Open CaptchaWorld: A Comprehensive Web-based Platform for Testing and Benchmarking Multimodal LLM

文章主要内容

本文提出了首个基于网络的CAPTCHA基准测试平台Open CaptchaWorld,旨在评估多模态大语言模型(MLLM)代理在动态交互场景中的视觉推理和操作能力。该基准包含20种现代CAPTCHA类型(共225个谜题),引入“CAPTCHA推理深度”指标,量化解决谜题所需的认知和运动步骤。实验表明,人类成功率达93.3%,而最先进的MLLM代理(如Openai-o3)成功率仅40%,揭示了当前模型在多步交互推理中的显著不足。文章还分析了模型失败原因,如过度分割步骤、界面理解错误等,为提升多模态代理的鲁棒性提供了方向。

创新点

  1. 首个开源CAPTCHA基准平台:专门针对多模态代理的交互推理能力,填补了现有基准对CAPTCHA任务的评估空白。
  2. 推理深度指标(CAPTCHA Reasoning Depth):首次提出量化多步推理复杂度的任务无关指标,帮助分析模型与人类的推理差异。
  3. 真实浏览器环境测试:在闭环交互场景中测试代理,模拟真实网页环境,确保评估的现实性。
  4. 多模型对比与失败案例分析:系统评估了主流MLLM代理࿰
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

UnknownBody

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值