LLM Terbaik untuk Agen Browser pada 2026: Model Diperingkat Berdasarkan Skor dan Biaya

LLM terbaik untuk agen browser pada Oktober 2026 adalah Claude Opus 5.5 jika Anda menginginkan tingkat keberhasilan tertinggi yang dipublikasikan, dan Claude Sonnet 5.5 jika Anda menginginkan skor yang hampir sama dengan setengah harga. Untuk anggaran ketat, Claude Haiku 5.5 dan Gemini 3.8 Flash hanya memakan sebagian kecil biaya per langkah. Untuk bobot terbuka, Holo4 dari H Company adalah pilihannya. Setiap angka di bawah ini berasal dari halaman vendor itu sendiri, yang dibaca pada 27 Oktober 2026.

Jawaban singkat: model terbaik untuk penggunaan browser berdasarkan pekerjaan

Satu peringatan: vendor menilai pada versi OSWorld, subset, dan harness yang berbeda, jadi perlakukan setiap angka sebagai klaim vendor tersebut, bukan peringkat bersama.

Bagaimana agen browser menggunakan model

Agen browser adalah sebuah loop: model melihat halaman, memilih satu tindakan, kode Anda menjalankannya, dan status halaman baru dikembalikan ke model. Tugas manusia selama 2 menit bisa memakan 30 hingga 60 loop.

Model melihat halaman dengan salah satu dari dua cara:

1. Mode tangkapan layar. Model menerima gambar dan mengembalikan koordinat piksel untuk diklik. Ini berfungsi pada aplikasi canvas, peta, dan desktop jarak jauh, tetapi setiap langkah memakan token gambar.
2. Mode DOM atau accessibility tree. Model menerima daftar teks elemen dengan referensi seperti [ref_2] dan mengklik berdasarkan referensi. Ini bertahan terhadap pergeseran tata letak dan memakan lebih sedikit token pada halaman yang banyak teks.

Sebagian besar toolset saat ini menggabungkan keduanya. Alat penggunaan browser Anthropic (browser_toolset_20260801, GA) menyertakan 31 alat anggota: read_page dan find mengembalikan accessibility tree, sementara screenshot dan zoom menjadi cadangan untuk canvas, video, dan iframe lintas asal. Panduan computer use OpenAI menawarkan BrowserToolset yang membaca teks halaman dan memanggil fungsi driver. Alat computer use Google berbasis tangkapan layar dan mencakup browser, seluler, dan desktop.

Mengapa langkah melipatgandakan biaya

Setiap langkah mengirim ulang percakapan, jadi langkah ke-30 membawa definisi toolset, instruksi Anda, dan 29 langkah riwayat. Dua biaya tetap menetapkan batas bawah:

• Overhead toolset. Mendeklarasikan toolset browser Anthropic menambahkan sekitar 6.600 token masukan pada setiap permintaan, menurut halaman harga Anthropic.
• Tangkapan layar. Claude menagih gambar sebesar satu token visual per tambalan 28×28 piksel. Tangkapan layar 1280×800 adalah 46 × 29 = 1.334 token.

Catatan per model

Claude Opus 5.5

Anthropic merilis Opus 5.5 pada 22 September 2026, dan melaporkan 81,8% pada OSWorld 2.1 (skor parsial), di depan Claude Fable 5.1 pada 80,7%. Fable 5.1 berharga $10 / $50, jadi Opus 5.5 mengalahkannya pada tolok ukur ini dengan 40% dari harganya. Postingan Holo4 dari H Company menempatkan Opus 5.5 pada 81,8% di alur kerja panjang OSWorld 2.0 dengan $8,48 per tugas, dengan biaya dibaca dari grafik para penyedia.

Model ini juga menyamai Fable 5.1 untuk tingkat keberhasilan prompt-injection terendah pada tolok ukur Gray Swan, yang penting ketika agen Anda membaca halaman yang tidak tepercaya.

Claude Sonnet 5.5

Sonnet 5.5 (28 September 2026) mencetak 80,1% pada OSWorld 2.1, tertinggal 1,7 poin dari Opus, dengan harga $2 / $10. Cache hit berbiaya $0,10 per 1 juta token, dan loop agen sebagian besar adalah cache hit. Untuk sebagian besar agen browser produksi, ini adalah pilihan default. Jika Anda mengendalikan browser dari Claude Code, lihat cara menggunakan Claude Code untuk otomatisasi browser.

Claude Haiku 5.5

Haiku 5.5 (7 Oktober 2026) mencetak 72,4% pada subset offline OSWorld 2.1, di mana Anthropic mencantumkan GPT-6 Luna pada 48,9%. Harganya dua tingkat: $0,10 / $0,50 untuk prompt hingga 100.000 token, lalu $0,50 / $2,50 di atasnya. Sesi panjang yang menyimpan setiap tangkapan layar dalam riwayat akan melewati 100K dengan cepat, jadi pangkas tangkapan layar lama agar tetap berada di tingkat murah.

GPT-6 Astra

Kartu model Gemini 4 Argon milik Google mencantumkan GPT-6 Astra pada 72,6% di subset offline OSWorld 2.0 (skor parsial). Astra berharga $10 / $50 dengan jendela konteks 1,05M. Panduan OpenAI menyatakan bahwa untuk Astra pihaknya merekomendasikan eksekusi kode: model menulis kode Playwright atau PyAutoGUI alih-alih mengklik satu langkah demi satu langkah. Itu cocok untuk scraping dan pekerjaan formulir yang berulang. Postingan computer use GPT-6 Astra kami membahas kapan sebaiknya memberinya spesifikasi sebagai gantinya.

GPT-6.1 Terra dan Sol

Halaman model OpenAI mencantumkan computer_use sebagai alat yang didukung untuk GPT-6.1 Terra ($1 / $5, masukan cache $0,05) dan contoh-contoh dalam panduan computer use menggunakan GPT-6.1 Sol ($2 / $10). OpenAI tidak menerbitkan skor browser atau OSWorld untuk keduanya di halaman-halaman tersebut. Terra adalah pekerja keras mode DOM yang masuk akal, tetapi ujilah pada tugas Anda sendiri.

Gemini 4 Argon dan Gemini 3.8 Flash

Gemini 4 Argon resmi GA pada 13 Oktober 2026. Kartu modelnya menunjukkan 69,2% pada subset offline OSWorld 2.0 dan 39,5% pada Agent’s Last Exam (computer use), di atas Astra 34,2% dan Opus 5.5 38,2%. Computer use pada Argon masih Preview. Harganya $2 / $10 hingga 30 November 2026, lalu $4 / $20.

Halaman computer use Google merekomendasikan gemini-3.8-flash ($0,75 / $3,75 hingga 31 Desember 2026) tetapi tidak memberikan tolok ukur untuknya. Gemini 2.5 Computer Use tidak lagi muncul di halaman itu, jadi kami mengeluarkannya.

Holo4 (bobot terbuka)

H Company merilis Holo4 pada 28 September 2026, menggantikan Holo3. Pada harness miliknya sendiri, Holo4 27B mencetak 85,2% pada OSWorld dengan $0,08 per tugas dan 61,7% pada alur kerja panjang OSWorld 2.0 dengan $1,22 per tugas. Varian 35B-A3B mencetak 80,8% dan 30,9% pada keduanya, dengan $0,05 dan $0,61. H menyatakan bahwa bobot 35B-A3B adalah Apache 2.0; periksa lisensi 27B pada kartu modelnya sebelum merilisnya secara komersial. Keduanya berjalan di API H dengan harga $0,40 / $3,00 (27B) dan $0,30 / $2,00 (35B-A3B). Postingan Holo3 kami membahas API generasi sebelumnya.

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

• Kimi K3.1 Pro menerima gambar dan video dengan konteks 1M, menurut quickstart Moonshot. Skor BrowseComp saat peluncurannya mengukur riset web, bukan mengklik halaman, dan tidak ada skor computer use yang dipublikasikan. Periksa harga di halaman harga Kimi .
• DeepSeek V4.1 Flash (deepseek-flash) kini mendukung masukan gambar dengan harga $0,15 / $0,60 di luar jam sibuk dan $0,30 / $1,20 pada jam sibuk, menurut halaman harga DeepSeek. Tidak ada tolok ukur browser yang dipublikasikan. Ini opsi termurah di sini untuk mode DOM.
• Qwen 3.7 Plus melaporkan 79,0 pada ScreenSpot Pro, sebuah tes grounding tangkapan layar. Lihat panduan agen computer use Qwen 3.7 Plus kami.

Apa yang diukur oleh tim framework

Panduan model Browser Use (BU Bench V1, diperbarui 11 Juni 2026) menunjukkan sisi kecepatan: Claude Fable 5 mencapai 80,0% tetapi rata-rata 6 menit 53 detik dan sekitar $5,80 per tugas. Model 5.5 belum ada di dalamnya. Untuk pilihan framework itu sendiri, lihat Browser Use Cloud, Stagehand dan Puppeteer MCP server.

Biaya per tugas: contoh perhitungan

Asumsikan tugas 30 langkah pada Claude dengan toolset browser. Setiap langkah menambahkan satu tangkapan layar 1.334 token plus sekitar 450 token teks tindakan dan hasil alat, dan model menulis sekitar 300 token keluaran.

• Masukan langkah ke-n ≈ 6.600 + n × 1.784 token
• Total masukan selama 30 langkah ≈ 198.000 + 1.784 × 465 ≈ 1,03 juta token
• Total keluaran ≈ 9.000 token

Ini adalah angka ilustratif dari harga daftar Anthropic, bukan hasil pengukuran. Dua kesimpulan tetap berlaku: caching memangkas tagihan lebih dari 80%, dan menghapus tangkapan layar lama dari riwayat menghemat lebih banyak daripada beralih ke model yang lebih murah.

Cara memilih

1. Mulai dengan Sonnet 5.5. Skornya dalam selisih 2 poin dari yang teratas dengan setengah harga.
2. Naik ke Opus 5.5 hanya jika tingkat keberhasilan Anda pada tugas nyata menjadi penghambat.
3. Turun ke Haiku 5.5 atau Gemini 3.8 Flash untuk alur bervolume tinggi, pendek, dan berulang. Ukur dulu.
4. Gunakan Holo4 jika data tidak boleh keluar dari infrastruktur Anda.
5. Gunakan GPT-6 Astra dengan eksekusi kode ketika pekerjaannya adalah skrip yang dapat diulang, bukan eksplorasi.
6. Lewati browser sepenuhnya ketika situs memiliki API. Panggilan API adalah satu permintaan alih-alih 30 langkah. Uraian computer use vs API terstruktur kami menunjukkan kapan masing-masing menang, dan daftar alat otomatisasi browser mencakup sisanya.

Biarkan agen coding Anda menguji API sebagai gantinya dengan Apidog CLI

Agen browser adalah jalur yang lambat dan mahal. Ketika halaman yang terus diklik oleh agen Anda didukung oleh API JSON, langkah yang lebih murah adalah menemukan API itu sekali dan mengujinya secara langsung. Toolset browser Claude bahkan memiliki anggota opsional read_network yang mendaftar permintaan yang dibuat suatu halaman.

Biarkan agen coding Anda melakukannya dengan Apidog CLI. Siapkan sekali:

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

Lalu beri agen Anda satu 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.

Agen mengimpor lalu lintas, membaca skema payload, memvalidasinya, menulis kasus, dan menjalankannya:

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

Ganti -r cli,json dengan -r junit dan perintah yang sama berjalan di CI; lihat panduan Apidog CLI CI/CD pipeline. Jika Claude Code adalah agen Anda, Apidog CLI di Claude Code membahas langkah penyiapannya. Paket Free Apidog mencakup hingga 4 pengguna.

FAQ

Apa LLM terbaik untuk agen browser saat ini? Claude Opus 5.5 memiliki skor OSWorld 2.1 tertinggi yang dilaporkan vendor (81,8%). Claude Sonnet 5.5 adalah default yang lebih baik untuk sebagian besar tim pada 80,1% dan setengah harga.

Model mana yang terbaik untuk computer use dengan anggaran terbatas? Claude Haiku 5.5 dengan $0,10 / $0,50 mencetak 72,4% pada subset offline OSWorld 2.1 Anthropic. Jaga prompt di bawah 100.000 token agar tetap berada di tingkat murahnya.

Apakah ada model bobot terbuka yang bagus untuk agen browser? Ya. Holo4 35B-A3B menyertakan bobot Apache 2.0 dan mencetak 80,8% pada OSWorld di harness H Company. Holo4 27B mencetak skor lebih tinggi, tetapi periksa dulu lisensinya.

Mode tangkapan layar atau mode DOM? Gunakan accessibility tree atau DOM ketika halaman memilikinya. Ini lebih murah dan bertahan terhadap perubahan tata letak. Beralihlah ke tangkapan layar untuk canvas, peta, video, dan desktop jarak jauh.

Bisakah saya membandingkan skor OSWorld antar vendor? Hanya secara longgar. Vendor melaporkan OSWorld 2.0, OSWorld 2.1, subset offline, dan skor parsial dengan harness yang berbeda. Jalankan 20 hingga 50 tugas nyata Anda sendiri sebelum memutuskan.

Apakah Gemini 2.5 Computer Use masih tersedia? Model itu tidak lagi muncul di halaman computer use Google per 27 Oktober 2026. Google mencantumkan Gemini 4 Argon, Gemini 3.8 Flash, Gemini 3.5 Flash-Lite, dan Gemini 3 Flash Preview sebagai gantinya.