browser use 发布基准 v2.1：7 个浏览器 Agent 框架实测对比
browser use 拉上 CMU 做了个 200 题的浏览器 Agent 横评，模型和裁判都固定，只比框架。结果 browser use 1.0 拿 77.5 分，codex 里 6 个浏览器工具最高只有 73.5。想给自己的自动化项目选框架的直接看这份数据就行。
browser use 团队发布了 Browser Use Benchmark v2.1，用 200 个高难度长程任务对比 7 个浏览器 Agent 框架。测试统一使用 gpt 6.1 terra medium 模型，任务与裁判（judge）也完全一致，唯一变量是被测的 harness 本身。
任务主要来自与 CMU 合作的 Odysseys v2 数据集，另补充少量扩展任务。结果方面，codex 中集成的 6 个浏览器工具得分在 62.4 到 73.5 之间，而 browser use 1.0 agent 拿到 77.5 分，高于 codex 内所有浏览器工具。
这份数据的看点在于控制变量：以往框架对比常因模型、提示词、任务集不同而难以横向比较，此次固定模型与裁判后，harness 层的工程能力差异被单独放大出来。对需要选型浏览器自动化方案的开发者而言，77.5 与 62.4 之间超过 14 分的差距说明框架实现本身对完成率影响显著。
We measured 7 browser harnesses on 200 very hard tasks same model (gpt 6.1 terra medium), same tasks, same judge. only the harness changes > Browser Use Benchmark v2.1: 200 super hard long horizon tasks, mostly from our Odysseys v2 collab with CMU + a few extra on top > 6 browser tools inside codex (top harness on frontierharness): 62.4 to 73.5 > browser use 1.0 agent: 77.5📊 10 ⚡
本条情报归属 AITOP「模型」核心栏目，重点聚焦北美前沿实验室与硅谷科技巨头。在跨区域产业观察坐标中，该动态直接关联「AI 开发者工具链、Coding Agent 与工程化实践」「中美大模型技术代差与商业化对照」研究主线，反映出当前技术演进与商业落地的最新风向。涉及核心实体与技术议题包括：browser use、Codex、浏览器Agent、智能体，读者可通过下方标签进入对应专题页查阅历史脉络与关联对比。
信源核验说明：本文原始线索采编自「Browser Use」（@browser_use），经 AITOP 多维评分管线结构化提炼。
