AI 验证码识别器的工作原理：模型、token 与限制
AI 验证码识别器是一种利用机器学习模型代你回答验证码的软件。它最擅长处理答案可以从内容中读出来的挑战，例如扭曲的文字或图片网格。对于基于 token 的控件，模型的任务是生成一个网站服务器会接受的响应，这是另一类问题。本指南会分别说明这两种情况、AI 的局限在哪里，以及你从识别服务实际能拿到什么。
本指南介绍的是通用技术，不描述任何特定服务的内部实现。作为开发者，真正需要关心的是接口约定：你发送验证码的相关信息，然后拿回一个 token。
三类验证码
大多数验证码属于三类，AI 对每一类的处理方式各不相同。
内容挑战。 访客需要读取或识别某些内容：扭曲的字符、一组门牌号、网格中的交通信号灯、一个旋转的物体。正确答案就在图片或音频本身中。这是机器学习最擅长的领域。
行为评分。 可能根本没有可见的挑战。网站观察浏览器的行为，查看请求历史，并给访客打分。reCAPTCHA v3 就是这样工作的，它返回的是一个数字而不是谜题。模型无法直接“读出”答案，因为这里根本没有答案可读。问题在于这些信号看起来是否足够像人。
基于 token 的控件。 控件在页面中运行，完成自己的检查，并把一个 token 写入隐藏的表单字段。随后网站的后端会向服务提供方验证这个 token。PopularCaptcha 就是这样工作的，reCAPTCHA v2 和 Cloudflare Turnstile 也是如此。
模型如何处理内容挑战
对于扭曲文字，标准做法是光学字符识别（OCR）模型。卷积网络或基于 Transformer 的视觉模型读取图片，并输出一串字符。训练时使用大量已知答案的生成验证码，让模型学会常见的扭曲方式：变形、噪点线、字符重叠和背景纹理。
对于图片网格，任务是分类。模型逐个查看每个方块，判断其中是否包含题目要求的物体。难点在于物体被部分遮挡、位于方块边缘，或者含义模糊，比如一辆大部分已经移出画面的公交车。这类情况的准确率较低，好的识别器需要判断什么时候应该猜测，什么时候应该请求新一轮挑战。
音频挑战使用语音识别。模型转写音频片段，答案就是转写结果。背景噪音和刻意加入的干扰是主要难点。
旋转图片、滑动拼图之类的谜题挑战，需要另一种模型。模型从图片中估算角度或位置，然后生成与之匹配的拖动或点击动作。
模型如何处理评分与 token
行为评分和 token 控件通过读取页面来求解，难度更高。服务提供方自己的检查在访客的浏览器中运行，其输出取决于浏览器环境、输入事件的时间以及会话历史等信号。从外部看，识别器无法有效地看到分数或这些信号的细节。
在这类情况下，可行的做法是使用一个能返回网站所期望响应的识别器，它采用能生成有效 token 的流程。对你来说，重要的性质很简单：你会拿到一个 token 或一个错误，而 token 最终由网站来校验。
这就是 Scarnox API 设计成现在这个样子的原因。你发送任务类型、sitekey 和页面 URL，然后在 solution 字段中收到 token：
{"errorId": 0, "solution": {"token": "..."}, "cost": ...}token 会被填入网站期望的表单字段，并且大约两分钟后过期。完整的请求方式请参阅验证码识别 API 指南。
AI 在哪里有用，在哪里失效
AI 识别器擅长的方面包括：
- 在针对某类验证码调优之后，稳定地读取扭曲文字；
- 对清晰的样本，高准确率地对图片网格进行分类；
- 足够快地返回结果，满足同步请求的需要；
- 如果识别服务是围绕“失败不收费”设计的，那么失败时你不会有任何损失。
AI 较弱的方面包括：
- 经常改版的谜题，因为基于上个月版本训练的模型可能无法迁移；
- 行为检查，其结果既取决于答案，也取决于你运行的环境；
- 任何需要真人对内容进行判断的挑战，例如关于含义或语境的问题。
还有一个任何模型都无法消除的实际限制：验证码是刻意设置的障碍，供应商会更新挑战。今天能用的识别器，下个月可能就失效了。因此你应当监控识别器的输出，而不是假定它会一直有效。
如何选择识别服务
有四个问题可以帮助你评估任何识别服务：
- 它目前支持哪些验证码类型，而不是只停留在路线图上？
- 识别失败会让你付出什么代价？如果失败也收费，重试就会变得昂贵。
- 遇到超时或响应缓慢时，它的表现如何？你的代码需要一个明确的错误才能据此处理。
- 验证码变化时，你需要改动多少代码？改动越少越好。
Scarnox 目前支持 PopularCaptcha（无代理，已上线）。其他类型即将支持，验证码类型指南说明了每种类型的状态。