我们用五款浏览器自动化工具测试了 Claude Opus 5 在 27 项网页任务中的表现

在我们的 Claude Code 配置中,让 Claude Opus 5 操作浏览器时,我们会选择 ego-browser,以便在 100 步内完成更多跨站任务。在所有工具共同通过的 13 项任务上,它的平均耗时和成本也最低。通过次数的领先主要来自从多个网站收集相同字段的任务;在其他任务上,Chrome DevTools CLI 的通过次数与它相同。每款工具对 27 项任务各执行一次,因此每款工具都有 27 次尝试。Opus 5 搭配 ego-browser 通过了 27 次尝试中的 24 次(88.9%),搭配 Chrome DevTools CLI 和 Playwright CLI 各通过了 18 次(66.7%),搭配 Browser Use CLI 通过了 17 次(63.0%),搭配 agent-browser 通过了 15 次(55.6%)。在五款工具共同通过的 13 项任务中,ego-browser 平均单题耗时 324.6 秒、成本 $1.702。其次是 Chrome DevTools CLI,为 369.5 秒和 $1.845;接着是 Browser Use CLI,为 407.7 秒和 $1.975;Playwright CLI 为 495.8 秒和 $2.052;agent-browser 为 543.6 秒和 $2.368。
差距出现在跨站任务上,即从 8 到 16 个网站收集相同字段的 11 项任务。Opus 5 搭配 ego-browser 通过了其中 8 项,搭配其他每款工具则通过了 1 到 3 项。使用那四款工具时,它多数未能在用完 100 步前写出答案,每款工具各有 7 到 9 次出现这种情况,ego-browser 则只有一次。在其他 16 项任务中,Chrome DevTools CLI 也通过了全部 16 项,Playwright CLI 和 Browser Use CLI 各通过了 15 项,agent-browser 通过了 14 项。
在我们的运行中,差异与完成相同工作所需的工具调用次数相伴出现。在五款工具共同通过的 13 项任务上,Opus 5 搭配 ego-browser 平均每题调用工具 30.3 次,其他工具则为 41.2 到 53.7 次。与不同工具逐一相比,它使用 ego-browser 时,在这 13 项任务中的 10 到 13 项上调用更少。使用 ego-browser 时,更少的调用伴随着更短的浏览器执行时间、更少的缓存 token 重读,以及在 100 步预算内更充裕的空间。
每款工具都有短板。搭配 ego-browser 时,Opus 5 在 11 项跨站任务中有 3 项失败。在五款工具共同通过的 13 项任务中,Chrome DevTools CLI 有 5 项比 ego-browser 更快,但在 11 项跨站任务中只通过了 2 项。Playwright CLI 的平均耗时包含 SpaceX 发射帖文任务中一次耗时 2,127 秒的运行。Browser Use CLI 给出了 3 个错误答案;agent-browser 有 11 次用完了全部 100 步,其中两次并非跨站任务。
| 浏览器工具 | 成功率 | 平均单题耗时 | 平均单题成本 |
|---|---|---|---|
| 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 |
每款工具对 27 项任务各执行一次,因此成功率按每款工具的 27 次尝试计算。平均单题耗时和成本只涵盖五款工具共同通过的 13 项任务,其中没有跨站任务。耗时包含等待 Opus 5 和执行浏览器命令的时间;成本是 Claude Code 为每次尝试报告的数值。
成功率
ego-browser 让 Opus 5 通过了最多任务,而这部分领先几乎全部来自 11 项跨站任务。在其他 16 项任务中,浏览器工具几乎不影响 Opus 5 是否通过。
| 任务组 | ego-browser | Chrome DevTools CLI | Playwright CLI | Browser Use CLI | agent-browser |
|---|---|---|---|---|---|
| 跨站任务(11 项) | 11 次中的 8 次 | 11 次中的 2 次 | 11 次中的 3 次 | 11 次中的 2 次 | 11 次中的 1 次 |
| 其他任务(16 项) | 16 次中的 16 次 | 16 次中的 16 次 | 16 次中的 15 次 | 16 次中的 15 次 | 16 次中的 14 次 |
| 全部任务(27 项) | 27 次中的 24 次 | 27 次中的 18 次 | 27 次中的 18 次 | 27 次中的 17 次 | 27 次中的 15 次 |
各组的通过次数;每款工具对每项任务尝试一次,运行日期为 2026 年 11 月 3 日和 11 月 5 日。如果你的智能体需要从多个网站收集相同字段,工具之间的差异主要体现在跨站任务这一行。
使用其他四款工具时,多数失败都是在给出答案前用完了全部 100 步。每款工具答错的情况都很少,各有 1 到 3 次。在 11 项跨站任务中,Opus 5 搭配 ego-browser 平均每次尝试调用工具 73.4 次,搭配其他工具则为 91.5 到 97.0 次。下表每一行合计都是 27 次尝试。
| 浏览器工具 | 通过 | 用尽全部 100 步 | 答案错误 |
|---|---|---|---|
| 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 |
没有其他工具通过了 ego-browser 未通过的任务。ego-browser 的三次失败包括两次答错和一次用完全部 100 步,它们均为跨站任务,其他四款工具也都未能通过这些任务。
央行任务展示了这一模式。Opus 5 需要从 12 家央行各自的官网查询其在 2026 年首次按计划举行的利率决议,包括日期、利率调整情况、政策利率、异议情况和下次决议日期。搭配 ego-browser 时,它从美联储一路查到印度储备银行,正确返回了全部 12 行。搭配其他每款工具时,它都在写出答案前用完了全部 100 步。

在其他 16 项任务上,Chrome DevTools CLI 与 ego-browser 的通过次数相同。在跨站任务上,Opus 5 搭配 ego-browser 时,在 11 项中的 10 项上于 100 步预算内给出了最终答案,搭配其他工具时则为 2 到 4 项。对于这类工作,我们会更看重工具的选择。
速度
ego-browser 让 Opus 5 取得了最低平均耗时。在五款工具共同通过的 13 项任务上,它平均单题耗时 324.6 秒,其他工具为 369.5 到 543.6 秒。在这 13 项任务中,它有 8 项快于 Chrome DevTools CLI,有 10 项快于 Playwright CLI 和 Browser Use CLI,有 11 项快于 agent-browser。Playwright CLI 的平均值包含 SpaceX 发射帖文任务中一次耗时 2,127 秒的运行,因此我们也会逐题分析差距。
与其他每款工具相比,ego-browser 执行浏览器命令花费的时间更少,调用次数也最少。
| 浏览器工具 | 单题工具调用次数 | 单题等待 Opus 5 的时间 | 单题执行浏览器命令的时间 |
|---|---|---|---|
| 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 |
五款工具共同通过的 13 项任务的平均值,运行日期为 2026 年 11 月 3 日和 11 月 5 日。
相较于最接近的 Chrome DevTools CLI,ego-browser 等待模型的时间几乎相同,而记录到的浏览器命令耗时更低。Opus 5 搭配 ego-browser 时,单题等待模型 222.7 秒,搭配 Chrome DevTools CLI 时为 222.4 秒。使用 ego-browser 时,Opus 5 的调用次数为 30.3 次,而非 41.2 次;每次调用写出的内容也更多:计入思考过程后,每次调用输出 565 个 token,对比 389 个。
票房任务展示了调用花在何处。Opus 5 需要核对 Box Office Mojo 和 Wikipedia 上六部 Wes Anderson 电影的票房,五款工具都答对了所有值。搭配 ego-browser 时,它用了 15 次工具调用、167 秒通过任务,其他四款工具则用了 20 到 26 次调用、249 到 290 秒。差距出现在 Box Office Mojo 这一部分:ego-browser 在第 10 次调用时已完成,其他工具则到第 12 到 16 次调用才完成。第 10 次调用中,一个脚本依次打开五部电影的发行页面,并打印每部电影的票房。

成本
在共同成功任务上,ego-browser 的平均模型成本也最低。在五款工具共同通过的 13 项任务中,Opus 5 搭配 ego-browser 的单题成本为 $1.702,其他工具则为 $1.845 到 $2.368。在这 13 项任务中,ego-browser 有 8 项成本低于 Chrome DevTools CLI 和 Browser Use CLI,有 10 项低于 Playwright CLI,有 11 项低于 agent-browser。
每款工具使用相同的模型和费率,因此成本差距完全来自用量,缓存读取就体现了这一点。每次工具调用都会增加一轮交互,而每轮都会将此前的对话重新发送给 Opus 5,其中大部分按缓存读取计费。在调用更少的情况下,Opus 5 搭配 ego-browser 时,单题重读了 132 万个缓存 token,其他工具则为 169 万到 242 万个。
| 浏览器工具 | 单题读取的缓存 token 数 | 缓存读取 | 缓存写入 | 输出 |
|---|---|---|---|---|
| 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 |
五款工具共同通过的 13 项任务的单题平均值。Claude Code 为写入的每个缓存 token 设置了一小时的有效期。各部分采用Anthropic 公布的 Opus 5 价格:缓存读取为每百万个 token $0.50;有效期为一小时的缓存写入为每百万个 token $10;输出为每百万个 token $25。三部分相加与每款工具的单题成本之差不超过十分之一美分。
五款工具的输出成本与缓存写入成本相近,因此缓存读取决定了成本排序。在五款工具共同通过的 13 项任务中,相比 Chrome DevTools CLI,ego-browser 平均每题节省 14.3 美分。
Claude Opus 5 该搭配哪款浏览器工具
对于本文测试的任务组合、Claude Code 配置和 100 步预算,我们会让 Claude Opus 5 搭配 ego-browser。Opus 5 使用它通过的任务最多;在五款工具共同通过的 13 项任务上,它的平均耗时和成本也最低。
对于类似这十一项任务的跨站工作,在 100 步预算内,我们会选择 ego-browser 这套配置。在 100 步预算内,Opus 5 使用它通过了 11 项跨站任务中的 8 项,使用其他每款工具则通过了 1 到 3 项。如果你的任务更像其他 16 项——在少数网站查询、从单个页面开展研究,或在单个网页应用内操作——工具对能否通过的影响较小。Chrome DevTools CLI 与 ego-browser 一样,通过了全部 16 项;在五款工具共同通过的 13 项任务上,ego-browser 平均单题耗时少 44.9 秒、成本低 14.3 美分。
如果最看重速度,ego-browser 在五款工具共同通过的 13 项任务上平均耗时最低,Chrome DevTools CLI 次之。如果最看重成本,这些任务上的排序相同。Playwright CLI、Browser Use CLI 和 agent-browser 在这些任务的平均耗时与成本上均落后于前两者。
我们的配置为:在 Claude Code 中以高推理强度运行 Claude Opus 5(claude-opus-5),为每款浏览器工具提供一个 skill 文件,并为每次尝试设置 100 步预算。ego-browser 与 ego(lite) 一同提供,并将其作为智能体的浏览器来驱动;其他四款工具则驱动 Google Chrome。
ego(lite) 在这次对比中的角色
ego(lite) 提供了由 ego-browser 驱动的浏览器,Claude Code 和 Claude Opus 5 则分别提供智能体与模型。ego-browser 集成指南介绍了这种连接方式。报告的成本是模型 token 成本,并非单独的浏览器订阅价格。
可根据任务拆分结果,为类似工作选择适合测试中 100 步预算的配置。跨站任务完成情况的对比涵盖十一项任务,耗时和成本对比则涵盖所有工具共同通过的十三项任务。两者是不同任务组,因此共同成功任务的成本,不能作为完成较难跨站任务的价格。
常见问题
在 Claude Code 浏览器自动化中,agent-browser 和 Playwright CLI 哪个更好?
搭配 Claude Opus 5 时,Playwright CLI 在我们的运行中通过次数更多:27 次尝试中通过 18 次,agent-browser 则通过 15 次。在五款工具共同通过的 13 项任务上,Playwright CLI 平均单题耗时 495.8 秒、成本 $2.052,agent-browser 则为 543.6 秒和 $2.368。在这 13 项任务中,Playwright CLI 有 9 项更快,但一次 2,127 秒的运行拉高了它的平均耗时。agent-browser 在 11 项任务中用完了全部 100 步,Playwright CLI 则在 8 项中如此。
Chrome DevTools CLI 与 Playwright CLI:哪个搭配 Claude Opus 5 表现更好?
两者成功次数持平,均在 27 次尝试中通过 18 次;Chrome DevTools CLI 的平均耗时和成本更低。在五款工具共同通过的 13 项任务上,它平均单题耗时 369.5 秒、成本 $1.845,Playwright CLI 则为 495.8 秒和 $2.052。逐题看,两者很接近:Chrome DevTools CLI 在这 13 项中有 7 项更快,8 项更便宜。Playwright CLI 在 SpaceX 发射帖文任务中一次耗时 2,127 秒的运行,几乎解释了全部耗时差距。
Chrome DevTools CLI 适合 Claude Opus 5 吗?
跨站任务以外,适合:搭配 Chrome DevTools CLI 时,Opus 5 与搭配 ego-browser 一样,通过了全部其他 16 项任务。在五款工具共同通过的 13 项任务上,它的平均耗时和成本均排第二,分别为单题 369.5 秒和 $1.845。在 11 项跨站任务中,它通过了 2 项,另有 7 项用完了全部 100 步。
在 Claude Code 中,Browser Use CLI 与其他浏览器工具相比如何?
搭配 Browser Use CLI 时,Opus 5 在 27 次尝试中通过了 17 次,搭配其他四款工具则通过了 15 到 24 次。在五款工具共同通过的 13 项任务上,它的平均耗时和成本均排第三,分别为单题 407.7 秒和 $1.975。它给出了 3 个错误答案,并在 11 项跨站任务中的 7 项上用完了全部 100 步。
浏览器智能体为什么会在长跨站任务中失败?
在我们的 100 步预算下,Claude Opus 5 大多是因为步骤用尽而失败:使用五款浏览器工具中的四款时,它在 11 项跨站任务中的 7 到 9 项上用完了全部 100 步。这四款是 Chrome DevTools CLI、Playwright CLI、Browser Use CLI 和 agent-browser。使用 ego-browser 时,这种情况只发生了一次;这些跨站任务的平均工具调用次数,使用 ego-browser 时为每次尝试 73.4 次,其他工具则为 91.5 到 97.0 次。
Claude Opus 5 浏览器智能体执行一项任务的成本是多少?
在五款工具共同通过的 13 项任务上,Claude Opus 5 浏览器任务的单题成本约为 $1.70 到 $2.37,具体取决于浏览器工具。成本中占比最大的是每轮重新读取的缓存 token,这部分会随工具调用次数增加。
Claude Opus 5 浏览器智能体执行一项任务需要多久?
在五款工具共同通过的 13 项任务上,单题耗时从搭配 ego-browser 时的 324.6 秒,到搭配 agent-browser 时的 543.6 秒不等。计入全部尝试后,五款工具在跨站任务上的平均单次耗时为 919.1 到 1,112.2 秒。两组数据均包含等待 Opus 5 的时间。
Claude Opus 5 执行一项浏览器任务会调用多少次工具?
在五款工具共同通过的 13 项任务上,平均每题调用 30.3 到 53.7 次,具体取决于浏览器工具。ego-browser 所需调用最少,agent-browser 最多。在 11 项跨站任务上,使用 ego-browser 时平均每次尝试调用 73.4 次,使用其他四款工具时则为 91.5 到 97.0 次。
Claude Opus 5 的成功率在测试配置之间有何差异?
在我们的运行中确实有差异:使用相同模型和 Claude Code 配置时,Opus 5 的 27 次尝试成功率因浏览器工具而异,从 55.6% 到 88.9% 不等。大部分差距来自 11 项跨站任务。在其他 16 项任务上,每款工具都通过了 14 到 16 项。
网页应用任务上,浏览器工具之间有差别吗?
在能否通过上没有差别:Opus 5 使用每款工具都通过了测试网页应用中的全部 4 项任务。这 4 项任务中,每款工具最多在 2 项上最快。工具之间的差异在于所需调用次数:ego-browser 平均每题 36.2 次,其他工具为 47.8 到 77.2 次。
测试方法
我们于 2026 年 11 月 3 日运行 ego-browser,于 2026 年 11 月 5 日运行其他四款工具,依次执行,均使用同一台搭载 Apple silicon、运行 macOS 26.5 的 Mac mini。每组运行都在 Claude Code 2.1.316 中以高推理强度运行 Claude Opus 5(claude-opus-5),配置 Bash、Read、Write、Edit 和 Skill 工具。每款工具采用相同的模型、智能体、推理强度、任务、评分和步骤预算;变化的是浏览器工具、其 skill 文件,以及所驱动的浏览器。
浏览器工具
我们对比了五款通过 shell 命令供 Claude Code 驱动的浏览器工具。ego-browser v2.2.0-beta.5 驱动 ego(lite) 0.6.3.2:Opus 5 编写 JavaScript 脚本,ego-browser 在页面上执行脚本,页面内容则以脚本打印的输出返回。Chrome DevTools CLI 1.10.1、Playwright CLI 0.1.22 和 agent-browser 0.39.1 通过打开页面、获取元素快照或执行 JavaScript 等动作命令,驱动 Google Chrome 156。在使用这些命令的 shell 调用中,Opus 5 有 47.4% 到 56.7% 将两个或更多命令串联执行。Browser Use CLI 0.1.13 通过提供页面加载和 JavaScript 执行辅助函数的 Python 脚本,驱动 Google Chrome 156。
任务
我们使用了真实网站和测试网页应用上的 27 项任务。11 项跨站任务要求从 8 到 16 个网站收集相同字段,例如查询 12 家央行在 2026 年的首次利率决议。其他 16 项包括:9 项在一到三个指定网站中查询的任务,3 项从单个页面开始的研究任务,以及 4 项业务网页应用内任务。示例包括核对 Box Office Mojo 与 Wikipedia 上六部电影的票房、通过悬停读取图表数据点,以及按差旅政策预订行程。
跨站任务是任务集自身划分的类别,任务描述中列出 8 个或更多条目,并为每个条目指定单独的网站。每项任务只属于一个类别。
怎样才算通过
每项任务都有评分项,27 项任务合计 190 个评分项。只有最终答案的每个评分项都正确,尝试才算通过;没有最终答案则算失败。
统计方法
一次尝试,是通过一款工具运行一项任务。每款工具对每项任务各执行一次,因此每款工具共有 27 次尝试,成功率按尝试次数计算。一步是模型的一次回复,每次尝试最多使用 100 步,最长 60 分钟。发起工具调用的 8,607 步中,除 5 步外,每步都恰好调用一次工具。
一次工具调用,是调用一次 Claude Code 的 Bash、Read、Write、Edit 或 Skill 工具,例如一个浏览器脚本、一次可能串联多条命令的 shell 调用,或一次文件读取。如果尝试到达预算上限却没有最终答案,就记为用尽全部 100 步;每次此类尝试都已调用工具 99 或 100 次。调用次数来自 Claude Code 为每次尝试记录的会话日志。
耗时是每次尝试的墙钟时间,包含等待 Opus 5 API 和执行浏览器命令的时间;速度表分别统计这两部分。成本是 Claude Code 按 Anthropic 的 Opus 5 价目表为每次尝试报告的数值,缓存 token 与输出 token 也取自同一记录。每次调用的输出 token 数包含思考过程,计算方式为该工具的单题输出 token 数除以单题工具调用次数。
速度和成本只在五款工具共同通过的 13 项任务上比较。由于每项任务用每款工具都只执行一次,任务的耗时和成本就是那次尝试的耗时与成本。“13 项任务中有 8 项更快”这类计数,是逐题比较工具。一次 shell 调用若执行了同一款浏览器工具的两个或更多命令,就记为命令串联。
完整结果
每个单元格代表一次尝试,列出结果、墙钟耗时(秒)和成本。每款工具对每项任务各执行一次。耗时包含等待 Opus 5 API 的时间。“用尽全部步骤”表示该次尝试到达 100 步预算,却没有给出最终答案。
跨站任务
| 任务 | ego-browser | Chrome DevTools CLI | Playwright CLI | Browser Use CLI | agent-browser |
|---|---|---|---|---|---|
| 九家音乐服务中同一张专辑的曲目数、总时长、发行日期和制作署名 | 通过,415 s,$2.42 | 答案错误,781 s,$3.88 | 通过,809 s,$4.58 | 通过,633 s,$3.43 | 用尽全部步骤,728 s,$4.58 |
| 从制造商官网查询八款相机的重量、电池、分辨率和连拍规格 | 通过,1112 s,$5.75 | 用尽全部步骤,990 s,$4.63 | 用尽全部步骤,823 s,$4.40 | 用尽全部步骤,936 s,$5.37 | 用尽全部步骤,799 s,$4.91 |
| 从各央行官网查询 12 家央行在 2026 年的首次利率决议 | 通过,899 s,$5.95 | 用尽全部步骤,780 s,$6.20 | 用尽全部步骤,604 s,$5.22 | 用尽全部步骤,539 s,$5.29 | 用尽全部步骤,766 s,$4.31 |
| 从议程和 YouTube 查询九场开发者大会的开幕主题演讲 | 用尽全部步骤,1401 s,$7.37 | 用尽全部步骤,1126 s,$5.80 | 用尽全部步骤,945 s,$5.31 | 用尽全部步骤,1100 s,$6.14 | 用尽全部步骤,962 s,$5.58 |
| 从车企美国官网查询九款电动 SUV 的续航和直流充电规格 | 答案错误,1020 s,$8.37 | 用尽全部步骤,1015 s,$5.92 | 用尽全部步骤,803 s,$5.31 | 用尽全部步骤,1084 s,$6.83 | 用尽全部步骤,1223 s,$6.02 |
| 九个开放权重模型的规模、上下文、许可证和训练 token 数 | 答案错误,749 s,$7.29 | 用尽全部步骤,943 s,$5.84 | 用尽全部步骤,741 s,$5.31 | 用尽全部步骤,886 s,$7.02 | 用尽全部步骤,1207 s,$6.46 |
| 从劳动部门网站查询九个国家的法定最低工资 | 通过,616 s,$4.39 | 用尽全部步骤,1075 s,$6.20 | 通过,687 s,$4.83 | 用尽全部步骤,724 s,$5.81 | 用尽全部步骤,1055 s,$5.02 |
| 从品牌英国官网查询九款手机的重量、电池、显示屏、IP 等级和更新政策 | 通过,745 s,$6.02 | 用尽全部步骤,908 s,$4.86 | 用尽全部步骤,778 s,$4.53 | 用尽全部步骤,898 s,$5.66 | 用尽全部步骤,786 s,$5.27 |
| 九个无服务器函数平台的免费套餐限制 | 通过,515 s,$3.81 | 通过,958 s,$6.45 | 通过,565 s,$4.71 | 答案错误,580 s,$3.76 | 用尽全部步骤,1251 s,$5.97 |
| 将八个开源项目在 X 上的安全版本发布帖文与各自公告匹配 | 通过,1058 s,$3.83 | 通过,1047 s,$4.99 | 用尽全部步骤,2128 s,$4.96 | 通过,1805 s,$6.16 | 通过,1908 s,$5.35 |
| 将八个品牌在 X 上的 2026 年产品帖文与各自新闻稿匹配 | 通过,1580 s,$4.56 | 答案错误,849 s,$4.62 | 用尽全部步骤,2024 s,$5.21 | 答案错误,1832 s,$5.39 | 答案错误,1548 s,$4.76 |
其他任务
| 任务 | ego-browser | Chrome DevTools CLI | Playwright CLI | Browser Use CLI | agent-browser |
|---|---|---|---|---|---|
| 从 Apple 对比页面、美国商店和规格页查询三款 MacBook 采用 32 GB / 1 TB 配置时的价格 | 通过,367 s,$3.15 | 通过,374 s,$2.74 | 通过,481 s,$4.91 | 通过,438 s,$3.06 | 通过,568 s,$3.52 |
| 核对 Box Office Mojo 和 Wikipedia 上六部 Wes Anderson 电影的票房 | 通过,167 s,$0.81 | 通过,290 s,$1.01 | 通过,249 s,$0.89 | 通过,265 s,$1.25 | 通过,270 s,$0.96 |
| 在 Companies House 上为四家英国公司做初步 KYC 筛查快照 | 通过,359 s,$2.02 | 通过,333 s,$1.42 | 通过,319 s,$1.66 | 通过,321 s,$1.42 | 通过,356 s,$1.65 |
| 将 ClinicalTrials.gov 上 2021 年的 3 期特应性皮炎试验与对应的 DailyMed 药品说明书匹配 | 通过,391 s,$1.98 | 通过,338 s,$2.15 | 通过,468 s,$2.72 | 通过,541 s,$2.38 | 通过,475 s,$2.74 |
| 从 FRED 查询十二月相较上年十二月的 CPI、核心 CPI 和鸡蛋价格变化,并与 BLS 核对 | 通过,181 s,$1.09 | 通过,346 s,$1.90 | 通过,395 s,$1.35 | 通过,294 s,$1.48 | 通过,311 s,$1.59 |
| 在航班搜索网站上查询从三个城市飞往丹佛的最低不经停经济舱票价 | 通过,766 s,$3.50 | 通过,1152 s,$3.83 | 答案错误,732 s,$4.03 | 通过,1008 s,$3.89 | 用尽全部步骤,1123 s,$5.25 |
| 根据 MDN 和 Can I use 判断六项 Web 平台特性能否使用 | 通过,376 s,$1.74 | 通过,461 s,$2.41 | 通过,420 s,$1.82 | 通过,381 s,$1.51 | 通过,423 s,$2.11 |
| 将 X 上一周的 SpaceX 发射帖文与 Wikipedia 的两份发射列表核对 | 通过,472 s,$1.06 | 通过,558 s,$1.94 | 通过,2127 s,$2.15 | 通过,854 s,$1.58 | 通过,511 s,$1.55 |
| 为 Karpathy 的 GPT 讲座做学习笔记,并在 YouTube、GitHub 和 arXiv 之间交叉核对 | 通过,245 s,$1.55 | 通过,426 s,$2.75 | 通过,696 s,$2.93 | 通过,466 s,$2.05 | 用尽全部步骤,1344 s,$4.49 |
| 通过悬停从 ARC Prize 排行榜图中读取八个低成本数据点 | 通过,294 s,$1.60 | 通过,360 s,$1.87 | 通过,354 s,$1.92 | 答案错误,387 s,$2.65 | 通过,679 s,$2.19 |
| 在 Epoch AI 模型数据库中统计超过欧盟计算量门槛的模型数 | 通过,211 s,$1.25 | 通过,210 s,$0.97 | 通过,273 s,$1.57 | 通过,150 s,$0.84 | 通过,882 s,$1.95 |
| 追溯 Wikipedia 大语言模型表格中十个单元格的引用来源 | 通过,444 s,$2.11 | 通过,474 s,$2.19 | 通过,427 s,$2.22 | 通过,335 s,$1.91 | 通过,349 s,$1.73 |
| 在差旅和报销应用中,按政策预订航班、靠过道座位及附近酒店 | 通过,281 s,$1.91 | 通过,221 s,$2.14 | 通过,452 s,$2.97 | 通过,403 s,$3.01 | 通过,409 s,$1.98 |
| 在云控制台中,按书面标准统一 1 级服务的监控配置 | 通过,230 s,$1.39 | 通过,202 s,$1.39 | 通过,252 s,$1.69 | 通过,264 s,$1.60 | 通过,543 s,$3.20 |
| 在运营应用中,将二月发票与付款核对,并发起争议处理 | 通过,539 s,$2.53 | 通过,547 s,$2.36 | 通过,373 s,$1.73 | 通过,681 s,$3.74 | 通过,1008 s,$4.00 |
| 在运营应用中,通过 CSV 导入按供应商创建采购订单 | 通过,203 s,$1.08 | 通过,450 s,$1.37 | 通过,210 s,$1.01 | 通过,376 s,$1.87 | 通过,962 s,$3.81 |
