Claude Opus 5 のブラウザー操作を、五つの自動化ツールと27項目のウェブタスクで検証した

今回検証した Claude Code 構成で Claude Opus 5 にブラウザーを操作させるなら、100ステップ以内により多くの複数サイトタスクを完了できた ego-browser を選ぶ。すべてのツールが成功した13項目では、平均所要時間と費用も最も低かった。成功数の差の大半は、多くのサイトから同じ項目を収集するタスクで生まれた。それ以外のタスクでは Chrome DevTools CLI も同じ数に成功した。各ツールで27項目のタスクをそれぞれ一度実行し、各ツールの試行数は27回だった。Opus 5 は ego-browser で27回中24回(88.9%)、Chrome DevTools CLI と Playwright CLI ではそれぞれ18回(66.7%)、Browser Use CLI では17回(63.0%)、agent-browser では15回(55.6%)に成功した。五つのツールすべてが成功した13項目では、ego-browser のタスク当たり平均所要時間は324.6秒、費用は$1.702だった。次いで Chrome DevTools CLI が369.5秒・$1.845、Browser Use CLI が407.7秒・$1.975、Playwright CLI が495.8秒・$2.052、agent-browser が543.6秒・$2.368だった。
差が出たのは、8〜16サイトから同じ項目を収集する11項目の複数サイトタスクだ。Opus 5 は ego-browser でそのうち8項目に成功し、ほかのツールではそれぞれ1〜3項目だった。その四つのツールでは、回答を書き出す前に100ステップをすべて使い切るケースが大半を占め、各ツールで7〜9回発生した。ego-browser では一度だった。それ以外の16項目では、Chrome DevTools CLI も16項目すべてに成功し、Playwright CLI と Browser Use CLI は15項目、agent-browser は14項目に成功した。
今回の実行では、同じ作業に必要なツール呼び出し数に沿って差が見られた。五つのツールすべてが成功した13項目で、Opus 5 のタスク当たり平均呼び出し数は ego-browser が30.3回、ほかは41.2〜53.7回だった。ほかの各ツールとの比較では、その13項目中10〜13項目で ego-browser の呼び出し数が少なかった。ego-browser では、呼び出し数の少なさとともに、ブラウザー処理時間とキャッシュ済みトークンの再読み込みが減り、100ステップの上限にも余裕が生まれた。
どのツールにも弱点はある。ego-browser では、Opus 5 は11項目の複数サイトタスクのうち3項目に失敗した。Chrome DevTools CLI は、五つすべてが成功した13項目中5項目で ego-browser より速かったが、11項目の複数サイトタスクでは2項目しか成功しなかった。Playwright CLI の平均所要時間には、SpaceX の打ち上げ投稿タスクで2,127秒かかった一度の実行が含まれる。Browser Use CLI は3回の誤答を出し、agent-browser は100ステップを使い切るケースが11回あり、そのうち二回は複数サイトタスク以外だった。
| ブラウザーツール | 成功率 | タスク当たりの平均時間 | タスク当たりの平均費用 |
|---|---|---|---|
| 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 |
各ツールで27項目をそれぞれ一度実行したため、成功率はツールごとに27回の試行で計算している。タスク当たりの所要時間と費用は、五つのツールすべてが成功した13項目の平均であり、この中に複数サイトタスクはない。所要時間には Opus 5 の応答待ちとブラウザーコマンドの実行が含まれ、費用は Claude Code が各試行について報告した値だ。
成功率
ego-browser では Opus 5 が最も多くのタスクを完了し、その優位のほぼすべてが11項目の複数サイトタスクで生まれた。それ以外の16項目では、どのブラウザーツールを使うかによってOpus 5 の成功の有無はほとんど変わらなかった。
| タスクの分類 | ego-browser | Chrome DevTools CLI | Playwright CLI | Browser Use CLI | agent-browser |
|---|---|---|---|---|---|
| 複数サイトタスク(11項目) | 11回中8回 | 11回中2回 | 11回中3回 | 11回中2回 | 11回中1回 |
| その他のタスク(16項目) | 16回中16回 | 16回中16回 | 16回中15回 | 16回中15回 | 16回中14回 |
| 全タスク(27項目) | 27回中24回 | 27回中18回 | 27回中18回 | 27回中17回 | 27回中15回 |
各分類での成功試行数。ツールごとに各タスクを一度試行し、実行日は2026年11月3日と11月5日。エージェントで多くのサイトから同じ項目を集めるなら、ツール間の差が出た複数サイトタスクの行が参考になる。
ほかの四つのツールでは、失敗の大半が回答を出す前に100ステップをすべて使い切った実行だった。誤答はどのツールでも少なく、それぞれ1〜3回だった。11項目の複数サイトタスクで、Opus 5 の試行当たり平均ツール呼び出し数は ego-browser が73.4回、ほかは91.5〜97.0回だった。下の各行は合計27回の試行になる。
| ブラウザーツール | 成功 | 100ステップをすべて使用 | 誤答 |
|---|---|---|---|
| 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 |
ego-browser が失敗したタスクに、ほかのツールが成功した例はなかった。ego-browser の失敗三回は、誤答が二回、100ステップをすべて使い切った実行が一回で、いずれもほかの四つのツールすべてが失敗した複数サイトタスクだった。
中央銀行のタスクがこの傾向を示している。Opus 5 は、12の中央銀行それぞれの公式サイトから、2026年最初の予定された金利決定について、日付、変更幅、政策金利、反対票、次回の決定日を調べる必要があった。ego-browser では、米連邦準備制度からインド準備銀行まで順に調べ、12行すべてを正しく回答した。ほかの四つのツールでは、いずれも回答を書き出す前に100ステップをすべて使い切った。

それ以外の16項目では、Chrome DevTools CLI も ego-browser と同じ数に成功した。複数サイトタスクでは、Opus 5 は ego-browser で11項目中10項目、ほかのツールでは2〜4項目について、100ステップ以内に最終回答を出した。このような作業で、ツール選びを最も重視したい。
速度
ego-browser で Opus 5 の平均所要時間が最も短くなった。五つのツールすべてが成功した13項目では、タスク当たり平均324.6秒で、ほかのツールは369.5〜543.6秒だった。その13項目のうち、Chrome DevTools CLI より速かったのは8項目、Playwright CLI と Browser Use CLI より速かったのはそれぞれ10項目、agent-browser より速かったのは11項目だった。Playwright CLI の平均には、SpaceX の打ち上げ投稿タスクで2,127秒かかった一度の実行が含まれる。そのため、タスクごとの差も確認している。
ほかのどのツールと比べても、ego-browser はブラウザーコマンドの実行時間が短く、呼び出し数も最も少なかった。
| ブラウザーツール | タスク当たりのツール呼び出し数 | タスク当たりの Opus 5 応答待ち時間 | タスク当たりのブラウザーコマンド実行時間 |
|---|---|---|---|
| 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 |
五つのツールすべてが成功した13項目の平均。実行日は2026年11月3日と11月5日。
最も近かった Chrome DevTools CLI と比べると、モデルの応答待ち時間はほぼ同じで、記録されたブラウザーコマンドの実行時間は ego-browser のほうが短かった。Opus 5 のタスク当たり応答待ち時間は、ego-browser では222.7秒、Chrome DevTools CLI では222.4秒だった。ego-browser では Opus 5 の呼び出し数が41.2回ではなく30.3回となり、呼び出し当たりの出力量は多かった。思考を含む出力トークン数は、呼び出し当たり565トークンで、比較対象は389トークンだった。
興行収入調査のタスクは、呼び出しが何に使われるかを示している。Opus 5 は、Wes Anderson の六作品の興行収入を Box Office Mojo と Wikipedia の間で照合する必要があり、五つのツールすべてが全項目に正答した。ego-browser では15回のツール呼び出しと167秒で成功し、ほかの四つでは20〜26回、249〜290秒かかった。差が生まれたのは Box Office Mojo 側の調査だった。ego-browser は10回目までに終え、ほかは12〜16回目までかかった。10回目の呼び出しでは、一つのスクリプトで五作品の公開情報ページを順に開き、それぞれの興行収入を出力した。

費用
共通成功タスクでは、ego-browser の平均モデル費用も最も低かった。五つのツールすべてが成功した13項目で、Opus 5 のタスク当たり費用は ego-browser が$1.702、ほかは$1.845〜$2.368だった。その13項目のうち、Chrome DevTools CLI と Browser Use CLI より費用が低かったのはそれぞれ8項目、Playwright CLI より低かったのは10項目、agent-browser より低かったのは11項目だった。
どのツールでもモデルと料金は同じなので、差はすべて使用量によるものであり、キャッシュ読み込みに表れている。ツールを呼び出すたびにモデルのターンが増え、そのたびにそれまでの会話が Opus 5 に再送される。その大半はキャッシュ読み込みとして課金される。呼び出し数が少なかった ego-browser では、Opus 5 がタスク当たりに再読み込みしたキャッシュ済みトークンは132万で、ほかのツールでは169万〜242万だった。
| ブラウザーツール | タスク当たりに読み込んだキャッシュ済みトークン数 | キャッシュ読み込み | キャッシュ書き込み | 出力 |
|---|---|---|---|---|
| ego-browser | 132万 | $0.661 | $0.613 | $0.428 |
| Chrome DevTools CLI | 169万 | $0.846 | $0.597 | $0.401 |
| Playwright CLI | 198万 | $0.991 | $0.607 | $0.454 |
| Browser Use CLI | 175万 | $0.877 | $0.597 | $0.500 |
| agent-browser | 242万 | $1.210 | $0.634 | $0.523 |
五つのツールすべてが成功した13項目における、タスク当たりの平均。Claude Code は、すべてのキャッシュ済みトークンを有効期間一時間で書き込んだ。内訳の計算には Anthropic が公表する Opus 5 の料金を使用している。キャッシュ読み込みは100万トークン当たり$0.50、有効期間一時間のキャッシュ書き込みは100万トークン当たり$10、出力は100万トークン当たり$25。三つの内訳を合計すると、各ツールのタスク当たり費用との差は0.1セント以内に収まる。
五つのツールで出力とキャッシュ書き込みの費用は近かったため、順位を決めたのはキャッシュ読み込みだった。五つすべてが成功した13項目では、ego-browser は Chrome DevTools CLI と比べ、タスク当たり14.3セント節約できた。
Claude Opus 5 と組み合わせるブラウザーツールの選び方
ここで検証したタスク構成、Claude Code の設定、100ステップの上限であれば、Claude Opus 5 と ego-browser を組み合わせたい。Opus 5 が最も多くのタスクに成功し、五つのツールすべてが成功した13項目でも平均所要時間と費用が最も低かった。
今回の十一項目のような複数サイトでの作業では、100ステップ以内という条件で ego-browser を選ぶ。100ステップの上限内で、Opus 5 は ego-browser を使うと11項目の複数サイトタスク中8項目に成功し、ほかのツールではそれぞれ1〜3項目だった。対象が、それ以外の16項目のような少数サイトでの情報検索、一ページを起点とする調査、一つのウェブアプリ内の作業なら、成功するかどうかにツールが与える影響は小さい。Chrome DevTools CLI は ego-browser と同様に16項目すべてに成功した。五つすべてが成功した13項目では、ego-browser のほうがタスク当たり平均44.9秒短く、費用も14.3セント低かった。
速度を最優先するなら、五つのツールすべてが成功した13項目で平均所要時間が最も短かったのは ego-browser、次が Chrome DevTools CLI だった。費用を最優先する場合も、このタスク群での順位は同じだった。Playwright CLI、Browser Use CLI、agent-browser は、このタスク群の平均所要時間と費用の両方で、この二つに後れを取った。
構成は、Claude Code 内で高い推論強度を設定した Claude Opus 5(claude-opus-5)、各ブラウザーツールのスキルファイル、試行当たり100ステップの上限だった。ego-browser は ego(lite) とともに提供され、エージェントのブラウザーとしてこれを操作する。ほかの四つのツールは Google Chrome を操作する。
この比較における ego(lite) の役割
ego(lite) は ego-browser が操作するブラウザーを提供し、Claude Code と Claude Opus 5 はエージェントとモデルを担った。ego-browser 連携ガイドで、この関係を説明している。報告された費用はモデルのトークン費用であり、ブラウザーの別途サブスクリプション料金ではない。
タスク別の内訳を使い、検証した100ステップの上限内で似た作業を行うための構成を選んでほしい。複数サイトタスクの完了数の比較は十一項目を対象とし、所要時間と費用の比較はすべてのツールが成功した十三項目を対象としている。両者は異なるタスク群なので、共通成功タスクの費用から、より難しい複数サイトの作業を完了する費用は分からない。
よくある質問
Claude Code のブラウザー自動化には agent-browser と Playwright CLI のどちらがよい?
Claude Opus 5 を使った今回の実行では、Playwright CLI の成功数が多く、27回中18回だった。agent-browser は15回だった。五つのツールすべてが成功した13項目で、Playwright CLI はタスク当たり平均495.8秒・$2.052、agent-browser は543.6秒・$2.368だった。Playwright CLI はその13項目中9項目で速かったが、一度の2,127秒の実行が平均を押し上げている。agent-browser は11項目で100ステップをすべて使い切り、Playwright CLI は8項目で使い切った。
Chrome DevTools CLI と Playwright CLI:Claude Opus 5 ではどちらが優れている?
成功数はどちらも27回中18回で並び、平均所要時間と費用は Chrome DevTools CLI のほうが低かった。五つのツールすべてが成功した13項目で、Chrome DevTools CLI はタスク当たり平均369.5秒・$1.845、Playwright CLI は495.8秒・$2.052だった。タスクごとに見ると差は小さく、Chrome DevTools CLI はその13項目中7項目で速く、8項目で安かった。所要時間の差のほぼすべては、Playwright CLI の SpaceX 打ち上げ投稿タスクで2,127秒かかった一度の実行による。
Chrome DevTools CLI は Claude Opus 5 に適した選択肢?
複数サイトタスク以外なら、適している。Chrome DevTools CLI では Opus 5 がそれ以外の16項目すべてに成功し、ego-browser と同じだった。五つのツールすべてが成功した13項目では、タスク当たり369.5秒・$1.845で、平均所要時間と費用は二番目だった。11項目の複数サイトタスクでは2項目に成功し、7項目で100ステップをすべて使い切った。
Claude Code で使う Browser Use CLI は、ほかのブラウザーツールと比べてどうか?
Browser Use CLI では Opus 5 が27回中17回に成功し、ほかの四つのツールは15〜24回だった。五つすべてが成功した13項目では、タスク当たり407.7秒・$1.975で、平均所要時間と費用は三番目だった。誤答は3回あり、11項目の複数サイトタスクのうち7項目で100ステップをすべて使い切った。
長い複数サイトタスクでブラウザーエージェントが失敗するのはなぜ?
今回の100ステップの上限では、Claude Opus 5 は主にステップを使い切って失敗した。五つのブラウザーツールのうち四つで、11項目の複数サイトタスク中7〜9項目において100ステップをすべて使用した。その四つは Chrome DevTools CLI、Playwright CLI、Browser Use CLI、agent-browser だ。ego-browser では一度だけで、このタスク群の試行当たり平均ツール呼び出し数は ego-browser が73.4回、ほかは91.5〜97.0回だった。
Claude Opus 5 のブラウザーエージェントのタスク費用はいくら?
五つのツールすべてが成功した13項目では、Claude Opus 5 のブラウザータスク費用は、使うツールにより約$1.70〜$2.37だった。費用の最大部分は、ターンごとに再読み込みされるキャッシュ済みトークンであり、ツール呼び出し数が増えるとその量も増える。
Claude Opus 5 のブラウザーエージェントはタスクにどれくらい時間がかかる?
五つのツールすべてが成功した13項目では、タスク当たり所要時間は ego-browser の324.6秒から agent-browser の543.6秒までだった。複数サイトタスクでは、全試行を含めた平均所要時間は、五つのツールで919.1〜1,112.2秒だった。どちらにも Opus 5 の応答待ち時間が含まれる。
Claude Opus 5 はブラウザータスクで何回ツールを呼び出す?
五つのツールすべてが成功した13項目では、使うツールにより、タスク当たり30.3〜53.7回だった。ego-browser が最も少なく、agent-browser が最も多かった。11項目の複数サイトタスクでは、試行当たり平均呼び出し数は ego-browser が73.4回、ほかの四つは91.5〜97.0回だった。
検証した構成間で Claude Opus 5 の成功率はどう違った?
今回の実行では違いがあった。同じモデルと Claude Code 構成でも、Opus 5 の27回の試行における成功率は、ブラウザーツールにより55.6%〜88.9%だった。差の大半は11項目の複数サイトタスクで生まれた。それ以外の16項目では、どのツールも14〜16項目に成功した。
ウェブアプリのタスクでもブラウザーツールによって差はある?
成功するかどうかに差はなかった。Opus 5 は五つのツールのいずれでも、テスト用ウェブアプリの4項目すべてに成功した。4項目中2項目を超えて最速だったツールはない。差があったのは必要な呼び出し数で、ego-browser はタスク当たり36.2回、ほかは47.8〜77.2回だった。
検証方法
ego-browser は2026年11月3日、ほかの四つのツールは2026年11月5日に、順番に実行した。すべて macOS 26.5 を搭載した同じ Apple シリコンの Mac mini を使った。各実行は Claude Code 2.1.316 内で高い推論強度の Claude Opus 5(claude-opus-5)を使い、Bash、Read、Write、Edit、Skill ツールを利用した。モデル、エージェント、推論強度、タスク、採点、ステップ上限はすべてのツールで同じで、変更したのはブラウザーツール、そのスキルファイル、操作対象のブラウザーだった。
ブラウザーツール
Claude Code がシェルコマンドで操作する五つのブラウザーツールを比較した。ego-browser v2.2.0-beta.5 は ego(lite) 0.6.3.2 を操作した。Opus 5 が JavaScript スクリプトを書き、ego-browser がページに対して実行し、スクリプトが出力した内容がページ情報として返された。Chrome DevTools CLI 1.10.1、Playwright CLI 0.1.22、agent-browser 0.39.1 は、ページを開く、要素のスナップショットを取得する、JavaScript を実行するといったコマンドで Google Chrome 156 を操作した。Opus 5 は、これらを使ったシェル呼び出しの47.4%〜56.7%で、二つ以上のコマンドを連結した。Browser Use CLI 0.1.13 は、ページの読み込みや JavaScript の実行を補助する関数を備えた Python スクリプトで Google Chrome 156 を操作した。
タスク
実際のウェブサイトとテスト用ウェブアプリで27項目のタスクを実施した。11項目の複数サイトタスクでは、8〜16サイトから同じ項目を集める。例えば、12の中央銀行の2026年最初の金利決定を調べるタスクだ。それ以外の16項目は、指定された一〜三サイトでの情報検索が9項目、一ページを起点とする調査が3項目、業務用ウェブアプリ内の作業が4項目だった。例として、六作品の興行収入を Box Office Mojo と Wikipedia で照合する、グラフにカーソルを合わせて点の値を読み取る、出張規程に沿って旅行を予約する、といった作業がある。
複数サイトタスクは、8個以上の対象を列挙し、対象ごとに別のサイトを指定する、このタスクセット独自の分類だ。各タスクは一つの分類だけに属する。
成功の判定基準
各タスクには採点項目があり、27項目のタスク全体で190項目になる。最終回答が採点項目すべてに正答した場合のみ、その試行を成功とする。最終回答がない試行は失敗となる。
集計方法
一回の試行は、一つのツールで一つのタスクを一度実行することを指す。各ツールで各タスクを一度実行したため、ツールごとの試行数は27回であり、成功率は試行数を基準に計算する。一ステップはモデルの一ターンで、各試行は最大100ステップ、最長60分だった。ツール呼び出しを行った8,607ステップのうち、5ステップを除くすべてが、ちょうど一回の呼び出しを行った。
ツール呼び出しは、Claude Code の Bash、Read、Write、Edit、Skill のいずれかを一回呼び出すことを指す。例えば、一つのブラウザースクリプト、複数のコマンドを連結する場合もある一回のシェル呼び出し、一回のファイル読み込みなどだ。最終回答を出さずにステップの上限に達した場合を「100ステップをすべて使用」とし、該当する試行のツール呼び出し数はどれも99回か100回だった。呼び出し数は、各試行の Claude Code セッションログから取得した。
所要時間は、試行ごとの実経過時間だ。Opus 5 の API 応答待ちとブラウザーコマンドの実行を含み、速度の表ではそれぞれを別に計測している。費用は、Anthropic の Opus 5 公表料金に基づいて Claude Code が各試行について報告したもので、キャッシュ済みトークン数と出力トークン数も同じ記録から取得した。思考を含む呼び出し当たりの出力トークン数は、各ツールのタスク当たり出力トークン数を、タスク当たりツール呼び出し数で割った値だ。
速度と費用は、五つのツールすべてが成功した13項目で比較する。各タスクは各ツールで一度だけ実行したため、タスクの所要時間と費用は、その一回の試行の値になる。「13項目中8項目で速い」のような件数は、タスクごとにツールを比較したものだ。同じブラウザーツールのコマンドを二つ以上実行したシェル呼び出しを、コマンド連結ありと数える。
全タスクの結果
各セルは一回の試行について、結果、実経過時間(秒)、費用を示す。各ツールで各タスクを一度実行した。所要時間には Opus 5 の API 応答待ちが含まれる。「全ステップを使用」は、最終回答を出さずに100ステップの上限に達した試行を指す。
複数サイトタスク
| タスク | ego-browser | Chrome DevTools CLI | Playwright CLI | Browser Use CLI | agent-browser |
|---|---|---|---|---|---|
| 九つの音楽サービスにおける同じアルバムの曲数、再生時間、発売日、クレジット | 成功, 415 秒, $2.42 | 誤答, 781 秒, $3.88 | 成功, 809 秒, $4.58 | 成功, 633 秒, $3.43 | 全ステップを使用, 728 秒, $4.58 |
| 各メーカーのサイトにおける八機種のカメラの重量、バッテリー、解像度、連写仕様 | 成功, 1112 秒, $5.75 | 全ステップを使用, 990 秒, $4.63 | 全ステップを使用, 823 秒, $4.40 | 全ステップを使用, 936 秒, $5.37 | 全ステップを使用, 799 秒, $4.91 |
| 12の中央銀行それぞれの公式サイトにおける2026年最初の金利決定 | 成功, 899 秒, $5.95 | 全ステップを使用, 780 秒, $6.20 | 全ステップを使用, 604 秒, $5.22 | 全ステップを使用, 539 秒, $5.29 | 全ステップを使用, 766 秒, $4.31 |
| 九つの開発者会議のプログラムと YouTube に基づく開幕基調講演 | 全ステップを使用, 1401 秒, $7.37 | 全ステップを使用, 1126 秒, $5.80 | 全ステップを使用, 945 秒, $5.31 | 全ステップを使用, 1100 秒, $6.14 | 全ステップを使用, 962 秒, $5.58 |
| 自動車メーカーの米国向けサイトにおける九車種の電動 SUV の航続距離と DC 充電仕様 | 誤答, 1020 秒, $8.37 | 全ステップを使用, 1015 秒, $5.92 | 全ステップを使用, 803 秒, $5.31 | 全ステップを使用, 1084 秒, $6.83 | 全ステップを使用, 1223 秒, $6.02 |
| 九つのオープンウェイトモデルの規模、コンテキスト、ライセンス、学習トークン数 | 誤答, 749 秒, $7.29 | 全ステップを使用, 943 秒, $5.84 | 全ステップを使用, 741 秒, $5.31 | 全ステップを使用, 886 秒, $7.02 | 全ステップを使用, 1207 秒, $6.46 |
| 労働省のサイトに基づく九か国の法定最低賃金 | 成功, 616 秒, $4.39 | 全ステップを使用, 1075 秒, $6.20 | 成功, 687 秒, $4.83 | 全ステップを使用, 724 秒, $5.81 | 全ステップを使用, 1055 秒, $5.02 |
| ブランドの英国向けサイトにおける九機種の携帯電話の重量、バッテリー、ディスプレイ、IP 等級、更新方針 | 成功, 745 秒, $6.02 | 全ステップを使用, 908 秒, $4.86 | 全ステップを使用, 778 秒, $4.53 | 全ステップを使用, 898 秒, $5.66 | 全ステップを使用, 786 秒, $5.27 |
| 九つのサーバーレス関数プラットフォームの無料枠の制限 | 成功, 515 秒, $3.81 | 成功, 958 秒, $6.45 | 成功, 565 秒, $4.71 | 誤答, 580 秒, $3.76 | 全ステップを使用, 1251 秒, $5.97 |
| 八つのオープンソースプロジェクトの X 上のセキュリティリリース投稿を、各プロジェクト自身のセキュリティ勧告と対応付ける | 成功, 1058 秒, $3.83 | 成功, 1047 秒, $4.99 | 全ステップを使用, 2128 秒, $4.96 | 成功, 1805 秒, $6.16 | 成功, 1908 秒, $5.35 |
| 八つのブランドの X 上の2026年の製品投稿を、それぞれのプレスリリースと対応付ける | 成功, 1580 秒, $4.56 | 誤答, 849 秒, $4.62 | 全ステップを使用, 2024 秒, $5.21 | 誤答, 1832 秒, $5.39 | 誤答, 1548 秒, $4.76 |
その他のタスク
| タスク | ego-browser | Chrome DevTools CLI | Playwright CLI | Browser Use CLI | agent-browser |
|---|---|---|---|---|---|
| Apple の比較ページ、米国ストア、仕様ページを使い、三機種の MacBook の32 GB / 1 TB構成の価格を調べる | 成功, 367 秒, $3.15 | 成功, 374 秒, $2.74 | 成功, 481 秒, $4.91 | 成功, 438 秒, $3.06 | 成功, 568 秒, $3.52 |
| Wes Anderson の六作品の興行収入を Box Office Mojo と Wikipedia で照合する | 成功, 167 秒, $0.81 | 成功, 290 秒, $1.01 | 成功, 249 秒, $0.89 | 成功, 265 秒, $1.25 | 成功, 270 秒, $0.96 |
| Companies House における英国四社の一次 KYC スナップショット | 成功, 359 秒, $2.02 | 成功, 333 秒, $1.42 | 成功, 319 秒, $1.66 | 成功, 321 秒, $1.42 | 成功, 356 秒, $1.65 |
| ClinicalTrials.gov にある2021年の第3相アトピー性皮膚炎試験を、対応する DailyMed の医薬品添付文書と照合する | 成功, 391 秒, $1.98 | 成功, 338 秒, $2.15 | 成功, 468 秒, $2.72 | 成功, 541 秒, $2.38 | 成功, 475 秒, $2.74 |
| FRED で12月の前年12月比の CPI、コア CPI、卵価格の変化を調べ、BLS と照合する | 成功, 181 秒, $1.09 | 成功, 346 秒, $1.90 | 成功, 395 秒, $1.35 | 成功, 294 秒, $1.48 | 成功, 311 秒, $1.59 |
| フライト検索サイトで、三都市からデンバーへのノンストップのエコノミー便の最安運賃を調べる | 成功, 766 秒, $3.50 | 成功, 1152 秒, $3.83 | 誤答, 732 秒, $4.03 | 成功, 1008 秒, $3.89 | 全ステップを使用, 1123 秒, $5.25 |
| MDN と Can I use を使い、六つのウェブプラットフォーム機能の採用可否を判断する | 成功, 376 秒, $1.74 | 成功, 461 秒, $2.41 | 成功, 420 秒, $1.82 | 成功, 381 秒, $1.51 | 成功, 423 秒, $2.11 |
| X 上の SpaceX の打ち上げに関する一週間分の投稿を、Wikipedia の二つの打ち上げ一覧と照合する | 成功, 472 秒, $1.06 | 成功, 558 秒, $1.94 | 成功, 2127 秒, $2.15 | 成功, 854 秒, $1.58 | 成功, 511 秒, $1.55 |
| Karpathy の GPT 講義について、YouTube、GitHub、arXiv で照合した学習ノート | 成功, 245 秒, $1.55 | 成功, 426 秒, $2.75 | 成功, 696 秒, $2.93 | 成功, 466 秒, $2.05 | 全ステップを使用, 1344 秒, $4.49 |
| ARC Prize のランキンググラフで、カーソルを合わせて低費用の八点の値を読み取る | 成功, 294 秒, $1.60 | 成功, 360 秒, $1.87 | 成功, 354 秒, $1.92 | 誤答, 387 秒, $2.65 | 成功, 679 秒, $2.19 |
| Epoch AI のモデルデータベースで、EU の計算量基準を超えるモデルを数える | 成功, 211 秒, $1.25 | 成功, 210 秒, $0.97 | 成功, 273 秒, $1.57 | 成功, 150 秒, $0.84 | 成功, 882 秒, $1.95 |
| Wikipedia の LLM 表の十セルについて、引用された情報源をたどる | 成功, 444 秒, $2.11 | 成功, 474 秒, $2.19 | 成功, 427 秒, $2.22 | 成功, 335 秒, $1.91 | 成功, 349 秒, $1.73 |
| 出張・経費アプリで、規程に沿って航空便、通路側席、近隣ホテルを予約する | 成功, 281 秒, $1.91 | 成功, 221 秒, $2.14 | 成功, 452 秒, $2.97 | 成功, 403 秒, $3.01 | 成功, 409 秒, $1.98 |
| クラウドコンソールで、tier-1 サービスの監視設定を文書化された基準に合わせる | 成功, 230 秒, $1.39 | 成功, 202 秒, $1.39 | 成功, 252 秒, $1.69 | 成功, 264 秒, $1.60 | 成功, 543 秒, $3.20 |
| 業務アプリで2月の請求書を支払いと照合し、異議申し立てを行う | 成功, 539 秒, $2.53 | 成功, 547 秒, $2.36 | 成功, 373 秒, $1.73 | 成功, 681 秒, $3.74 | 成功, 1008 秒, $4.00 |
| 業務アプリで CSV をインポートし、仕入先別に発注書を作成する | 成功, 203 秒, $1.08 | 成功, 450 秒, $1.37 | 成功, 210 秒, $1.01 | 成功, 376 秒, $1.87 | 成功, 962 秒, $3.81 |
