9%、実世界のインスタンスで平均成功率72.9%を達成し、明確な推論プロセスの監督を訓練した。
論文 参考訳（メタデータ） (2026-05-19T08:38:44Z) - CAPTCHA Solving for Native GUI Agents: Automated Reasoning-Action Data Generation and Self-Corrective Training [18.35670595652216]
ReCAPはCAPTCHA対応のネイティブGUIエージェントで、現代的なインタラクティブなCAPTCHA課題を堅牢に解決することができる。
我々は,大規模CAPTCHAインタラクショントラジェクトリを生成する自動データ収集とキュレーションパイプラインを開発した。
CAPTCHAの解法は、しばしば多段階の相互作用と中間ミスからの回復を必要とするため、失敗トラジェクトリを利用して自己補正データを構築する。
ホールドアウトテストセット全体で、ReCAPはCAPTCHA解決の成功を約30%から80%に改善し、一般的なGUIエージェントベンチマークでは高いパフォーマンスを維持している。
論文 参考訳（メタデータ） (2026-03-23T23:35:59Z) - Breaking reCAPTCHAv2 [20.706469085872516]
画像分割と分類のための高度なYOLOモデルを用いて,キャプチャの解法における自動システムの有効性を評価する。
以上の結果から,reCAPTCHAv2のキャプチャを通過させるためには,人間とボットが解決しなければならない課題の数に有意な差はないことが示唆された。
論文 参考訳（メタデータ） (2024-09-13T13:47:12Z) - A Survey of Adversarial CAPTCHAs on its History, Classification and
Generation [69.36242543069123]
本稿では, 逆CAPTCHAの定義を拡張し, 逆CAPTCHAの分類法を提案する。
また, 敵CAPTCHAの防御に使用可能な防御方法も分析し, 敵CAPTCHAに対する潜在的な脅威を示す。
論文 参考訳（メタデータ） (2023-11-22T08:44:58Z) - Exploring Discrete Diffusion Models for Image Captioning [104.69608826164216]
DDCapと呼ばれる拡散型キャプションモデルを提案する。
本稿では,ベストファースト推論,集中注意マスク,テキスト長予測,画像のないトレーニングなど,いくつかの重要な手法を提案する。
4Mビジョン言語による事前学習画像とベースサイズのモデルを用いて,COCO上のCIDErスコア125.1に達する。
論文 参考訳（メタデータ） (2022-11-21T18:12:53Z) - Robust Text CAPTCHAs Using Adversarial Examples [129.29523847765952]
Robust Text CAPTCHA (RTC) という,ユーザフレンドリーなテキストベースのCAPTCHA生成法を提案する。
第1段階では、前景と背景はランダムにサンプルされたフォントと背景画像で構成される。
第2段階では、CAPTCHAの解法をより妨害するために、高転送可能な逆攻撃をテキストCAPTCHAに適用する。
論文 参考訳（メタデータ） (2021-01-07T11:03:07Z) - Deep-CAPTCHA: a deep learning based CAPTCHA solver for vulnerability
assessment [1.027974860479791]
本研究では,CAPTCHAジェネレータシステムの弱点と脆弱性について検討する。
この目的を達成するために,Deep-CAPTCHAと呼ばれる畳み込みニューラルネットワークを開発した。
我々のネットワークのクラック精度は、数値およびアルファ数値テストデータセットの98.94%と98.31%のハイレートにつながる。
論文 参考訳（メタデータ） (2020-06-15T11:44:43Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。