ब्राउज़र का उपयोग या कंप्यूटर का नियंत्रण? हमने रोज़मर्रा के कामों पर तीन टूल परखे—ये रहे नतीजे

ब्राउज़र उपयोग और कंप्यूटर नियंत्रण के बेंचमार्क के लिए आसमानी नीले रंग की पृष्ठभूमि पर सफ़ेद फूल

वेब टास्क में, ब्राउज़र में काम करने वाला टूल ego-browser हमारे परीक्षण के दोनों कंप्यूटर नियंत्रण टूल से अधिक टास्क में सफल रहा और उसकी लागत भी कम थी। हमने ego-browser, agent-desktop और Cua Driver को रोज़मर्रा के सात टास्क पर चलाया: LinkedIn और Amazon पर खोज, लंबे पेजों से डेटा निकालना और वेब ऐप की जाँच। ego-browser पाँच टास्क में सफल रहा, agent-desktop चार में और Cua Driver दो में। जिन टास्क में ego-browser और agent-desktop दोनों सफल रहे, उनमें ego-browser बहुत तेज़ था: प्रति टास्क 193.5 सेकंड, जबकि agent-desktop को 690.8 सेकंड लगे। लागत के मामले में ego-browser सस्ता था, क्योंकि उसी टास्क को पूरा करने के लिए उसे कम चरणों की ज़रूरत होती है।

ego-browser आपकी स्क्रीन पर नियंत्रण लिए बिना भी काम करता है। सात में से छह प्रयासों में agent-desktop अपनी विंडो को सामने लाया, जबकि Cua Driver के दो प्रयासों में फ़ोरग्राउंड ऐक्सेस माँगना दर्ज हुआ। ego-browser ने ऐसी कोई कमांड नहीं भेजी। लंबा टास्क चलते समय आप अपनी विंडो में काम जारी रख सकते हैं और ego-browser अपना काम करता रहेगा।

टूलसफलता दरप्रति सफल टास्क खर्च
ego-browser71.4% (5/7 प्रयास)$0.063
agent-desktop57.1% (4/7 प्रयास)$0.174
Cua Driver28.6% (2/7 प्रयास)$0.352

टूल

ego-browser

इस परीक्षण में ego-browser ब्राउज़र में काम करने वाला टूल है। यह ego(lite) पर चलता है, जो Chromium पर बना एजेंट ब्राउज़र है। एजेंट हर चरण में एक छोटी स्क्रिप्ट लिखता है और वह JavaScript के ज़रिए पेज में चलती है, इसलिए एक कॉल में पेज का बड़ा हिस्सा पढ़ा जा सकता है। एजेंट का हर टास्क अपने Space में चलता है, जो एक अलग कार्यक्षेत्र है, और वह आपके माउस या फ़ोकस पर नियंत्रण नहीं लेता।

ego(lite) के Spaces का अवलोकन, जिसमें npm, Amazon और LinkedIn के टास्क Running स्थिति में दिख रहे हैं।

macOS पर मुफ़्त टूल ego(lite) को ego-browser की स्किल में दी गई इंस्टॉलेशन स्क्रिप्ट से इंस्टॉल करें। Windows पर ego(lite) की साइट से इंस्टॉलर डाउनलोड करें। ऐप की शुरुआती सेटअप प्रक्रिया ego-browser कमांड जोड़ती है, जिसके बाद स्किल आपके एजेंट के रनटाइम फ़्रेमवर्क में लोड होती है।

हमारे रन में ego-browser 7 में से 5 टास्क में सफल रहा और प्रति सफल टास्क खर्च $0.063 था। जिन तीन टास्क में वह और agent-desktop दोनों सफल रहे, उनमें उसने प्रति टास्क 26.3 कॉल कीं, जबकि agent-desktop ने 87.7 कीं।

agent-desktop

agent-desktop, Vercel Labs का कंप्यूटर नियंत्रण टूल है। यह किसी डेस्कटॉप ऐप की ऐक्सेसिबिलिटी ट्री पढ़कर उसे JSON में लौटाता है। एजेंट जिस भी एलिमेंट पर कार्रवाई कर सकता है, उसके लिए एक ref दिया जाता है। एजेंट ref के ज़रिए क्लिक या टाइप करता है, फिर नतीजा जाँचने के लिए UI को दोबारा पढ़ता है। यह CLI के रूप में मिलता है, इसलिए इसके भीतर कोई मॉडल नहीं चलता।

डिफ़ॉल्ट रूप से यह हेडलेस मोड में चलता है, इसलिए ref पर की गई कार्रवाइयाँ ऐक्सेसिबिलिटी API का उपयोग करती हैं और पॉइंटर नहीं हिलातीं, न फ़ोकस लेती हैं। इसका ग्लोबल --headed फ़्लैग फ़िज़िकल इनपुट और फ़ोकस बदलने की अनुमति देता है। हमारे रन में सात में से छह प्रयासों में focus-window का उपयोग करके Chrome विंडो को सामने लाया गया और पाँच में यह फ़्लैग इस्तेमाल हुआ: --headed.

इसे इंस्टॉल करने के लिए npm install -g agent-desktop का उपयोग करें, या macOS और Linux पर Homebrew से इंस्टॉल करें। फिर इसे Accessibility ऐक्सेस दें (agent-desktop permissions --guide इस प्रक्रिया में आपका मार्गदर्शन करता है) और इसकी स्किल लोड करें।

हमारे रन में agent-desktop 7 में से 4 टास्क में सफल रहा और प्रति सफल टास्क खर्च $0.174 था। वह npm टास्क में सफल रहा, जिसमें ego-browser असफल रहा था। जिन तीन टास्क में वह और ego-browser दोनों सफल रहे, उनमें उसने प्रति टास्क 87.7 कॉल कीं।

Cua Driver

Cua Driver, Cua का टूल है, जिससे macOS, Windows और Linux पर नेटिव डेस्कटॉप ऐप और ब्राउज़र चलाए जा सकते हैं। यह CLI, MCP या टाइप्ड SDK के ज़रिए जुड़ता है। अगर ऐप और प्लेटफ़ॉर्म समर्थन करें, तो बैकग्राउंड में कमांड भेजने से एजेंट आपका पॉइंटर हिलाए बिना या फ़ोकस लिए बिना काम कर सकता है। ऐसा संभव न होने पर फ़ोरग्राउंड में कमांड भेजी जाती हैं।

macOS या Linux पर इसे इस कमांड से इंस्टॉल करें: /bin/bash -c "$(curl -fsSL https://cua.ai/driver/install.sh)", या Windows पर यह कमांड चलाएँ: irm https://cua.ai/driver/install.ps1 | iex.

हमारे रन में Cua Driver 7 में से 2 टास्क में सफल रहा और प्रति सफल टास्क खर्च $0.352 था। जिन दो टास्क में वह सफल रहा, उनमें उसने प्रति टास्क 111.0 कॉल कीं, जबकि ego-browser ने 32.5 कीं।

LinkedIn पर नौकरियाँ खोजना और सेव करना

यह टास्क रोज़मर्रा के काम के सबसे क़रीब है। एजेंट को एक उम्मीदवार की प्रोफ़ाइल दी गई: Rust और Go का पाँच साल का अनुभव, बर्लिन में निवास, केवल यूरोपीय संघ के भीतर से रिमोट काम और कम से कम €90k वेतन। उसे पिछले हफ़्ते की नौकरी पोस्टिंग ढूँढ़नी थीं, निर्णय लेने से पहले हर विवरण पढ़ना था, पाँच को सेव करना था और जॉब अलर्ट बनाना था।

ego-browser के साथ मॉडल ने अपनी गिनती के अनुसार लगभग एक दर्जन पोस्टिंग पढ़ीं, पाँच सेव कीं और 399 सेकंड में अलर्ट बनाया। इसमें 44 कॉल हुईं और टोकन पर $0.056 खर्च हुए। Cua Driver के साथ उसने यही काम 670 सेकंड में, 107 कॉल और $0.109 के खर्च के साथ किया। agent-desktop के साथ उसने 140 कॉल कीं। वह 900 सेकंड की समय-सीमा तक पहुँच गया और उसने अपनी सूची कभी नहीं लिखी।

LinkedIn: ego-browser 399 सेकंड / 44 कॉल; agent-desktop 900 सेकंड पर समय-सीमा तक पहुँचा / 140 कॉल; Cua Driver 670 सेकंड / 107 कॉल।

फ़िल्टर, सेव की गई चीज़ों और अलर्ट वाले वर्कफ़्लो के लिए ego-browser से शुरू करें। Cua Driver ने भी इसे पूरा किया, इसलिए वहाँ भी यह काम हो सकता है, लेकिन दोगुने से ज़्यादा कॉल की अपेक्षा रखें।

लंबे पेजों से डेटा निकालना

OpenRouter टास्क में एजेंट को मॉडलों की लंबी सूची को CSV में बदलना था। टूल को ऐसे मॉडल ढूँढ़ने थे जो कॉन्टेक्स्ट विंडो की लंबाई, लागत, टूल समर्थन और मल्टीमोडल समर्थन से जुड़ी हमारी शर्तें पूरी करें। फिर जानकारी को माँगे गए फ़ॉर्मैट में व्यवस्थित करना था। ego-browser ने सभी 36 उपयुक्त मॉडल 662 सेकंड में लौटा दिए और 55 टूल कॉल कीं। agent-desktop और Cua Driver दोनों CSV बनाए बिना 900 सेकंड की समय-सीमा तक पहुँच गए। इस टास्क में केवल ego-browser वाला सेटअप फ़िल्टर किए गए कैटलॉग को ऐसी सूची में बदल सका जिसे उपयोगकर्ता काम में ले सके। फिर भी ego-browser के दिए मूल्य फ़ील्ड की जाँच ज़रूरी थी: 36 इनपुट टोकन कीमतों में से 5 ग़लत थीं।

असफल प्रयास कैसे दिखते हैं

रोज़मर्रा के कामों वाले हमारे डेटासेट में, अगर कोई टास्क 900 सेकंड से ज़्यादा चलता है तो वह बहुत समय ले रहा है। ऐसे प्रयासों पर ego-browser के खर्च का 34%, agent-desktop का 53% और Cua Driver का 74% लगा। एक असफल टास्क में सभी टूल Amazon पर संभावित उत्पाद खोजते और जाँचते रहे, लेकिन कार्ट में कुछ जोड़े बिना समय-सीमा तक पहुँच गए। इसलिए लंबा काम देते समय उन प्रयासों के लिए भी बजट रखें जो पूरे नहीं होंगे।

ego(lite) पर Amazon में मिनी PC की खोज चल रही है, डिलीवरी ZIP 94105 सेट है और एजेंट नियंत्रण की ओवरले दिखाई दे रही है।

इसे कैसे चलाएँ

अपने परिणाम पाने के लिए अपनी पसंद का मॉडल high रीजनिंग एफ़र्ट पर एजेंट रनटाइम फ़्रेमवर्क में चलाएँ, उसके bash टूल और हर ब्राउज़र टूल के लिए एक स्किल फ़ाइल के साथ। ego-browser, ego(lite) के साथ मिलता है और उसे एजेंट के ब्राउज़र के रूप में चलाता है। Cua Driver और agent-desktop, Google Chrome चलाते हैं।

अक्सर पूछे जाने वाले सवाल

DeepSeek-V4.1-Flash के साथ वेब टास्क के लिए ब्राउज़र का उपयोग करें या कंप्यूटर का नियंत्रण? हमारे रन के आधार पर, ब्राउज़र का उपयोग। DeepSeek-V4.1-Flash, ब्राउज़र टूल ego-browser के साथ 7 में से 5 टास्क में सफल रहा, जबकि कंप्यूटर नियंत्रण टूल agent-desktop के साथ 4 में और Cua Driver के साथ 2 में। जिन 3 टास्क में ego-browser और agent-desktop दोनों सफल रहे, उनमें ego-browser को प्रति टास्क 193.5 सेकंड लगे, जबकि agent-desktop को 690.8; लागत $0.023 बनाम $0.084 थी। यह अंतर टूल कॉल से आता है: प्रति टास्क 26.3 बनाम 87.7। टास्क में नौकरी खोजना, डेटा निकालना, वेब ऐप की जाँच और खरीदारी शामिल थे। सभी एक ही एजेंट रनटाइम फ़्रेमवर्क से चलाए गए। पूरा सेटअप “हमने परीक्षण कैसे किया” में दिया गया है।

क्या DeepSeek-V4.1-Flash ब्राउज़र एजेंट चलाने के लिए पर्याप्त सक्षम है? सही टूल के साथ यह कम लागत पर काम कर सकता है। ego-browser के साथ यह 7 में से 5 टास्क में सफल रहा और प्रति सफल टास्क टोकन खर्च $0.063 था। agent-desktop के साथ यह 4 में सफल रहा, खर्च $0.174 था, और Cua Driver के साथ 2 में, खर्च $0.352 था। खर्च में सभी सात प्रयास गिने जाते हैं, असफल प्रयास भी। इसलिए अधिक बार असफल होने वाले टूल का प्रति सफलता खर्च अधिक होता है। टास्क में नौकरी खोजना, डेटा निकालना, वेब ऐप की जाँच और खरीदारी शामिल थे। पूरा सेटअप “हमने परीक्षण कैसे किया” में दिया गया है।

क्या ego-browser चलते समय आपके माउस पर नियंत्रण ले लेता है? नहीं। ego(lite) की साइट के अनुसार ego-browser अपने Space में काम करता है और आपके माउस या फ़ोकस पर नियंत्रण नहीं लेता। हमारे सात प्रयासों के लॉग में भी ऐसी कोई कमांड नहीं मिली जिसने किसी दूसरे ऐप को सामने लाया हो। सात में से छह प्रयासों में agent-desktop अपनी Chrome विंडो को सामने लाया, जबकि Cua Driver ने दो में फ़ोरग्राउंड में कमांड भेजने का अनुरोध किया। इन टूल के साथ एजेंट काम करते समय स्क्रीन ले लेता है। पूरा सेटअप “हमने परीक्षण कैसे किया” में दिया गया है।

क्या ego-browser, agent-desktop से तेज़ है? हाँ, उन सभी टास्क में जिनमें दोनों सफल रहे। ऐसे 3 टास्क में ego-browser को प्रति टास्क 193.5 सेकंड लगे, जबकि agent-desktop को 690.8। Hacker News टास्क में 66 बनाम 442 सेकंड लगे और 15 केस वाले शॉप टेस्ट में 131 बनाम 791। उसने प्रति टास्क 26.3 कॉल कीं, जबकि agent-desktop ने 87.7 कीं। agent-desktop ने npm टास्क भी 701 सेकंड में सफलतापूर्वक पूरा किया, जिसमें ego-browser सफल नहीं रहा, इसलिए वहाँ गति की तुलना नहीं की जा सकती। पूरा सेटअप “हमने परीक्षण कैसे किया” में दिया गया है।

क्या ego-browser, Cua Driver से सस्ता है? हाँ, उन टास्क में जिनमें दोनों सफल रहे। LinkedIn पर नौकरी खोज और 15 केस वाले शॉप टेस्ट में ego-browser की प्रति टास्क लागत $0.036 थी, जबकि Cua Driver की $0.092; समय 265.2 बनाम 634.0 सेकंड था। उसने प्रति टास्क 32.5 कॉल कीं, जबकि Cua Driver ने 111.0 कीं, और हर कॉल में बातचीत दोबारा भेजी जाती है। Cua Driver के कुल खर्च का 74% उन प्रयासों पर भी लगा जो समय-सीमा तक चले। पूरा सेटअप “हमने परीक्षण कैसे किया” में दिया गया है।

वेब टास्क पर Cua Driver का प्रदर्शन कैसा है? यह 7 में से 2 टास्क में सफल रहा: LinkedIn पर नौकरी खोज और 15 केस वाला शॉप टेस्ट। इन दोनों में ego-browser भी सफल रहा था। बाकी 5 टास्क में यह समय-सीमा तक चला, जिनमें Hacker News और npm टास्क भी थे। इसका प्रति सफल टास्क खर्च $0.352 था, जबकि ego-browser का $0.063। अपनी दो सफलताओं में इसने 107 और 115 कॉल कीं, जबकि ego-browser ने 44 और 21 कीं। टास्क एक ही एजेंट रनटाइम फ़्रेमवर्क और मॉडल से चलाए गए। पूरा सेटअप “हमने परीक्षण कैसे किया” में दिया गया है।

ego-browser के मुक़ाबले agent-desktop कैसा है? agent-desktop 7 में से 4 टास्क में सफल रहा और ego-browser 5 में। agent-desktop उस npm टास्क में सफल रहा जिसमें ego-browser असफल रहा था। LinkedIn खोज, OpenRouter फ़िल्टर और Amazon खोज में यह समय-सीमा तक चला। जिन टास्क में दोनों सफल रहे, उनमें यह धीमा था: प्रति टास्क 690.8 सेकंड बनाम 193.5; लागत $0.084 बनाम $0.023 थी। अंतर का बड़ा हिस्सा कॉल की संख्या से आता है। पूरा सेटअप “हमने परीक्षण कैसे किया” में दिया गया है।

ब्राउज़र एजेंट का समय ख़त्म होने पर कितना खर्च होता है? हमारे रन में इस पर कुल खर्च का बड़ा हिस्सा लगा। हर असफल प्रयास समय-सीमा तक चला, जो अधिकतर टास्क के लिए 900 सेकंड थी। ऐसे प्रयासों पर ego-browser के कुल $0.315 खर्च का 34%, agent-desktop के $0.695 का 53% और Cua Driver के $0.705 का 74% लगा। Cua Driver 7 में से 5 प्रयासों में समय-सीमा तक चला, agent-desktop 3 में और ego-browser 2 में। पूरा सेटअप “हमने परीक्षण कैसे किया” में दिया गया है।

ego-browser कौन-से काम पूरे नहीं कर सका? इसके सात प्रयासों में से दो असफल रहे और दोनों 900 सेकंड की समय-सीमा तक चले: Amazon खोज और npm टास्क। OpenRouter की सूची में इसे सभी 36 मॉडल मिले और 36 में से 31 इनपुट टोकन कीमतें API से मेल खाती थीं। इन्हीं दो टास्क में agent-desktop और Cua Driver के प्रयास भी असफल हुए, सिवाय npm के, जिसमें agent-desktop सफल रहा। प्रति टास्क नतीजे “पूरे परिणाम” में दिए गए हैं। पूरा सेटअप “हमने परीक्षण कैसे किया” में दिया गया है।

npm टास्क के दौरान ego(lite) एक npm पैकेज का विवरण पेज पढ़ रहा है और एजेंट नियंत्रण की ओवरले दिखाई दे रही है।

क्या ब्राउज़र एजेंट Amazon पर खरीदारी कर सकता है? हमारे रन में नहीं। टास्क में डिलीवरी ZIP सेट करना, RAM, SSD, कीमत और रेटिंग के आधार पर मिनी PC फ़िल्टर करना, हर उत्पाद का विवरण पेज जाँचना, तीन की सूची बनाना और एक को कार्ट में जोड़ना था। ego-browser, agent-desktop और Cua Driver, तीनों ने ZIP सेट किया और 900 सेकंड की समय-सीमा तक खोजते रहे। किसी ने सूची नहीं लिखी और कोई भी कार्ट तक नहीं पहुँचा। खर्च $0.080, $0.079 और $0.122 था। पूरा सेटअप “हमने परीक्षण कैसे किया” में दिया गया है।

हमने परीक्षण कैसे किया

हमने DeepSeek-V4.1-Flash (deepseek-flash इसका API नाम है) को high रीजनिंग एफ़र्ट पर pi एजेंट रनटाइम फ़्रेमवर्क में चलाया। इसमें read, write, edit और bash टूल तथा हर ब्राउज़र टूल के लिए एक स्किल फ़ाइल थी। ego-browser, ego(lite) चलाता है। Cua Driver 0.44.0 और agent-desktop 1.2.0, सिस्टम की ऐक्सेसिबिलिटी ट्री के ज़रिए Google Chrome चलाते हैं।

हमने 7 टास्क चलाए। हर टास्क और टूल के लिए एक प्रयास था, यानी कुल 21 प्रयास। वेब ऐप ऑटोमेशन (2 टास्क) में LinkedIn पर नौकरी खोज और Amazon पर उत्पाद खोज शामिल थे। डेटा निकालने वाले टास्क (3) में Hacker News की भर्ती थ्रेड, npm पैकेज और OpenRouter मॉडल शामिल थे। वेब ऐप की जाँच (2) में एक चैट डेमो और 15 टेस्ट केस वाली एक शॉप शामिल थे। हर प्रयास की समय-सीमा 900 सेकंड थी; जाँच वाले दो टास्क के लिए यह 1,200 सेकंड थी।

कोई टास्क तभी सफल माना जाता है जब टूल अपना आउटपुट लिखे और वह टास्क की जाँच-शर्तें पूरी करे। Hacker News के लिए रिकॉल और प्रिसिज़न दोनों कम से कम 0.8 होने चाहिए थे। शॉप टेस्ट में 15 में से 14 निर्णय सही होने चाहिए थे। npm के 90% फ़ील्ड, रजिस्ट्री के मानों से 5% के भीतर होने चाहिए थे। चैट डेमो में जवाबों से मेल खाता सर्वर लॉग और पहले से डाले गए तीन बग में से कम से कम दो का मिलना ज़रूरी था। LinkedIn और OpenRouter को माँगी गई सूची लौटाने पर सफल माना गया; OpenRouter की कीमतों के मिलान की जानकारी नीचे नोट में दी गई है। सफलता दर में प्रयास गिने जाते हैं। समय और लागत उन टास्क का प्रति टास्क औसत हैं जिनमें तुलना किए जा रहे दोनों टूल सफल रहे; लागत DeepSeek की सूचीबद्ध दरों पर है।

पूरे परिणाम

टास्ककाम का प्रकारego-browseragent-desktopCua Driver
LinkedIn पर यूरोपीय संघ के भीतर से रिमोट काम वाली पाँच Rust पोस्टिंग ढूँढ़कर सेव करना, फिर जॉब अलर्ट सेट करनावेब ऐप ऑटोमेशनसफल (399 s, $0.056)समय-सीमा (900 s, $0.131)सफल (670 s, $0.109)
स्पेसिफ़िकेशन और रेटिंग के आधार पर Amazon पर तीन मिनी PC चुनना, एक को कार्ट में जोड़नावेब ऐप ऑटोमेशनसमय-सीमा (900 s, $0.080)समय-सीमा (900 s, $0.079)समय-सीमा (900 s, $0.122)
Hacker News की “Who is hiring?” थ्रेड में रिमोट Rust पोस्टिंगडेटा निकालनासफल (66 s, $0.018)सफल (442 s, $0.077)समय-सीमा (900 s, $0.063)
keywords:validation के लिए npm के पहले 30 नतीजों के वर्शन, साप्ताहिक डाउनलोड और लाइसेंसडेटा निकालनाअसफल (900 s, $0.028)सफल (701 s, $0.074)समय-सीमा (900 s, $0.078)
कॉन्टेक्स्ट, कीमत, टूल कॉलिंग और इमेज इनपुट के आधार पर OpenRouter मॉडल फ़िल्टर करनाडेटा निकालनासफल (662 s, $0.081)समय-सीमा (900 s, $0.160)समय-सीमा (900 s, $0.145)
चैट डेमो के वेब UI से 10 टेस्ट केस चलाना और उसके बग बतानावेब ऐप की जाँचसफल (383 s, $0.035)सफल (839 s, $0.066)समय-सीमा (1,200 s, $0.111)
डेमो शॉप पर 15 टेस्ट केस चलाना और सफल या असफल होने की रिपोर्ट देनावेब ऐप की जाँचसफल (131 s, $0.017)सफल (791 s, $0.109)सफल (598 s, $0.076)