2026年ブラウザエージェントに最適なLLM：スコアとコストで比較したモデルランキング
2026年10月時点でブラウザエージェントに最適なLLMは、公開されている成功率を最優先するならClaude Opus 5.5、ほぼ同じスコアを半額で求めるならClaude Sonnet 5.5です。予算が厳しい場合、Claude Haiku 5.5とGemini 3.8 Flashは1ステップあたりのコストを大幅に抑えられます。オープンウェイトなら、H CompanyのHolo4がおすすめです。以下の数値はすべて、2026年10月27日に読んだ各ベンダー自身のページに基づいています。
早見表：用途別のブラウザ操作に最適なモデル
| 用途 | おすすめ | 理由 | 100万トークンあたりの価格（入力 / 出力） |
|---|---|---|---|
| 最高スコア | Claude Opus 5.5 | OSWorld 2.1で81.8%（部分スコア）、ネイティブのブラウザツールセット | $4 / $20 |
| コストパフォーマンス最優 | Claude Sonnet 5.5 | OSWorld 2.1で80.1%、Opusの半額 | $2 / $10 |
| 低コスト最優 | Claude Haiku 5.5 | OSWorld 2.1のオフラインサブセットで72.4% | $0.10 / $0.50（プロンプトが10万トークンまで） |
| オープンウェイト最優 | Holo4 35B-A3B | Apache 2.0のウェイト、OSWorldで80.8%、1タスクあたり$0.05（H社のハーネス） | H社のAPIで$0.30 / $2.00 |
| コード駆動のブラウジングに最適 | GPT-6 Astra | OpenAIはクリックよりもコード実行（Playwright）を推奨 | $10 / $50 |
| 低コストDOMモード最優 | GPT-6.1 Terra |
computer_useをサポート、105万コンテキスト、テキストと画像の入力 |
$1 / $5 |
1つ注意点があります。ベンダーはそれぞれ異なるOSWorldのバージョン、サブセット、ハーネスでスコアを計測しているため、各数値は共通のランキングではなく、そのベンダーによる主張として扱ってください。
ブラウザエージェントはモデルをどう使うか
ブラウザエージェントはループです。モデルがページを見て、1つのアクションを選び、あなたのコードがそれを実行し、新しいページ状態がモデルに戻されます。人間なら2分のタスクが、30〜60回のループを要することがあります。
モデルがページを認識する方法は2つあります。
- スクリーンショットモード。 モデルは画像を受け取り、クリックするピクセル座標を返します。キャンバスアプリ、地図、リモートデスクトップでは機能しますが、各ステップで画像トークンのコストがかかります。
-
DOMまたはアクセシビリティツリーモード。 モデルは
[ref_2]のような参照付きの要素のテキストリストを受け取り、参照によってクリックします。レイアウトの変化に強く、テキスト中心のページではトークン消費も少なくなります。
現在のツールセットのほとんどは両方を組み合わせています。Anthropicのbrowser use tool（browser_toolset_20260801、GA）には31のメンバーツールが含まれます。read_pageとfindはアクセシビリティツリーを返し、screenshotとzoomはキャンバス、動画、クロスオリジンiframe向けのフォールバックです。OpenAIのcomputer useガイドは、ページテキストを読み取ってドライバー関数を呼び出すBrowserToolsetを提供しています。Googleのcomputer use toolはスクリーンショットベースで、ブラウザ、モバイル、デスクトップをカバーします。
ステップがコストを増やす理由
各ステップで会話全体が再送されるため、30ステップ目にはツールセット定義、あなたの指示、29ステップ分の履歴が含まれます。下限を決める固定コストは2つあります。
- ツールセットのオーバーヘッド。 Anthropicのブラウザツールセットを宣言すると、Anthropicのpricing pageによると、リクエストごとに約6,600入力トークンが追加されます。
- スクリーンショット。 Claudeは画像を28×28ピクセルのパッチごとに1ビジュアルトークンとして課金します。1280×800のスクリーンショットは46 × 29 = 1,334トークンです。
モデル別のメモ
Claude Opus 5.5
Anthropicは2026年9月22日にOpus 5.5をリリースし、OSWorld 2.1（部分スコア）で81.8%を報告しています。これはClaude Fable 5.1の80.7%を上回ります。Fable 5.1は$10 / $50なので、Opus 5.5はこのベンチマークでその40%の価格で勝っています。H CompanyのHolo4の記事では、Opus 5.5はOSWorld 2.0の長いワークフローで81.8%、1タスクあたり$8.48とされています（コストは各プロバイダーのグラフから読み取ったもの）。
また、Gray Swanのベンチマークでは、Fable 5.1と並んで最も低いプロンプトインジェクション成功率を記録しており、エージェントが信頼できないページを読む場合に重要です。
Claude Sonnet 5.5
Sonnet 5.5（2026年9月28日）はOSWorld 2.1で80.1%を記録し、Opusに1.7ポイント差で、価格は$2 / $10です。キャッシュヒットは100万トークンあたり$0.10で、エージェントのループはほとんどがキャッシュヒットです。ほとんどの本番ブラウザエージェントにとって、これがデフォルトの選択です。Claude Codeからブラウザを操作する場合は、Claude Codeでブラウザ自動化を行う方法をご覧ください。
Claude Haiku 5.5
Haiku 5.5（2026年10月7日）はOSWorld 2.1のオフラインサブセットで72.4%を記録しています（AnthropicはこのサブセットでGPT-6 Lunaを48.9%と記載）。価格は2段階で、プロンプトが10万トークンまでなら$0.10 / $0.50、それを超えると$0.50 / $2.50です。すべてのスクリーンショットを履歴に保持する長いセッションはすぐに10万トークンを超えるため、古いスクリーンショットを削除して安い段階にとどめましょう。
GPT-6 Astra
GoogleのGemini 4 Argonモデルカードには、GPT-6 AstraがOSWorld 2.0のオフラインサブセットで72.6%（部分スコア）と記載されています。Astraは105万トークンのコンテキストウィンドウで$10 / $50です。OpenAIのガイドによると、Astraにはコード実行を推奨しています。モデルは1ステップずつクリックする代わりに、PlaywrightやPyAutoGUIのコードを書きます。これは反復的なスクレイピングやフォーム作業に適しています。GPT-6 Astra computer useの記事では、代わりに仕様を渡すべきケースを扱っています。
GPT-6.1 TerraとSol
OpenAIのモデルページでは、GPT-6.1 Terra（$1 / $5、キャッシュ入力$0.05）がサポートするツールとしてcomputer_useが記載されており、computer useガイドの例ではGPT-6.1 Sol（$2 / $10）が使われています。OpenAIはこれらのページで、どちらについてもブラウザやOSWorldのスコアを公開していません。TerraはDOMモードの堅実な働き手ですが、自分のタスクでベンチマークしてください。
Gemini 4 ArgonとGemini 3.8 Flash
Gemini 4 Argonは2026年10月13日にGAになりました。モデルカードには、OSWorld 2.0のオフラインサブセットで69.2%、Agent’s Last Exam（computer use）で39.5%と記載されており、Astraの34.2%とOpus 5.5の38.2%を上回っています。Argonのcomputer useはまだPreviewです。価格は2026年11月30日まで$2 / $10、その後は$4 / $20です。
Googleのcomputer useページではgemini-3.8-flash（2026年12月31日まで$0.75 / $3.75）を推奨していますが、そのベンチマークは示されていません。Gemini 2.5 Computer Useはそのページに掲載されなくなったため、本記事からは除外しました。
Holo4（オープンウェイト）
H Companyは2026年9月28日にHolo3に代わるHolo4をリリースしました。自社のハーネスでは、Holo4 27BはOSWorldで85.2%、1タスクあたり$0.08、OSWorld 2.0の長いワークフローで61.7%、1タスクあたり$1.22を記録しています。35B-A3Bは同じ2つで80.8%と30.9%、それぞれ$0.05と$0.61です。H社は35B-A3BのウェイトがApache 2.0であると述べています。27Bを商用リリースする前に、そのモデルカードでライセンスを確認してください。どちらもH社のAPIで利用でき、27Bは$0.40 / $3.00、35B-A3Bは$0.30 / $2.00です。Holo3の記事では前世代のAPIを扱っています。
Kimi K3.1 Pro、DeepSeek V4.1 Flash、Qwen 3.7 Plus
- Kimi K3.1 Proは、Moonshotのクイックスタートによると、100万コンテキストで画像と動画を受け付けます。リリース時のBrowseCompスコアはウェブリサーチを測るもので、ページをクリックして回る性能ではなく、computer useのスコアは公開されていません。価格はKimiの料金ページで確認してください。
-
DeepSeek V4.1 Flash（
deepseek-flash）は、DeepSeekのpricing pageによると、オフピーク時$0.15 / $0.60、ピーク時$0.30 / $1.20で画像入力に対応しました。ブラウザのベンチマークは公開されていません。DOMモードではここで挙げた中で最も安い選択肢です。 - Qwen 3.7 Plusは、スクリーンショットのグラウンディングテストであるScreenSpot Proで79.0を報告しています。Qwen 3.7 Plus computer use agentガイドをご覧ください。
フレームワークチームが測っているもの
Browser Useのmodel guide（BU Bench V1、2026年6月11日更新）は速度面を示しています。Claude Fable 5は80.0%を達成しましたが、1タスクあたり平均6分53秒、約$5.80でした。5.5系のモデルはまだ掲載されていません。フレームワーク自体の選択については、Browser Use Cloud、Stagehand、Puppeteer MCP serverをご覧ください。
タスクあたりのコスト：計算例
Claudeでブラウザツールセットを使い、30ステップのタスクを実行すると仮定します。各ステップで1,334トークンのスクリーンショット1枚と、約450トークンのアクションテキストおよびツール結果が追加され、モデルは約300の出力トークンを書き出します。
- ステップnの入力 ≈ 6,600 + n × 1,784トークン
- 30ステップの総入力 ≈ 198,000 + 1,784 × 465 ≈ 103万トークン
- 総出力 ≈ 9,000トークン
| モデル | キャッシュなし | プロンプトキャッシュあり（キャッシュヒット約95%） |
|---|---|---|
| Claude Opus 5.5 | 約$4.30 | 約$0.68 |
| Claude Sonnet 5.5 | 約$2.15 | 約$0.34 |
| Claude Haiku 5.5 | 約$0.11 | 約$0.02 |
これらはAnthropicの定価に基づく説明用の数値であり、実測値ではありません。それでも2つの結論は変わりません。キャッシュは請求額を80%以上削減し、履歴から古いスクリーンショットを削除する方が、より安いモデルに切り替えるよりも節約になります。
選び方
- Sonnet 5.5から始めましょう。 トップと2ポイント以内のスコアを半額で実現します。
- Opus 5.5に上げるのは、実タスクでの成功率がボトルネックになっている場合だけにしましょう。
- Haiku 5.5またはGemini 3.8 Flashに下げるのは、大量で短く反復的なフローの場合です。まず計測してください。
- Holo4を使うのは、データを自社インフラの外に出せない場合です。
- コード実行を伴うGPT-6 Astraを使うのは、探索ではなく反復可能なスクリプトが仕事の場合です。
- サイトにAPIがあるなら、ブラウザを完全にスキップしましょう。 API呼び出しは30ステップではなく1リクエストです。computer use vs structured APIsの比較記事ではどちらが有利になるかを示しており、browser automation toolsのリストが残りをカバーしています。
コーディングエージェントにApidog CLIでAPIをテストさせよう
ブラウザエージェントは遅く高価な経路です。エージェントがクリックし続けているページの背後にJSON APIがあるなら、より安価な方法は、そのAPIを一度見つけて直接テストすることです。Claudeのブラウザツールセットには、ページが発行するリクエストを一覧表示するオプションのread_networkメンバーさえあります。
Apidog CLIを使ってコーディングエージェントに実行させましょう。一度セットアップするだけです。
npm install -g apidog-cli@latest
apidog auth login --with-token <YOUR_TOKEN>
apidog skill install
次に、エージェントに1つのプロンプトを与えます。
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.
エージェントはトラフィックをインポートし、ペイロードスキーマを読み取り、検証し、テストケースを書いて実行します。
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
-r cli,jsonを-r junitに置き換えると、同じコマンドがCIで実行されます。Apidog CLI CI/CD pipelineガイドをご覧ください。Claude Codeをエージェントとして使っている場合は、Apidog CLI in Claude Codeでセットアップを順を追って説明しています。Apidogの無料プランは最大4ユーザーまで利用できます。
よくある質問
現在、ブラウザエージェントに最適なLLMは何ですか？ Claude Opus 5.5が、ベンダー報告のOSWorld 2.1スコアで最高（81.8%）です。Claude Sonnet 5.5は80.1%と半額で、ほとんどのチームにとってより良いデフォルトです。
予算を抑えてcomputer useに最適なモデルはどれですか？ Claude Haiku 5.5は$0.10 / $0.50で、AnthropicのOSWorld 2.1オフラインサブセットで72.4%を記録しています。安い価格帯にとどめるには、プロンプトを10万トークン未満に保ってください。
ブラウザエージェント向けの優れたオープンウェイトモデルはありますか？ はい。Holo4 35B-A3BはApache 2.0のウェイトで提供され、H CompanyのハーネスでOSWorld 80.8%を記録しています。Holo4 27Bはより高いスコアですが、まずライセンスを確認してください。
スクリーンショットモードとDOMモードのどちらを使うべきですか？ ページにアクセシビリティツリーやDOMがある場合はそれを使いましょう。安価で、レイアウトの変化にも耐えます。キャンバス、地図、動画、リモートデスクトップではスクリーンショットにフォールバックしてください。
ベンダー間でOSWorldのスコアを比較できますか？ おおまかにしかできません。ベンダーはそれぞれ異なるハーネスでOSWorld 2.0、OSWorld 2.1、オフラインサブセット、部分スコアを報告しています。本格導入する前に、自分の実タスクを20〜50件実行してください。
Gemini 2.5 Computer Useはまだ利用できますか？ 2026年10月27日時点で、Googleのcomputer useページには掲載されていません。代わりにGoogleはGemini 4 Argon、Gemini 3.8 Flash、Gemini 3.5 Flash-Lite、Gemini 3 Flash Previewを掲載しています。
Top comments (0)