GPT-6.1 Sol 搭配三款浏览器工具的表现

我们会将通过 ego-browser 在 ego(lite) 中运行 GPT-6.1 Sol 设为默认方案。它完成了 28 项留存任务中的 27 项,agent-browser 完成了 23 项,playwright-cli 完成了 22 项;在三款工具都完成的 18 项任务上,它也是最快的工具。但并非按所有指标衡量,它都是最便宜的:playwright-cli 的单次执行支出更低,而且通过了一项 ego-browser 未通过的航班搜索任务。
GPT-6.1 Sol 搭配不同浏览器工具时,差距最大的是多站点数据收集,即一项任务需要从多个官方来源提取相同字段。ego-browser 通过了全部十项此类任务,agent-browser 通过六项,playwright-cli 通过七项。在三项研究与综合任务,以及测试应用内的四项 Web 应用自动化任务上,ego-browser、agent-browser 和 playwright-cli 的完成情况相同,因此这两类工作的选择取决于速度和成本。
在我们的设置下,ego-browser 的完成情况和速度领先,而 playwright-cli 的平均单次执行成本最低,为 $0.4182。更高的通过率让 ego-browser 的每项成功任务成本最低,为 $0.4646;在 18 项共同成功任务上,其平均成本与 playwright-cli 相差 5.4%。
本次测试的其他变量在所有尝试中保持不变,因此下文的差异来自执行浏览操作的工具。一次尝试,是该工具首轮基准测试中某项任务的一条已保存运行记录。
| 浏览器工具 | 成功率 | 每项任务的平均耗时 | 每项任务的平均记录成本 |
|---|---|---|---|
| ego-browser | 96.4% (27/28) | 246.7 s | $0.3352 |
| agent-browser | 82.1% (23/28) | 452.5 s | $0.4702 |
| playwright-cli | 78.6% (22/28) | 399.9 s | $0.3542 |
成功率基于每款工具的 28 次留存尝试。时间和成本基于三款工具均通过的同一组 18 项任务。成本是按用量计价的执行记录,单位为美元。ego-browser 一行使用其 2026 年 11 月 7 日测试构建的结果,其余行使用 2026 年 11 月 5 日的运行结果。
成功率

ego-browser 的成功率最高,而我们最愿意优先为完成任务付费,因为少一个字段,就得回头重新查资料。它通过了 28 项任务中的 27 项,比 agent-browser 多四项,且 agent-browser 完成的任务它都通过了。ego-browser 通过了六项 playwright-cli 未通过的任务,playwright-cli 则通过了一项 ego-browser 未通过的任务。Playwright-cli 还通过了全部八项搜索与比较任务,而 ego-browser 通过了七项。
Agent-browser 有两种失败方式:三份答案包含错误或缺失的字段值,另有两次尝试结束时没有给出最终答案。Playwright-cli 的六次失败中,有五次漏掉了必需的字段值。其中三次发生在 X 帖子任务上,它将时间戳报告为无法获取;agent-browser 则通过了这三个 X 帖子任务。
另外两个缺失值分别是:专辑任务中 Qobuz 的曲目数,这项任务 ego-browser 已完成;以及开放模型比较中 Phi-4 的训练 token 数。
在一项航班搜索比较任务中,GPT-6.1 Sol 搭配 ego-browser 报出的票价,高于相同设置下此前已经看到的一个更低价格,因此答案未满足任务的验收条件,而 playwright-cli 的那次尝试通过了。即便表格填得完整,其中仍可能有一个值会改变你的决定。
速度
在速度方面,ego-browser 将三款工具均通过的 18 项任务的等待时间缩短了近一半。它平均每项任务耗时 246.7 秒,比 agent-browser 少 45.5%,比 playwright-cli 少 38.3%。逐项比较时,它在这 18 项任务中的 15 项上快于 agent-browser,在 17 项上快于 playwright-cli。

在相同工作上,GPT-6.1 Sol 使用的工具调用更少;一次工具调用,是对工具的一次请求。搭配 ego-browser 时平均每项任务调用 28.1 次,搭配 agent-browser 为 44.1 次,搭配 playwright-cli 为 36.8 次。ego-browser 的工具执行耗时为 84.4 秒,agent-browser 为 210.0 秒,playwright-cli 为 215.6 秒。
相机任务展示了常规工作上的差距:三款工具都完成了八个相机品牌的比较。GPT-6.1 Sol 搭配 ego-browser 耗时 330.2 秒,搭配 agent-browser 耗时 597.2 秒,搭配 playwright-cli 耗时 598.5 秒;为得到同样符合验收条件的结果,分别使用了 29、57 和 54 次工具调用。

成本
ego-browser 在不降低完成率的同时,成本低于 agent-browser。在 18 项共同成功任务上,它便宜了 28.7%,其中 15 项任务的成本更低;模型保持不变,且每项任务的工具调用更少。
在共同成功任务的成本上,Playwright-cli 与 ego-browser 足够接近,我们不会仅凭这个数字在两者之间作选择。它们的平均成本相差 5.4%;ego-browser 在十项任务上更便宜,playwright-cli 在八项上更便宜。一旦计入失败,ego-browser 每次成功尝试的记录成本便低于 playwright-cli,分别为 $0.4646 和 $0.5322。
所有尝试的平均成本,与每项成功任务的成本,回答的是不同问题,因此我们同时保留这两项指标。前者反映一次执行产生的成本;后者将记录的总支出(含失败)除以成功次数。
| 浏览器工具 | 全部 28 次尝试中每项任务的平均记录成本 | 每次成功尝试的记录成本 |
|---|---|---|
| ego-browser | $0.4480 | $0.4646 |
| agent-browser | $0.5938 | $0.7229 |
| playwright-cli | $0.4182 | $0.5322 |
这些数字使用同一组首轮运行:ego-browser 的运行日期为 2026 年 11 月 7 日,其他工具为 2026 年 11 月 5 日。它们是按用量计价的记录,不包含评估成本,也不包含留存记录行中未记载的先前重试费用,并非经过核实的账单。
Playwright-cli 的单次执行成本最低,为 $0.4182。ego-browser 每次成功尝试的记录成本最低,为 $0.4646,因为它有更多次执行满足了全部要求。这两个数字都不代表 ego-browser 在每项任务上都是最便宜的。
多站点数据收集
当 GPT-6.1 Sol 需要从多个官方来源收集相同字段时,ego-browser 是最明确的选择。它通过了全部十项任务,agent-browser 通过六项,playwright-cli 通过七项,差距比整体比较时更大。
| 浏览器工具 | 多站点数据收集成功率 |
|---|---|
| ego-browser | 100.0% (10/10) |
| agent-browser | 60.0% (6/10) |
| playwright-cli | 70.0% (7/10) |
这一组使用与概览相同的首轮运行:ego-browser 为 2026 年 11 月 7 日,其他两款工具为 2026 年 11 月 5 日。

当每一行都必须填写完整时,相差三四项任务,就决定了整张表是否可用。这十项任务涉及中央银行决策、产品规格和 SaaS 合规比较。
SaaS 任务说明了为什么填了值的单元格仍可能出错。任务要求的是截至 2026 年 9 月 30 日的认证状态,而 agent-browser 和 playwright-cli 都将 Smartsheet 记为已获认证,尽管所要求的状态是认证进行中。ego-browser 的那次尝试则正确匹配了比较中的每个字段。
我们会选择哪款工具
为了交付完整的研究成果,尤其是多站点数据收集,我们会通过 pi,将推理强度设为 high 的 GPT-6.1 Sol 与 ego-browser 搭配使用。这一组合的完成率最高,在共同成功任务上的等待时间最短,成本低于 agent-browser,且接近 playwright-cli。
如果最重视执行成本,或者工作主要是搜索与比较,我们会继续使用 playwright-cli。它通过了这类任务的全部八项,而 ego-browser 和 agent-browser 各通过七项,因此这八项任务没有给出替换现有可用 playwright-cli 配置的理由。
Agent-browser 比 playwright-cli 多通过一项任务,但记录成本更高,所以仅凭总通过数,还不足以成为优先选择它的充分理由。在三个 X 帖子任务上,它全部通过,而 playwright-cli 全部未通过;这解释了整体只差一项任务的重要原因之一。
常见问题
GPT-6.1 Sol 搭配哪款浏览器工具通过的尝试最多?
ego-browser 完成得最多,在 28 次留存尝试中通过 27 次,agent-browser 通过 23 次,playwright-cli 通过 22 次。模型、pi 智能体运行框架和任务保持不变;每款工具都从其首轮运行中,为每项任务提供一条留存执行记录。相较 agent-browser 多通过的四项任务,都来自多站点数据收集。
GPT-6.1 Sol 搭配哪款浏览器工具最快?
ego-browser 最快,在三款工具均通过的 18 项任务上,平均每项耗时 246.7 秒。使用相同模型时,agent-browser 平均为 452.5 秒,playwright-cli 为 399.9 秒。ego-browser 还在 15 项任务上快于 agent-browser,在 17 项上快于 playwright-cli,因此平均值反映的是广泛的领先。
GPT-6.1 Sol 每项浏览器任务的成本是多少?
在 18 项共同成功任务上,GPT-6.1 Sol 搭配 ego-browser 的平均记录成本为 $0.3352,搭配 agent-browser 为 $0.4702,搭配 playwright-cli 为 $0.3542。按全部 28 次尝试计算,这些平均值分别为 $0.4480、$0.5938 和 $0.4182。这些是按用量计价的执行记录,并非已核实的账单,而且不包含评估成本。
平均单次执行最便宜,也意味着每次成功尝试的成本最低吗?
Playwright-cli 的平均单次执行成本最低,为 $0.4182;但 ego-browser 每次成功尝试的记录成本最低,为 $0.4646。Agent-browser 每次成功尝试的成本为 $0.7229,playwright-cli 为 $0.5322。我们将每款工具在 28 次尝试中的记录总支出(含失败)除以其通过次数。
ego-browser 在每项任务上都胜过 playwright-cli 吗?
ego-browser 通过了 6 项 playwright-cli 未通过的任务,但 playwright-cli 也通过了 1 项 ego-browser 未通过的任务。这个反例是一项航班搜索比较:GPT-6.1 Sol 搭配 ego-browser 报出的票价,高于一个符合条件的更低价格。即使模型返回了表格,我们仍将这个答案计为失败。
多站点数据收集会选择哪款工具?
对于 GPT-6.1 Sol 的多站点数据收集,我们会选择 ego-browser,它通过了全部 10 次尝试。在相同任务上,agent-browser 通过六次,playwright-cli 通过七次。SaaS 比较说明了完成质量为何重要:另外两款工具都针对指定时点,使用了错误的认证状态。
做搜索与比较工作,我们会替换 playwright-cli 吗?
在这 8 项搜索与比较任务中,playwright-cli 全部 8 项都通过了,因此我们不会因为完成情况而替换它。ego-browser 和 agent-browser 各通过了其中 7 项。速度比较更有利于 ego-browser,所以在这组任务中,等待时间才是考虑更换工具的更有力理由。
多通过一项任务,就让 agent-browser 比 playwright-cli 更值得选择吗?
Agent-browser 通过 23 项、playwright-cli 通过 22 项,这不足以构成整体上优先选择前者的有力理由。Agent-browser 在共同成功任务上的成本也更高,平均每项为 $0.4702,而 playwright-cli 为 $0.3542。它们的结果因任务而异,例如三个 X 帖子任务 agent-browser 全部通过,playwright-cli 则全部未通过,因此我们会按工作类型选择工具。
三款浏览器工具在研究和 Web 应用任务上的结果相同吗?
三款工具都通过了 3 项研究与综合任务,以及测试应用内的 4 项 Web 应用自动化任务。这些结果不足以让我们在任一组内为它们排出优劣。我们偏好 ego-browser,依据的是等待时间和记录成本,而非这 7 项任务上的完成优势。
采用 ego-browser 的第二轮结果,会改变总体选择吗?
ego-browser 在第二轮通过了同样 28 项任务中的 26 项,而 agent-browser 和 playwright-cli 仍使用首轮的 23 项和 22 项结果。它在 18 项共同成功任务上的平均耗时为 252.4 秒,另外两款工具分别为 452.5 秒和 399.9 秒。我们保留首轮作为主要结果,不会把 ego-browser 的两轮结果混合起来排名。
测试方法
我们分析了经由 pi 1.5.0 在 macOS 上运行、推理强度为 high 的 GPT-6.1 Sol 历史记录,使用的是记录中的 openai-codex 路由。运行配置指定:2026 年 11 月 5 日执行时使用 agent-browser 0.39.1 和 playwright-cli 0.1.22;ego-browser 的 local-202611071027-ba90f1c 测试构建则在 2026 年 11 月 7 日运行。每套配置均使用其配套的 skill 和 CLI 来观察页面并执行浏览器操作。
这 28 项任务是另外两款工具此前都已运行过的任务,选自包含 72 项任务的 efficiency-20261019 数据集。每项任务只归入一组:多站点数据收集、搜索与比较、社交媒体验证、研究与综合,或 Web 应用自动化。
每款工具的首轮基准测试为每项任务提供一条留存执行记录,因此每款工具都有 28 次尝试。ego-browser 还运行了第二轮,我们单独报告。步数预算为 100 轮模型回复,并设有 3,600 秒的最终时限。一次工具调用是对工具的一次请求;只有全部必需结果和最终交付物都满足任务的验收条件,才算通过。
时间和成本使用三款工具均通过的 18 项任务。时间包含思考、模型请求、工具执行以及其余开销。成本是以美元记录的使用费用。各工具使用的预置浏览器状态不同,因此我们还剔除三个 X 帖子任务检查了结果:按相同工具顺序,分别为 24/25、20/25 和 22/25。
完整结果
每个单元格显示首轮基准测试中那条留存执行记录的通过尝试数、耗时秒数和记录的美元成本。耗时包含等待模型 API 的时间;每项任务、每款工具仅纳入一次尝试,因此任务平均值就等于该次尝试的值。各行采用 ego-browser 在 2026 年 11 月 7 日的运行结果,以及另外两款工具在 2026 年 11 月 5 日的运行结果。
| 任务 | 工作类型 | ego-browser | agent-browser | playwright-cli |
|---|---|---|---|---|
| 比较九项服务中的专辑元数据 | 多站点数据收集 | 1/1 · 307.7 s · $0.7724 | 1/1 · 740.8 s · $0.9950 | 0/1 · 524.0 s · $0.6029 |
| 收集八个相机品牌的规格 | 多站点数据收集 | 1/1 · 330.2 s · $0.4751 | 1/1 · 597.2 s · $0.6865 | 1/1 · 598.5 s · $0.5201 |
| 收集十二家中央银行的决策 | 多站点数据收集 | 1/1 · 382.8 s · $0.6578 | 0/1 · 760.3 s · $1.0079 | 1/1 · 816.4 s · $0.9166 |
| 核对会议主题演讲与录像 | 多站点数据收集 | 1/1 · 385.6 s · $0.5659 | 1/1 · 672.0 s · $0.9489 | 1/1 · 884.2 s · $0.9596 |
| 比较电动 SUV 的规格 | 多站点数据收集 | 1/1 · 633.2 s · $1.2590 | 0/1 · 748.7 s · $0.8006 | 1/1 · 981.4 s · $0.7713 |
| 比较开放模型的模型卡与公告 | 多站点数据收集 | 1/1 · 424.5 s · $0.6486 | 1/1 · 828.6 s · $1.0199 | 0/1 · 680.6 s · $0.7187 |
| 比较九个司法管辖区的最低工资 | 多站点数据收集 | 1/1 · 451.9 s · $0.6108 | 1/1 · 762.6 s · $1.0761 | 1/1 · 763.2 s · $0.7392 |
| 比较旗舰手机规格 | 多站点数据收集 | 1/1 · 448.7 s · $0.6444 | 1/1 · 931.9 s · $0.9423 | 1/1 · 676.3 s · $0.6352 |
| 比较截至指定日期的 SaaS 合规情况 | 多站点数据收集 | 1/1 · 472.3 s · $0.6257 | 0/1 · 895.0 s · $0.7363 | 0/1 · 848.0 s · $0.5770 |
| 比较无服务器平台的免费额度 | 多站点数据收集 | 1/1 · 205.5 s · $0.3225 | 0/1 · 682.0 s · $0.5293 | 1/1 · 411.8 s · $0.3951 |
| 读取可交互的 ARC 排行榜 | 研究与综合 | 1/1 · 224.4 s · $0.2708 | 1/1 · 416.6 s · $0.4658 | 1/1 · 220.2 s · $0.1853 |
| 分析模型训练数据集 | 研究与综合 | 1/1 · 87.1 s · $0.0809 | 1/1 · 137.7 s · $0.1474 | 1/1 · 155.5 s · $0.1321 |
| 追溯模型表格中的信息来源 | 研究与综合 | 1/1 · 285.6 s · $0.2288 | 1/1 · 245.5 s · $0.3004 | 1/1 · 377.5 s · $0.1890 |
| 比较并配置 Mac 笔记本电脑 | 搜索与比较 | 1/1 · 301.3 s · $0.6119 | 1/1 · 383.0 s · $0.4399 | 1/1 · 337.2 s · $0.3669 |
| 核对六部电影的票房数据 | 搜索与比较 | 1/1 · 184.9 s · $0.2034 | 1/1 · 360.5 s · $0.3394 | 1/1 · 201.6 s · $0.1506 |
| 在公开登记册中筛查四家公司 | 搜索与比较 | 1/1 · 182.5 s · $0.2883 | 1/1 · 626.9 s · $0.3927 | 1/1 · 230.2 s · $0.1784 |
| 交叉核对临床试验与药品说明书 | 搜索与比较 | 1/1 · 372.8 s · $0.4787 | 1/1 · 368.7 s · $0.4176 | 1/1 · 383.1 s · $0.3515 |
| 核对通胀时间序列与统计数据 | 搜索与比较 | 1/1 · 132.8 s · $0.1957 | 1/1 · 507.1 s · $0.3723 | 1/1 · 548.9 s · $0.2209 |
| 比较符合条件的航班和票价 | 搜索与比较 | 0/1 · 341.5 s · $0.4464 | 0/1 · 986.7 s · $1.1087 | 1/1 · 504.3 s · $0.4713 |
| 核对浏览器兼容性表格 | 搜索与比较 | 1/1 · 175.1 s · $0.1916 | 1/1 · 147.8 s · $0.2092 | 1/1 · 294.6 s · $0.1973 |
| 交叉核对讲座、代码与论文 | 搜索与比较 | 1/1 · 202.3 s · $0.4243 | 1/1 · 274.3 s · $0.3491 | 1/1 · 666.0 s · $0.7001 |
| 对照发布信息验证 X 上的安全帖子 | 社交媒体验证 | 1/1 · 535.7 s · $0.8979 | 1/1 · 780.7 s · $0.8923 | 0/1 · 405.8 s · $0.3921 |
| 对照公告验证 X 上的产品帖子 | 社交媒体验证 | 1/1 · 710.3 s · $0.7155 | 1/1 · 851.2 s · $0.9236 | 0/1 · 466.5 s · $0.4007 |
| 核对 X 上的发射帖子与参考清单 | 社交媒体验证 | 1/1 · 168.9 s · $0.1650 | 1/1 · 263.9 s · $0.1505 | 0/1 · 172.0 s · $0.0880 |
| 按测试应用的规定预订行程 | Web 应用自动化 | 1/1 · 194.1 s · $0.2570 | 1/1 · 303.2 s · $0.2853 | 1/1 · 208.4 s · $0.2240 |
| 更新测试应用中的服务监控项 | Web 应用自动化 | 1/1 · 137.5 s · $0.1338 | 1/1 · 419.9 s · $0.4141 | 1/1 · 152.9 s · $0.1528 |
| 核对测试应用中的应收账款 | Web 应用自动化 | 1/1 · 227.7 s · $0.2312 | 1/1 · 628.3 s · $0.4329 | 1/1 · 291.9 s · $0.3085 |
| 在测试应用中创建补货订单 | Web 应用自动化 | 1/1 · 116.8 s · $0.1415 | 1/1 · 361.8 s · $0.2437 | 1/1 · 208.4 s · $0.1640 |

