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，揭示其在空间操作、动态控制等任务中的缺陷，为模型优化提供依据。

中文翻译

Abstract

CAPTCHA（全自动区分计算机和人类的图灵测试）一直是在实际应用中部署网页代理的关键瓶