Oedipus: LLM-enchanced Reasoning CAPTCHA Solver

验证码已成为保护应用程序免受自动机器人攻击的普遍工具。随着时间的推移，验证码开发和规避技术之间的军备竞赛导致设计越来越复杂和多样化。最新的推理验证码利用对人类直觉简单但对传统AI技术具有挑战性的任务，从而增强安全措施。 在人工智能能力不断发展的推动下，特别是在大型语言模型（LLMs）方面取得的进展，我们调查了多模式LLMs解决现代推理验证码的潜力。我们的经验分析显示，尽管它们具有先进的推理能力，但LLMs难以有效解决这些验证码。为此，我们引入了Oedipus，一种创新的端到端框架，用于自动推理验证码解决。该框架的核心是一种新颖的策略，将复杂且对人类易于但对AI难以的任务分解为一系列更简单且对AI易于的步骤。这是通过为CAPTCHAs开发一种领域特定语言（DSL）来实现的，该语言指导LLMs在为每个CAPTCHA挑战生成可操作的子步骤。DSL经过定制，以确保每个单元操作都是我们先前经验研究中揭示的高度可解决的子任务。然后，这些子步骤使用“思考链”（CoT）方法依次解决。 我们的评估显示，Oedipus有效地解决了研究的CAPTCHAs，平均成功率为63.5％。值得注意的是，它还显示出对2023年末引入的最新CAPTCHA设计的适应性，这些设计未包含在我们的初始研究中。这引发了有关设计推理CAPTCHA的未来策略，以有效地对抗先进的AI解决方案的讨论。

解决问题：论文旨在研究如何应对越来越复杂的 reasoning CAPTCHA，以及探究使用多模态 LLMs 的潜力。

关键思路：提出了一种名为 Oedipus 的框架，通过开发领域特定语言（DSL）来将复杂的任务分解为简单的子任务，然后使用 CoT 方法逐步解决。该框架成功地解决了研究中的 reasoning CAPTCHA，并表现出适应最新 CAPTCHA 设计的能力。

其他亮点：论文使用了实验来评估 Oedipus 框架的性能，成功率达到了 63.5％。论文还探讨了未来设计 reasoning CAPTCHA 的策略。

相关研究：最近的相关研究包括“Exploring the Effectiveness of Reasoning CAPTCHAs Against Machine Learning Attacks”和“Adversarial Attacks on Reasoning CAPTCHAs with GANs”。