VIPER Strike：通过结构化视觉语言推理破解视觉推理 CAPTCHA
密码学与安全
2026-01-13 v1 计算机视觉与模式识别
新兴技术
摘要
视觉推理 CAPTCHA (VRC) 组合视觉场景和自然语言查询，要求对物体、属性和空间关系进行组合推理。它们正日益成为防止自动机器人攻击的首要防御。现有求解器分为两大范式：视觉中心派系依赖特定模板的检测器，但在新布局上失效；推理中心派系利用 LLM，但在细粒度视觉感知方面吃力。两者都缺乏处理多样化 VRC 部署所需的通用性。我们提出了 ViPer，一个统一的攻击框架，将结构化多对象视觉感知与自适应 LLM 推理集成。ViPer 解析视觉布局，将属性 grounding 到问题语义，并在模块化管道中推断目标坐标。我们在六大主要 VRC 提供商（VTT、Geetest、NetEase、Dingxiang、Shumei、Xiaodun）上进行评估，ViPer 实现了最高 93.2% 的成功率，接近人类水平性能。与先前求解器（GraphNet(83.2%)、Oedipus(65.8%) 和综合方法(89.5%)）相比，ViPer 在所有基准上均表现出色。该框架进一步保持了对替代 LLM 主干（GPT、Grok、DeepSeek、Kimi）的鲁棒性，准确率始终保持在 90% 以上。为anticipate 防御，我们进一步引入了模板空间随机化 (TSR)，一种轻量级策略对语言模板进行扰动而不改变任务语义。TSR 可显著降低求解器（即攻击者）的性能。我们的设计建议了人类可解但机器难以解答的 CAPTCHA 方向。
引用
@article{arxiv.2601.06461,
title = {VIPER Strike: Defeating Visual Reasoning CAPTCHAs via Structured Vision-Language Inference},
author = {Minfeng Qi and Dongyang He and Qin Wang and Lefeng Zhang},
journal= {arXiv preprint arXiv:2601.06461},
year = {2026}
}
备注
Accepted by Usenix Security 2026