Scarnox · Blog

Wie ein KI-Captcha-Solver funktioniert: Modelle, Tokens und Grenzen

Ein KI-Captcha-Solver ist eine Software, die Modelle für maschinelles Lernen nutzt, um ein Captcha in deinem Auftrag zu beantworten. Am besten funktioniert er bei Aufgaben, deren Antwort sich aus dem Inhalt ablesen lässt, etwa verzerrter Text oder ein Raster aus Bildern. Bei token-basierten Widgets besteht die Aufgabe des Modells darin, eine Antwort zu erzeugen, die der Server der Seite akzeptiert, und das ist ein anderes Problem. Dieser Leitfaden erklärt beide Fälle, wo die Grenzen liegen und was du tatsächlich von einem Solver-Dienst erhältst.

Dieser Leitfaden beschreibt allgemeine Verfahren. Er beschreibt nicht die Interna eines bestimmten Dienstes. Für dich als Entwickler zählt der Vertrag: Du schickst die Daten eines Captchas und bekommst ein Token zurück.

Drei Familien von Captchas

Die meisten Captchas gehören zu einer von drei Familien, und KI behandelt jede davon anders.

Inhaltliche Aufgaben. Der Besucher liest oder erkennt etwas: verzerrte Zeichen, eine Reihe von Hausnummern, Ampeln in einem Raster, ein gedrehtes Objekt. Die richtige Antwort steckt im Bild oder Ton selbst. Hier ist maschinelles Lernen am stärksten.

Verhaltensbasierte Bewertung. Es gibt womöglich gar keine sichtbare Aufgabe. Die Seite beobachtet, wie sich der Browser verhält, sieht sich die Anfrage-Historie an und bewertet den Besucher. reCAPTCHA v3 funktioniert so und liefert eine Zahl statt eines Rätsels. Ein Modell kann die Antwort hier nicht einfach "ablesen", weil es keine gibt. Die Frage ist, ob die Signale menschlich genug aussehen.

Token-basierte Widgets. Ein Widget läuft in der Seite, führt seine Prüfungen durch und schreibt ein Token in ein verstecktes Formularfeld. Das Backend der Seite prüft das Token dann beim Anbieter. PopularCaptcha funktioniert so, ebenso reCAPTCHA v2 und Cloudflare Turnstile.

Wie Modelle inhaltliche Aufgaben lösen

Für verzerrten Text ist der Standardansatz ein Modell zur optischen Zeichenerkennung (OCR). Ein faltendes neuronales Netz oder ein auf Transformern basierendes Vision-Modell liest das Bild und gibt eine Zeichenfolge aus. Das Training nutzt große Mengen generierter Captchas mit bekannten Antworten, damit das Modell die üblichen Verzerrungen lernt: Verwischungen, Rauschlinien, überlappende Glyphen und Hintergrundstrukturen.

Bei Bildrastern ist die Aufgabe eine Klassifikation. Das Modell betrachtet jede Kachel und entscheidet, ob sie das Objekt enthält, nach dem die Aufgabe fragt. Die schwierigen Fälle sind teilweise verdeckte Objekte, Objekte am Rand einer Kachel oder mehrdeutige Motive, etwa ein Bus, der größtenteils außerhalb des Bildes liegt. Die Genauigkeit ist dort niedriger, und ein guter Solver muss entscheiden, wann er rät und wann er eine weitere Runde anfordert.

Audio-Aufgaben nutzen Spracherkennung. Das Modell transkribiert den Clip, und die Transkription ist die Antwort. Hintergrundgeräusche und absichtliche Verzerrungen sind die größten Schwierigkeiten.

Rätselaufgaben, etwa ein Bild drehen oder ein Teil an die richtige Stelle schieben, brauchen eine andere Art von Modell. Es schätzt aus dem Bild einen Winkel oder eine Position und erzeugt dann die Zieh- oder Klickbewegung, die dazu passt.

Wie Modelle Bewertung und Tokens behandeln

Verhaltensbewertung und Token-Widgets lassen sich schwerer lösen, indem man die Seite liest. Die eigenen Prüfungen des Anbieters laufen im Browser des Besuchers, und ihr Ergebnis hängt von Signalen ab wie der Browserumgebung, dem Timing von Eingabeereignissen und dem Verlauf der Sitzung. Der Solver kann Score oder Signale von außen nicht sinnvoll einsehen.

Für diese Fälle ist der funktionierende Ansatz ein Solver, der die Antwort zurückgibt, die der Anbieter erwartet, mit einer Pipeline, die gültige Tokens erzeugt. Für deine Seite zählt eine einfache Eigenschaft: Du bekommst ein Token oder einen Fehler, und das Token wird von der Seite geprüft.

Deshalb ist die Scarnox-API so aufgebaut, wie sie ist. Du schickst den Task-Typ, den Sitekey und die Seiten-URL und erhältst ein Token im Feld solution:

{"errorId": 0, "solution": {"token": "..."}, "cost": ...}

Das Token geht in das Formularfeld, das die Seite erwartet, und es läuft nach etwa zwei Minuten ab. Der Leitfaden zur Captcha-Solver-API behandelt die vollständige Anfrage.

Wo KI hilft und wo sie aufhört

KI-Solver sind gut darin,

Schwächer sind sie bei

Außerdem gibt es eine praktische Grenze, die kein Modell beseitigt. Ein Captcha ist eine bewusste Hürde, und Anbieter aktualisieren ihre Aufgaben. Ein Solver, der heute funktioniert, kann nächsten Monat scheitern. Behandle die Ausgabe eines Solvers deshalb als etwas, das du überwachst, nicht als etwas, von dem du annimmst, dass es dauerhaft funktioniert.

Einen Solver auswählen

Vier Fragen helfen dir, jeden Solver-Dienst zu bewerten:

  1. Welche Captcha-Typen unterstützt er heute, im Gegensatz zu dem, was auf einer Roadmap steht?
  2. Was kostet dich ein fehlgeschlagener Versuch? Ein Solver, der für Fehlschläge berechnet, macht Wiederholungen teuer.
  3. Wie verhält er sich bei einem Timeout oder einer langsamen Antwort? Dein Code braucht einen klaren Fehler, auf den er reagieren kann.
  4. Was musst du an deinem Code ändern, wenn sich das Captcha ändert? Je weniger, desto besser.

Scarnox unterstützt derzeit PopularCaptcha, proxyless, live. Weitere Typen kommen demnächst, und der Leitfaden zu Captcha-Typen erklärt den Status jedes einzelnen.

Nächste Schritte