Araştırmacılar, görsel CAPTCHA'ları çözmek için ince ayarlanmış bir YOLOv8 dedektörünü, açık ağırlıklı bir görsel-dil modeli (VLM) ile güven tabanlı bir yönlendirici arkasında birleştiren bir sistem geliştirdi. Sistem, tarayıcı otomasyonu veya DOM erişimi olmadan, yalnızca ekran görüntüleri ve işletim sistemi giriş olayları kullanarak çalışıyor. 16 farklı CAPTCHA sınıfında %85.4 genel ve %84.2 makro doğruluk oranına ulaşarak, bileşenlerin tek başına performansını aşıyor.