Browser Use kutter agentens nettleserkall fra 1 092 til 101

To utgaver av samme nettleseragent fikk samme oppgave, med identiske modeller og innstillinger. Den ene brukte 1 092 nettleserkall i median, den andre 101. Browser Use kjørte de to vekselvis seks ganger, og mediantiden for et flysøk på Google Flights falt fra 9,450 til 7,092 sekunder, en reduksjon på 25 prosent. Begge utgavene løste oppgaven tre av tre ganger.

Den raske utgaven heter Jev Ultrafast og ligger åpent på GitHub under MIT-lisens. Agenten ser ikke på skjermbilder i standardløkka. Hver observasjon gir i stedet en tabell over de synlige kontrollene på siden, med indeks, rolle, navn og gjeldende verdi, og modellen velger blant åtte operasjoner: CLICK, TYPE_TEXT, SELECT, SCROLL_UP, SCROLL_DOWN, WAIT, DONE og BLOCKED. Operasjon og målelement predikeres i samme forespørsel mot TypeSafes Jev, som velger operasjon og element i stedet for å generere tekst. Bare når operasjonen er TYPE_TEXT kobles en vanlig språkmodell inn for å skrive selve teksten.

Spekulasjonen er grepet som gir én rundtur: Jev svarer med et eget målfelt for hver operasjonstype i samme forespørsel, og bare feltet som matcher den valgte operasjonen blir utført. Tekstmodellen snakker OpenAI-kompatibelt, så OpenRouter, Gemini, GLM og DeepSeek fungerer. Demo-oppsettet bruker inception/mercury-2.5 med resonnering slått av.

Browser Use er selv tydelig på hvor tynt målegrunnlaget er.

«Dette er tre gjentakelser av én oppgave på én nettleserprofil, ikke en generell pålitelighetsbenchmark.» — Browser Use, README for Jev Ultrafast

To andre oppgaver er logget: en Wikipedia-artikkel ble åpnet på 2,798 sekunder og et lokalt hotellsøk med filtrering på 1,896 sekunder. Sikkerhetsgrensen betyr noe hvis du slipper agenten løs på ekte kontoer: modellens utdata blir aldri til selektorer, koordinater, skallkommandoer eller JavaScript som kjøres, og tekstmodellens svar må parse som et lite JSON-objekt før det skrives inn noe sted.

Begrensningene er også dokumentert, og de er reelle for et MVP. Shadow DOM, rammer, canvas, filopplasting, pop-up-faner, nøstet scrolling og vilkårlige tastaturwidgeter ligger utenfor rekkevidde, og agenten deler den Chrome-profilen du allerede bruker.

Hva bør du gjøre?

1. Klon repoet, kjør uv sync og legg inn en TYPESAFE_API_KEY og en TEXT_MODEL_API_KEY i .env. Inspektøren på port 8766 viser nummererte elementer og sannsynlighetene modellen gir hver operasjon og hvert mål.
2. Test mot dine egne sider før du stoler på tallene. Målingene gjelder Google Flights, og en side med rammer eller shadow DOM treffer grensene over.
3. Sammenlign med agenten du kjører i dag på antall nettleserkall, ikke bare på tid. Det er der forskjellen mellom 1 092 og 101 sier noe om hva løkka faktisk koster.