Bestes LLM für Browser-Agenten 2026: Modelle nach Score und Kosten im Ranking

Das beste LLM für Browser-Agenten ist im Oktober 2026 Claude Opus 5.5, wenn Sie die höchste veröffentlichte Erfolgsrate wollen, und Claude Sonnet 5.5, wenn Sie nahezu denselben Wert zum halben Preis wollen. Für knappe Budgets kosten Claude Haiku 5.5 und Gemini 3.8 Flash nur einen Bruchteil pro Schritt. Bei offenen Gewichten ist Holo4 von H Company die Wahl. Jede Zahl unten stammt von der Seite des jeweiligen Anbieters, gelesen am 27. Oktober 2026.

Kurzantwort: das beste Modell für Browser-Nutzung je Aufgabe

Eine Warnung: Anbieter bewerten auf unterschiedlichen OSWorld-Versionen, Subsets und Harnesses, betrachten Sie jede Zahl also als die Angabe des jeweiligen Anbieters, nicht als gemeinsames Ranking.

Wie Browser-Agenten ein Modell nutzen

Ein Browser-Agent ist eine Schleife: Das Modell sieht sich die Seite an, wählt eine Aktion, Ihr Code führt sie aus, und der neue Seitenzustand geht zurück an das Modell. Eine menschliche Aufgabe von 2 Minuten kann 30 bis 60 Schleifendurchläufe erfordern.

Modelle sehen die Seite auf eine von zwei Arten:

1. Screenshot-Modus. Das Modell erhält ein Bild und gibt Pixelkoordinaten zum Klicken zurück. Das funktioniert bei Canvas-Apps, Karten und Remote-Desktops, aber jeder Schritt kostet Bild-Tokens.
2. DOM- oder Accessibility-Baum-Modus. Das Modell erhält eine Textliste von Elementen mit Referenzen wie [ref_2] und klickt per Referenz. Das übersteht Layout-Verschiebungen und kostet auf textlastigen Seiten weniger Tokens.

Die meisten aktuellen Toolsets mischen beides. Anthropics Browser-Use-Tool (browser_toolset_20260801, GA) liefert 31 enthaltene Tools: read_page und find geben den Accessibility-Baum zurück, während screenshot und zoom der Fallback für Canvas, Video und Cross-Origin-Iframes sind. OpenAIs Computer-Use-Leitfaden bietet ein BrowserToolset, das Seitentext liest und Treiberfunktionen aufruft. Googles Computer-Use-Tool basiert auf Screenshots und deckt Browser, Mobilgeräte und Desktop ab.

Warum Schritte die Kosten vervielfachen

Jeder Schritt sendet die Konversation erneut, sodass Schritt 30 die Toolset-Definition, Ihre Anweisungen und 29 Schritte Verlauf mit sich führt. Zwei Fixkosten setzen die Untergrenze:

• Toolset-Overhead. Die Deklaration von Anthropics Browser-Toolset fügt jeder Anfrage etwa 6.600 Eingabe-Tokens hinzu, laut Anthropics Preisseite.
• Screenshots. Claude berechnet ein Bild mit einem visuellen Token pro 28×28-Pixel-Patch. Ein Screenshot mit 1280×800 sind 46 × 29 = 1.334 Tokens.

Anmerkungen Modell für Modell

Claude Opus 5.5

Anthropic hat Opus 5.5 am 22. September 2026 veröffentlicht und meldet 81,8 % auf OSWorld 2.1 (Teilwertung), vor Claude Fable 5.1 mit 80,7 %. Fable 5.1 kostet $10 / $50, sodass Opus 5.5 es in diesem Benchmark zu 40 % des Preises schlägt. Der Holo4-Beitrag von H Company setzt Opus 5.5 bei 81,8 % auf OSWorld 2.0 für lange Workflows bei $8,48 pro Aufgabe, wobei die Kosten aus den Diagrammen der Anbieter abgelesen wurden.

Außerdem liegt es gleichauf mit Fable 5.1 bei der niedrigsten Erfolgsrate für Prompt-Injection in Grays Swans Benchmark, was wichtig ist, wenn Ihr Agent nicht vertrauenswürdige Seiten liest.

Claude Sonnet 5.5

Sonnet 5.5 (28. September 2026) erreicht 80,1 % auf OSWorld 2.1, 1,7 Punkte hinter Opus, für $2 / $10. Cache-Treffer kosten $0,10 pro 1 Mio. Tokens, und Agenten-Schleifen bestehen überwiegend aus Cache-Treffern. Für die meisten Produktions-Browser-Agenten ist dies die Standardwahl. Wenn Sie den Browser aus Claude Code heraus steuern, lesen Sie wie Sie Claude Code für Browser-Automatisierung nutzen.

Claude Haiku 5.5

Haiku 5.5 (7. Oktober 2026) erreicht 72,4 % auf dem Offline-Subset von OSWorld 2.1, wo Anthropic GPT-6 Luna mit 48,9 % listet. Die Preisgestaltung ist zweistufig: $0,10 / $0,50 für Prompts bis 100.000 Tokens, darüber dann $0,50 / $2,50. Lange Sitzungen, die jeden Screenshot im Verlauf behalten, überschreiten die 100K schnell, kürzen Sie also alte Screenshots, um in der günstigen Stufe zu bleiben.

GPT-6 Astra

Googles Modellkarte für Gemini 4 Argon listet GPT-6 Astra mit 72,6 % auf dem Offline-Subset von OSWorld 2.0 (Teilwertung). Astra kostet $10 / $50 mit einem Kontextfenster von 1,05 Mio. OpenAIs Leitfaden sagt, dass er für Astra Code-Ausführung empfiehlt: Das Modell schreibt Playwright- oder PyAutoGUI-Code, statt Schritt für Schritt zu klicken. Das eignet sich für repetitive Scraping- und Formulararbeit. Unser GPT-6-Astra-Computer-Use-Beitrag behandelt, wann Sie ihm stattdessen eine Spezifikation übergeben sollten.

GPT-6.1 Terra und Sol

OpenAIs Modellseite listet computer_use als unterstütztes Tool für GPT-6.1 Terra ($1 / $5, gecachte Eingabe $0,05) und die Beispiele im Computer-Use-Leitfaden verwenden GPT-6.1 Sol ($2 / $10). OpenAI veröffentlicht auf diesen Seiten für beide weder einen Browser- noch einen OSWorld-Wert. Terra ist ein vernünftiges Arbeitstier für den DOM-Modus, aber benchmarken Sie es mit Ihren eigenen Aufgaben.

Gemini 4 Argon und Gemini 3.8 Flash

Gemini 4 Argon ging am 13. Oktober 2026 in den GA-Status über. Seine Modellkarte zeigt 69,2 % auf dem Offline-Subset von OSWorld 2.0 und 39,5 % bei Agent’s Last Exam (Computer Use), über Astras 34,2 % und Opus 5.5 mit 38,2 %. Computer Use ist bei Argon noch Preview. Der Preis liegt bei $2 / $10 bis zum 30. November 2026, danach bei $4 / $20.

Googles Computer-Use-Seite empfiehlt gemini-3.8-flash ($0,75 / $3,75 bis zum 31. Dezember 2026), gibt dafür aber keinen Benchmark an. Gemini 2.5 Computer Use erscheint nicht mehr auf dieser Seite, deshalb haben wir es entfernt.

Holo4 (offene Gewichte)

H Company hat Holo4 am 28. September 2026 veröffentlicht und damit Holo3 ersetzt. In seinem eigenen Harness erreicht Holo4 27B 85,2 % auf OSWorld bei $0,08 pro Aufgabe und 61,7 % auf OSWorld 2.0 für lange Workflows bei $1,22 pro Aufgabe. Das 35B-A3B erreicht 80,8 % bzw. 30,9 % bei denselben beiden, für $0,05 und $0,61. H gibt an, dass die Gewichte des 35B-A3B unter Apache 2.0 stehen; prüfen Sie die Lizenz des 27B auf seiner Modellkarte, bevor Sie es kommerziell einsetzen. Beide laufen über Hs API für $0,40 / $3,00 (27B) und $0,30 / $2,00 (35B-A3B). Unser Holo3-Beitrag behandelt die API der vorherigen Generation.

Kimi K3.1 Pro, DeepSeek V4.1 Flash und Qwen 3.7 Plus

• Kimi K3.1 Pro akzeptiert Bilder und Video mit einem Kontext von 1 Mio., laut Moonshots Quickstart. Sein Einführungswert bei BrowseComp misst Web-Recherche, nicht das Klicken durch Seiten, und es wird kein Computer-Use-Wert veröffentlicht. Prüfen Sie den Preis auf Kimis Preisseite.
• DeepSeek V4.1 Flash (deepseek-flash) unterstützt jetzt Bildeingabe für $0,15 / $0,60 außerhalb der Spitzenzeiten und $0,30 / $1,20 zu Spitzenzeiten, laut DeepSeeks Preisseite. Es wird kein Browser-Benchmark veröffentlicht. Es ist hier die günstigste Option für den DOM-Modus.
• Qwen 3.7 Plus meldet 79,0 bei ScreenSpot Pro, einem Screenshot-Grounding-Test. Siehe unseren Leitfaden zum Computer-Use-Agenten Qwen 3.7 Plus.

Was die Framework-Teams messen

Der Modellleitfaden von Browser Use (BU Bench V1, aktualisiert am 11. Juni 2026) zeigt die Geschwindigkeitsseite: Claude Fable 5 erreichte 80,0 %, brauchte aber durchschnittlich 6 Minuten 53 Sekunden und etwa $5,80 pro Aufgabe. Die 5.5-Modelle sind dort noch nicht aufgeführt. Zur Framework-Wahl selbst siehe Browser Use Cloud, Stagehand und den Puppeteer-MCP-Server.

Kosten pro Aufgabe: ein durchgerechnetes Beispiel

Nehmen wir eine Aufgabe mit 30 Schritten auf Claude mit dem Browser-Toolset an. Jeder Schritt fügt einen Screenshot mit 1.334 Tokens plus etwa 450 Tokens Aktions-Text und Tool-Ergebnisse hinzu, und das Modell schreibt etwa 300 Ausgabe-Tokens.

• Eingabe bei Schritt n ≈ 6.600 + n × 1.784 Tokens
• Gesamteingabe über 30 Schritte ≈ 198.000 + 1.784 × 465 ≈ 1,03 Mio. Tokens
• Gesamtausgabe ≈ 9.000 Tokens

Dies sind veranschaulichende Zahlen auf Basis von Anthropics Listenpreisen, keine gemessenen Läufe. Zwei Erkenntnisse gelten trotzdem: Caching senkt die Rechnung um über 80 %, und das Entfernen alter Screenshots aus dem Verlauf spart mehr, als zu einem günstigeren Modell zu wechseln.

Wie man wählt

1. Beginnen Sie mit Sonnet 5.5. Es liegt innerhalb von 2 Punkten zum Spitzenreiter, zum halben Preis.
2. Wechseln Sie nur dann zu Opus 5.5, wenn Ihre Erfolgsrate bei echten Aufgaben der Engpass ist.
3. Wechseln Sie zu Haiku 5.5 oder Gemini 3.8 Flash für volumenstarke, kurze, repetitive Abläufe. Messen Sie zuerst.
4. Verwenden Sie Holo4, wenn Daten Ihre Infrastruktur nicht verlassen dürfen.
5. Verwenden Sie GPT-6 Astra mit Code-Ausführung, wenn die Aufgabe ein wiederholbares Skript ist und keine Erkundung.
6. Überspringen Sie den Browser ganz, wenn die Website eine API hat. Ein API-Aufruf ist eine Anfrage statt 30 Schritte. Unsere Gegenüberstellung Computer Use vs. strukturierte APIs zeigt, wann welche Variante gewinnt, und die Liste der Browser-Automatisierungstools deckt den Rest ab.

Lassen Sie stattdessen Ihren Coding-Agenten die API mit Apidog CLI testen

Browser-Agenten sind der langsame, teure Weg. Wenn die Seite, durch die Ihr Agent immer wieder klickt, von einer JSON-API gestützt wird, ist der günstigere Weg, diese API einmal zu finden und direkt zu testen. Claudes Browser-Toolset hat sogar ein optionales read_network-Element, das die Anfragen auflistet, die eine Seite stellt.

Lassen Sie Ihren Coding-Agenten das mit Apidog CLI erledigen. Einmal einrichten:

npm install -g apidog-cli@latest
apidog auth login --with-token <YOUR_TOKEN>
apidog skill install

Dann geben Sie Ihrem Agenten einen Prompt:

Export a HAR of the checkout flow you just ran in the browser. Import it into
Apidog project <id>, create a test case for POST /api/cart/items that asserts
a 200 status and a numeric cartTotal, then run it against the staging
environment and summarize any failures.

Der Agent importiert den Traffic, liest das Payload-Schema, validiert es, schreibt den Testfall und führt ihn aus:

apidog import --project <id> --format har --file checkout.har
apidog cli-schema get test-case-create
apidog cli-schema validate test-case-create --file case.json
apidog test-case create --project <id> --file case.json
apidog run --test-case <caseId> --project <id> -e <envId> -r cli,json

Ersetzen Sie -r cli,json durch -r junit, und derselbe Befehl läuft in der CI; siehe den Leitfaden zur Apidog-CLI-CI/CD-Pipeline. Wenn Claude Code Ihr Agent ist, führt Apidog CLI in Claude Code durch die Einrichtung. Der kostenlose Plan von Apidog deckt bis zu 4 Nutzer ab.

FAQ

Was ist derzeit das beste LLM für Browser-Agenten? Claude Opus 5.5 hat den höchsten vom Anbieter gemeldeten OSWorld-2.1-Wert (81,8 %). Claude Sonnet 5.5 ist mit 80,1 % und halbem Preis die bessere Standardwahl für die meisten Teams.

Welches Modell ist das beste für Computer Use mit knappem Budget? Claude Haiku 5.5 erreicht für $0,10 / $0,50 72,4 % auf Anthropics Offline-Subset von OSWorld 2.1. Halten Sie Prompts unter 100.000 Tokens, um in seiner günstigen Stufe zu bleiben.

Gibt es ein gutes Open-Weights-Modell für Browser-Agenten? Ja. Holo4 35B-A3B wird mit Apache-2.0-Gewichten ausgeliefert und erreicht 80,8 % auf OSWorld im Harness von H Company. Holo4 27B erreicht mehr, aber prüfen Sie zuerst seine Lizenz.

Screenshot-Modus oder DOM-Modus? Verwenden Sie den Accessibility-Baum oder das DOM, wenn die Seite eines hat. Das ist günstiger und übersteht Layout-Änderungen. Greifen Sie auf Screenshots zurück bei Canvas, Karten, Video und Remote-Desktops.

Kann ich OSWorld-Werte verschiedener Anbieter vergleichen? Nur eingeschränkt. Anbieter melden OSWorld 2.0, OSWorld 2.1, Offline-Subsets und Teilwertungen mit unterschiedlichen Harnesses. Führen Sie vor der Entscheidung Ihre eigenen 20 bis 50 echten Aufgaben aus.

Ist Gemini 2.5 Computer Use noch verfügbar? Es erscheint seit dem 27. Oktober 2026 nicht mehr auf Googles Computer-Use-Seite. Google listet stattdessen Gemini 4 Argon, Gemini 3.8 Flash, Gemini 3.5 Flash-Lite und Gemini 3 Flash Preview.