LLM tốt nhất cho Browser Agent năm 2026: Xếp hạng mô hình theo điểm số và chi phí

LLM tốt nhất cho browser agent vào tháng 10 năm 2026 là Claude Opus 5.5 nếu bạn muốn tỷ lệ thành công được công bố cao nhất, và Claude Sonnet 5.5 nếu bạn muốn điểm số gần tương đương với mức giá bằng một nửa. Với ngân sách eo hẹp, Claude Haiku 5.5 và Gemini 3.8 Flash chỉ tốn một phần nhỏ chi phí cho mỗi bước. Với trọng số mở, Holo4 từ H Company là lựa chọn hàng đầu. Mọi con số dưới đây đều đến từ trang của chính nhà cung cấp, được đọc vào ngày 27 tháng 10 năm 2026.

Trả lời nhanh: model tốt nhất cho browser use theo từng công việc

Một lưu ý: các nhà cung cấp chấm điểm trên những phiên bản OSWorld, tập con và harness khác nhau, nên hãy coi mỗi con số là tuyên bố của chính nhà cung cấp đó, chứ không phải một bảng xếp hạng chung.

Browser agent dùng model như thế nào

Browser agent là một vòng lặp: model nhìn vào trang, chọn một hành động, mã của bạn thực thi nó, và trạng thái trang mới được gửi lại cho model. Một tác vụ con người làm trong 2 phút có thể mất từ 30 đến 60 vòng lặp.

Model "nhìn" trang theo một trong hai cách:

1. Chế độ ảnh chụp màn hình. Model nhận một hình ảnh và trả về tọa độ pixel để click. Cách này hoạt động với ứng dụng canvas, bản đồ và máy tính từ xa, nhưng mỗi bước đều tốn token hình ảnh.
2. Chế độ DOM hoặc cây trợ năng. Model nhận một danh sách văn bản các phần tử với tham chiếu như [ref_2] và click theo tham chiếu. Cách này chịu được thay đổi bố cục và tốn ít token hơn trên các trang nhiều văn bản.

Hầu hết các bộ công cụ hiện nay kết hợp cả hai. Bộ công cụ dùng trình duyệt của Anthropic (browser_toolset_20260801, GA) cung cấp 31 công cụ thành viên: read_page và find trả về cây trợ năng, còn screenshot và zoom là phương án dự phòng cho canvas, video và iframe khác nguồn. Hướng dẫn computer use của OpenAI cung cấp một BrowserToolset đọc văn bản trang và gọi các hàm driver. Công cụ computer use của Google dựa trên ảnh chụp màn hình và bao phủ trình duyệt, di động lẫn máy tính để bàn.

Vì sao số bước làm chi phí nhân lên

Mỗi bước đều gửi lại toàn bộ cuộc hội thoại, nên bước 30 mang theo định nghĩa bộ công cụ, hướng dẫn của bạn và 29 bước lịch sử. Hai chi phí cố định đặt ra mức sàn:

• Chi phí bộ công cụ. Khai báo bộ công cụ trình duyệt của Anthropic thêm khoảng 6.600 token đầu vào vào mỗi yêu cầu, theo trang giá của Anthropic.
• Ảnh chụp màn hình. Claude tính một hình ảnh theo một token thị giác cho mỗi ô 28×28 pixel. Một ảnh chụp 1280×800 là 46 × 29 = 1.334 token.

Ghi chú theo từng model

Claude Opus 5.5

Anthropic phát hành Opus 5.5 vào ngày 22 tháng 9 năm 2026, và báo cáo 81,8% trên OSWorld 2.1 (điểm một phần), vượt qua Claude Fable 5.1 ở mức 80,7%. Fable 5.1 có giá $10 / $50, nên Opus 5.5 đánh bại nó trên benchmark này với chỉ 40% mức giá. Bài viết về Holo4 của H Company đặt Opus 5.5 ở mức 81,8% trên các quy trình dài của OSWorld 2.0 với $8,48 mỗi tác vụ, chi phí được đọc từ biểu đồ của các nhà cung cấp.

Nó cũng ngang bằng Fable 5.1 về tỷ lệ thành công của prompt-injection thấp nhất trên benchmark của Gray Swan, điều này quan trọng khi agent của bạn đọc các trang không đáng tin cậy.

Claude Sonnet 5.5

Sonnet 5.5 (ngày 28 tháng 9 năm 2026) đạt 80,1% trên OSWorld 2.1, kém Opus 1,7 điểm, với giá $2 / $10. Lượt cache hit tốn $0,10 mỗi 1M token, và các vòng lặp agent chủ yếu là cache hit. Với hầu hết browser agent trong sản xuất, đây là lựa chọn mặc định. Nếu bạn điều khiển trình duyệt từ Claude Code, hãy xem cách dùng Claude Code để tự động hóa trình duyệt.

Claude Haiku 5.5

Haiku 5.5 (ngày 7 tháng 10 năm 2026) đạt 72,4% trên tập con offline của OSWorld 2.1, nơi Anthropic xếp GPT-6 Luna ở mức 48,9%. Giá chia hai bậc: $0,10 / $0,50 cho prompt đến 100.000 token, sau đó là $0,50 / $2,50. Các phiên dài giữ mọi ảnh chụp màn hình trong lịch sử sẽ vượt 100K rất nhanh, nên hãy cắt bỏ ảnh chụp cũ để giữ ở bậc giá rẻ.

GPT-6 Astra

Thẻ model Gemini 4 Argon của Google xếp GPT-6 Astra ở mức 72,6% trên tập con offline của OSWorld 2.0 (điểm một phần). Astra có giá $10 / $50 với cửa sổ ngữ cảnh 1,05M. Hướng dẫn của OpenAI nói rằng với Astra, họ khuyến nghị thực thi mã: model viết mã Playwright hoặc PyAutoGUI thay vì click từng bước một. Cách này phù hợp với việc scrape lặp lại và xử lý biểu mẫu. Bài viết GPT-6 Astra computer use của chúng tôi đề cập khi nào nên đưa cho nó một đặc tả thay vì làm vậy.

GPT-6.1 Terra và Sol

Trang model của OpenAI liệt kê computer_use là công cụ được hỗ trợ cho GPT-6.1 Terra ($1 / $5, đầu vào cache $0,05) và các ví dụ trong hướng dẫn computer use dùng GPT-6.1 Sol ($2 / $10). OpenAI không công bố điểm trình duyệt hay OSWorld cho cả hai trên các trang đó. Terra là một "con ngựa thồ" hợp lý cho chế độ DOM, nhưng hãy benchmark nó trên chính tác vụ của bạn.

Gemini 4 Argon và Gemini 3.8 Flash

Gemini 4 Argon GA vào ngày 13 tháng 10 năm 2026. Thẻ model của nó cho thấy 69,2% trên tập con offline của OSWorld 2.0 và 39,5% trên Agent’s Last Exam (computer use), cao hơn Astra 34,2% và Opus 5.5 38,2%. Computer use trên Argon vẫn đang ở giai đoạn Preview. Giá là $2 / $10 đến ngày 30 tháng 11 năm 2026, sau đó là $4 / $20.

Trang computer use của Google khuyến nghị gemini-3.8-flash ($0,75 / $3,75 đến ngày 31 tháng 12 năm 2026) nhưng không đưa ra benchmark cho nó. Gemini 2.5 Computer Use không còn xuất hiện trên trang đó nữa, nên chúng tôi đã loại bỏ nó.

Holo4 (trọng số mở)

H Company phát hành Holo4 vào ngày 28 tháng 9 năm 2026, thay thế Holo3. Trên harness của chính mình, Holo4 27B đạt 85,2% trên OSWorld với $0,08 mỗi tác vụ và 61,7% trên các quy trình dài của OSWorld 2.0 với $1,22 mỗi tác vụ. Bản 35B-A3B đạt 80,8% và 30,9% trên cùng hai hạng mục đó, với $0,05 và $0,61. H tuyên bố rằng trọng số của 35B-A3B là Apache 2.0; hãy kiểm tra giấy phép của 27B trên thẻ model trước khi đưa nó vào sản xuất thương mại. Cả hai đều chạy trên API của H với giá $0,40 / $3,00 (27B) và $0,30 / $2,00 (35B-A3B). Bài viết Holo3 của chúng tôi đề cập đến API của thế hệ trước.

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

• Kimi K3.1 Pro chấp nhận hình ảnh và video với ngữ cảnh 1M, theo quickstart của Moonshot. Điểm BrowseComp khi ra mắt của nó đo khả năng nghiên cứu web, chứ không phải việc click qua các trang, và không có điểm computer use nào được công bố. Hãy kiểm tra giá trên trang giá của Kimi.
• DeepSeek V4.1 Flash (deepseek-flash) hiện hỗ trợ đầu vào hình ảnh với giá $0,15 / $0,60 ngoài giờ cao điểm và $0,30 / $1,20 giờ cao điểm, theo trang giá của DeepSeek. Không có benchmark trình duyệt nào được công bố. Đây là lựa chọn rẻ nhất ở đây cho chế độ DOM.
• Qwen 3.7 Plus báo cáo 79,0 trên ScreenSpot Pro, một bài kiểm tra grounding ảnh chụp màn hình. Xem hướng dẫn computer use agent cho Qwen 3.7 Plus của chúng tôi.

Các nhóm framework đo lường điều gì

Hướng dẫn model của Browser Use (BU Bench V1, cập nhật ngày 11 tháng 6 năm 2026) cho thấy khía cạnh tốc độ: Claude Fable 5 đạt 80,0% nhưng trung bình mất 6 phút 53 giây và khoảng $5,80 mỗi tác vụ. Các model 5.5 chưa có trên đó. Về việc chọn framework, hãy xem Browser Use Cloud, Stagehand và Puppeteer MCP server.

Chi phí mỗi tác vụ: một ví dụ cụ thể

Giả sử một tác vụ 30 bước trên Claude với bộ công cụ trình duyệt. Mỗi bước thêm một ảnh chụp màn hình 1.334 token cộng với khoảng 450 token văn bản hành động và kết quả công cụ, và model viết khoảng 300 token đầu ra.

• Đầu vào bước n ≈ 6.600 + n × 1.784 token
• Tổng đầu vào qua 30 bước ≈ 198.000 + 1.784 × 465 ≈ 1,03M token
• Tổng đầu ra ≈ 9.000 token

Đây là những con số minh họa từ giá niêm yết của Anthropic, không phải các lần chạy đo thực tế. Dù vậy, hai kết luận vẫn đúng: caching cắt hóa đơn hơn 80%, và việc loại bỏ ảnh chụp cũ khỏi lịch sử tiết kiệm nhiều hơn so với việc chuyển sang một model rẻ hơn.

Cách chọn

1. Bắt đầu với Sonnet 5.5. Nó đạt điểm trong khoảng cách 2 điểm so với ngôi đầu với giá bằng một nửa.
2. Nâng lên Opus 5.5 chỉ khi tỷ lệ thành công của bạn trên các tác vụ thực tế là điểm nghẽn.
3. Hạ xuống Haiku 5.5 hoặc Gemini 3.8 Flash cho các luồng khối lượng lớn, ngắn và lặp lại. Hãy đo trước.
4. Dùng Holo4 nếu dữ liệu không thể rời khỏi hạ tầng của bạn.
5. Dùng GPT-6 Astra với thực thi mã khi công việc là một script lặp lại, chứ không phải khám phá.
6. Bỏ qua trình duyệt hoàn toàn khi trang web có API. Một lời gọi API là một yêu cầu thay vì 30 bước. Bài phân tích computer use so với API có cấu trúc của chúng tôi cho thấy khi nào mỗi cách thắng thế, còn danh sách công cụ tự động hóa trình duyệt bao quát phần còn lại.

Thay vào đó, hãy để coding agent của bạn kiểm thử API bằng Apidog CLI

Browser agent là con đường chậm và tốn kém. Khi trang mà agent của bạn cứ click qua lại được hỗ trợ bởi một API JSON, nước đi rẻ hơn là tìm ra API đó một lần và kiểm thử trực tiếp. Bộ công cụ trình duyệt của Claude thậm chí còn có một thành viên tùy chọn read_network liệt kê các yêu cầu mà một trang thực hiện.

Hãy để coding agent của bạn làm điều đó với Apidog CLI. Thiết lập một lần:

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

Sau đó đưa cho agent của bạn một 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.

Agent nhập lưu lượng, đọc schema payload, xác thực nó, viết test case và chạy nó:

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

Thay -r cli,json bằng -r junit và lệnh tương tự sẽ chạy trong CI; xem hướng dẫn Apidog CLI CI/CD pipeline. Nếu Claude Code là agent của bạn, bài Apidog CLI trong Claude Code sẽ hướng dẫn chi tiết phần thiết lập. Gói Free của Apidog hỗ trợ tối đa 4 người dùng.

Câu hỏi thường gặp

LLM tốt nhất cho browser agent hiện nay là gì? Claude Opus 5.5 có điểm OSWorld 2.1 được nhà cung cấp báo cáo cao nhất (81,8%). Claude Sonnet 5.5 là lựa chọn mặc định tốt hơn cho hầu hết các nhóm với 80,1% và giá bằng một nửa.

Model nào tốt nhất cho computer use với ngân sách hạn chế? Claude Haiku 5.5 với giá $0,10 / $0,50 đạt 72,4% trên tập con offline OSWorld 2.1 của Anthropic. Hãy giữ prompt dưới 100.000 token để ở lại bậc giá rẻ của nó.

Có model trọng số mở nào tốt cho browser agent không? Có. Holo4 35B-A3B phát hành trọng số Apache 2.0 và đạt 80,8% trên OSWorld trong harness của H Company. Holo4 27B đạt điểm cao hơn, nhưng hãy kiểm tra giấy phép của nó trước.

Chế độ ảnh chụp màn hình hay chế độ DOM? Hãy dùng cây trợ năng hoặc DOM khi trang có chúng. Cách này rẻ hơn và chịu được thay đổi bố cục. Chuyển sang ảnh chụp màn hình cho canvas, bản đồ, video và máy tính từ xa.

Tôi có thể so sánh điểm OSWorld giữa các nhà cung cấp không? Chỉ một cách tương đối. Các nhà cung cấp báo cáo OSWorld 2.0, OSWorld 2.1, các tập con offline và điểm một phần với những harness khác nhau. Hãy tự chạy 20 đến 50 tác vụ thực tế trước khi quyết định.

Gemini 2.5 Computer Use có còn khả dụng không? Nó không còn xuất hiện trên trang computer use của Google tính đến ngày 27 tháng 10 năm 2026. Thay vào đó, Google liệt kê Gemini 4 Argon, Gemini 3.8 Flash, Gemini 3.5 Flash-Lite và Gemini 3 Flash Preview.