SolveBind框架证明GUI Agent需将答案转化为可验证交互才能突破CAPTCHA等动态验证屏障

该论文指出网站和应用的CAPTCHA及反自动化机制不仅依赖最终结果，更通过交互轨迹和时间等行为信号区分人类与自动代理，导致单纯输出正确答案的MobileAgent在90个任务中仍有13个因动态验证失败而中断。作者提出SolveBind框架，通过分层求解树将验证任务分解为感知、定位、求解、执行和验证五个相互依赖的能力，并引入运行时监督器将动作承诺锚定在工具生成的证据上，在显式恢复预算下调解执行过程。在九个CAPTCHA任务家族和九个骨干模型测试中，SolveBind在八个模型上取得最高成功率，比最强基线高出13.3至34.5个百分点，并在所有六个AndroidWorld骨干模型上表现最佳。

实验数据显示，移除自动提交时的绑定机制会使成功率从82.22%降至71.56%，同时增加延迟和Token消耗；而设置恢复上限虽使成功率微降至83.56%（相比无限制时的82.22%略高），但能将延迟和Token使用量分别控制在全监督模式的3.7倍和2.4倍以内。这表明在存在动态验证的环境中，成功的核心不在于解题本身，而在于建立基于证据的执行控制回路以应对运行时反馈。

事实层面，SolveBind在特定基准上显著优于基线，且证明了绑定机制对维持成功率的必要性。推断层面，当前GUI Agent的商业化落地必须解决行为信号层面的验证问题，单纯提升推理能力的边际效应正在递减。猜测层面，未来针对此类环境的对抗性训练可能会成为Agent框架的标准组件，而非可选优化项。