Eine generierte Titelkarte mit der Überschrift „Tell 1 vs. Qwen 3.8“. Die linke Karte mit der Bezeichnung „Tell 1“ trägt ein Stoppuhr-Symbol sowie die Zeilen „Erster bei der Latenz“ und „Fünfter bei Tool-Aufrufen“; die rechte Karte mit der Bezeichnung „Qwen 3.8“ trägt ein Schraubenschlüssel-Symbol sowie die Zeilen „1M-Token-Kontext“ und „native Tool-Aufrufe“. Ein Trenner zeigt „Geschwindigkeit versus die Transaktion“. Das OrcaRouter-Logo ist in die untere rechte Ecke eingefügt.
Guides & Insights

Tell 1 vs. Qwen 3.8: Die Tool-Calling-Lücke, die niemand in die Schlagzeile hebt

Autor

jinhao.song

Veröffentlicht am

Neueste Modelle · 20Alle Modelle ansehen →
Benchmarks: Artificial Analysis · täglich aktualisiert
Zurück zu allen Beiträgen

Retell veröffentlicht eine Bestenliste für Voice-Modelle und setzt Tell 1 darauf auf Platz eins. Dieselbe Bestenliste, ein Stück weiter unten in jeder Spalte gelesen, sagt, dass Tell 1 beim Aufruf von Tools auf Platz fünf liegt. Dieser einzelne Rang ist die nützlichste Information auf der Seite, denn er markiert genau die Grenze zwischen dem, wofür Tell 1 gebaut wurde, und dem, worin ein Allzweckmodell wie Q​wen 3.8 – die Generation, deren Flaggschiff Qwen3.8-Max und deren offenes dichtes Mitglied Qwen3.8-27B ist – inzwischen wirklich gut ist. Ein Telefonagent, der keinen Termin buchen kann, ist schlechter als ein langsamer. Ein Modell mit 2,4 Billionen Parametern, das 8 Sekunden braucht, um Hallo zu sagen, kann das Telefon überhaupt nicht abnehmen. Die interessante Frage ist nicht, welches Modell besser ist, sondern wo in Ihrem Stack jedes von beiden aufhört, das richtige Werkzeug zu sein.

Es lohnt sich, die Evidenzstufen vor allem anderen zu benennen, denn diese beiden Modelle sind auf inkompatible Weise dokumentiert. Qwen3.8-Max wurde am 3. August 2026 als kostenpflichtige API mit einer veröffentlichten Funktionsmatrix, einem Kontext von 1 Mio. Token und Hersteller-Benchmarks eingeführt; Qwen3.8-27B folgte als herunterladbare Apache-2.0-Gewichte; beide werden von Artificial Analysis unabhängig bewertet. Tell 1 hat genau eine Zeile in einem Benchmark, den sein Eigentümer verfasst hat, und gar keine Modellkarte. Die eine Seite dieser Seite ist also gemessen, die andere berichtet, und jede Zahl unten ist entsprechend gekennzeichnet.

Was dich der fünfte Platz von Tell 1 tatsächlich kostet

Die Zahlen der vCX-Tabelle selbst sollte man in der Reihenfolge lesen, in der sie erscheinen, und nicht in der Reihenfolge, die die Ränge nahelegen. In der Zeile, die Retell als umgangssprachlich bezeichnet, erzielt Tell 1 96,6 % und keine der 62 Konfigurationen im Feld schlägt es. In der Zeile, die es Tool-Calling nennt, erreicht dasselbe Modell 95,4 %, und vier andere schneiden besser ab – was weniger ein Mangel des Modells ist als eine Aussage darüber, worauf es optimiert wurde. Der Durchschnitt von 94,45 % und der Median von 72,5 ms folgen beide aus dieser Priorität; ebenso die Modellkosten von 3,5 Cent pro Minute, die Platz 19 belegen und damit komfortabel im Mittelfeld liegen.

Die Zahl auf dem fünften Platz – 95,4 %, 954 von 1.000 bestandenen Bewertungen – ist in absoluten Zahlen nicht schlecht. Es ist das Muster, das zählt. In einem Contact-Center-Ablauf sind Tool-Aufrufe der Punkt, an dem der Agent etwas Unumkehrbares tut: einen Termin bucht, eine Zahlung entgegennimmt, einen Anrufer weiterleitet, eine Bestellung storniert. Eine Ausfallrate von 4,6 % bei diesen Schritten ist ein System, das meistens funktioniert und gelegentlich das Falsche tut – genau der Fehlermodus, der dazu führt, dass ein KI-Agent nach einem Monat aus dem Produktivbetrieb genommen wird. Die Pluspunkte bei Alltagssprache und Latenz sind dagegen die, die überhaupt erst zur Zulassung führen. Diese Asymmetrie – besser in der Demo als in der Transaktion – ist das, was getestet werden muss, nicht das, was man voraussetzen sollte.

Zwei Vorbehalte zum Benchmark selbst, da er der einzige öffentliche Beleg für Tell 1 ist. Seine Zeile trägt Version 17 des Harness, während 50 der 62 Zeilen Version 1 tragen, sodass „#1 overall“ über zwei verschiedene Testsets hinweg aggregiert. Und es ist Retells eigener Benchmark, ausgeführt auf Retells Traffic-Mustern, was eine legitime, aber keine unabhängige Methodik ist.

Was Qwen 3.8 zu demselben Problem beiträgt

Q​wen 3.8 ist eine Generation, kein Modell, und die Unterscheidung ist hier wichtig. Qwen3.8-Max ist das gehostete Flaggschiff: 1M-Token-Kontext, Text-, Bild- und Videoeingabe, Thinking-Modus, Function Calling, integrierte Tools und strukturierte Ausgaben, bereitgestellt in O​penAI-, A​nthropic- und DashScope-kompatiblen Wire-Formaten. Artificial Analysis bewertet es mit 33,7 auf seinem Intelligence Index – besser als 73 % der Modelle, die es vergleicht – mit 76,2 auf seinem Coding Index, 92,8 GPQA Diamond, 88,8 auf Terminal-Bench 2.1 und 47,8 auf tau-banking, der Mischung aus Hersteller- und unabhängigen Angaben, die unsere Modellseite zitiert. Qwen3.8-27B ist das dichte Mitglied mit offenen Gewichten: 27B Parameter, 256K-Kontext, multimodal, Apache 2.0 und laut Q​wens eigener Modellkarte 90,3 LiveCodeBench v6, 89,2 GPQA Diamond, 84,3 OSWorld-Verified, 79,0 QwenSWEBench.

Wenn Tool-Nutzung für dich ein Thema ist, lies die tau-banking-Zahl zweimal. Sie ist ein Benchmark für toolgestützte Kundenservice-Aufgaben – ein Konto nachschlagen, eine Bestellung ändern, eine Richtlinie befolgen – und 47,8 ist ein hartes Ergebnis in einem harten Test, keine Marketingzahl. Allzweckmodelle wurden hierin gut, bevor sie gut darin wurden, menschlich zu klingen, und die Reihenfolge ist die ganze Geschichte dieses Vergleichs: Q​wen 3.8 wird deine Tool-Schleife zuverlässiger ausführen als ein 72-Millisekunden-Sprachmodell, und es wird Sekunden brauchen, bis es zu sprechen beginnt.

• Latenz — Median von 72,5 ms für Tell 1 innerhalb von Retells Harness; unsere eigenen Messungen im ausgelieferten Betrieb beziffern Qwen3.8-Max auf 8.235 ms p50 und Qwen3.8-27B auf 4.197 ms p50 über einen Zeitraum von sieben Tagen, also eine andere Größe, auf eine andere Weise gemessen, und keines von beiden ist ein Turn eines Telefonanrufs.

• Tool-Aufrufe — 95,4 % (Rang 5 von 62) für Tell 1 auf Retells Harness; 47,8 tau-banking und vollständiges natives Function Calling mit strukturierten Ausgaben für Qwen3.8-Max, bei Benchmarks bewertet von Leuten, die keines der beiden Modelle verkaufen.

• Kontext — 1 Mio. Token für Qwen3.8-Max, 256K für Qwen3.8-27B; für Tell 1 nicht veröffentlicht und bei einem Anruf weitgehend irrelevant, da die Wissensdatenbank außerhalb des Modells liegt.

• Preis — Tell 1 liegt im Bereich von Retells 0,07 bis 0,31 US-Dollar pro Minute, wovon 3,5 Cent auf das Modell entfallen; Qwen3.8-Max kostet 2 US-Dollar pro Million Eingabe-Token und 6 US-Dollar pro Million Ausgabe-Token, Qwen3.8-27B 0,33 und 2,40 US-Dollar, beide zu Anbieter-Listenpreisen über OrcaRouter ohne Aufschlag.

A generated two-column scoreboard headed 'Tell 1 vs Qwen 3.8'. The Tell 1 column reads 'Latency: 72 ms', 'Tool calling: 95.4% rank 5', 'Context: unpublished', 'Weights: none', 'Evidence: vendor benchmark', 'Price: 3.5c per minute'. The Qwen3.8-Max column reads 'Latency: 8235 ms p50', 'Tool calling: tau-banking 47.8', 'Context: 1M tokens', 'Weights: open 27B sibling', 'Evidence: AA Index 33.7', 'Price: $2/$6'. A footer reads 'Tell 1 per Retell; Qwen figures per Artificial Analysis and OrcaRouter.' The OrcaRouter logo is composited in the bottom-right corner.

Die Rechnung, die über die meisten Deployments entscheidet

Der Vergleich zwischen den beiden Preiseinheiten wird meistens schwammig – deshalb hier die Umrechnung einmal laut vorgerechnet. Eine Minute Sprache entspricht ungefähr 150 gesprochenen Wörtern, also rund 200 Ausgabe-Tokens und vielleicht 1.500 bis 3.000 Eingabe-Tokens, wenn man den Prompt, das abgerufene Wissen und die Tool-Schemata mitzählt. Bei Qwen3.8-Max mit $2/$6 sind das weniger als zwei Cent Modellkosten pro Minute; bei Qwen3.8-27B mit $0.33/$2.40 ist es ein Bruchteil eines Cents.

Das Pro-Token-Modell ist also nicht der teure Teil, und genau darin liegt die Falle. Was Sie von Qwen 3.8 zu keinem Preis bekommen können, ist eine erste Silbe in 72 ms, denn ein Flaggschiff mit 2,4 Billionen Parametern, das in acht Sekunden antwortet, hat den Anrufer bereits verloren. Die Kosten des gehosteten Flaggschiffs sind nicht die Token; es ist der Round Trip. Dasselbe selbst zu bauen bedeutet, das Latenzbudget von Anfang bis Ende zu verantworten – das Modell zusammen mit dem Speech-Stack zu platzieren, die Ausgabelänge zu begrenzen, den ersten Teilsatz zu streamen, bevor der Tool Call aufgelöst wird – und diese Ingenieursleistung ist der eigentliche Posten, nicht die 0,02 $.

Deshalb ist das ehrliche Urteil ein architektonisches und kein wettbewerbsbezogenes. Der Wert von Tell 1 besteht darin, dass jemand die technische Arbeit für die ersten 800 Millisekunden eines Telefonanrufs bereits erledigt hat. Der Wert von Q​wen 3.8 besteht darin, dass es in dem Teil des Anrufs, in dem tatsächlich etwas erledigt wird, messbar besser ist und sowohl als aufrufbare API als auch als Gewichte verfügbar ist, die man selbst hosten kann.

Das Split-Stack-Muster – und wo ein Router seine Berechtigung hat

Die Konfiguration, die dies löst, ist keine Wahl zwischen den beiden Modellen; sie ist eine Arbeitsteilung, und Sprachplattformen praktizieren sie bereits intern. Retells eigene Homepage beschreibt seinen Stack genau so: ein Modell für Reasoning und Orchestrierung, ein Agent-Harness, das Wissen und Tools zusammenführt, und eine separate Sprachschicht. Tell 1 besetzt einen Platz in dieser Anordnung, nicht alle.

Außerhalb einer Sprachplattform sieht dieselbe Aufteilung so aus. Ein kleines, schnelles Modell übernimmt die Ebene der Gesprächsübergabe – die Bestätigung, die Klärung, das „Lass mich das für dich prüfen“ –, während die werkzeuglastigen, stark auf Schlussfolgerungen angewiesenen Schritte an ein Modell gehen, das bei Function Calling und langem Kontext besser abschneidet. Qwen 3.8 passt gut zur zweiten Rolle, und beide Hauptmodelle lassen sich über OrcaRouter mit einem einzigen Schlüssel routen: Wechseln Sie zwischen Qwen3.8-Max und Qwen3.8-27B, indem Sie den Modellstring ändern, behalten Sie eine Fallback-Kette bei, damit ein vorgelagertes 429 nicht zu einem abgebrochenen Gespräch wird, und nutzen Sie die Routing-DSL, um die anspruchsvollen Turns an das Flaggschiff und die Routine-Turns an das günstigere Modell zu schicken. Der Listenpreis des Anbieters wird ohne Aufschlag weitergegeben, sodass eine Qwen-Preisänderung Sie noch am selben Tag erreicht statt erst bei der nächsten Vertragsverlängerung.

Tell 1 ist nicht in unserem Katalog und wird es auch nicht sein; es wird nicht als Modell verkauft. Was wir tun können, ist der Eskalationspfad darum herum – das Modell, das Ihr Voice-Agent aufruft, wenn der Anrufer etwas fragt, das das Skript nicht abdeckt.

Wie man es in einer Woche klärt

Nimm fünfzig echte Anrufe aus deiner eigenen Warteschlange, keine synthetischen – die Schwäche des Benchmarks besteht darin, dass seine Anrufe von Retell stammen, und deine Fehlermodi stecken in deinen eigenen Transkripten. Führe jeden durch zwei Konfigurationen: Tell 1 innerhalb von Retell und dieselbe Agentenlogik, ausgerichtet auf Qwen3.8-Max. Bewerte drei Dinge und ignoriere alles andere. Wurde der Tool-Aufruf mit den richtigen Argumenten ausgelöst? Stimmte die Antwort mit deiner Wissensbasis überein? Und zu welchem Zeitstempel begann der Agent zu sprechen, nachdem der Anrufer aufgehört hatte?

Meine Erwartung – gestützt auf die veröffentlichten Zahlen statt auf Tests –: Die Q​wen-Konfiguration wird bei den ersten beiden gewinnen und beim dritten deutlich verlieren, und die Größe dieser dritten Lücke ist die einzige Zahl, die über die Architektur entscheidet. Wenn Ihre Anrufe überwiegend Lookups mit einer richtigen Antwort sind, ist der Latenzvorteil eines für Sprache optimierten Modells weniger wert als ein paar Punkte Genauigkeit beim Tool-Calling, und das Allzweckmodell gewinnt. Wenn Ihre Anrufe überwiegend Gespräche sind – Triage, Beruhigung, Qualifizierung –, sind die Tool-Aufrufe oberflächlich, ist die Latenz alles, und ein für das Telefon gebautes Modell ist das richtige Bauteil für die Aufgabe.

Beide Antworten sind vertretbar, weshalb der Rahmen „Welche ist besser?“ scheitert. Das Einzige, was ich nicht tun würde, ist, Tell 1 wegen eines ersten Platzes auszuwählen, ohne die Spalte zu lesen, in der es Fünfter ist, oder Qwen 3.8 wegen eines Intelligence Index auszuwählen, ohne bei einem Live-Anruf die Zeit bis zum ersten Token mit der Stoppuhr zu messen.

A screenshot of the OrcaRouter model page for qwen3.8-max captured on 13 November 2026, showing a median time-to-first-token of 8.13 seconds and a listing dated 2026-08-03.A screenshot of the OrcaRouter model page for qwen3.8-27b captured on 13 November 2026, showing a 262K context badge, a median time-to-first-token of about 4.21 seconds and a listing dated 2026-08-13.