Nous avons comparé GPT-6.1 Sol à GPT-6 Sol pour l’utilisation du navigateur avec trois outils

Pour la configuration d’agent de navigation pi que nous avons testée, nous choisirions GPT-6.1 Sol plutôt que GPT-6 Sol pour accomplir davantage de tâches à moindre coût d’utilisation du modèle, plutôt que pour un gain de vitesse constant. Dans ce test d’utilisation du navigateur avec GPT-6.1 Sol, chaque modèle a exécuté une fois chacune des 25 tâches web avec Playwright CLI, agent-browser et ego-browser, soit 25 tentatives par outil et par modèle. GPT-6.1 Sol a réussi 19 tentatives sur 25 avec Playwright CLI, 20 sur 25 avec agent-browser et 24 sur 25 avec ego-browser. GPT-6 Sol en a réussi respectivement 12, 14 et 18. Sur les tâches réussies par les deux modèles dans chaque outil, GPT-6.1 Sol a pris en moyenne 275.6, 327.1 et 195.0 secondes, pour un coût par tâche de $0.287, $0.339 et $0.372. GPT-6 Sol a pris en moyenne 291.3, 324.0 et 220.2 secondes, pour un coût de $0.640, $0.595 et $0.735.
La plupart des réussites supplémentaires viennent de la collecte de données sur plusieurs sites : des tâches qui recueillent les mêmes champs sur 9 à 16 sites. Sur les dix tâches de ce type exécutées avec chaque outil, soit 30 tentatives par modèle au total, GPT-6.1 Sol en a réussi 20, contre 6 pour GPT-6 Sol. Tous outils confondus, 19 tentatives sont passées d’un échec avec GPT-6 Sol à une réussite avec GPT-6.1 Sol, et aucune n’a évolué en sens inverse.
GPT-6.1 Sol a effectué moins d’appels aux outils sur les tâches réussies par les deux modèles. Avec ego-browser, 43.7% de ses scripts de navigateur faisaient référence à au moins deux onglets ou ouvraient un nouvel onglet à côté d’un onglet existant ; GPT-6 Sol le faisait dans 0.4% des cas. Cela décrit les scripts observés, sans prouver que l’utilisation des onglets a causé les réussites supplémentaires. GPT-6.1 Sol a tout de même échoué à 12 de ses 75 tentatives, dont dix se sont terminées par une réponse contenant une valeur erronée ou manquante.
L’avantage de coût demeure lorsque nous appliquons les tarifs de GPT-6 Sol à la consommation de tokens enregistrée pour GPT-6.1 Sol. Sur les tâches réussies par les deux, ce calcul donne $0.402, $0.477 et $0.523 par tâche avec Playwright CLI, agent-browser et ego-browser, soit moins que GPT-6 Sol dans chaque outil. Les résultats de vitesse sont contrastés : la moyenne de GPT-6.1 Sol est plus basse avec deux outils et légèrement plus élevée avec agent-browser, et il est plus rapide sur moins de la moitié des tâches communes avec deux outils.
| Modèle et outil de navigateur | Taux de réussite | Temps moyen par tâche | Coût moyen par tâche |
|---|---|---|---|
| GPT-6.1 Sol avec Playwright CLI | 76.0% (19/25) | 275.6 s | $0.287 |
| GPT-6 Sol avec Playwright CLI | 48.0% (12/25) | 291.3 s | $0.640 |
| GPT-6.1 Sol avec agent-browser | 80.0% (20/25) | 327.1 s | $0.339 |
| GPT-6 Sol avec agent-browser | 56.0% (14/25) | 324.0 s | $0.595 |
| GPT-6.1 Sol avec ego-browser | 96.0% (24/25) | 195.0 s | $0.372 |
| GPT-6 Sol avec ego-browser | 72.0% (18/25) | 220.2 s | $0.735 |
Le taux de réussite porte sur les 25 tentatives de chaque ligne. Le temps et le coût portent sur les tâches réussies par les deux modèles avec l’outil concerné : 12 avec Playwright CLI, 14 avec agent-browser et 18 avec ego-browser. Le temps additionne l’attente du modèle et l’exécution des outils ; il exclut le temps que le framework de test passe entre les étapes. Chaque outil donne lieu à une comparaison distincte entre les deux modèles : ces groupes de tâches différents ne permettent donc pas de classer les outils entre eux par temps ou par coût.
Taux de réussite
GPT-6.1 Sol a accompli davantage du travail testé avec chaque outil, avec les gains les plus importants sur la collecte multisite. Playwright CLI a gagné sept réussites, agent-browser six et ego-browser six. Tous outils confondus, les deux modèles ont réussi 44 tentatives, seul GPT-6.1 Sol en a réussi 19, et les deux ont échoué à 12.
| Type de travail | Tâches par outil | Playwright CLI | agent-browser | ego-browser |
|---|---|---|---|---|
| Collecte de données sur plusieurs sites | 10 | 5 contre 2 | 6 contre 0 | 9 contre 4 |
| Recherches sur un à trois sites | 8 | 7 contre 4 | 7 contre 7 | 8 contre 8 |
| Recherche exploratoire | 3 | 3 contre 2 | 3 contre 3 | 3 contre 2 |
| Processus dans des applications web métier | 4 | 4 contre 4 | 4 contre 4 | 4 contre 4 |
Chaque cellule indique les réussites de GPT-6.1 Sol, puis celles de GPT-6 Sol, à raison d’une tentative par tâche. Le changement de modèle influe surtout sur les tâches accomplies dans le travail multisite. Sur les quatre tâches des applications de test, les deux modèles ont réussi chaque tentative avec chaque outil : le coût est donc la raison de changer de modèle dans ce cas.
Les 19 tentatives où GPT-6 Sol a perdu face à GPT-6.1 Sol se répartissent entre six tentatives qui ont épuisé le budget d’étapes sans réponse et 13 qui ont fourni une réponse contenant une valeur erronée ou manquante. Sur l’ensemble des 75 tentatives, GPT-6 Sol a épuisé le budget neuf fois et GPT-6.1 Sol deux fois. Une étape correspond à une réponse du modèle, et chaque tentative disposait d’un budget de 100 étapes.
La tâche de conformité SaaS illustre une défaite due à une mauvaise réponse. Elle demande les certifications de neuf fournisseurs à la date du 30 septembre 2026, notamment le niveau d’autorisation FedRAMP le plus élevé disponible pour l’une quelconque des éditions. Avec ego-browser, GPT-6 Sol a parcouru les liens de la page de confiance d’Asana et indiqué « none » pour Asana. GPT-6.1 Sol a suivi le lien Government, ouvert Asana Gov et confirmé son autorisation FedRAMP Moderate dans un communiqué de presse.

GPT-6.1 Sol a satisfait à toutes les vérifications demandées en 38 étapes. GPT-6 Sol s’est arrêté après 22 étapes, et sa valeur erronée pour Asana a également modifié le nombre de fournisseurs autorisés qu’il a indiqué.
| Champ du tableau final | Valeur correcte | Réponse de GPT-6 Sol |
|---|---|---|
| Asana, niveau d’autorisation FedRAMP le plus élevé | Moderate, via Asana Gov | none (« aucune ») |
| Fournisseurs disposant d’une autorisation FedRAMP Moderate ou supérieure | 6, dont Asana | 5, sans Asana |
Les échecs de GPT-6.1 Sol doivent eux aussi être examinés : dix de ses 12 tentatives infructueuses ont abouti à une réponse contenant une valeur erronée ou manquante. Un tableau terminé ne suffit pas pour se fier à un résultat qui servira à prendre une décision.
Comment travaille chaque modèle
GPT-6.1 Sol a utilisé moins d’appels aux outils pour accomplir avec succès le même travail. Sur les tâches communes, il a effectué en moyenne 32.6 appels par tâche contre 42.3 pour GPT-6 Sol avec Playwright CLI, 34.1 contre 50.5 avec agent-browser, et 29.8 contre 40.1 avec ego-browser. Un appel à un outil est une invocation d’un outil de l’agent, comme bash ou un lecteur de fichiers.
Avec ego-browser, 321 des 735 scripts de GPT-6.1 Sol impliquaient plusieurs onglets ou en créaient un nouveau ; quatre des 1 044 scripts de GPT-6 Sol le faisaient. Avec Playwright CLI et agent-browser, GPT-6.1 Sol a exécuté des commandes d’onglets dans 15.8% et 9.3% de ses appels bash, contre 2.5% et 2.2% pour GPT-6 Sol. Ces pourcentages décrivent des interfaces différentes : il s’agit donc de comparaisons entre modèles au sein de chaque outil.
La tâche des banques centrales illustre la différence sur un travail long. Elle demande la première décision de taux de 2026 dans douze banques centrales, avec le vote et la date de la prochaine annonce. GPT-6 Sol a traité une banque par script, est arrivé à la douzième à l’étape 90 et a épuisé son budget sans rédiger le tableau. GPT-6.1 Sol a utilisé deux onglets dans 30 de ses 38 scripts de navigateur, est arrivé à cette banque à l’étape 35 et a terminé le tableau à l’étape 42.

Ces éléments montrent utilement comment ces deux tentatives se sont déroulées ; ils ne constituent pas un test distinct de la stratégie d’onglets. Sur l’ensemble du travail de collecte multisite, GPT-6.1 Sol a réussi 20 tentatives sur 30, contre 6 sur 30 pour GPT-6 Sol.
Vitesse
La vitesse ne serait pas notre raison de changer de modèle. Sur les tâches réussies par les deux, GPT-6.1 Sol a pris en moyenne 275.6 secondes contre 291.3 pour GPT-6 Sol avec Playwright CLI, 327.1 contre 324.0 avec agent-browser, et 195.0 contre 220.2 avec ego-browser. Ces moyennes incluent l’attente du modèle et l’exécution des outils sur les mêmes tâches au sein de chaque outil.
Le nombre de tâches précise le compromis. GPT-6.1 Sol a été plus rapide sur cinq des 12 tâches communes avec Playwright CLI, sept sur 14 avec agent-browser et sept sur 18 avec ego-browser. Sa moyenne plus basse avec deux outils ne signifie pas que la plupart des tâches individuelles ont été terminées plus tôt. Les gains en tâches accomplies et en coût sont les raisons les plus solides de le choisir dans cette configuration.
Coût
GPT-6.1 Sol a coûté moins cher sur le travail accompli par les deux modèles avec chaque outil. Il a été moins cher sur les 12 tâches communes avec Playwright CLI, sur 13 des 14 avec agent-browser et sur 17 des 18 avec ego-browser. Le tableau distingue le changement de consommation de tokens enregistré du changement de prix du modèle.
| Outil de navigateur | GPT-6.1 Sol | Tokens de GPT-6.1 Sol aux tarifs de GPT-6 Sol | GPT-6 Sol |
|---|---|---|---|
| Playwright CLI | $0.287 | $0.402 | $0.640 |
| agent-browser | $0.339 | $0.477 | $0.595 |
| ego-browser | $0.372 | $0.523 | $0.735 |
Il s’agit des coûts moyens d’utilisation du modèle par tâche sur les tâches réussies par les deux modèles dans chaque outil. Nous utilisons les tarifs standard de l’API d’OpenAI : $2.00 par million de tokens d’entrée non mis en cache et $10.00 par million de tokens de sortie pour les deux modèles. Les entrées en cache coûtent $0.10 par million de tokens pour GPT-6.1 Sol et $0.20 pour GPT-6 Sol. Ce sont des coûts de tokens équivalents à ceux de l’API, et non les prix d’un abonnement à un agent.
En incluant les tentatives échouées, le coût moyen d’utilisation du modèle par tâche était de $0.410 contre $0.752 avec Playwright CLI, de $0.586 contre $0.833 avec agent-browser et de $0.430 contre $0.842 avec ego-browser. Sur toutes les tentatives, aux tarifs propres à chaque modèle, GPT-6.1 Sol a coûté moins cher. Sur les tâches réussies par les deux, il a aussi coûté moins cher après application des tarifs de GPT-6 Sol.
Quel modèle utiliser
Nous choisirions GPT-6.1 Sol avec un effort de raisonnement élevé pour la configuration pi et le travail représentés ici. Il a réussi davantage de tâches et coûté moins cher avec chaque outil, et aucune des 75 comparaisons n’est passée d’une réussite de GPT-6 Sol à un échec de GPT-6.1 Sol. Nous n’attendrions pas de ces résultats une amélioration constante de la vitesse.
Pour la collecte multisite, l’amélioration était de 20 tentatives réussies sur 30 contre 6 sur 30. GPT-6.1 Sol a tout de même échoué à dix tentatives : nous vérifierions donc les tableaux renvoyés avant de les utiliser. Pour les quatre processus dans les applications de test, les deux modèles ont réussi chaque tentative ; le coût du modèle est donc la différence utile.
La configuration testée utilisait l’environnement d’agent pi, un effort de raisonnement élevé, bash et le fichier de skill de l’outil de navigateur. ego-browser pilote ego(lite), tandis que Playwright CLI et agent-browser pilotent Chrome. La comparaison des modèles utilise la même version de l’outil et les mêmes consignes pour les deux modèles évalués avec un même outil.
La place d’ego(lite) dans cette comparaison
ego(lite) était le navigateur piloté par ego-browser, et non le modèle comparé. Le guide d’intégration d’ego-browser décrit cette relation ; Playwright CLI et agent-browser pilotaient, eux, Chrome dans les autres configurations.
Choisissez entre les deux modèles au sein d’un outil avant de comparer les outils. Les moyennes de coût d’utilisation du modèle et de temps de chaque outil portent sur ses propres tâches réussies par les deux modèles : ces moyennes ne classent donc pas les outils entre eux. Ce que l’on peut utilement retenir pour un travail pi similaire, c’est le compromis observé entre tâches accomplies et coût d’utilisation du modèle ; les résultats de vitesse restent contrastés.
Questions fréquentes
GPT-6.1 Sol est-il meilleur que GPT-6 Sol pour les agents de navigation ?
Dans notre configuration pi, GPT-6.1 Sol a réussi un plus grand nombre de tâches parmi les 25 évaluées, avec chacun des trois outils. Il a réussi 19, 20 et 24 tentatives avec Playwright CLI, agent-browser et ego-browser ; GPT-6 Sol en a réussi 12, 14 et 18. Aucune de ces comparaisons n’est passée d’une réussite de l’ancien modèle à un échec du nouveau.
GPT-6.1 Sol est-il moins cher que GPT-6 Sol ?
Le coût moyen d’utilisation de GPT-6.1 Sol était plus bas avec chaque outil sur les tâches réussies par les deux modèles. Les montants par tâche étaient de $0.287 contre $0.640, de $0.339 contre $0.595 et de $0.372 contre $0.735. Sa consommation de tokens enregistrée aurait encore coûté moins cher aux tarifs de GPT-6 Sol.
GPT-6.1 Sol est-il plus rapide que GPT-6 Sol ?
GPT-6.1 Sol a affiché une moyenne plus basse avec deux outils et légèrement plus élevée avec agent-browser, en additionnant l’attente du modèle et le temps d’exécution des outils. Il a été plus rapide sur cinq des 12 tâches communes avec Playwright CLI, sept sur 14 avec agent-browser et sept sur 18 avec ego-browser. Nous le choisirions pour les tâches accomplies et le coût, plutôt que pour une vitesse constamment supérieure.
Qu’est-ce qui a changé dans l’utilisation du navigateur par GPT-6.1 Sol ?
GPT-6.1 Sol a utilisé moins d’appels aux outils sur les tâches réussies par les deux modèles avec chaque outil. Avec ego-browser, 43.7% de ses scripts impliquaient plusieurs onglets ou en créaient un nouveau, contre 0.4% pour GPT-6 Sol. GPT-6.1 Sol a épuisé le budget d’étapes sans réponse deux fois sur 75 tentatives, contre neuf fois pour GPT-6 Sol.
GPT-6.1 Sol a-t-il échoué à des tâches réussies par GPT-6 Sol ?
Non, dans ces comparaisons sur 25 tâches, aucune n’est dans ce cas. Tous outils confondus, 19 résultats sont passés d’un échec de GPT-6 Sol à une réussite de GPT-6.1 Sol, et aucun n’a évolué en sens inverse. Les deux modèles ont réussi 44 tentatives et les deux ont échoué à 12.
Quelles erreurs GPT-6.1 Sol fait-il encore dans un navigateur ?
GPT-6.1 Sol a échoué à 12 tentatives sur 75 tous outils confondus. Dix se sont terminées par une réponse contenant une valeur erronée ou manquante, et deux ont épuisé le budget d’étapes. Un tableau qui semble terminé peut encore être faux.
Comment GPT-6.1 Sol se comporte-t-il pour la collecte de données sur plusieurs sites ?
GPT-6.1 Sol a réussi 20 tentatives sur 30 sur dix tâches de collecte des mêmes champs sur 9 à 16 sites, contre 6 sur 30 pour GPT-6 Sol. Ce groupe fournit la plupart des réussites supplémentaires. GPT-6.1 Sol y a tout de même échoué à dix tentatives.
L’outil de navigateur change-t-il le modèle qui accomplit le plus de travail ?
GPT-6.1 Sol a réussi davantage de tâches avec les trois outils testés. Le gain était de sept réussites avec Playwright CLI et de six avec agent-browser comme avec ego-browser. Le compromis de vitesse variait selon l’outil.
GPT-6.1 Sol est-il intéressant pour travailler dans une seule application web ?
Les deux modèles ont réussi les quatre processus des applications de test avec chaque outil. Le changement de modèle n’a pas amélioré le nombre de tâches accomplies dans ces applications, mais il a réduit le coût moyen d’utilisation du modèle. Cela étaye le choix de GPT-6.1 Sol pour le coût dans la configuration testée.
Comment nous avons mené les tests
Nous avons exécuté gpt-6.1-sol et gpt-6-sol avec un effort de raisonnement élevé dans l’environnement d’agent pi, avec bash et un fichier de skill pour chaque outil de navigateur. Les exécutions ego-browser ont commencé le 22 octobre 2026 ; celles de Playwright CLI et d’agent-browser le 5 novembre 2026. Les six exécutions principales ont utilisé le même Mac avec puce Apple, avec dix tâches exécutées simultanément.
La comparaison principale porte sur 25 tâches dont nous disposons des enregistrements de première tentative pour les six combinaisons modèle-outil. Nous avons exclu de toutes les combinaisons les tâches sur le salaire minimum et la compatibilité MDN, car au moins une tentative archivée avait été remplacée par une réexécution ciblée ultérieure. Les tentatives comptabilisées datent du 22 octobre et du 5 novembre 2026.
Les outils étaient Playwright CLI 0.1.22, agent-browser 0.39.1 et ego-browser v2.1.0. Pour chaque outil, les deux modèles utilisaient la même version de l’outil, le même fichier de skill, le même budget d’étapes et les mêmes vérifications de tâches. Une tentative pouvait utiliser 100 réponses du modèle avant que le framework n’y mette fin.
Les 25 tâches comprennent dix tâches de collecte de données sur plusieurs sites, huit recherches sur un à trois sites, trois tâches de recherche exploratoire et quatre processus dans des applications web de test. Chaque tâche appartient à un seul groupe, d’après sa définition. Les exemples et les résultats complets portent sur ces mêmes 25 tâches.
Une tentative correspond à l’exécution d’une tâche par un modèle dans un outil. Un appel à un outil invoque un outil de l’agent ; dans 7 200 des 7 202 réponses contenant des appels aux outils, la réponse effectuait exactement un appel. Un script ego-browser correspond à une invocation de la commande ego-browser nodejs. Une réussite signifie que la réponse finale a satisfait à chaque vérification prévue pour la tâche, y compris celle exigeant un livrable complet.
Le temps additionne l’attente enregistrée de l’API du modèle et le temps d’exécution des outils, en excluant le temps du framework entre les étapes. Les comparaisons de vitesse et de coût portent sur les tâches réussies par les deux modèles au sein d’un outil. Les coûts d’utilisation du modèle sont calculés en appliquant les tarifs de tokens indiqués à la consommation enregistrée, en incluant les tentatives échouées lorsque le texte le précise. Le nouveau calcul maintient inchangée la consommation de GPT-6.1 Sol et lui applique les tarifs de GPT-6 Sol.
Pour l’utilisation des onglets avec ego-browser, nous avons compté les scripts faisant référence à plusieurs libellés de pages ou créant une autre page, sur les 25 tentatives de chaque modèle. Pour les autres outils, nous avons compté les appels bash contenant des commandes d’onglets. Ces observations sont propres à chaque interface : ouvrir des onglets ou y faire référence ne prouve pas, en soi, une exécution simultanée.
Résultats complets
Chaque cellule indique le résultat d’une tentative, l’attente du modèle additionnée à l’exécution des outils en secondes, et le coût de tokens du modèle en dollars américains. Ces temps et coûts incluent les échecs ; les moyennes de la vue d’ensemble portent uniquement sur les tâches réussies par les deux modèles définies plus haut. Chaque tâche comptabilisée et les six combinaisons sont répertoriées.
| Tâche | Type de travail | Playwright CLI avec GPT-6.1 Sol | Playwright CLI avec GPT-6 Sol | agent-browser avec GPT-6.1 Sol | agent-browser avec GPT-6 Sol | ego-browser avec GPT-6.1 Sol | ego-browser avec GPT-6 Sol |
|---|---|---|---|---|---|---|---|
| Réserver un voyage conforme à la politique dans une application de voyage de test | Processus dans des applications web métier | Réussite, 197.4 s, $0.224 | Réussite, 164.0 s, $0.528 | Réussite, 286.8 s, $0.285 | Réussite, 267.5 s, $0.427 | Réussite, 177.9 s, $0.311 | Réussite, 142.9 s, $0.387 |
| Mettre les moniteurs des services de niveau 1 en conformité avec un standard | Processus dans des applications web métier | Réussite, 145.5 s, $0.153 | Réussite, 124.1 s, $0.245 | Réussite, 331.8 s, $0.414 | Réussite, 283.0 s, $0.607 | Réussite, 137.6 s, $0.125 | Réussite, 91.3 s, $0.215 |
| Rapprocher les factures de février des paiements et ouvrir des contestations | Processus dans des applications web métier | Réussite, 253.0 s, $0.309 | Réussite, 154.0 s, $0.362 | Réussite, 520.4 s, $0.433 | Réussite, 501.4 s, $1.052 | Réussite, 190.6 s, $0.239 | Réussite, 184.3 s, $0.420 |
| Créer des commandes d’achat à partir des niveaux de stock, par fournisseur | Processus dans des applications web métier | Réussite, 189.5 s, $0.164 | Réussite, 116.4 s, $0.344 | Réussite, 307.2 s, $0.244 | Réussite, 367.2 s, $0.630 | Réussite, 164.5 s, $0.172 | Réussite, 125.2 s, $0.191 |
| Trois configurations de MacBook dans la boutique américaine d’Apple | Recherches sur un à trois sites | Réussite, 314.1 s, $0.367 | Réussite, 357.8 s, $0.651 | Réussite, 348.5 s, $0.440 | Réussite, 471.0 s, $0.620 | Réussite, 223.1 s, $0.483 | Réussite, 191.8 s, $1.160 |
| Recettes de six films de Wes Anderson sur Box Office Mojo et Wikipedia | Recherches sur un à trois sites | Réussite, 180.9 s, $0.151 | Réussite, 496.1 s, $0.594 | Réussite, 334.7 s, $0.339 | Réussite, 487.0 s, $0.570 | Réussite, 142.0 s, $0.179 | Réussite, 105.2 s, $0.237 |
| Vérification KYC de quatre entreprises britanniques dans Companies House | Recherches sur un à trois sites | Réussite, 185.8 s, $0.178 | Réussite, 226.0 s, $0.583 | Réussite, 579.3 s, $0.393 | Réussite, 319.4 s, $0.708 | Réussite, 177.9 s, $0.423 | Réussite, 121.2 s, $0.529 |
| Essais cliniques de 2021 sur la dermatite atopique confrontés aux notices des médicaments concernés | Recherches sur un à trois sites | Réussite, 332.6 s, $0.352 | Échec, 583.0 s, $0.744 | Réussite, 317.1 s, $0.418 | Réussite, 482.8 s, $0.857 | Réussite, 234.4 s, $0.450 | Réussite, 252.3 s, $0.796 |
| Trois séries d’IPC de FRED vérifiées auprès du BLS | Recherches sur un à trois sites | Réussite, 441.5 s, $0.221 | Réussite, 417.7 s, $0.262 | Réussite, 429.0 s, $0.372 | Réussite, 265.7 s, $0.922 | Réussite, 97.4 s, $0.187 | Réussite, 44.5 s, $0.164 |
| Tarifs les plus bas pour des vols sans escale vers Denver sur un site de recherche de vols | Recherches sur un à trois sites | Réussite, 411.5 s, $0.471 | Échec, 616.3 s, $0.948 | Échec, 872.9 s, $1.109 | Échec, 690.9 s, $1.342 | Réussite, 338.0 s, $0.609 | Réussite, 385.3 s, $1.503 |
| Une semaine de publications sur les lancements de SpaceX sur X, confrontées à Wikipedia | Recherches sur un à trois sites | Échec, 118.0 s, $0.088 | Échec, 363.3 s, $0.491 | Réussite, 224.4 s, $0.151 | Réussite, 239.4 s, $0.577 | Réussite, 112.7 s, $0.183 | Réussite, 499.8 s, $0.269 |
| Un cours sur YouTube confronté à son script GitHub et à son article arXiv | Recherches sur un à trois sites | Réussite, 467.3 s, $0.700 | Échec, 454.7 s, $0.922 | Réussite, 221.6 s, $0.349 | Réussite, 235.8 s, $0.395 | Réussite, 94.7 s, $0.274 | Réussite, 132.1 s, $0.574 |
| Comment neuf services musicaux répertorient un même album | Collecte de données sur plusieurs sites | Échec, 440.3 s, $0.603 | Échec, 419.9 s, $1.117 | Réussite, 678.2 s, $0.995 | Échec, 688.6 s, $1.068 | Échec, 180.2 s, $0.489 | Échec, 227.8 s, $1.179 |
| Première décision de taux de 2026 de douze banques centrales | Collecte de données sur plusieurs sites | Réussite, 686.3 s, $0.917 | Échec, 713.3 s, $1.273 | Échec, 694.0 s, $1.008 | Échec, 674.2 s, $1.069 | Réussite, 318.3 s, $0.643 | Échec, 377.3 s, $2.641 |
| Discours d’ouverture de neuf conférences de développeurs | Collecte de données sur plusieurs sites | Réussite, 726.0 s, $0.960 | Réussite, 701.9 s, $2.388 | Réussite, 507.9 s, $0.949 | Échec, 459.7 s, $1.606 | Réussite, 488.4 s, $1.174 | Réussite, 473.4 s, $1.495 |
| Caractéristiques pour le marché américain de neuf SUV électriques | Collecte de données sur plusieurs sites | Réussite, 756.9 s, $0.771 | Échec, 730.6 s, $0.964 | Échec, 495.9 s, $0.801 | Échec, 595.0 s, $1.071 | Réussite, 413.6 s, $0.843 | Échec, 316.8 s, $1.471 |
| Fiche d’approbation de neuf modèles à poids ouverts sur Hugging Face | Collecte de données sur plusieurs sites | Échec, 537.6 s, $0.719 | Échec, 616.2 s, $0.986 | Réussite, 651.6 s, $1.020 | Échec, 663.4 s, $1.194 | Réussite, 352.8 s, $0.804 | Réussite, 330.1 s, $1.198 |
| Caractéristiques officielles de neuf smartphones phares pour le marché britannique | Collecte de données sur plusieurs sites | Réussite, 575.9 s, $0.635 | Échec, 642.9 s, $0.773 | Réussite, 786.8 s, $0.942 | Échec, 392.0 s, $0.743 | Réussite, 348.1 s, $0.704 | Échec, 270.2 s, $0.765 |
| Matrice de conformité issue de neuf centres de confiance SaaS | Collecte de données sur plusieurs sites | Échec, 683.8 s, $0.577 | Échec, 560.0 s, $0.642 | Échec, 704.3 s, $0.736 | Échec, 464.7 s, $0.542 | Réussite, 299.8 s, $0.592 | Échec, 185.1 s, $0.451 |
| Offres gratuites de neuf plateformes sans serveur | Collecte de données sur plusieurs sites | Réussite, 369.2 s, $0.395 | Réussite, 441.0 s, $0.491 | Échec, 582.5 s, $0.529 | Échec, 763.6 s, $1.241 | Réussite, 199.4 s, $0.360 | Réussite, 267.4 s, $1.331 |
| Versions de sécurité de huit projets open source, sur X et sur leurs sites | Collecte de données sur plusieurs sites | Échec, 318.5 s, $0.392 | Échec, 334.8 s, $0.903 | Réussite, 619.8 s, $0.892 | Échec, 670.8 s, $1.468 | Réussite, 231.5 s, $0.441 | Réussite, 434.8 s, $2.405 |
| Huit lancements dans l’électronique grand public, sur X et dans des communiqués de presse | Collecte de données sur plusieurs sites | Échec, 404.1 s, $0.401 | Échec, 397.8 s, $0.917 | Réussite, 675.0 s, $0.924 | Échec, 528.6 s, $1.139 | Réussite, 389.1 s, $0.541 | Échec, 567.1 s, $1.101 |
| Lire les coûts et les scores sur le graphique du classement ARC Prize | Recherche exploratoire | Réussite, 171.3 s, $0.185 | Réussite, 239.0 s, $1.092 | Réussite, 361.3 s, $0.466 | Réussite, 304.5 s, $0.357 | Réussite, 84.9 s, $0.201 | Réussite, 83.5 s, $0.257 |
| Compter les modèles dépassant les seuils de calcul de l’UE dans les données d’Epoch AI | Recherche exploratoire | Réussite, 132.7 s, $0.132 | Réussite, 57.9 s, $0.139 | Réussite, 106.5 s, $0.147 | Réussite, 116.1 s, $0.159 | Réussite, 62.2 s, $0.090 | Réussite, 99.0 s, $0.105 |
| Retrouver les sources de dix références dans la liste des grands modèles de langage de Wikipedia | Recherche exploratoire | Réussite, 340.0 s, $0.189 | Échec, 654.3 s, $0.435 | Réussite, 211.0 s, $0.300 | Réussite, 194.6 s, $0.451 | Réussite, 169.6 s, $0.244 | Échec, 151.4 s, $0.202 |

