一年前，我们评估了五个主要的机器人检测系统（Proof of Human、Google reCAPTCHA v3、hCaptcha、Fingerprint Pro 和 Cloudflare Turnstile），针对旨在完成一组预定义任务的自动化浏览器。检测率差异显著，从33%到87%不等。结合行为信号和设备级信号的系统通常表现优于仅依赖设备信息的系统。此后，浏览器自动化有了显著进展。现代AI代理可以解释网页、规划行动，并通过越来越强大的浏览器环境与接口交互。因此，我们重新审视了我们的基准，扩展了一组对手，包括传统的浏览器自动化、隐形浏览器和AI驱动的浏览代理，并测试了一组类似的检测系统：Proof of Human、Google reCAPTCHA v3、hCaptcha、Cloudflare Turnstile 和 Cloudflare Bot Management。结果显示检测性能的差异同样显著。在此帖子中，我们检查每个系统的表现、失败之处，以及这些结果对区分人类和越来越强大的AI代理所面临的挑战的启示。方法论 我们的任务使用了一个五个问题的调查，结合了选择题和开放式回答。每个对手（即AI代理）尝试调查20次，为每个检测系统产生最多100个会话。有些检测系统在会话完成之前失败或崩溃，为每个系统留下89到100个可评估会话。下表总结了基准中的检测系统及其用于识别自动化活动的信号。检测系统 描述 Proof of Human 使用机器学习模型根据行为和设备信号（包括打字、鼠标移动、点击和滚动）将会话分类为人类或自动化。Google reCAPTCHA v3 为每个会话分配一个从0到1的分数，指示用户是人类的可能性。它在没有可见挑战的情况下运行，并考虑浏览器完整性和Google端的声誉信号；网站决定接受会话的阈值。hCaptcha 提供一个“我确认是人类”的复选框，并评估浏览器的风险配置文件。根据结果，它要么立即验证会话，要么呈现一个需要完成的基于图像的挑战。Cloudflare Turnstile 在后台进行浏览器完整性检查，并在会话通过时发出验证令牌。它通常在没有难题的情况下操作，但在信号模糊时可能会请求用户交互。Cloudflare Bot Management 使用启发式和在Cloudflare网络上训练的机器学习模型评估请求。尽管完整系统为自动化（分数为1）到人类（分数为99）分配评分，Pro级实现返回更广泛的分类，例如可能是人类、可能是自动化、自动化或已验证的机器人。我们的对手涵盖了日益复杂的自动化形式：传统的脚本浏览器、旨在隐藏自动化信号的隐形浏览器，以及能够自主浏览网页和完成任务的AI代理。对手 描述 Chromium 通过Playwright和Chrome DevTools协议自动化的标准Chromium浏览器，没有隐形修改。它保留了自动化的常见指标，例如navigator.webdriver和CDP相关文物，并作为基线“明显机器人”。CloakBrowser 一个以隐身为重点的Chromium分支，修改了浏览器指纹，包括GPU、画布、WebGL、音频、字体、用户代理和TLS信号，在源代码级别进行了修改。我们在启用鼠标和键盘输入的人性化特征的情况下，通过住宅代理运行了它。Browser Use 一个开源AI代理框架，使用LLM（我们设置中的Claude Opus）和视觉页面信息规划动作，并操作未修改的浏览器，从云基础设施运行。Perplexity Comet 使用Perplexity的AI驱动浏览器，使用LLM和视觉信息导航网页并完成任务。Grok xAI的浏览器使用代理，使用LLM和视觉信息导航和完成网络任务。结果 我们发现检测性能在系统之间差异显著。针对所有对手的聚合，Proof of Human 识别了99%的自动化会话，其次是reCAPTCHA v3为69.4%，hCaptcha为44.3%，Cloudflare Turnstile为42.1%，Cloudflare Bot Management为9.1%。图1：机器人基准测试结果。每个柱状图显示给定检测系统识别的自动化会话的百分比，所有五个对手聚合。表现因对手而异。最明显的分别是脚本浏览器与AI代理之间的区别。hCaptcha和Cloudflare Turnstile几乎捕捉到了每一个脚本的Chromium和CloakBrowser会话，但对AI代理会话的识别却很少。reCAPTCHA v3则显示出相反的模式，