“最烦登网站时各种奇奇怪怪（甚至变态）的验证码了。”

现在，有一个好消息和一个坏消息。

(相关资料图)

好消息就是:AI可以帮你代劳这件事了。

不信你瞧，以下是三张识别难度依次递增的真实案例:

而这些是一个名为“Pix2Struct”的模型给出的答案:

全部准确无误、一字不差有没有?

有网友感叹:

所以可不可以做成浏览器插件??

不错，有人表示:

所以，坏消息就是——

验证码马上就要拦不住机器人了!

（危险危险危险……）

如何做到?

Pix2Struct由谷歌Research的科学家和实习生共同开发。

论文题目可以javascript简单翻译为《为视觉语言理解开发的屏幕截图解析预训练》。

简单来说，Pix2Struct是一个预训练的图像到文本模型，用于纯视觉语言理解，可以在包含任何视觉语言的任务上进行微调。

它通过学习将网页的掩码（masked）截图解析为简化的html来进行预训练。

HTML提供了清晰而重要的输出文本、图像和布局的信号，对于一些被屏蔽的输入（下图红色部分，相当于机器人看不懂的验证码），可以靠联合推理来复现:

随着用于训练的网页文本和视觉元素愈发多样和复杂，Pix2Struct可以学习到网页底层结构的丰富表示，其能力也可以有效地转移到各种下游的视觉语言理解任务中。

如下图所示:最左边是一个网页截图javascript的预训练示例。

可以看到Pix2Struct直接对输入图像中的元素进行编码（上），然后再将被盖住的文本(红色部分)解码成正确结果输出(下)。

右边三列则分别为Pix2Struct泛化到插图、用户界面和文档中的效果。

另外，作者介绍，除了HTML这个策略，作者还引入了可变分辨率的输入表示（防止原始纵横比失真），以及更灵活的语言和视觉输入集成(直接在输入图像的顶部呈现文字提示)。

最终，Pix2Struct在文档、插图、用户界面和自然图像这四个领域共计九项任务中六项都实现了SOTA。

如开头所见，虽然这个模型不是专门为了过验证码而开发，但编程客栈拿它去做这个任务效果真的还可以，解决纯文字的验证码不成问题。

现在，就差微调了。

GPT-4也可以过验证码

其实，对于神通广大的GPT-4来说，过验证码这种事情也是“小菜一碟”。

就是它的办法比较清奇。

据GPT-4技术报告透露，在一次测试中，GPT-4的任务是在TaskRabbit平台（美国58同城）雇佣人类完成任务。

你猜怎么着?

它就找了一个人帮它过“确定你是人类”的那种验证码。

对方很狐疑啊，问它“你是个机器人么为啥自己做不了”。

这时GPT-4居然想到自己不能表现出是个机器人，得找一个借口。

于是它就装瞎子回复:

然后，对面的人类就信了，帮它把任务完成了……

（高，实在是高。）

咱就是说，看完如上种种:

咱们的验证码机制是不是真的已失防了……

参考链接:

[1]https://twitter.com/abacaj/status/1641258677125410820?s=20

[2]https://arxiv.org/abs/2210.03347

[3]https://m.weibo.cn/status/4879575853828813?wx=1&sudaref=login.sina.com.cn

—完—

关键词