Browser Use cambia cómo evalúa sus agentes

Browser Use cambió cómo evalúa el trabajo de un agente que navega por una web. En la versión 1.0.8, publicada el 22 de noviembre, el evaluador evalúa primero en un turno adicional de la misma ejecución y recurre al evaluador separado si ese juicio no es válido. El equipo del proyecto explica que esto permite al proveedor reutilizar parte del contexto en caché. La novedad afecta el costo potencial de evaluar una tarea, no demuestra que el agente navegue mejor ni que cada evaluación vaya a costar menos.
Qué cambió el 22 de noviembre
La publicación oficial de Browser Use 1.0.8 recoge el cambio y la ficha del paquete en PyPI confirma que la versión se distribuyó el 22 de noviembre de 2026. No es el estreno del framework de automatización. Lo nuevo es la forma en que su evaluador recibe el historial al decidir si una tarea se cumplió.
La traza es el registro de lo que ocurrió durante una ejecución, por ejemplo, qué páginas observó el agente y qué respuesta preparó. El evaluador recibe ese contexto para formular un veredicto. Según las notas de versión, el cambio conserva los campos del veredicto. Eso permite seguir leyendo el mismo tipo de resultado, pero no garantiza que cada juicio coincida con el de la versión anterior.
Por qué importa reutilizar el contexto
El cambio original en el repositorio describe el nuevo turno como una forma de aprovechar la caché de instrucciones del proveedor. La idea es reutilizar el comienzo de una conversación que ya se procesó, en lugar de tratar todo el historial como contexto nuevo. El evaluador todavía debe producir un juicio: no sale gratis por definición ni deja de llamar al modelo.
El beneficio depende de que el proveedor y el modelo admitan esa reutilización en las condiciones de la prueba. Si la caché no se usa, si su tarifa no baja o si el contexto es demasiado corto para que la diferencia importe, la factura puede no cambiar como espera el equipo. La actualización tampoco altera por sí sola los cargos de otras partes del proceso.
Qué pasa si falla el juicio de la sesión
Si el juicio integrado no es válido, Browser Use conserva la ruta separada. La prueba con transporte simulado publicada en el cambio original confirma que las dos rutas pueden emitir el veredicto esperado; no establece cuántas veces se activa el respaldo en producción. Por eso, un presupuesto debe contemplar la evaluación normal y la eventual solicitud adicional, sin tratar cada ejecución como si recorriera el mismo camino.
Cómo leer el costo por evaluación
Para interpretar el cambio, la unidad útil es una evaluación completada, no una sesión entera. El evaluador sigue generando salida. Lo que cambia es cómo recibe la entrada: el proyecto busca que el proveedor reconozca el contexto que ya procesó. Si la factura separa entrada normal, entrada de caché y salida, esas líneas permiten distinguir qué parte del cargo podría variar y cuál no. Sin esa separación, una factura menor por sesión no identifica por sí sola el efecto del evaluador.
El mismo principio vale para una evaluación que usa muchas páginas. La traza puede ser larga, pero longitud y reutilización no son lo mismo. La versión cambia la estructura de la solicitud de evaluación para facilitar la reutilización; no acredita cuántos tokens atenderá la caché, ni qué tarifa aplicará el proveedor a ese contenido.
Cómo decidir si vale la pena actualizar
Para un equipo que evalúa pocas sesiones, la diferencia de costo puede no justificar una migración inmediata. Para uno que repite muchas pruebas, tiene sentido comparar una muestra antes de cambiar el entorno principal. Dejaría anotados la versión, el proveedor, el modelo, los costos observados y todos los veredictos que no coincidieron con la revisión humana. La decisión depende de cuánto cuesta obtener una evaluación útil, no sólo de cuántos tokens se reutilizan.
Mantener los campos del veredicto importa para los equipos que ya archivan evaluaciones o las muestran en un panel. Pueden seguir leyendo la misma estructura, según el proyecto, pero esa continuidad no equivale a conservar las decisiones. Si el evaluador aprueba una ejecución que la revisión humana considera incompleta, ese desacuerdo importa aunque la evaluación haya costado menos.
Preguntas frecuentes
¿Browser Use 1.0.8 hace más preciso al agente?
El cambio descrito afecta cómo se evalúa una ejecución. La nota de lanzamiento no acredita una mejora general en la exactitud de navegación.
¿Conservar los campos del veredicto significa conservar todos los resultados?
No. Significa que quienes leen el veredicto reciben el mismo tipo de campos, no que el evaluador emitirá siempre el mismo juicio.
¿Cuándo salió la versión?
El 22 de noviembre de 2026, según el registro oficial y PyPI.
¿Cada evaluación costará menos?
No hay garantía. Además de depender del proveedor y del uso de la caché, un juicio inválido puede activar una evaluación separada.
¿Cómo comprobar si el cambio conviene?
Compara cargo por evaluación completada, tiempo de respuesta y desacuerdos con la revisión humana. Son tres mediciones distintas.















