DarKnight: framework agentico local supera modelos comerciais de ponta ao quebrar CAPTCHAs de marketplaces da dark web

O contexto de uso declarado é defensivo/investigativo: analistas de Cyber Threat Intelligence (CTI) que monitoram marketplaces da dark web em busca de credenciais vazadas e listagens de vazamentos de dados precisam, na prática, passar pelos CAPTCHAs customizados que os operadores desses mercados implantam especificamente para impedir coleta automatizada por ferramentas de pesquisadores e forças de segurança. O problema de engenharia é real: soluções existentes ou exigem fine-tuning específico por site (inviável em escala, já que cada marketplace muda seu CAPTCHA) ou dependem de APIs comerciais de modelos de visão-linguagem (VLM), o que entrega a continuidade operacional do investigador a decisões de terceiros — políticas de provedor, bloqueio de saídas Tor, regulação governamental ou simples atualização de modelo podem interromper a operação sem aviso, além do custo recorrente por chamada.

A resposta técnica do DarKnight é rodar modelos de visão-linguagem pequenos e de peso aberto localmente, dentro do próprio crawler Tor do investigador, eliminando a dependência de qualquer provedor externo. O diferencial está no mecanismo de aprendizado contínuo: para cada CAPTCHA, o sistema usa RAG de 'sinal duplo' — recuperando tanto tentativas passadas bem-sucedidas quanto tentativas que falharam em imagens similares — compõe dinamicamente um pipeline de pré-processamento específico para aquele tipo de imagem, e aprende com o veredito de aprovação/rejeição do próprio site após cada tentativa, refinando sua estratégia ao longo do tempo sem precisar de retreinamento supervisionado tradicional.

O resultado mais chamativo do estudo é o ganho de desempenho obtido puramente por seleção inteligente de ferramenta e contexto (agentic tool selection), em vez de simplesmente usar um modelo maior: o DarKnight elevou um VLM aberto local de desempenho baixo para 83,2% de taxa de sucesso no mercado mais defendido testado — uma melhora de 37,2 pontos percentuais sobre o modelo base — superando até mesmo o Claude Opus 5 operando como solução de referência (44% na mesma tarefa). O sistema também recuperou 48,2% dos casos que o modelo base falhava, a um custo de degradação de apenas 7,6% em outras métricas, mostrando que uso seletivo de ferramentas evita boa parte da perda de desempenho normalmente associada a pipelines de pré-processamento genéricos e uniformes.

O valor dessa pesquisa é duplo e vale destacar os dois lados: para investigadores de CTI e forças de segurança, é uma ferramenta legítima de soberania operacional para continuar monitorando ameaças na dark web sem depender de provedores comerciais de IA. Mas a mesma técnica — um agente de IA local e barato que aprende a contornar CAPTCHAs customizados mais rápido que modelos comerciais de ponta — é diretamente reaproveitável por atores maliciosos para automatizar coleta abusiva, criação de contas falsas em massa ou outras formas de bypass de controles anti-bot em qualquer serviço online, não apenas em marketplaces da dark web.