Cómo rindió GPT-6.1 Sol con tres herramientas de navegador

Nuestra configuración predeterminada sería ejecutar GPT-6.1 Sol en ego(lite) a través de ego-browser. Completó 27 de sus 28 tareas guardadas, frente a 23 de agent-browser y 22 de playwright-cli, y fue la herramienta más rápida en las 18 tareas que completaron las tres. No fue la más barata en todas las métricas: playwright-cli gastó menos por ejecución y superó una tarea de búsqueda de vuelos que ego-browser no superó.
La mayor diferencia entre las herramientas de navegador con GPT-6.1 Sol aparece en la recopilación de datos en varios sitios, donde una tarea obtiene los mismos campos de varias fuentes oficiales. Ego-browser superó las diez tareas de este tipo, frente a seis de agent-browser y siete de playwright-cli. Las tres herramientas empataron en las tres tareas de investigación y síntesis y en las cuatro de automatización de aplicaciones web dentro de nuestras aplicaciones de prueba, por lo que la rapidez y el costo deciden en esos dos grupos.
Con nuestra configuración, ego-browser encabeza las tareas completadas y la rapidez, mientras que playwright-cli tiene el menor costo medio por ejecución: $0.4182. Una mayor tasa de éxito dio a ego-browser el menor costo por tarea superada, $0.4646, y en las 18 tareas comunes su costo medio difirió en un 5.4% del de playwright-cli.
Las demás condiciones de esta prueba se mantuvieron fijas en todos los intentos, por lo que las diferencias siguientes proceden de la herramienta que realizó la navegación. Un intento es una ejecución guardada de una tarea de la primera ronda de pruebas de esa herramienta.
| Herramienta de navegador | Tasa de éxito | Tiempo medio por tarea | Costo medio registrado por tarea |
|---|---|---|---|
| ego-browser | 96.4% (27/28) | 246.7 s | $0.3352 |
| agent-browser | 82.1% (23/28) | 452.5 s | $0.4702 |
| playwright-cli | 78.6% (22/28) | 399.9 s | $0.3542 |
La tasa de éxito utiliza 28 intentos guardados por herramienta. El tiempo y el costo utilizan las mismas 18 tareas que superaron las tres herramientas. Los costos son registros de ejecución en USD calculados según el uso. La fila de ego-browser utiliza su compilación de prueba del 7 de noviembre de 2026; las demás, ejecuciones del 5 de noviembre de 2026.
Tasa de éxito

La mayor tasa de éxito corresponde a ego-browser, y completar el trabajo es por lo que pagaríamos primero: un solo campo ausente obliga a volver a investigar. Superó 27 de 28 tareas, cuatro más que agent-browser, y no dejó de superar ninguna que agent-browser completara. Ego-browser superó seis tareas que playwright-cli no superó, y playwright-cli superó una que ego-browser no superó. Playwright-cli también superó las ocho tareas de búsqueda y comparación, frente a siete de ego-browser.
Agent-browser falló de dos maneras: tres respuestas contenían valores incorrectos o ausentes, y dos intentos terminaron sin respuesta final. Playwright-cli dejó sin completar un valor obligatorio en cinco de sus seis fallos. Tres de esos fallos correspondían a publicaciones de X, donde indicó que las marcas de tiempo no estaban disponibles; agent-browser superó las tres tareas de esas publicaciones.
Los otros dos valores ausentes fueron el número de pistas de Qobuz en una tarea sobre un álbum completada por ego-browser, y los tokens de entrenamiento de Phi-4 en una comparación de modelos abiertos.
En una comparación de vuelos, GPT-6.1 Sol con ego-browser indicó una tarifa superior a otra más baja que ya había visto con los mismos ajustes. Por eso la respuesta incumplió las condiciones de aceptación de la tarea, mientras que el intento de playwright-cli la superó. Una tabla completa puede seguir conteniendo ese valor que cambia la decisión.
Velocidad
En rapidez, ego-browser redujo casi a la mitad la espera en las 18 tareas que superaron las tres herramientas. Promedió 246.7 segundos por tarea, un 45.5% menos que agent-browser y un 38.3% menos que playwright-cli. También fue más rápido en 15 de las 18 tareas frente a agent-browser y en 17 frente a playwright-cli.

GPT-6.1 Sol realizó menos llamadas a herramientas para el mismo trabajo; una llamada es una solicitud a una herramienta: 28.1 por tarea con ego-browser, 44.1 con agent-browser y 36.8 con playwright-cli. La ejecución de las herramientas tomó 84.4 segundos con ego-browser, frente a 210.0 con agent-browser y 215.6 con playwright-cli.
La tarea de cámaras muestra la diferencia en un trabajo habitual en el que las tres herramientas completaron la comparación de ocho marcas. GPT-6.1 Sol tardó 330.2 segundos con ego-browser, 597.2 con agent-browser y 598.5 con playwright-cli, y utilizó 29, 57 y 54 llamadas a herramientas para obtener el mismo resultado aceptado.

Costo
Sin perjudicar la tasa de finalización, ego-browser cuesta menos que agent-browser. En las 18 tareas comunes fue un 28.7% más barato y costó menos en 15 de ellas, con el mismo modelo y menos llamadas a herramientas por tarea.
El costo de Playwright-cli en las tareas comunes es tan cercano al de ego-browser que no elegiríamos entre ambos solo por esa cifra. Sus promedios difieren en un 5.4%, y ego-browser fue más barato en diez tareas, mientras que playwright-cli lo fue en ocho. Al contar los fallos, el costo registrado por intento exitoso de ego-browser queda por debajo del de playwright-cli: $0.4646 frente a $0.5322.
El costo medio de todos los intentos y el costo por tarea superada responden a preguntas distintas, así que mostramos ambos. El primero indica el costo de una ejecución; el segundo divide el gasto registrado, incluidos los fallos, entre el número de intentos exitosos.
| Herramienta de navegador | Costo medio registrado por tarea en los 28 intentos | Costo registrado por intento exitoso |
|---|---|---|
| ego-browser | $0.4480 | $0.4646 |
| agent-browser | $0.5938 | $0.7229 |
| playwright-cli | $0.4182 | $0.5322 |
Estas cifras utilizan las mismas ejecuciones de la primera ronda: ego-browser, el 7 de noviembre de 2026, y las otras herramientas, el 5 de noviembre de 2026. Son registros calculados según el uso; excluyen los costos de evaluación y los reintentos anteriores ausentes de las filas guardadas, y no son facturas verificadas.
Playwright-cli es el más barato por ejecución, con $0.4182. Ego-browser tiene el menor costo registrado por intento exitoso, $0.4646, porque más de sus ejecuciones cumplieron todos los requisitos. Ninguna de las dos cifras hace que ego-browser sea el más barato en todas las tareas.
Recopilación de datos en varios sitios
Cuando GPT-6.1 Sol debe recopilar los mismos campos de varias fuentes oficiales, ego-browser es la opción más clara. Superó las diez tareas, frente a seis de agent-browser y siete de playwright-cli, y la diferencia es mayor que en la comparación general.
| Herramienta de navegador | Tasa de éxito en recopilación de datos en varios sitios |
|---|---|
| ego-browser | 100.0% (10/10) |
| agent-browser | 60.0% (6/10) |
| playwright-cli | 70.0% (7/10) |
Este grupo utiliza las mismas ejecuciones de la primera ronda que el resumen: ego-browser, el 7 de noviembre de 2026, y las otras dos herramientas, el 5 de noviembre de 2026.

Cuando hay que completar todas las filas, una diferencia de tres o cuatro tareas determina si la tabla se puede utilizar. Estas diez tareas abarcaron decisiones de bancos centrales, especificaciones de productos y comparaciones de cumplimiento de SaaS.
La tarea de SaaS muestra por qué una celda rellena puede seguir siendo incorrecta. Se pidió el estado de certificación al 30 de septiembre de 2026, y tanto agent-browser como playwright-cli registraron a Smartsheet como certificada cuando el estado requerido era certificación en curso. El intento de ego-browser acertó todos los campos de la comparación.
Qué herramienta usaríamos
Para obtener entregables de investigación completos, especialmente al recopilar datos en varios sitios, combinaríamos GPT-6.1 Sol con nivel de razonamiento high y ego-browser a través de pi. Esa combinación tuvo la mayor tasa de finalización, la menor espera en las tareas comunes y un costo inferior al de agent-browser y cercano al de playwright-cli.
Mantendríamos playwright-cli cuando lo prioritario sea el costo de ejecución o el trabajo se parezca a una búsqueda y comparación. Superó las ocho tareas de ese tipo, mientras que ego-browser y agent-browser superaron siete cada uno, así que estos ocho resultados no justifican sustituir una configuración de playwright-cli que ya funciona.
Agent-browser superó una tarea más que playwright-cli, pero con mayor costo registrado, por lo que el recuento total por sí solo no da un motivo sólido para preferirlo. Superó tres tareas sobre publicaciones de X en las que playwright-cli no superó ninguna, y eso explica una parte importante de la diferencia de una tarea.
Preguntas frecuentes
¿Qué herramienta de navegador registró más intentos exitosos con GPT-6.1 Sol?
ego-browser registró más intentos exitosos: 27 de 28 intentos guardados, frente a 23 de agent-browser y 22 de playwright-cli. El modelo, el entorno de ejecución del agente pi y las tareas se mantuvieron fijos, y cada herramienta aportó una ejecución guardada por tarea de su primera ronda. La recopilación de datos en varios sitios explica las cuatro tareas de ventaja sobre agent-browser.
¿Qué herramienta de navegador fue la más rápida con GPT-6.1 Sol?
ego-browser fue la más rápida, con una media de 246.7 segundos por tarea en las 18 que superaron las tres herramientas. Con el mismo modelo, agent-browser promedió 452.5 segundos y playwright-cli, 399.9 segundos. Ego-browser también fue más rápida en 15 tareas frente a agent-browser y en 17 frente a playwright-cli, por lo que el promedio refleja una ventaja extendida a muchas tareas.
¿Cuánto cuesta GPT-6.1 Sol por tarea de navegador?
En las 18 tareas comunes, el costo medio registrado de GPT-6.1 Sol fue de $0.3352 con ego-browser, $0.4702 con agent-browser y $0.3542 con playwright-cli. En los 28 intentos, esos promedios fueron $0.4480, $0.5938 y $0.4182. Son registros de ejecución calculados según el uso, no facturas verificadas, y excluyen los costos de evaluación.
¿El menor costo medio por ejecución también dio el menor costo por intento exitoso?
Playwright-cli tuvo el menor costo medio por ejecución, $0.4182, pero ego-browser tuvo el menor costo registrado por intento exitoso, $0.4646. El costo por intento exitoso de agent-browser fue $0.7229 y el de playwright-cli, $0.5322. Dividimos el gasto registrado de cada herramienta en los 28 intentos, incluidos los fallos, entre su número de intentos exitosos.
¿ego-browser ganó a playwright-cli en todas las tareas?
ego-browser superó 6 tareas que playwright-cli no superó, pero playwright-cli superó 1 que ego-browser no superó. El contraejemplo fue una comparación de vuelos en la que GPT-6.1 Sol con ego-browser indicó una tarifa superior a otra más baja que cumplía los requisitos. Contamos esa respuesta como fallo aunque el modelo devolviera una tabla.
¿Qué herramienta elegiríamos para recopilar datos en varios sitios?
Elegiríamos ego-browser para la recopilación de datos en varios sitios con GPT-6.1 Sol, ya que los 10 intentos tuvieron éxito. Agent-browser registró seis éxitos y playwright-cli siete en las mismas tareas. La comparación de SaaS muestra por qué importa completar bien el trabajo: las otras dos opciones utilizaron un estado de certificación incorrecto para la fecha de corte solicitada.
¿Sustituiríamos playwright-cli para el trabajo de búsqueda y comparación?
No sustituiríamos playwright-cli por motivos de finalización en estas 8 tareas de búsqueda y comparación: superó las 8. Ego-browser y agent-browser superaron 7 cada uno. La comparación de rapidez favorece a ego-browser, así que el tiempo de espera es el motivo más sólido para considerar un cambio en este grupo.
¿Un éxito más convierte a agent-browser en una opción mejor que playwright-cli?
Los 23 éxitos de agent-browser frente a los 22 de playwright-cli no dan un motivo sólido para preferirlo en general. Agent-browser también costó más en las tareas comunes, con una media de $0.4702 por tarea frente a $0.3542 de playwright-cli. Los resultados difieren según la tarea, incluidas tres tareas sobre publicaciones de X que agent-browser completó con éxito y playwright-cli no, por lo que elegiríamos según el trabajo.
¿Las tres herramientas de navegador obtuvieron el mismo resultado en las tareas de investigación y aplicaciones web?
Las tres herramientas superaron las 3 tareas de investigación y síntesis y las 4 de automatización de aplicaciones web en nuestras aplicaciones de prueba. Esos resultados no dan motivos para ordenarlas dentro de ninguno de los dos grupos. Nuestra preferencia por ego-browser se basa en el tiempo de espera y el costo registrado, no en una ventaja de finalización en estas 7 tareas.
¿Usar la segunda ronda de ego-browser cambió la elección general?
ego-browser superó 26 de las mismas 28 tareas en su segunda ronda, mientras que agent-browser y playwright-cli se mantuvieron en 23 y 22 de sus primeras rondas. Su tiempo medio en las 18 tareas comunes fue de 252.4 segundos, frente a 452.5 y 399.9 segundos de las otras dos herramientas. Conservamos la primera ronda como resultado principal en lugar de mezclar ambas rondas de ego-browser en la clasificación.
Cómo realizamos las pruebas
Analizamos ejecuciones archivadas de GPT-6.1 Sol con nivel de razonamiento high a través de pi 1.5.0 en macOS, utilizando la ruta openai-codex registrada. La configuración especificaba agent-browser 0.39.1 y playwright-cli 0.1.22 para las ejecuciones del 5 de noviembre de 2026, y la compilación de prueba local-202611071027-ba90f1c de ego-browser se ejecutó el 7 de noviembre de 2026. Cada configuración utilizó el skill y la CLI suministrados para observar las páginas y realizar acciones en el navegador.
Las 28 tareas son las que ya habían ejecutado las otras dos herramientas, extraídas del conjunto de datos efficiency-20261019 de 72 tareas. Cada tarea pertenece a un solo grupo: recopilación de datos en varios sitios, búsqueda y comparación, verificación de redes sociales, investigación y síntesis o automatización de aplicaciones web.
La primera ronda de pruebas de cada herramienta aporta una ejecución guardada por tarea, por lo que cada herramienta tiene 28 intentos. Ego-browser también realizó una segunda ronda, que presentamos por separado. El límite era de 100 turnos de respuesta del modelo, con un tope de 3 600 segundos. Una llamada a una herramienta es una solicitud a una herramienta, y para que un intento tenga éxito, todos los resultados obligatorios y el entregable final deben cumplir las condiciones de aceptación de la tarea.
El tiempo y el costo utilizan las 18 tareas que superaron las tres herramientas. El tiempo incluye razonamiento, solicitudes al modelo, ejecución de herramientas y demás tiempo de procesamiento. Los costos son importes de uso registrados en USD. Las herramientas se ejecutaron con distintos estados de navegador suministrados, por lo que también comprobamos los resultados sin las tres publicaciones de X: 24/25, 20/25 y 22/25, en el mismo orden de herramientas.
Resultados completos
Cada celda muestra los intentos exitosos, los segundos transcurridos y el costo registrado en USD de la ejecución guardada de la primera ronda de pruebas. El tiempo transcurrido incluye la espera de la API del modelo, y cada tarea incluye un intento por herramienta, por lo que el promedio de la tarea coincide con el valor de ese intento. Las filas utilizan la ejecución de ego-browser del 7 de noviembre de 2026 y las de las otras herramientas del 5 de noviembre de 2026.
| Tarea | Tipo de trabajo | ego-browser | agent-browser | playwright-cli |
|---|---|---|---|---|
| Comparar los metadatos de un álbum en nueve servicios | Recopilación de datos en varios sitios | 1/1 · 307.7 s · $0.7724 | 1/1 · 740.8 s · $0.9950 | 0/1 · 524.0 s · $0.6029 |
| Recopilar especificaciones de ocho marcas de cámaras | Recopilación de datos en varios sitios | 1/1 · 330.2 s · $0.4751 | 1/1 · 597.2 s · $0.6865 | 1/1 · 598.5 s · $0.5201 |
| Recopilar decisiones de doce bancos centrales | Recopilación de datos en varios sitios | 1/1 · 382.8 s · $0.6578 | 0/1 · 760.3 s · $1.0079 | 1/1 · 816.4 s · $0.9166 |
| Cotejar las ponencias principales de conferencias y sus grabaciones | Recopilación de datos en varios sitios | 1/1 · 385.6 s · $0.5659 | 1/1 · 672.0 s · $0.9489 | 1/1 · 884.2 s · $0.9596 |
| Comparar especificaciones de SUV eléctricos | Recopilación de datos en varios sitios | 1/1 · 633.2 s · $1.2590 | 0/1 · 748.7 s · $0.8006 | 1/1 · 981.4 s · $0.7713 |
| Comparar fichas de modelos abiertos y sus anuncios | Recopilación de datos en varios sitios | 1/1 · 424.5 s · $0.6486 | 1/1 · 828.6 s · $1.0199 | 0/1 · 680.6 s · $0.7187 |
| Comparar los salarios mínimos de nueve jurisdicciones | Recopilación de datos en varios sitios | 1/1 · 451.9 s · $0.6108 | 1/1 · 762.6 s · $1.0761 | 1/1 · 763.2 s · $0.7392 |
| Comparar especificaciones de teléfonos de gama alta | Recopilación de datos en varios sitios | 1/1 · 448.7 s · $0.6444 | 1/1 · 931.9 s · $0.9423 | 1/1 · 676.3 s · $0.6352 |
| Comparar el cumplimiento de SaaS en una fecha de corte | Recopilación de datos en varios sitios | 1/1 · 472.3 s · $0.6257 | 0/1 · 895.0 s · $0.7363 | 0/1 · 848.0 s · $0.5770 |
| Comparar los límites de los planes gratuitos de plataformas sin servidor | Recopilación de datos en varios sitios | 1/1 · 205.5 s · $0.3225 | 0/1 · 682.0 s · $0.5293 | 1/1 · 411.8 s · $0.3951 |
| Leer una clasificación interactiva de ARC | Investigación y síntesis | 1/1 · 224.4 s · $0.2708 | 1/1 · 416.6 s · $0.4658 | 1/1 · 220.2 s · $0.1853 |
| Analizar un conjunto de datos de entrenamiento de modelos | Investigación y síntesis | 1/1 · 87.1 s · $0.0809 | 1/1 · 137.7 s · $0.1474 | 1/1 · 155.5 s · $0.1321 |
| Rastrear las fuentes de una tabla de modelos | Investigación y síntesis | 1/1 · 285.6 s · $0.2288 | 1/1 · 245.5 s · $0.3004 | 1/1 · 377.5 s · $0.1890 |
| Comparar y configurar portátiles Mac | Búsqueda y comparación | 1/1 · 301.3 s · $0.6119 | 1/1 · 383.0 s · $0.4399 | 1/1 · 337.2 s · $0.3669 |
| Cotejar las cifras de taquilla de seis películas | Búsqueda y comparación | 1/1 · 184.9 s · $0.2034 | 1/1 · 360.5 s · $0.3394 | 1/1 · 201.6 s · $0.1506 |
| Examinar cuatro empresas en un registro público | Búsqueda y comparación | 1/1 · 182.5 s · $0.2883 | 1/1 · 626.9 s · $0.3927 | 1/1 · 230.2 s · $0.1784 |
| Contrastar ensayos clínicos y fichas de medicamentos | Búsqueda y comparación | 1/1 · 372.8 s · $0.4787 | 1/1 · 368.7 s · $0.4176 | 1/1 · 383.1 s · $0.3515 |
| Cotejar series de inflación y estadísticas | Búsqueda y comparación | 1/1 · 132.8 s · $0.1957 | 1/1 · 507.1 s · $0.3723 | 1/1 · 548.9 s · $0.2209 |
| Comparar vuelos y tarifas que cumplan los requisitos | Búsqueda y comparación | 0/1 · 341.5 s · $0.4464 | 0/1 · 986.7 s · $1.1087 | 1/1 · 504.3 s · $0.4713 |
| Cotejar tablas de compatibilidad de navegadores | Búsqueda y comparación | 1/1 · 175.1 s · $0.1916 | 1/1 · 147.8 s · $0.2092 | 1/1 · 294.6 s · $0.1973 |
| Contrastar una clase, su código y su artículo académico | Búsqueda y comparación | 1/1 · 202.3 s · $0.4243 | 1/1 · 274.3 s · $0.3491 | 1/1 · 666.0 s · $0.7001 |
| Verificar publicaciones sobre seguridad en X contrastándolas con la información publicada | Verificación de redes sociales | 1/1 · 535.7 s · $0.8979 | 1/1 · 780.7 s · $0.8923 | 0/1 · 405.8 s · $0.3921 |
| Verificar publicaciones sobre productos en X contrastándolas con los anuncios | Verificación de redes sociales | 1/1 · 710.3 s · $0.7155 | 1/1 · 851.2 s · $0.9236 | 0/1 · 466.5 s · $0.4007 |
| Cotejar publicaciones sobre lanzamientos en X y listas de referencia | Verificación de redes sociales | 1/1 · 168.9 s · $0.1650 | 1/1 · 263.9 s · $0.1505 | 0/1 · 172.0 s · $0.0880 |
| Reservar un viaje según la política de una aplicación de prueba | Automatización de aplicaciones web | 1/1 · 194.1 s · $0.2570 | 1/1 · 303.2 s · $0.2853 | 1/1 · 208.4 s · $0.2240 |
| Actualizar monitores de servicios en una aplicación de prueba | Automatización de aplicaciones web | 1/1 · 137.5 s · $0.1338 | 1/1 · 419.9 s · $0.4141 | 1/1 · 152.9 s · $0.1528 |
| Conciliar cuentas por cobrar en una aplicación de prueba | Automatización de aplicaciones web | 1/1 · 227.7 s · $0.2312 | 1/1 · 628.3 s · $0.4329 | 1/1 · 291.9 s · $0.3085 |
| Crear pedidos de reposición en una aplicación de prueba | Automatización de aplicaciones web | 1/1 · 116.8 s · $0.1415 | 1/1 · 361.8 s · $0.2437 | 1/1 · 208.4 s · $0.1640 |

