feat(new-order): Integrated with LVM (large visual models)

[QIN2DIM]

预期效果（实验）

通过 one-shot/few-shot 教会 LVM 处理跨模态挑战。

路径图

对于不同类型的挑战，根据优先级分为：

1. (A-)二分类任务，输入：query + images，输出: List[bool]
2. (A+)目标检测任务，输入：query + image，输出：List[Tuple[float, float]]，也即边界框的 (x1,y1), (x2,y2)
3. (B) 其他任务。

TODO

所有特性会在一个月之内陆续推送，按照优先级排序如下：

• Refactor the project framework and fix all the current bugs that affect the operation of the project.
  • bug: workflow post-action #977
  • url 'https://api.hcaptcha.com/getcaptcha/' returning base64 instead json #976
  • google colab error #975
  • [Question] The project is failing 90% of the time because of new challenges #965
• SOTA LVM
  • gpt-4-turbo
  • Gemini 1.5 Pro
• Ollama 兼容接口，接入本地或局域网内多模态大模型。
• Dify workflow。

[QIN2DIM]

Date: 2024-04-13

谜一样的多模态大模型

尽管目前最先进的模型，如 Gemini 1.5 Pro、gpt-4-turbo和claude-3-opus-20240229，在面对 hCAPTCHA 的多模态挑战时，还无法仅依靠单步提示就能顺利解决。

出于实验研究的目的，我们搭建了一个简易的LangGraph有向无环状态机。这个模型使用了一点标注的数据集，并通过问答的形式来辅助识别和整理输出结果。

引入“人在回路中”（human-in-the-loop）的方法就像给了答案提示一样。例如，把“the odd one out”直接翻译成“wolf”，然后用边界框标出所有目标并加上序号。这样做的目的是帮助模型更好地理解和处理任务。

潦草的日志与阶段性结论

于是，一个简洁的提示词模板就形成了：<[challenge-prompt] | [bounding-box description] | [output-parser]>

然而，尽管这种指导已经很直接了，LVM（Large Vocabulary Models）在处理风格化任务时仍然不尽人意。或者说，虽然它能够处理，但想要达到传统监督学习模型那种高度定制化、轻量级且易于部署的效果，并同时保持高精度，这还是不太现实的。

目前可用的数据集规模还相对较小，我尚未进行过更严格的基准测试，但从直觉来看，LVM 在提示词引导下的表现似乎连基本水平都未达到——至少与当前最先进的图像分类和目标检测模型相比是这样的。

预见性与黎明曙光

最近由于工作需求，我接触到了 Devika 和 Web_Voyager 这两个令人惊叹的示例项目。

这让我预见到一种未来可能性（虽然我在去年4月就已提出），即在不久后，由“大型语言模型”驱动的系统将能够学习或模拟人类行为，导致所有基于交互的 CAPTCHA 变得无效。更进一步，利用“大模型”攻破这类验证系统的成本将会极低，无需如现今这般构建复杂的提示链路工作流。