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

Posted on Oct 27 • Originally published at apidog.com

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.

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

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:

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.

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

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.

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.

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.

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.

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 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.

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.

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.

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.

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.

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 Enter fullscreen mode Exit fullscreen mode Lalu beri agen Anda satu [REDACTED PROMPT] Export a HAR of the checkout flow you just ran in the browser. Import it into Apidog project, 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: Enter fullscreen mode Exit fullscreen mode bash apidog import --project --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 --file case.json apidog run --test-case --project -e -r cli,json