Характеристики

Лицензия: Apache 2.0
Базовая модель: Qwen3-VL-32B-Instruct
Библиотека: transformers
Опубликована: 30 июл 2026

Ссылки

ReCAP-32B-Instruct

Изображение и текст → текст

Мультимодальный агент на основе Qwen3-VL-32B, дообученный для решения CAPTCHA и взаимодействия с графическими интерфейсами по скриншотам.

102скачиваний за 30 дней0лайковвеса обновлены30 июл 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

ReCAP-32B-Instruct — мультимодальная модель-агент, разработанная авторами работы «CAPTCHA Solving for Native GUI Agents: Automated Reasoning-Action Data Generation and Self-Corrective Training» и дообученная на основе Qwen/Qwen3-VL-32B-Instruct. Она принимает скриншоты и формирует рассуждения вместе с действиями интерфейса: щелчками, вводом текста и перетаскиванием. Модель предназначена для решения CAPTCHA и сохранения навыков взаимодействия с графическими интерфейсами, включая распознавание текста, выбор значков, задачи с сетками изображений и многошаговые испытания.

В карточке заявлены визуальное и пространственное рассуждение, планирование последовательности действий и самокоррекция по данным о неудачных попытках. На синтетическом CAPTCHA-бенчмарке указана успешность около 84,2%; также сообщается об улучшении на 11,42 процентного пункта относительно базовой модели на 26 типах CAPTCHA в zero-shot оценке. Это результаты, приведённые авторами, и они не гарантируют аналогичного качества в других условиях. Модель основана на Qwen3-VL-32B-Instruct, лицензирована по Apache-2.0; авторы указывают исследовательское назначение и отмечают, что её цель — изучение и повышение устойчивости систем проверки, а не их обход.

Сценарии применения

распознавание текста в CAPTCHA по скриншоту
выбор нужных значков или изображений в CAPTCHA
решение CAPTCHA с перетаскиванием ползунка
выполнение последовательности действий в графическом интерфейсе
исследование устойчивости систем проверки CAPTCHA

Ограничения

Заявленные показатели относятся к бенчмаркам из карточки и не гарантируют качество на других CAPTCHA или интерфейсах. Авторы позиционируют модель для исследований устойчивости систем проверки.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

ReCAP-32B-Instruct

ReCAP-32B-Instruct is a vision-language model fine-tuned from Qwen/Qwen3-VL-32B-Instruct, designed to enable robust CAPTCHA solving within native GUI agents while preserving general GUI interaction capabilities.

This model is introduced in “CAPTCHA Solving for Native GUI Agents: Automated Reasoning-Action Data Generation and Self-Corrective Training”, accepted at ICML 2026.

🚀 Overview

ReCAP-32B-Instruct extends a general-purpose GUI agent with CAPTCHA-solving ability by learning from structured reasoning-action trajectories.

It operates end-to-end:

Input: raw screenshots
Output: reasoning + executable GUI actions (click, type, drag)

✨ Key Features

Unified agent: Handles both CAPTCHA and general GUI tasks
Reasoning-action modeling: Learns both decisions and execution
Self-correction: Improves robustness by learning from failures
Efficient interaction: Generates multiple actions per step

🧠 Capabilities

Supports diverse CAPTCHA types:

Text / OCR
Icon selection & matching
Image grid reasoning
Slider / drag tasks
Multi-step interaction challenges

Core skills:

Visual understanding
Spatial reasoning
Continuous control
Multi-step planning

📊 Performance

~84.2% success rate on synthetic CAPTCHA benchmark
11.42 percentage-point average improvement over Qwen3-VL-32B-Instruct across 26 real-world CAPTCHA types in zero-shot evaluation
Strong improvements on interaction-heavy tasks (e.g., slider, image grid)
Maintains strong performance on general GUI benchmarks

⚠️ Ethical Considerations

This model is released for research purposes only. It is intended to study and improve the robustness of human-verification systems, not to bypass them.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов: 14e08fe