Configurarea Modelelor cu Viziune (GPT-4o, Claude 3.5, Ollama) în Browser Use: Agenți Autonomi de Navigare & Web Automation

Pentru a decide unde să facă click pe ecran, agentul are nevoie de un model care suportă procesarea imaginilor (Multimodal LLM). Cele mai recomandate modele sunt Claude 3.5 Sonnet și GPT-4o.

# Utilizarea Claude 3.5 Sonnet (lider în acuratețea coordonatelor web)
from langchain_anthropic import ChatAnthropic

llm = ChatAnthropic(
    model_name="claude-3-5-sonnet-20241022",
    temperature=0.0,
    max_tokens=2048,
)

Pentru rulare locală fără costuri de API, se poate folosi un model multimodal deschis prin Ollama (ex: llama3.2-vision).