Welches LLM eignet sich 2026 am besten fuer Browser-Agenten

Posted on Oct 27 • Originally published at apidog.com

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.

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.

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:

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.

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:

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.

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.

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.

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.

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 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.

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.

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.

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.

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.

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 Enter fullscreen mode Exit fullscreen mode Dann geben Sie Ihrem Agenten einen [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.

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