AI 任务评测与浏览器自动化：TSK-Bench 与 Browser Use 深度解析

TSK-Bench：把「聊天分数」换成「干活分数」

10 月 16 日，Taskade 官方发布 TSK-Bench（AI Task Leaderboard）：一套 AI 任务排行榜。其方法很直接——每个模型拿到完全相同的请求（逐字一致），从同一起点出发，测试它在真实任务中的表现：构建一个可运行的应用、连接智能体、运行自动化流程，然后接受真实评分。

这套榜单是 Taskade 自 9 月的 TSK-1 Benchmark 演进而来。TSK-1 已对 9 个模型家族（Claude、GPT、DeepSeek、Gemini、GLM、Kimi、MiniMax、Qwen、Grok）做过 0-100 的 TSK 评分与逐家族证据页，例如 GPT 以 88 分领先，DeepSeek / Claude / Kimi / Grok 同列 75 分，Qwen 50 分，Gemini 44 分——每个分数都有对应构建记录与测试日期可查，而非一句笼统结论。

注意：TSK-Bench 发布推文未披露完整的参测名单、评分指标与用例规模，榜单细节以 Taskade 官方后续公布为准；上文 TSK-1 分数为已公开的 9 月评测结果。

Browser Use：让 LLM 真正「上手」网页

Browser Use 是开源的 Python 库（MIT 协议），把 LLM 与真实浏览器连接起来：给一句自然语言任务，它就能驱动浏览器完成导航、点击、填表、抓取等多步操作。技术实现上，它封装 Playwright 并用「面向 LLM 优化」的 DOM 提取，模型不必吞下整页原始 HTML 就能理解页面结构、决定动作。

项目 2024 年底发布后迅速成为 AI 浏览器自动化领域最热门仓库：GitHub star 突破 10 万，到 2026 年 10 月中旬约 11.8 万；10 月 17 日发布的 0.13.13 版本支持 OpenAI 浏览器工具，并修复了云标签页导航、缩放坐标对齐等问题。其背后的 Browser Use Inc. 已进入 Y Combinator Winter 2025 并完成 1700 万美元种子轮（Felicis 领投，2025 年 3 月）。

对开发者来说，关键价值有三：开源可审（代码透明、可自托管）、模型无关（BYOK，任何 LLM 都能接）、从演示到生产（本地跑通后，同样的 Agent 逻辑可以搬到云上 7×24 运行）。

评测看什么、框架怎么落地：一张表

开发者最省钱的跑法

Agent 类负载的典型成本集中在两块：模型推理和长期挂机的基础设施。省钱的组合拳是——

• 大脑用 API 按量付费：模型调用走百炼等大模型平台，不用自建推理集群；
• 手脚用云主机/容器：Browser Use 这类自动化脚本跑在 ECS 或函数计算上，7×24 常驻、按量计费，比本地电脑稳定得多；
• 监控与调度自动化：把定时抓取、报表生成、消息推送交给云端计划任务，人工只盯关键节点。

这样一套组合，个人开发者月成本可以控制在百元级以内——评测榜单告诉你模型「能不能干」，而云上的跑法决定你「花多少钱干」。