論文の概要: CaptchaAgent: Verifiable Visual Reasoning for CAPTCHA Solving

• arxiv url: http://arxiv.org/abs/2610.12866v1
• Date: Fri, 09 Oct 2026 01:50:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.34346
• Title: CaptchaAgent: Verifiable Visual Reasoning for CAPTCHA Solving
• Title（参考訳）: CaptchaAgent:CAPTCHA解決のための検証可能なビジュアル推論
• Abstract要約: CaptchaAgentはインタラクティブなCAPTCHA解決のための構造化ビジュアル推論フレームワークである。 CaptchaAgentは、スクリーンショットから直接アクションを予測する代わりに、まず視覚的な中間表現を構築する。 局所的な証拠は より効果的な解決で 曖昧な領域を再考する
• 参考スコア（独自算出の注目度）: 77.20973431009266
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern reasoning CAPTCHAs require fine-grained perception, compositional relation reasoning, and grounded browser interaction. End-to-end vision-language model agents remain brittle in this setting because a missed object, incorrect count, or confused relation can propagate directly to the final action. To address this problem, we present CaptchaAgent, a structured visual reasoning framework for interactive CAPTCHA solving. Instead of predicting an action directly from a screenshot, CaptchaAgent first constructs a visual intermediate representation (V-IR) that explicitly records entities, attributes, and spatial or topological relations. A symbol-only ASCII protocol further requires the parser to commit to a concrete object set and count. Building on this global representation, localized evidence refinement revisits ambiguous regions at higher effective resolution, while counterfactual consistency verification tests whether the resulting action remains stable under task-preserving transformations. Across three proprietary backbones on Open CaptchaWorld, CaptchaAgent improves Pass@1 by 21.3-25.8 percentage points over a commercially available browser agent baseline evaluated with the same backbones. On the separate offline Oedipus-data benchmark, it further improves average Pass@1 by 9.2-12.3 percentage points over the Oedipus solver across three matched backbones. The intermediate traces show that exact counting, continuous geometry, and ordered execution remain major sources of automation difficulty for the evaluated agents, providing practical guidance for designing more resilient compositional CAPTCHAs.
• Abstract（参考訳）: 現代的な推論CAPTCHAは、きめ細かい認識、構成関係推論、接地されたブラウザの相互作用を必要とする。 この設定では、失敗したオブジェクト、不正確なカウント、混乱した関係が最終動作に直接伝播するため、エンドツーエンドの視覚言語モデルエージェントは不安定なままである。 この問題に対処するために,対話型CAPTCHA問題解決のための構造化視覚推論フレームワークであるCaptchaAgentを提案する。 スクリーンショットから直接アクションを予測する代わりに、CaptchaAgentはまず、エンティティ、属性、空間的またはトポロジ的関係を明示的に記録する視覚中間表現(V-IR)を構築する。 シンボルのみのASCIIプロトコルはさらに、パーサが具体的なオブジェクトセットとカウントにコミットする必要がある。 このグローバルな表現に基づいて、局所化されたエビデンス改善は、高い有効解像度で曖昧な領域を再考し、一方で、結果の動作がタスク保存変換の下で安定であるかどうかを反実的整合性検証テストする。 Open CaptchaWorld上の3つのプロプライエタリなバックボーンの中で、CaptchaAgentはPass@1を21.3～25.8ポイント改善している。 オフラインのOedipus-dataベンチマークでは、3つのマッチしたバックボーンで平均のPass@1がOedipusソルバよりも9.2-12.3ポイント向上している。 中間トレースは、正確な計数、連続幾何、順序づけられた実行が、評価されたエージェントにとって自動化の難しさの主要な源であることを示し、より弾力性のある合成CAPTCHAを設計するための実用的なガイダンスを提供する。

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)
• MNIST-PRO: MNIST is Back as a Partially Observable World for AI Agents [74.83535434786145]
  MNIST-PRO (MNIST-PRO) は、MNISTの桁認識を、ルックバック制約付きシーケンシャルな視線に基づく検索タスクに変換することで、エージェント認識を分離するベンチマークである。 生の視覚履歴、テキスト状態、構造化されたメートル法グリッドマップ、統合された視覚キャンバスを含む4つの記憶表現の10つのマルチモーダルモデルを評価する。
  論文  参考訳（メタデータ） (2026-08-31T16:05:39Z)
• 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)
• DS-Det: Single-Query Paradigm and Attention Disentangled Learning for Flexible Object Detection [39.56089737473775]
  画像中のフレキシブルな数の物体を検出できるより効率的な変換器検出器DS-Detを提案する。 具体的には、デコーダモデリングのための新しい統合シングルクエリパラダイムを再構成し、導入する。 また,注意障害学習による簡易デコーダフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-26T05:40:04Z)
• Spatial-Temporal Graph Enhanced DETR Towards Multi-Frame 3D Object Detection [54.041049052843604]
  STEMDは,多フレーム3Dオブジェクト検出のためのDETRのようなパラダイムを改良した,新しいエンドツーエンドフレームワークである。 まず、オブジェクト間の空間的相互作用と複雑な時間的依存をモデル化するために、空間的時間的グラフアテンションネットワークを導入する。 最後に、ネットワークが正のクエリと、ベストマッチしない他の非常に類似したクエリを区別することが課題となる。
  論文  参考訳（メタデータ） (2023-07-01T13:53:14Z)

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。