Evaluamos el uso del navegador de Claude Opus 5 con cinco herramientas de automatización del navegador en 27 tareas web

Para usar el navegador con Claude Opus 5 en nuestra configuración de Claude Code, elegiríamos ego-browser para completar más tareas en varios sitios dentro de 100 pasos. También tuvo el menor tiempo medio y el menor coste medio en las 13 tareas que todas las herramientas superaron. La mayor parte de su ventaja en intentos superados procede de tareas que recopilan los mismos campos en muchos sitios; en el resto, Chrome DevTools CLI superó tantas como ego-browser. Cada herramienta ejecutó una vez cada una de nuestras 27 tareas, es decir, realizó 27 intentos. Opus 5 superó 24 de 27 intentos con ego-browser (88.9%), 18 con Chrome DevTools CLI y Playwright CLI (66.7%), 17 con Browser Use CLI (63.0%) y 15 con agent-browser (55.6%). En las 13 tareas superadas por las cinco herramientas, ego-browser promedió 324.6 segundos y $1.702 por tarea. Le siguieron Chrome DevTools CLI, con 369.5 segundos y $1.845; Browser Use CLI, con 407.7 segundos y $1.975; Playwright CLI, con 495.8 segundos y $2.052; y agent-browser, con 543.6 segundos y $2.368.
La diferencia está en las tareas que abarcan varios sitios: 11 tareas que recopilan los mismos campos de entre 8 y 16 sitios. Opus 5 superó 8 con ego-browser y entre 1 y 3 con cada una de las demás herramientas. Con esas cuatro herramientas, lo habitual fue agotar los 100 pasos sin llegar a escribir una respuesta: ocurrió entre 7 y 9 veces con cada una, frente a una vez con ego-browser. En las otras 16 tareas, Chrome DevTools CLI también superó las 16, Playwright CLI y Browser Use CLI superaron 15, y agent-browser, 14.
En nuestras ejecuciones, la diferencia estuvo relacionada con el número de llamadas a herramientas que exigía el mismo trabajo. En las 13 tareas que todas superaron, Opus 5 promedió 30.3 llamadas por tarea con ego-browser y entre 41.2 y 53.7 con las demás. Con ego-browser hizo menos llamadas en entre 10 y 13 de esas 13 tareas. Ese menor número de llamadas estuvo acompañado de menos tiempo de navegador, menos tokens en caché releídos y más margen dentro del presupuesto de 100 pasos.
Cada herramienta tiene un punto débil. Con ego-browser, Opus 5 falló en 3 de las 11 tareas que abarcaban varios sitios. Chrome DevTools CLI fue más rápido que ego-browser en 5 de las 13 tareas superadas por las cinco herramientas, pero solo superó 2 de las 11 que abarcaban varios sitios. El tiempo medio de Playwright CLI incluye una ejecución de 2 127 segundos en la tarea de publicaciones de lanzamientos de SpaceX. Browser Use CLI dio 3 respuestas incorrectas y agent-browser agotó los 100 pasos 11 veces, dos de ellas fuera de las tareas que abarcaban varios sitios.
| Herramienta de navegador | Tasa de éxito | Tiempo medio por tarea | Coste medio por tarea |
|---|---|---|---|
| ego-browser | 88.9% (24/27) | 324.6 s | $1.702 |
| Chrome DevTools CLI | 66.7% (18/27) | 369.5 s | $1.845 |
| Playwright CLI | 66.7% (18/27) | 495.8 s | $2.052 |
| Browser Use CLI | 63.0% (17/27) | 407.7 s | $1.975 |
| agent-browser | 55.6% (15/27) | 543.6 s | $2.368 |
Cada herramienta ejecutó una vez cada una de las 27 tareas, por lo que la tasa de éxito se calcula sobre 27 intentos por herramienta. El tiempo y el coste por tarea son medias de las 13 tareas superadas por las cinco herramientas; ninguna abarcaba varios sitios. El tiempo incluye la espera de Opus 5 y la ejecución de comandos del navegador; el coste es el que Claude Code registró para cada intento.
Tasa de éxito
Con ego-browser, Opus 5 superó más tareas, y casi toda esa ventaja procedió de las 11 que abarcaban varios sitios. En las otras 16, la herramienta de navegador apenas cambió si Opus 5 superaba la tarea.
| Grupo de tareas | ego-browser | Chrome DevTools CLI | Playwright CLI | Browser Use CLI | agent-browser |
|---|---|---|---|---|---|
| Tareas en varios sitios (11) | 8 de 11 | 2 de 11 | 3 de 11 | 2 de 11 | 1 de 11 |
| Otras tareas (16) | 16 de 16 | 16 de 16 | 15 de 16 | 15 de 16 | 14 de 16 |
| Todas las tareas (27) | 24 de 27 | 18 de 27 | 18 de 27 | 17 de 27 | 15 de 27 |
Intentos superados en cada grupo, con un intento por tarea y herramienta, en las ejecuciones del 3 y 5 de noviembre de 2026. Si tu agente recopila los mismos campos en muchos sitios, la fila de tareas en varios sitios muestra dónde se diferenciaron las herramientas.
Con las otras cuatro herramientas, la mayoría de los fallos fueron ejecuciones que agotaron los 100 pasos sin dar una respuesta. Las respuestas incorrectas fueron poco frecuentes con todas las herramientas: entre 1 y 3 por herramienta. En las 11 tareas que abarcaban varios sitios, Opus 5 promedió 73.4 llamadas a herramientas por intento con ego-browser y entre 91.5 y 97.0 con las demás. Cada fila de abajo suma 27 intentos.
| Herramienta de navegador | Superados | Agotó los 100 pasos | Respuesta incorrecta |
|---|---|---|---|
| ego-browser | 24 | 1 | 2 |
| Chrome DevTools CLI | 18 | 7 | 2 |
| Playwright CLI | 18 | 8 | 1 |
| Browser Use CLI | 17 | 7 | 3 |
| agent-browser | 15 | 11 | 1 |
Ninguna otra herramienta superó una tarea en la que ego-browser fallara. Sus tres fallos —dos respuestas incorrectas y una ejecución que agotó los 100 pasos— fueron tareas en varios sitios en las que también fallaron las otras cuatro herramientas.
La tarea de los bancos centrales muestra el patrón. Opus 5 debía buscar en el sitio de cada uno de 12 bancos centrales su primera decisión de tipos programada de 2026, con la fecha, el cambio, el tipo oficial, los votos discrepantes y la fecha de la siguiente decisión. Con ego-browser, recorrió los bancos desde la Reserva Federal hasta el Reserve Bank of India y devolvió correctamente las 12 filas. Con cada una de las otras cuatro herramientas, agotó los 100 pasos sin escribir una respuesta.

En las otras 16 tareas, Chrome DevTools CLI superó tantas como ego-browser. En las tareas que abarcaban varios sitios, Opus 5 dio una respuesta final dentro del presupuesto de 100 pasos en 10 de 11 con ego-browser y entre 2 y 4 con las demás. Este es el tipo de trabajo en el que más tendríamos en cuenta la elección de herramienta.
Velocidad
Con ego-browser, Opus 5 obtuvo el menor tiempo medio. En las 13 tareas superadas por las cinco herramientas, promedió 324.6 segundos por tarea, frente a un intervalo de 369.5 a 543.6 con las demás. Fue más rápido que Chrome DevTools CLI en 8 de esas 13 tareas, que cada una de las herramientas Playwright CLI y Browser Use CLI en 10, y que agent-browser en 11. La media de Playwright CLI incluye una ejecución de 2 127 segundos en la tarea de publicaciones de lanzamientos de SpaceX; por eso también examinamos la diferencia tarea por tarea.
Frente a todas las demás herramientas, ego-browser empleó menos tiempo en ejecutar comandos del navegador e hizo menos llamadas.
| Herramienta de navegador | Llamadas a herramientas por tarea | Espera de Opus 5 por tarea | Ejecución de comandos del navegador por tarea |
|---|---|---|---|
| ego-browser | 30.3 | 222.7 s | 100.3 s |
| Chrome DevTools CLI | 41.2 | 222.4 s | 147.6 s |
| Playwright CLI | 46.0 | 253.0 s | 243.7 s |
| Browser Use CLI | 42.0 | 267.2 s | 139.4 s |
| agent-browser | 53.7 | 298.9 s | 243.3 s |
Medias de las 13 tareas superadas por las cinco herramientas, en las ejecuciones del 3 y 5 de noviembre de 2026.
Frente a Chrome DevTools CLI, la herramienta más cercana, la espera del modelo fue casi igual, mientras que el tiempo registrado de comandos del navegador fue menor con ego-browser. Opus 5 dedicó 222.7 segundos por tarea a esperar al modelo con ego-browser y 222.4 con Chrome DevTools CLI. Con ego-browser, Opus 5 hizo 30.3 llamadas en lugar de 41.2 y escribió más por llamada: 565 tokens de salida, incluido el razonamiento, frente a 389.
La tarea de taquilla muestra en qué se emplean las llamadas. Opus 5 debía conciliar las recaudaciones de seis películas de Wes Anderson entre Box Office Mojo y Wikipedia, y las cinco herramientas acertaron todos los valores. Con ego-browser superó la tarea en 15 llamadas a herramientas y 167 segundos; las otras cuatro necesitaron entre 20 y 26 llamadas y entre 249 y 290 segundos. La diferencia surgió en la parte de Box Office Mojo: ego-browser la terminó en la llamada 10 y las demás, entre las llamadas 12 y 16. En la llamada 10, un único script abrió sucesivamente las páginas de estreno de cinco películas e imprimió sus recaudaciones.

Coste
ego-browser también tuvo el menor coste medio del modelo en las tareas superadas por todas las herramientas. En esas 13 tareas, Opus 5 costó $1.702 por tarea con ego-browser y entre $1.845 y $2.368 con las demás. ego-browser costó menos en 8 de esas 13 tareas frente a cada una de las herramientas Chrome DevTools CLI y Browser Use CLI, en 10 frente a Playwright CLI y en 11 frente a agent-browser.
El modelo y su precio son los mismos con todas las herramientas, por lo que toda la diferencia está en el uso, y se aprecia en las lecturas de caché. Cada llamada a una herramienta añade un turno, y cada turno vuelve a enviar a Opus 5 la conversación acumulada, facturada en su mayor parte como lecturas de caché. Con menos llamadas, Opus 5 releyó 1.32 millones de tokens en caché por tarea con ego-browser, frente a entre 1.69 y 2.42 millones con las demás.
| Herramienta de navegador | Tokens en caché leídos por tarea | Lecturas de caché | Escrituras de caché | Salida |
|---|---|---|---|---|
| ego-browser | 1.32 millones | $0.661 | $0.613 | $0.428 |
| Chrome DevTools CLI | 1.69 millones | $0.846 | $0.597 | $0.401 |
| Playwright CLI | 1.98 millones | $0.991 | $0.607 | $0.454 |
| Browser Use CLI | 1.75 millones | $0.877 | $0.597 | $0.500 |
| agent-browser | 2.42 millones | $1.210 | $0.634 | $0.523 |
Medias por tarea de las 13 tareas superadas por las cinco herramientas. Claude Code escribió todos los tokens en caché con una vigencia de una hora. Los componentes se calculan con los precios publicados por Anthropic para Opus 5: $0.50 por millón de tokens leídos de caché, $10 por millón de tokens escritos en caché con una vigencia de una hora y $25 por millón de tokens de salida. La suma de los tres componentes coincide con el coste por tarea de cada herramienta, con una diferencia de como máximo una décima de centavo.
Los costes de salida y de escritura en caché fueron parecidos entre las cinco herramientas, por lo que las lecturas de caché determinaron el orden. En las 13 tareas superadas por las cinco, ego-browser ahorró 14.3 centavos por tarea frente a Chrome DevTools CLI.
Qué herramienta de navegador usar con Claude Opus 5
Combinaríamos Claude Opus 5 con ego-browser para la variedad de tareas, la configuración de Claude Code y el presupuesto de 100 pasos probados aquí. Opus 5 superó más tareas con esta herramienta y, en las 13 superadas por las cinco, tuvo el menor tiempo medio y el menor coste medio.
Para trabajos en varios sitios como nuestras once tareas, elegiríamos ego-browser dentro de este presupuesto de 100 pasos. Con ese presupuesto de 100 pasos, Opus 5 superó 8 de las 11 tareas con ego-browser y entre 1 y 3 con cada una de las demás. Si tus tareas se parecen a las otras 16 —consultas en unos pocos sitios, investigación a partir de una página o trabajo dentro de una aplicación web—, la herramienta influye menos en si se superan. Chrome DevTools CLI superó las 16, al igual que ego-browser, y en las 13 tareas superadas por las cinco herramientas, ego-browser tardó de media 44.9 segundos menos y costó 14.3 centavos menos por tarea.
Si lo más importante es la velocidad, ego-browser tuvo el menor tiempo medio en las 13 tareas superadas por las cinco herramientas, seguido de Chrome DevTools CLI. Si lo más importante es el coste, el orden en esas tareas fue el mismo. Playwright CLI, Browser Use CLI y agent-browser quedaron por detrás de ambas en tiempo y coste medios.
Nuestra configuración usó Claude Opus 5 (claude-opus-5) con esfuerzo de razonamiento alto en Claude Code, un archivo skill para cada herramienta de navegador y un presupuesto de 100 pasos por intento. ego-browser se proporciona junto con ego(lite) y lo controla como navegador del agente; las otras cuatro herramientas controlan Google Chrome.
El papel de ego(lite) en esta comparación
ego(lite) proporcionó el navegador controlado por ego-browser, mientras que Claude Code y Claude Opus 5 proporcionaron el agente y el modelo, respectivamente. La guía de integración de ego-browser explica esa conexión. Los costes declarados son costes de tokens del modelo, no un precio de suscripción al navegador aparte.
Usa el desglose por tareas para elegir una configuración para trabajos similares con el presupuesto de 100 pasos probado. La comparación de finalización en varios sitios abarca once tareas, mientras que la de tiempo y coste abarca las trece que todas las herramientas superaron. Son grupos distintos, por lo que los costes de las tareas superadas en común no indican cuánto cuesta completar las tareas más difíciles que abarcan varios sitios.
Preguntas frecuentes
¿Es mejor agent-browser o Playwright CLI para automatizar el navegador con Claude Code?
Con Claude Opus 5, Playwright CLI superó más intentos en nuestras ejecuciones: 18 de 27, frente a 15 de agent-browser. En las 13 tareas superadas por las cinco herramientas, Playwright CLI promedió 495.8 segundos y $2.052 por tarea, y agent-browser, 543.6 segundos y $2.368. Playwright CLI fue más rápido en 9 de esas 13 tareas, aunque una ejecución de 2 127 segundos elevó su media. agent-browser agotó los 100 pasos en 11 tareas y Playwright CLI, en 8.
Chrome DevTools CLI frente a Playwright CLI: ¿cuál funciona mejor con Claude Opus 5?
Empataron en éxitos, con 18 de 27 intentos superados con cada herramienta, y Chrome DevTools CLI tuvo el menor tiempo medio y el menor coste medio. En las 13 tareas superadas por las cinco herramientas, promedió 369.5 segundos y $1.845 por tarea, frente a 495.8 segundos y $2.052 de Playwright CLI. Tarea por tarea estuvieron cerca: Chrome DevTools CLI fue más rápido en 7 de esas 13 y más barato en 8. Una ejecución de Playwright CLI de 2 127 segundos en la tarea de publicaciones de lanzamientos de SpaceX explica casi toda la diferencia de tiempo.
¿Es Chrome DevTools CLI una buena opción para Claude Opus 5?
Fuera de las tareas que abarcan varios sitios, sí: con Chrome DevTools CLI, Opus 5 superó las otras 16 tareas, al igual que con ego-browser. Quedó segundo en tiempo y coste medios, con 369.5 segundos y $1.845 por tarea en las 13 superadas por las cinco herramientas. En las 11 tareas que abarcaban varios sitios, superó 2 y agotó los 100 pasos en 7.
¿Cómo se compara Browser Use CLI con otras herramientas de navegador para Claude Code?
Con Browser Use CLI, Opus 5 superó 17 de 27 intentos, frente a entre 15 y 24 con las otras cuatro herramientas. En las 13 tareas superadas por las cinco, quedó tercero en tiempo y coste medios, con 407.7 segundos y $1.975 por tarea. Dio 3 respuestas incorrectas y agotó los 100 pasos en 7 de las 11 tareas que abarcaban varios sitios.
¿Por qué fallan los agentes de navegador en tareas largas que abarcan varios sitios?
Con nuestro presupuesto de 100 pasos, Claude Opus 5 falló sobre todo por agotar los pasos: con cuatro de las cinco herramientas, consumió los 100 pasos en entre 7 y 9 de las 11 tareas que abarcaban varios sitios. Esas cuatro eran Chrome DevTools CLI, Playwright CLI, Browser Use CLI y agent-browser. Con ego-browser ocurrió una vez; en esas tareas promedió 73.4 llamadas a herramientas por intento con ego-browser, frente a entre 91.5 y 97.0 con las demás.
¿Cuánto cuesta una tarea de un agente de navegador con Claude Opus 5?
En las 13 tareas superadas por las cinco herramientas, una tarea de navegador con Claude Opus 5 costó entre unos $1.70 y $2.37, según la herramienta. La mayor parte del coste corresponde a tokens en caché releídos en cada turno, que aumentan con el número de llamadas a herramientas.
¿Cuánto tarda una tarea de un agente de navegador con Claude Opus 5?
En las 13 tareas superadas por las cinco herramientas, una tarea tardó entre 324.6 segundos con ego-browser y 543.6 con agent-browser. En las tareas que abarcaban varios sitios, los promedios de las cinco herramientas fueron de entre 919.1 y 1112.2 segundos, contando todos los intentos. Ambas cifras incluyen el tiempo de espera de Opus 5.
¿Cuántas llamadas a herramientas hace Claude Opus 5 en una tarea de navegador?
Entre 30.3 y 53.7 por tarea en las 13 superadas por las cinco herramientas, según la herramienta de navegador. ego-browser necesitó menos y agent-browser, más. En las 11 tareas que abarcaban varios sitios, los intentos promediaron 73.4 llamadas con ego-browser y entre 91.5 y 97.0 con las otras cuatro.
¿Cómo varió la tasa de éxito de Claude Opus 5 entre las configuraciones probadas?
En nuestras ejecuciones hubo diferencias: con el mismo modelo y la misma configuración de Claude Code, Opus 5 superó entre el 55.6% y el 88.9% de sus 27 intentos, según la herramienta de navegador. La mayor parte de la diferencia procedía de las 11 tareas que abarcaban varios sitios. En las otras 16, todas las herramientas superaron entre 14 y 16.
¿Difieren las herramientas de navegador en las tareas de aplicaciones web?
No en cuanto al éxito de las tareas: Opus 5 superó las 4 tareas de nuestras aplicaciones web de prueba con cada una de las cinco herramientas. Ninguna fue la más rápida en más de 2 de las 4. Sí difirieron en el número de llamadas que exigía el trabajo: 36.2 por tarea con ego-browser y entre 47.8 y 77.2 con las demás.
Cómo realizamos las pruebas
Ejecutamos ego-browser el 3 de noviembre de 2026 y las otras cuatro herramientas el 5 de noviembre de 2026, una tras otra, todas en el mismo Apple silicon Mac mini con macOS 26.5. Todas las ejecuciones usaron Claude Opus 5 (claude-opus-5) con esfuerzo de razonamiento alto en Claude Code 2.1.316, con las herramientas Bash, Read, Write, Edit y Skill. El modelo, el agente, el esfuerzo, las tareas, la puntuación y el presupuesto de pasos fueron iguales para todas las herramientas. Lo que cambiamos fue la herramienta de navegador, su archivo skill y el navegador que controlaba.
Herramientas de navegador
Comparamos cinco herramientas de navegador que Claude Code controla mediante comandos de shell. ego-browser v2.2.0-beta.5 controló ego(lite) 0.6.3.2: Opus 5 escribió scripts de JavaScript, ego-browser los ejecutó sobre la página y su contenido se devolvió mediante lo que imprimiera el script. Chrome DevTools CLI 1.10.1, Playwright CLI 0.1.22 y agent-browser 0.39.1 controlaron Google Chrome 156 con comandos para abrir una página, obtener una instantánea de sus elementos o ejecutar JavaScript. Opus 5 encadenó dos o más de esos comandos en entre el 47.4% y el 56.7% de las llamadas de shell que los usaron. Browser Use CLI 0.1.13 controló Google Chrome 156 mediante scripts de Python con funciones auxiliares para cargar páginas y ejecutar JavaScript.
Tareas
Usamos 27 tareas en sitios web reales y aplicaciones web de prueba. Las 11 tareas que abarcan varios sitios recopilan los mismos campos de entre 8 y 16 sitios, como la primera decisión de tipos de 2026 de 12 bancos centrales. Las otras 16 son 9 consultas en entre uno y tres sitios indicados, 3 tareas de investigación que parten de una página y 4 tareas en aplicaciones web de negocio. Entre los ejemplos están conciliar la recaudación de seis películas entre Box Office Mojo y Wikipedia, leer puntos de un gráfico al pasar el cursor y reservar un viaje cumpliendo una política de viajes.
Las tareas que abarcan varios sitios son un grupo definido en el propio conjunto de tareas: enumeran 8 o más elementos e indican un sitio distinto para cada uno. Cada tarea pertenece a un solo grupo.
Qué cuenta como intento superado
Cada tarea tiene elementos puntuables: 190 en total entre las 27 tareas. Un intento solo se supera si su respuesta final acierta todos los elementos puntuables; un intento sin respuesta final falla.
Cómo hicimos los recuentos
Un intento es una ejecución de una tarea con una herramienta. Cada herramienta ejecutó cada tarea una vez, por lo que realizó 27 intentos; la tasa de éxito se calcula sobre intentos. Un paso es un turno del modelo y cada intento podía usar hasta 100 pasos, con un máximo de 60 minutos. De los 8 607 pasos que hicieron una llamada a una herramienta, todos salvo 5 hicieron exactamente una.
Una llamada a una herramienta es una invocación de Bash, Read, Write, Edit o Skill de Claude Code: por ejemplo, un script de navegador, una llamada de shell que puede encadenar varios comandos o una lectura de archivo. Un intento se cuenta como agotamiento de los 100 pasos cuando llega al límite sin respuesta final; cada uno de esos intentos hizo 99 o 100 llamadas a herramientas. Los recuentos de llamadas proceden del registro de sesión de Claude Code de cada intento.
El tiempo es el tiempo real transcurrido por intento. Incluye la espera de la API de Opus 5 y la ejecución de comandos del navegador, medidos por separado en la tabla de velocidad. El coste es el que Claude Code declaró para cada intento con los precios de tarifa de Anthropic para Opus 5; los tokens en caché y los de salida proceden del mismo registro. Los tokens de salida por llamada, incluido el razonamiento, se calculan dividiendo los tokens de salida por tarea de cada herramienta entre sus llamadas a herramientas por tarea.
La velocidad y el coste se comparan en las 13 tareas superadas por las cinco herramientas. Como cada tarea se ejecutó una vez por herramienta, su tiempo y su coste corresponden a ese único intento. Recuentos como “más rápido en 8 de 13 tareas” comparan las herramientas tarea por tarea. Las llamadas de shell se consideran encadenadas cuando ejecutan dos o más comandos de la misma herramienta de navegador.
Resultados completos
Cada celda muestra un intento: su resultado, su tiempo real transcurrido en segundos y su coste. Cada herramienta ejecutó cada tarea una vez. El tiempo incluye la espera de la API de Opus 5. “Agotó todos los pasos” significa que el intento alcanzó su presupuesto de 100 pasos sin respuesta final.
Tareas en varios sitios
| Tarea | ego-browser | Chrome DevTools CLI | Playwright CLI | Browser Use CLI | agent-browser |
|---|---|---|---|---|---|
| Número de pistas, duración, fecha de lanzamiento y créditos de un álbum en nueve servicios de música | Superado, 415 s, $2.42 | Respuesta incorrecta, 781 s, $3.88 | Superado, 809 s, $4.58 | Superado, 633 s, $3.43 | Agotó todos los pasos, 728 s, $4.58 |
| Peso, batería, resolución y especificaciones de disparo en ráfaga de ocho cámaras en los sitios de sus fabricantes | Superado, 1112 s, $5.75 | Agotó todos los pasos, 990 s, $4.63 | Agotó todos los pasos, 823 s, $4.40 | Agotó todos los pasos, 936 s, $5.37 | Agotó todos los pasos, 799 s, $4.91 |
| Primera decisión de tipos de 2026 de 12 bancos centrales, en el sitio de cada banco | Superado, 899 s, $5.95 | Agotó todos los pasos, 780 s, $6.20 | Agotó todos los pasos, 604 s, $5.22 | Agotó todos los pasos, 539 s, $5.29 | Agotó todos los pasos, 766 s, $4.31 |
| Ponencias inaugurales de nueve conferencias de desarrolladores en sus programas y YouTube | Agotó todos los pasos, 1401 s, $7.37 | Agotó todos los pasos, 1126 s, $5.80 | Agotó todos los pasos, 945 s, $5.31 | Agotó todos los pasos, 1100 s, $6.14 | Agotó todos los pasos, 962 s, $5.58 |
| Autonomía y especificaciones de carga en CC de nueve SUV eléctricos en los sitios estadounidenses de los fabricantes | Respuesta incorrecta, 1020 s, $8.37 | Agotó todos los pasos, 1015 s, $5.92 | Agotó todos los pasos, 803 s, $5.31 | Agotó todos los pasos, 1084 s, $6.83 | Agotó todos los pasos, 1223 s, $6.02 |
| Tamaño, contexto, licencia y tokens de entrenamiento de nueve modelos de pesos abiertos | Respuesta incorrecta, 749 s, $7.29 | Agotó todos los pasos, 943 s, $5.84 | Agotó todos los pasos, 741 s, $5.31 | Agotó todos los pasos, 886 s, $7.02 | Agotó todos los pasos, 1207 s, $6.46 |
| Salario mínimo legal en nueve países, en los sitios de los ministerios de Trabajo | Superado, 616 s, $4.39 | Agotó todos los pasos, 1075 s, $6.20 | Superado, 687 s, $4.83 | Agotó todos los pasos, 724 s, $5.81 | Agotó todos los pasos, 1055 s, $5.02 |
| Peso, batería, pantalla, clasificación IP y política de actualizaciones de nueve móviles en los sitios británicos de las marcas | Superado, 745 s, $6.02 | Agotó todos los pasos, 908 s, $4.86 | Agotó todos los pasos, 778 s, $4.53 | Agotó todos los pasos, 898 s, $5.66 | Agotó todos los pasos, 786 s, $5.27 |
| Límites del nivel gratuito de nueve plataformas de funciones sin servidor | Superado, 515 s, $3.81 | Superado, 958 s, $6.45 | Superado, 565 s, $4.71 | Respuesta incorrecta, 580 s, $3.76 | Agotó todos los pasos, 1251 s, $5.97 |
| Publicaciones de versiones de seguridad de ocho proyectos de código abierto en X, cotejadas con sus propios avisos | Superado, 1058 s, $3.83 | Superado, 1047 s, $4.99 | Agotó todos los pasos, 2128 s, $4.96 | Superado, 1805 s, $6.16 | Superado, 1908 s, $5.35 |
| Publicaciones de 2026 sobre productos de ocho marcas en X, cotejadas con sus notas de prensa | Superado, 1580 s, $4.56 | Respuesta incorrecta, 849 s, $4.62 | Agotó todos los pasos, 2024 s, $5.21 | Respuesta incorrecta, 1832 s, $5.39 | Respuesta incorrecta, 1548 s, $4.76 |
Otras tareas
| Tarea | ego-browser | Chrome DevTools CLI | Playwright CLI | Browser Use CLI | agent-browser |
|---|---|---|---|---|---|
| Obtener precios de tres modelos de MacBook con 32 GB / 1 TB en la página de comparación, la tienda estadounidense y las páginas de especificaciones de Apple | Superado, 367 s, $3.15 | Superado, 374 s, $2.74 | Superado, 481 s, $4.91 | Superado, 438 s, $3.06 | Superado, 568 s, $3.52 |
| Conciliar las recaudaciones de seis películas de Wes Anderson entre Box Office Mojo y Wikipedia | Superado, 167 s, $0.81 | Superado, 290 s, $1.01 | Superado, 249 s, $0.89 | Superado, 265 s, $1.25 | Superado, 270 s, $0.96 |
| Instantánea preliminar de KYC de cuatro empresas británicas en Companies House | Superado, 359 s, $2.02 | Superado, 333 s, $1.42 | Superado, 319 s, $1.66 | Superado, 321 s, $1.42 | Superado, 356 s, $1.65 |
| Asociar ensayos de fase 3 de dermatitis atópica de 2021 en ClinicalTrials.gov con las fichas de sus medicamentos en DailyMed | Superado, 391 s, $1.98 | Superado, 338 s, $2.15 | Superado, 468 s, $2.72 | Superado, 541 s, $2.38 | Superado, 475 s, $2.74 |
| Variaciones de diciembre respecto al diciembre anterior del IPC, el IPC subyacente y el precio de los huevos en FRED, cotejadas con BLS | Superado, 181 s, $1.09 | Superado, 346 s, $1.90 | Superado, 395 s, $1.35 | Superado, 294 s, $1.48 | Superado, 311 s, $1.59 |
| Tarifas mínimas en clase turista sin escalas a Denver desde tres ciudades en un buscador de vuelos | Superado, 766 s, $3.50 | Superado, 1152 s, $3.83 | Respuesta incorrecta, 732 s, $4.03 | Superado, 1008 s, $3.89 | Agotó todos los pasos, 1123 s, $5.25 |
| Decidir si se pueden usar seis funciones de la plataforma web a partir de MDN y Can I use | Superado, 376 s, $1.74 | Superado, 461 s, $2.41 | Superado, 420 s, $1.82 | Superado, 381 s, $1.51 | Superado, 423 s, $2.11 |
| Una semana de publicaciones de lanzamientos de SpaceX en X, cotejadas con dos listas de lanzamientos de Wikipedia | Superado, 472 s, $1.06 | Superado, 558 s, $1.94 | Superado, 2127 s, $2.15 | Superado, 854 s, $1.58 | Superado, 511 s, $1.55 |
| Apuntes de la clase de GPT de Karpathy, contrastados entre YouTube, GitHub y arXiv | Superado, 245 s, $1.55 | Superado, 426 s, $2.75 | Superado, 696 s, $2.93 | Superado, 466 s, $2.05 | Agotó todos los pasos, 1344 s, $4.49 |
| Leer ocho puntos de bajo coste pasando el cursor por el gráfico de clasificación de ARC Prize | Superado, 294 s, $1.60 | Superado, 360 s, $1.87 | Superado, 354 s, $1.92 | Respuesta incorrecta, 387 s, $2.65 | Superado, 679 s, $2.19 |
| Contar modelos que superan los umbrales de cómputo de la UE en la base de datos de modelos de Epoch AI | Superado, 211 s, $1.25 | Superado, 210 s, $0.97 | Superado, 273 s, $1.57 | Superado, 150 s, $0.84 | Superado, 882 s, $1.95 |
| Rastrear diez celdas de una tabla de LLM de Wikipedia hasta las fuentes que citan | Superado, 444 s, $2.11 | Superado, 474 s, $2.19 | Superado, 427 s, $2.22 | Superado, 335 s, $1.91 | Superado, 349 s, $1.73 |
| Reservar vuelos, un asiento de pasillo y un hotel cercano conforme a la política en una aplicación de viajes y gastos | Superado, 281 s, $1.91 | Superado, 221 s, $2.14 | Superado, 452 s, $2.97 | Superado, 403 s, $3.01 | Superado, 409 s, $1.98 |
| Ajustar los monitores de servicios de nivel 1 a una norma escrita en una consola de nube | Superado, 230 s, $1.39 | Superado, 202 s, $1.39 | Superado, 252 s, $1.69 | Superado, 264 s, $1.60 | Superado, 543 s, $3.20 |
| Cotejar las facturas de febrero con los pagos y abrir disputas en una aplicación de operaciones | Superado, 539 s, $2.53 | Superado, 547 s, $2.36 | Superado, 373 s, $1.73 | Superado, 681 s, $3.74 | Superado, 1008 s, $4.00 |
| Crear pedidos de compra por proveedor mediante una importación CSV en una aplicación de operaciones | Superado, 203 s, $1.08 | Superado, 450 s, $1.37 | Superado, 210 s, $1.01 | Superado, 376 s, $1.87 | Superado, 962 s, $3.81 |
