Мы проверили браузерные возможности Claude Opus 5 с пятью инструментами автоматизации браузера на 27 веб-задачах

В нашей конфигурации Claude Code для браузерных задач с Claude Opus 5 мы выбрали бы ego-browser, чтобы выполнять больше задач на нескольких сайтах в пределах 100 шагов. На 13 задачах, с которыми справились все инструменты, у него также были наименьшие средние показатели времени и стоимости. Большую часть преимущества по числу успешных попыток дали задачи по сбору одинаковых полей с множества сайтов; на остальных задачах Chrome DevTools CLI справился с таким же числом. Каждый инструмент выполнил каждую из наших 27 задач по одному разу, то есть на инструмент пришлось 27 попыток. С ego-browser Opus 5 успешно завершил 24 из 27 попыток (88.9%), с Chrome DevTools CLI и Playwright CLI — по 18 (66.7%), с Browser Use CLI — 17 (63.0%), с agent-browser — 15 (55.6%). На 13 задачах, с которыми справились все пять инструментов, среднее время и средняя стоимость на задачу с ego-browser составили 324.6 секунды и $1.702. Далее следовали Chrome DevTools CLI — 369.5 секунды и $1.845, Browser Use CLI — 407.7 секунды и $1.975, Playwright CLI — 495.8 секунды и $2.052 и agent-browser — 543.6 секунды и $2.368.
Разница приходится на задачи с несколькими сайтами: это 11 задач, где нужно собрать одинаковые поля с 8–16 сайтов. С ego-browser Opus 5 выполнил 8 из них, а с каждым из остальных инструментов — от 1 до 3. С этими четырьмя инструментами модель в основном тратила все 100 шагов, не успев написать ответ: с каждым это произошло от 7 до 9 раз, а с ego-browser — один раз. Из остальных 16 задач Chrome DevTools CLI, как и ego-browser, выполнил все 16, Playwright CLI и Browser Use CLI — по 15, а agent-browser — 14.
В наших запусках различия были связаны с тем, сколько вызовов инструмента требовалось для одной и той же работы. На 13 задачах, с которыми справились все пять инструментов, Opus 5 в среднем делал 30.3 вызова на задачу с ego-browser и от 41.2 до 53.7 с остальными. С ego-browser вызовов было меньше на 10–13 из этих 13 задач. При работе с ego-browser меньшее число вызовов сопровождалось меньшим временем работы браузера, меньшим объёмом повторного чтения кэшированных токенов и большим запасом в пределах бюджета в 100 шагов.
У каждого инструмента есть слабое место. С ego-browser Opus 5 не справился с 3 из 11 задач с несколькими сайтами. Chrome DevTools CLI был быстрее ego-browser на 5 из 13 задач, с которыми справились все пять инструментов, но выполнил лишь 2 из 11 задач с несколькими сайтами. Среднее время Playwright CLI включает один запуск длительностью 2127 секунд на задаче о публикациях про запуски SpaceX. С Browser Use CLI получены 3 неверных ответа, а с agent-browser все 100 шагов были израсходованы 11 раз, в том числе дважды вне группы задач с несколькими сайтами.
| Браузерный инструмент | Доля успешных попыток | Среднее время на задачу | Средняя стоимость на задачу |
|---|---|---|---|
| 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 |
Каждый инструмент выполнил каждую из 27 задач один раз, поэтому доля успешных попыток рассчитана по 27 попыткам на инструмент. Время и стоимость на задачу — средние по 13 задачам, с которыми справились все пять инструментов; среди них нет задач с несколькими сайтами. Время включает ожидание Opus 5 и выполнение браузерных команд, а стоимость — сумму, которую Claude Code сообщил для каждой попытки.
Доля успешных попыток
С ego-browser Opus 5 выполнил больше всего задач, и почти всё это преимущество дали 11 задач с несколькими сайтами. На остальных 16 задачах выбор браузерного инструмента почти не влиял на успех Opus 5.
| Группа задач | ego-browser | Chrome DevTools CLI | Playwright CLI | Browser Use CLI | agent-browser |
|---|---|---|---|---|---|
| Задачи с несколькими сайтами (11) | 8 из 11 | 2 из 11 | 3 из 11 | 2 из 11 | 1 из 11 |
| Остальные задачи (16) | 16 из 16 | 16 из 16 | 15 из 16 | 15 из 16 | 14 из 16 |
| Все задачи (27) | 24 из 27 | 18 из 27 | 18 из 27 | 17 из 27 | 15 из 27 |
Успешные попытки в каждой группе: по одной попытке на задачу с каждым инструментом, запуски 3 и 5 ноября 2026 года. Если ваш агент собирает одинаковые поля с множества сайтов, различия между инструментами видны в строке задач с несколькими сайтами.
С остальными четырьмя инструментами большинство неудач приходилось на запуски, в которых все 100 шагов были израсходованы до написания ответа. Неверные ответы были редкими с каждым инструментом: от 1 до 3. На 11 задачах с несколькими сайтами Opus 5 в среднем делал 73.4 вызова инструмента на попытку с ego-browser и от 91.5 до 97.0 с остальными. Сумма в каждой строке ниже составляет 27 попыток.
| Браузерный инструмент | Успешно | Израсходованы все 100 шагов | Неверный ответ |
|---|---|---|---|
| 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 |
Ни один другой инструмент не выполнил задачу, с которой не справился ego-browser. Все три его неудачи — два неверных ответа и один запуск с израсходованными 100 шагами — пришлись на задачи с несколькими сайтами, с которыми не справился и каждый из остальных четырёх инструментов.
Задача о центральных банках показывает эту закономерность. Opus 5 должен был найти на собственном сайте каждого из 12 центральных банков первое запланированное решение по ставке в 2026 году: дату, изменение, значение ключевой ставки, несогласные голоса и дату следующего решения. С ego-browser модель прошла от Федеральной резервной системы до Резервного банка Индии и вернула все 12 строк без ошибок. С каждым из остальных четырёх инструментов она израсходовала все 100 шагов, не успев написать ответ.

На остальных 16 задачах Chrome DevTools CLI выполнил столько же, сколько ego-browser. В группе задач с несколькими сайтами Opus 5 с ego-browser дал окончательный ответ в пределах 100 шагов на 10 из 11 задач, а с остальными инструментами — на 2–4. Именно для такой работы мы бы особенно внимательно отнеслись к выбору инструмента.
Скорость
С ego-browser у Opus 5 было самое низкое среднее время. На 13 задачах, с которыми справились все пять инструментов, оно составило 324.6 секунды на задачу против 369.5–543.6 с остальными. На этих 13 задачах ego-browser был быстрее Chrome DevTools CLI в 8 случаях, каждого из инструментов Playwright CLI и Browser Use CLI — в 10, agent-browser — в 11. Среднее Playwright CLI включает один запуск длительностью 2127 секунд на задаче о публикациях про запуски SpaceX, поэтому мы также рассматриваем разницу по отдельным задачам.
По сравнению с каждым из остальных инструментов ego-browser тратил меньше времени на выполнение браузерных команд и делал меньше всего вызовов.
| Браузерный инструмент | Вызовы инструмента на задачу | Ожидание Opus 5 на задачу | Выполнение браузерных команд на задачу |
|---|---|---|---|
| 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 |
Средние по 13 задачам, с которыми справились все пять инструментов; запуски 3 и 5 ноября 2026 года.
По сравнению с Chrome DevTools CLI, ближайшим соперником, время ожидания модели было почти одинаковым, а записанное время выполнения браузерных команд — ниже с ego-browser. С ego-browser Opus 5 в среднем ожидал модель 222.7 секунды на задачу, с Chrome DevTools CLI — 222.4. При работе с ego-browser Opus 5 делал 30.3 вызова вместо 41.2 и генерировал больше на один вызов: 565 выходных токенов, включая рассуждения, против 389.
Задача о кассовых сборах показывает, на что уходят вызовы. Opus 5 должен был сверить сборы шести фильмов Уэса Андерсона между Box Office Mojo и Wikipedia, и со всеми пятью инструментами каждое значение было верным. С ego-browser задача была выполнена за 15 вызовов инструмента и 167 секунд, а с остальными четырьмя потребовалось от 20 до 26 вызовов и от 249 до 290 секунд. Разница возникла на части с Box Office Mojo: ego-browser закончил её к вызову 10, остальные — к вызовам 12–16. Во время вызова 10 один скрипт поочерёдно открыл страницы проката пяти фильмов и вывел сборы каждого.

Стоимость
У ego-browser также была самая низкая средняя стоимость модели на задачах, успешно выполненных всеми инструментами. На этих 13 задачах стоимость Opus 5 с ego-browser составила $1.702 на задачу, а с остальными — от $1.845 до $2.368. ego-browser был дешевле каждого из инструментов Chrome DevTools CLI и Browser Use CLI на 8 из этих 13 задач, Playwright CLI — на 10 и agent-browser — на 11.
Модель и её цена одинаковы для каждого инструмента, поэтому вся разница приходится на использование, что видно по чтению кэша. Каждый вызов инструмента добавляет ход, а на каждом ходу весь накопленный диалог снова отправляется Opus 5 и преимущественно оплачивается как чтение кэша. При меньшем числе вызовов Opus 5 с ego-browser повторно читал 1.32 миллиона кэшированных токенов на задачу против 1.69–2.42 миллиона с остальными.
| Браузерный инструмент | Прочитанные кэшированные токены на задачу | Чтение кэша | Запись в кэш | Вывод |
|---|---|---|---|---|
| ego-browser | 1.32 миллиона | $0.661 | $0.613 | $0.428 |
| Chrome DevTools CLI | 1.69 миллиона | $0.846 | $0.597 | $0.401 |
| Playwright CLI | 1.98 миллиона | $0.991 | $0.607 | $0.454 |
| Browser Use CLI | 1.75 миллиона | $0.877 | $0.597 | $0.500 |
| agent-browser | 2.42 миллиона | $1.210 | $0.634 | $0.523 |
Средние на задачу по 13 задачам, с которыми справились все пять инструментов. Claude Code записывал каждый кэшированный токен со сроком хранения один час. Для расчёта составляющих используются опубликованные Anthropic цены на Opus 5: $0.50 за миллион токенов чтения кэша, $10 за миллион токенов записи в кэш со сроком хранения один час и $25 за миллион выходных токенов. Сумма трёх составляющих совпадает со стоимостью на задачу для каждого инструмента с точностью до одной десятой цента.
Затраты на вывод и запись в кэш были близкими у всех пяти инструментов, поэтому их порядок определялся чтением кэша. На 13 задачах, с которыми справились все пять, ego-browser экономил 14.3 цента на задачу по сравнению с Chrome DevTools CLI.
Какой браузерный инструмент выбрать для Claude Opus 5
Для проверенных здесь набора задач, конфигурации Claude Code и бюджета в 100 шагов мы бы выбрали связку Claude Opus 5 и ego-browser. С ним Opus 5 выполнил больше всего задач, а на 13 задачах, с которыми справились все пять инструментов, показал самые низкие средние значения времени и стоимости.
Для работы на нескольких сайтах, подобной нашим одиннадцати задачам, в пределах этого бюджета в 100 шагов мы бы выбрали ego-browser. В рамках 100 шагов Opus 5 выполнил с ним 8 из 11 задач с несколькими сайтами, а с каждым из остальных инструментов — от 1 до 3. Если ваши задачи похожи на остальные 16 — поиск на нескольких сайтах, исследование с одной страницы или работа внутри одного веб-приложения, — инструмент меньше влияет на успех. Chrome DevTools CLI, как и ego-browser, выполнил все 16 задач, а на 13 задачах, с которыми справились все пять инструментов, ego-browser в среднем тратил на 44.9 секунды и на 14.3 цента меньше на задачу.
Если важнее всего скорость, самое низкое среднее время на 13 задачах, с которыми справились все пять инструментов, было у ego-browser, а следующим шёл Chrome DevTools CLI. Если важнее стоимость, порядок на этих задачах был тем же. Playwright CLI, Browser Use CLI и agent-browser уступали обоим по средним времени и стоимости в этой группе.
В нашей конфигурации использовался Claude Opus 5 (claude-opus-5) с уровнем усилий high в Claude Code, файл навыка для каждого браузерного инструмента и бюджет в 100 шагов на попытку. ego-browser поставляется вместе с ego(lite) и управляет им как браузером агента, а остальные четыре инструмента управляют Google Chrome.
Какую роль в сравнении играет ego(lite)
ego(lite) предоставлял браузер, которым управлял ego-browser, а Claude Code и Claude Opus 5 — соответственно агента и модель. Руководство по интеграции ego-browser описывает эту связь. Указанные затраты — стоимость токенов модели, а не отдельная подписка на браузер.
Используйте разбивку задач, чтобы выбрать конфигурацию для похожей работы в пределах проверенного бюджета в 100 шагов. Сравнение успешного завершения задач с несколькими сайтами охватывает одиннадцать задач, а сравнение времени и стоимости — тринадцать задач, с которыми справились все инструменты. Это разные группы, поэтому стоимость на общих успешных задачах не показывает, во сколько обойдётся выполнение более сложных задач с несколькими сайтами.
Частые вопросы
Что лучше для автоматизации браузера в Claude Code: agent-browser или Playwright CLI?
С Claude Opus 5 Playwright CLI в наших запусках выполнил больше: 18 из 27 попыток против 15 у agent-browser. На 13 задачах, с которыми справились все пять инструментов, среднее время и средняя стоимость на задачу составили 495.8 секунды и $2.052 с Playwright CLI, а с agent-browser — 543.6 секунды и $2.368. Playwright CLI был быстрее на 9 из этих 13 задач, хотя один запуск длительностью 2127 секунд повысил среднее. С agent-browser все 100 шагов были израсходованы на 11 задачах, с Playwright CLI — на 8.
Chrome DevTools CLI или Playwright CLI: что лучше работает с Claude Opus 5?
По успешности они равны: по 18 из 27 попыток, но у Chrome DevTools CLI ниже средние показатели времени и стоимости. На 13 задачах, с которыми справились все пять инструментов, его среднее время и средняя стоимость на задачу составили 369.5 секунды и $1.845, а у Playwright CLI — 495.8 секунды и $2.052. По отдельным задачам результаты были близкими: Chrome DevTools CLI был быстрее на 7 из этих 13 и дешевле на 8. Один запуск Playwright CLI длительностью 2127 секунд на задаче о публикациях про запуски SpaceX объясняет почти всю разницу во времени.
Подходит ли Chrome DevTools CLI для Claude Opus 5?
За пределами задач с несколькими сайтами — да: с Chrome DevTools CLI Opus 5 выполнил все 16 остальных задач, как и с ego-browser. По средним показателям времени и стоимости Chrome DevTools CLI занял второе место: 369.5 секунды и $1.845 на задачу на 13 задачах, с которыми справились все пять инструментов. Из 11 задач с несколькими сайтами он выполнил 2, а на 7 израсходовал все 100 шагов.
Как Browser Use CLI соотносится с другими браузерными инструментами для Claude Code?
С Browser Use CLI Opus 5 успешно завершил 17 из 27 попыток против 15–24 с остальными четырьмя инструментами. На 13 задачах, с которыми справились все пять, Browser Use CLI занял третье место по средним показателям времени и стоимости: 407.7 секунды и $1.975 на задачу. Он дал 3 неверных ответа и израсходовал все 100 шагов на 7 из 11 задач с несколькими сайтами.
Почему браузерные агенты не справляются с долгими задачами на множестве сайтов?
В пределах нашего бюджета в 100 шагов Claude Opus 5 главным образом не хватало шагов: с четырьмя из пяти браузерных инструментов модель тратила все 100 шагов на 7–9 из 11 задач с несколькими сайтами. Это были Chrome DevTools CLI, Playwright CLI, Browser Use CLI и agent-browser. С ego-browser такое произошло один раз; на этих задачах с ним в среднем требовалось 73.4 вызова инструмента на попытку против 91.5–97.0.
Сколько стоит задача браузерного агента на Claude Opus 5?
На 13 наших задачах, с которыми справились все пять инструментов, браузерная задача с Claude Opus 5 стоила примерно от $1.70 до $2.37 в зависимости от браузерного инструмента. Самая большая часть затрат — кэшированные токены, повторно читаемые на каждом ходу; их объём растёт с числом вызовов инструмента.
Сколько времени занимает задача браузерного агента на Claude Opus 5?
На 13 наших задачах, с которыми справились все пять инструментов, время составляло от 324.6 секунды с ego-browser до 543.6 с agent-browser. Если учитывать каждую попытку, на задачах с несколькими сайтами среднее время попытки у пяти инструментов составляло от 919.1 до 1112.2 секунды. Оба показателя включают время ожидания Opus 5.
Сколько вызовов инструмента делает Claude Opus 5 на браузерной задаче?
От 30.3 до 53.7 на задачу на 13 задачах, с которыми справились все пять инструментов, в зависимости от браузерного инструмента. Меньше всего требовалось ego-browser, больше всего — agent-browser. На 11 задачах с несколькими сайтами среднее число вызовов на попытку составляло 73.4 с ego-browser и 91.5–97.0 с остальными четырьмя.
Как различалась доля успешных попыток Claude Opus 5 в проверенных конфигурациях?
В наших запусках — да: при одинаковых модели и конфигурации Claude Code Opus 5 успешно завершил от 55.6% до 88.9% из 27 попыток в зависимости от браузерного инструмента. Большая часть разброса приходилась на 11 задач с несколькими сайтами. Из остальных 16 задач каждый инструмент выполнил от 14 до 16.
Различаются ли браузерные инструменты на задачах внутри веб-приложений?
По успешному выполнению работы — нет: Opus 5 выполнил все 4 задачи в наших тестовых веб-приложениях с каждым из пяти инструментов. Ни один инструмент не был самым быстрым более чем на 2 из 4 задач. Инструменты различались по числу вызовов для выполнения работы: 36.2 на задачу с ego-browser против 47.8–77.2 с остальными.
Как мы тестировали
Мы запускали ego-browser 3 ноября 2026 года, а остальные четыре инструмента — 5 ноября 2026 года, последовательно, на одном и том же Mac mini с Apple silicon под macOS 26.5. Во всех запусках использовался Claude Opus 5 (claude-opus-5) с уровнем усилий high в Claude Code 2.1.316 и инструментами Bash, Read, Write, Edit и Skill. Модель, агент, уровень усилий, задачи, оценивание и бюджет шагов были одинаковыми для всех инструментов; менялись браузерный инструмент, его файл навыка и управляемый им браузер.
Браузерные инструменты
Мы сравнили пять браузерных инструментов, которыми Claude Code управляет через команды оболочки. ego-browser v2.2.0-beta.5 управлял ego(lite) 0.6.3.2: Opus 5 писал скрипты JavaScript, ego-browser выполнял их на странице, а содержимое страницы возвращалось в виде того, что выводил скрипт. Chrome DevTools CLI 1.10.1, Playwright CLI 0.1.22 и agent-browser 0.39.1 управляли Google Chrome 156 через команды для таких действий, как открытие страницы, создание снимка её элементов или выполнение JavaScript. Opus 5 объединял две и более таких команды в диапазоне от 47.4% до 56.7% вызовов оболочки, в которых они использовались. Browser Use CLI 0.1.13 управлял Google Chrome 156 через скрипты Python с вспомогательными функциями для загрузки страниц и выполнения JavaScript.
Задачи
Мы использовали 27 задач на настоящих сайтах и в тестовых веб-приложениях. В 11 задачах с несколькими сайтами нужно собирать одинаковые поля с 8–16 сайтов, например первое решение по ставке в 2026 году у 12 центральных банков. Остальные 16 — это 9 задач по поиску информации на одном–трёх указанных сайтах, 3 исследовательские задачи, начинающиеся с одной страницы, и 4 задачи внутри бизнес-приложений. Примеры: сверка сборов шести фильмов между Box Office Mojo и Wikipedia, чтение точек на графике с помощью наведения и бронирование поездки в соответствии с правилами командировок.
Задачи с несколькими сайтами — собственная группа в наборе задач: в них перечислены 8 и более объектов и указан отдельный сайт для каждого. Каждая задача входит только в одну группу.
Что считается успехом
У каждой задачи есть оцениваемые пункты: всего их 190 на 27 задач. Попытка считается успешной, только если в окончательном ответе верен каждый оцениваемый пункт; попытка без окончательного ответа считается неудачной.
Как мы считали
Попытка — один запуск одной задачи с одним инструментом. Каждый инструмент выполнял каждую задачу один раз, то есть сделал 27 попыток; доля успешных попыток рассчитывается по попыткам. Шаг — один ответ модели; на попытку отводилось не более 100 шагов и не более 60 минут. Из 8607 шагов с вызовом инструмента все, кроме 5, содержали ровно один вызов.
Вызов инструмента — один вызов Bash, Read, Write, Edit или Skill в Claude Code: например один браузерный скрипт, один вызов оболочки, который может объединять несколько команд, или одно чтение файла. Попытка считается израсходовавшей все 100 шагов, если достигла бюджета без окончательного ответа; каждая такая попытка к этому моменту сделала 99 или 100 вызовов инструмента. Число вызовов берётся из журнала сессии Claude Code для каждой попытки.
Время — полная длительность попытки. Оно включает ожидание API Opus 5 и выполнение браузерных команд; для таблицы скорости эти составляющие измеряются отдельно. Стоимость — сумма, которую Claude Code сообщил для каждой попытки по опубликованным тарифам Anthropic на Opus 5; кэшированные и выходные токены взяты из той же записи. Число выходных токенов на вызов, включая рассуждения, рассчитывается для каждого инструмента делением числа выходных токенов на задачу на число вызовов инструмента на задачу.
Скорость и стоимость сравниваются на 13 задачах, с которыми справились все пять инструментов. Поскольку каждая задача запускалась один раз с каждым инструментом, её время и стоимость — показатели этой одной попытки. Формулировки вроде «быстрее на 8 из 13 задач» сравнивают инструменты по каждой задаче отдельно. Вызов оболочки считается объединяющим команды, если в нём выполнялись две или более команды одного браузерного инструмента.
Полные результаты
Каждая ячейка показывает одну попытку: её результат, полную длительность в секундах и стоимость. Каждый инструмент выполнил каждую задачу один раз. Время включает ожидание API Opus 5. «Израсходованы все шаги» означает, что попытка достигла бюджета в 100 шагов без окончательного ответа.
Задачи с несколькими сайтами
| Задача | ego-browser | Chrome DevTools CLI | Playwright CLI | Browser Use CLI | agent-browser |
|---|---|---|---|---|---|
| Число треков, длительность, дата выпуска и сведения об авторах и участниках одного альбома на девяти музыкальных сервисах | Успех, 415 s, $2.42 | Неверный ответ, 781 s, $3.88 | Успех, 809 s, $4.58 | Успех, 633 s, $3.43 | Израсходованы все шаги, 728 s, $4.58 |
| Вес, аккумулятор, разрешение и характеристики серийной съёмки восьми камер на сайтах их производителей | Успех, 1112 s, $5.75 | Израсходованы все шаги, 990 s, $4.63 | Израсходованы все шаги, 823 s, $4.40 | Израсходованы все шаги, 936 s, $5.37 | Израсходованы все шаги, 799 s, $4.91 |
| Первое решение по ставке в 2026 году у 12 центральных банков на собственном сайте каждого банка | Успех, 899 s, $5.95 | Израсходованы все шаги, 780 s, $6.20 | Израсходованы все шаги, 604 s, $5.22 | Израсходованы все шаги, 539 s, $5.29 | Израсходованы все шаги, 766 s, $4.31 |
| Основные доклады на открытии девяти конференций разработчиков по их программам и YouTube | Израсходованы все шаги, 1401 s, $7.37 | Израсходованы все шаги, 1126 s, $5.80 | Израсходованы все шаги, 945 s, $5.31 | Израсходованы все шаги, 1100 s, $6.14 | Израсходованы все шаги, 962 s, $5.58 |
| Запас хода и характеристики зарядки постоянным током девяти электрических SUV на американских сайтах автопроизводителей | Неверный ответ, 1020 s, $8.37 | Израсходованы все шаги, 1015 s, $5.92 | Израсходованы все шаги, 803 s, $5.31 | Израсходованы все шаги, 1084 s, $6.83 | Израсходованы все шаги, 1223 s, $6.02 |
| Размер, контекст, лицензия и число обучающих токенов девяти моделей с открытыми весами | Неверный ответ, 749 s, $7.29 | Израсходованы все шаги, 943 s, $5.84 | Израсходованы все шаги, 741 s, $5.31 | Израсходованы все шаги, 886 s, $7.02 | Израсходованы все шаги, 1207 s, $6.46 |
| Установленная законом минимальная зарплата в девяти странах по сайтам министерств труда | Успех, 616 s, $4.39 | Израсходованы все шаги, 1075 s, $6.20 | Успех, 687 s, $4.83 | Израсходованы все шаги, 724 s, $5.81 | Израсходованы все шаги, 1055 s, $5.02 |
| Вес, аккумулятор, экран, степень защиты IP и политика обновлений девяти телефонов на британских сайтах брендов | Успех, 745 s, $6.02 | Израсходованы все шаги, 908 s, $4.86 | Израсходованы все шаги, 778 s, $4.53 | Израсходованы все шаги, 898 s, $5.66 | Израсходованы все шаги, 786 s, $5.27 |
| Лимиты бесплатных тарифов девяти платформ бессерверных функций | Успех, 515 s, $3.81 | Успех, 958 s, $6.45 | Успех, 565 s, $4.71 | Неверный ответ, 580 s, $3.76 | Израсходованы все шаги, 1251 s, $5.97 |
| Сверка публикаций о выпусках исправлений безопасности восьми проектов с открытым исходным кодом в X с их собственными рекомендациями по безопасности | Успех, 1058 s, $3.83 | Успех, 1047 s, $4.99 | Израсходованы все шаги, 2128 s, $4.96 | Успех, 1805 s, $6.16 | Успех, 1908 s, $5.35 |
| Сверка публикаций 2026 года о продуктах восьми брендов в X с их пресс-релизами | Успех, 1580 s, $4.56 | Неверный ответ, 849 s, $4.62 | Израсходованы все шаги, 2024 s, $5.21 | Неверный ответ, 1832 s, $5.39 | Неверный ответ, 1548 s, $4.76 |
Остальные задачи
| Задача | ego-browser | Chrome DevTools CLI | Playwright CLI | Browser Use CLI | agent-browser |
|---|---|---|---|---|---|
| Рассчитать стоимость трёх моделей MacBook в конфигурации 32 GB / 1 TB по странице сравнения Apple, американскому магазину и страницам характеристик | Успех, 367 s, $3.15 | Успех, 374 s, $2.74 | Успех, 481 s, $4.91 | Успех, 438 s, $3.06 | Успех, 568 s, $3.52 |
| Сверить сборы шести фильмов Уэса Андерсона между Box Office Mojo и Wikipedia | Успех, 167 s, $0.81 | Успех, 290 s, $1.01 | Успех, 249 s, $0.89 | Успех, 265 s, $1.25 | Успех, 270 s, $0.96 |
| Первичный снимок KYC-данных четырёх британских компаний в Companies House | Успех, 359 s, $2.02 | Успех, 333 s, $1.42 | Успех, 319 s, $1.66 | Успех, 321 s, $1.42 | Успех, 356 s, $1.65 |
| Сопоставить испытания фазы 3 по атопическому дерматиту за 2021 год в ClinicalTrials.gov с их инструкциями в DailyMed | Успех, 391 s, $1.98 | Успех, 338 s, $2.15 | Успех, 468 s, $2.72 | Успех, 541 s, $2.38 | Успех, 475 s, $2.74 |
| Изменения ИПЦ, базового ИПЦ и цен на яйца за декабрь относительно декабря предыдущего года по данным FRED, со сверкой по BLS | Успех, 181 s, $1.09 | Успех, 346 s, $1.90 | Успех, 395 s, $1.35 | Успех, 294 s, $1.48 | Успех, 311 s, $1.59 |
| Самые низкие тарифы экономкласса на беспосадочные рейсы в Денвер из трёх городов на сайте поиска авиабилетов | Успех, 766 s, $3.50 | Успех, 1152 s, $3.83 | Неверный ответ, 732 s, $4.03 | Успех, 1008 s, $3.89 | Израсходованы все шаги, 1123 s, $5.25 |
| Определить возможность использования шести функций веб-платформы по MDN и Can I use | Успех, 376 s, $1.74 | Успех, 461 s, $2.41 | Успех, 420 s, $1.82 | Успех, 381 s, $1.51 | Успех, 423 s, $2.11 |
| Сверка публикаций о запусках SpaceX за неделю в X с двумя списками запусков в Wikipedia | Успех, 472 s, $1.06 | Успех, 558 s, $1.94 | Успех, 2127 s, $2.15 | Успех, 854 s, $1.58 | Успех, 511 s, $1.55 |
| Учебные заметки к лекции Карпати о GPT со сверкой по YouTube, GitHub и arXiv | Успех, 245 s, $1.55 | Успех, 426 s, $2.75 | Успех, 696 s, $2.93 | Успех, 466 s, $2.05 | Израсходованы все шаги, 1344 s, $4.49 |
| Считать наведением значения восьми точек с низкой стоимостью на графике рейтинга ARC Prize | Успех, 294 s, $1.60 | Успех, 360 s, $1.87 | Успех, 354 s, $1.92 | Неверный ответ, 387 s, $2.65 | Успех, 679 s, $2.19 |
| Подсчитать в базе моделей Epoch AI модели, превышающие пороги ЕС по объёму вычислений | Успех, 211 s, $1.25 | Успех, 210 s, $0.97 | Успех, 273 s, $1.57 | Успех, 150 s, $0.84 | Успех, 882 s, $1.95 |
| Проследить десять ячеек таблицы LLM в Wikipedia до источников, на которые они ссылаются | Успех, 444 s, $2.11 | Успех, 474 s, $2.19 | Успех, 427 s, $2.22 | Успех, 335 s, $1.91 | Успех, 349 s, $1.73 |
| Забронировать перелёты, место у прохода и отель поблизости в рамках правил в приложении для поездок и расходов | Успех, 281 s, $1.91 | Успех, 221 s, $2.14 | Успех, 452 s, $2.97 | Успех, 403 s, $3.01 | Успех, 409 s, $1.98 |
| Привести мониторы сервисов tier-1 к письменному стандарту в облачной консоли | Успех, 230 s, $1.39 | Успех, 202 s, $1.39 | Успех, 252 s, $1.69 | Успех, 264 s, $1.60 | Успех, 543 s, $3.20 |
| Сверить февральские счета с платежами и открыть споры в приложении для операционных процессов | Успех, 539 s, $2.53 | Успех, 547 s, $2.36 | Успех, 373 s, $1.73 | Успех, 681 s, $3.74 | Успех, 1008 s, $4.00 |
| Создать заказы на закупку по поставщикам через импорт CSV в приложении для операционных процессов | Успех, 203 s, $1.08 | Успех, 450 s, $1.37 | Успех, 210 s, $1.01 | Успех, 376 s, $1.87 | Успех, 962 s, $3.81 |
