공간에서는 보이지 않고 시간에서는 보인다: GUI 에이전트를 겨냥한 Motion Vision CAPTCHA
Invisible in Space, Visible in Time: Motion Vision CAPTCHA against GUI Agents
대부분의 기존 시각적 CAPTCHA는 공간적으로 풀 수 있다: 필요한 정보는 정적 외형, 국소 구조, 인터페이스 상태를 통해 드러난다. 이 가정은 강한 시각 지각, 추론, 브라우저 상호작용 능력을 보이는 다중모달 대규모 언어 모델(MLLM)과 그래픽 사용자 인터페이스(GUI) 에이전트의 발전으로 약해진다. 우리는 Motion Vision CAPTCHA(MVCAP)를 제안한다. 이는 계층적 motion 기반 CAPTCHA 프레임워크로, 타깃 의미는 motion으로 정의된 전경 구조로 구현되며 동적으로 변화하는 배경과의 시간적 분리를 통해서만 복원할 수 있다. 이 공통 원칙 위에 MVCAP은 지각적으로 점진적인 세 수준—coherent motion, structural motion, biological motion—으로 구현된다. 이 프레임워크를 평가하기 위해 600개의 라이브 CAPTCHA 인스턴스를 갖춘 브라우저 기반 벤치마크 MVCAP-Bench와, 이에 대응하는 전경만(control) 벤치마크 MVCAP-Bench-FG를 도입한다. 우리는 사람, Browser Use 에이전트, 네이티브 computer use 에이전트, 및 동일 인스턴스에서 파생된 보조 오프라인 VQA 설정을 평가한다. 결과는 상당한 human–agent 격차를 보여준다: 전체 MVCAP-Bench에서 사람의 정확도는 99.6%에 달하는 반면, 최고 GUI 에이전트는 16.8%에 그치며 6지선다 우연 수준에 근접한다. 전경만 control은 핵심 난이도가 답 형식이나 브라우저 상호작용만이 아니라 동적 배경 위장에서 비롯됨을 추가로 보여준다. 이러한 발견은 가늠 가능한 human–agent 지각 격차를 밝히고, MVCAP-Bench를 현재 에이전트의 motion 정의 지각 연구를 위한 벤치마크로 자리매김한다.