机器人检测服务商 Proof of Human 在研究博客发布了一项基准测试，对比自家产品与 Google reCAPTCHA v3、hCaptcha、Cloudflare Turnstile、Cloudflare Bot Management。发布方自测显示，5 套系统对自动化会话的总体识别率介于 9.1% 至 99%，对脚本浏览器和 AI agent 的表现也有明显差异：部分能识别脚本的系统，未能识别多数 AI agent 会话。
据报告，测试任务是一份包含选择题和开放式问答的 5 题问卷。参与测试的 5 个对手分别是普通自动化浏览器 Chromium、隐身浏览器 CloakBrowser，以及 Browser Use、Perplexity Comet 和 Grok 三款 AI agent。
每个对手针对每套检测系统尝试 20 次，原计划每套系统最多产生 100 个会话。由于部分系统在会话完成前失败或崩溃，最终每套系统有 89 至 100 个可评估会话。
汇总所有对手后，发布方自测的自动化会话识别率如下。这项测试由参测厂商 Proof of Human 发布，其自家产品在汇总结果中排名第一。
据报告，hCaptcha 和 Cloudflare Turnstile 几乎识别出了全部脚本化 Chromium 与 CloakBrowser 会话，却只识别出很少的 AI agent 会话。reCAPTCHA v3 则识别出了大多数 agent 会话，但没有识别出任何 CloakBrowser 会话。
在具体交互中，hCaptcha 向 Chromium 和 CloakBrowser 发出了图片挑战，两者均无法可靠完成。具备视觉能力的 Browser Use、Grok 和 Perplexity Comet 通常能够理解并解开图片网格，因此多数会话得以通过。
Cloudflare Turnstile 在三个 AI agent 的会话中均未识别出自动化行为，甚至没有发出挑战。报告同时指出，多数检测系统属于黑箱，测试无法直接确定究竟是哪些信号导致了各项结果。
报告列出的局限包括：各系统有效样本量略有差异；测试采用的是团队能够获得的产品档位，而非企业版本；只测量了自动化会话识别率，没有评估对真人用户的误判率。
报告还提醒，包括 reCAPTCHA 在内的部分系统，可能随着观察到更多流量、积累网站信誉而得到更好的校准，因此长期部署中的识别率可能与本次测试不同。
