Dessa vs Qwen3.8-Max: un token de salida de $6 frente a un modelo sin precio

Qwen3.8-Max cobra 2,00 USD por millón de tokens de entrada y 6,00 USD por millón de tokens de salida. Dessa no cobra nada, porque Block no lo vende, no lo aloja ni lo publica. No es una crítica a Dessa: es toda la comparación. Un modelo es un buque insignia con precio, invocable y evaluado de forma independiente; el otro es una vista previa de investigación de voz anunciada el 23 de octubre de 2026 con una lista de espera y una página de demostración. Ponerlos lado a lado es útil precisamente porque están en extremos opuestos de la misma pregunta de producto: ¿cuánto cuesta darle una voz a un usuario?

Qwen3.8-Max es el buque insignia alojado de Alibaba, anunciado el 3 de agosto de 2026, un modelo disperso de mezcla de expertos de 2,4 billones de parámetros con aproximadamente 95.000 millones de parámetros activos por token. Dessa es el modelo de voz a voz full-duplex de Block, entrenado desde cero con conversaciones humanas, sin texto y sin modelos preentrenados. Uno lee y razona sobre un millón de tokens de texto. El otro escucha y habla al mismo tiempo. Ninguno puede hacer el trabajo del otro, y solo se puede llamar a uno de ellos hoy.

Para qué sirve realmente cada modelo

Qwen3.8-Max es un motor de razonamiento y generación de propósito general. Acepta texto, imágenes y vídeo y devuelve texto, con una ventana de contexto de aproximadamente un millón de tokens, una salida máxima de 131.072 tokens y un modo de pensamiento que puede dedicar hasta 262.144 tokens a la cadena de razonamiento. La propia tabla de benchmarks de Alibaba está orientada al razonamiento de frontera y al trabajo agéntico: GPQA Diamond 92,6, PaperBench 93,0, OSWorld 86,1, BabyVision 82,0, todas reportadas por el proveedor. Artificial Analysis, que es independiente, le asigna 45 en su Intelligence Index y mide 42,4 tokens de salida por segundo.

Dessa es una interfaz conversacional. Recibe un flujo de audio y devuelve un flujo de audio, sin texto intermedio, y es dúplex completo, lo que significa que puede escuchar mientras habla. Las demos de Block lo muestran dando señales de retroalimentación, riendo a mitad de frase, igualando el volumen y completando el título de una película que un hablante había olvidado. No hay tabla de benchmarks, ni recuento de parámetros, ni ventana de contexto porque no hay una interfaz de tokens que medir.

No son respuestas que compitan entre sí a una misma pregunta. Son respuestas a dos preguntas que un producto de voz debe plantear en secuencia: ¿cómo entiende el sistema y cómo habla?

Los números, y el hueco donde debería estar el de Dessa

Cada cifra de Qwen que aparece a continuación procede de la documentación publicada de precios y modelos de Alibaba o de Artificial Analysis, y se etiqueta en consecuencia. Cada cifra de Dessa procede de la página de anuncios de Block, que publica muy poco.

• Precio — Qwen3.8-Max: $2.00 por entrada y $6.00 por salida por millón de tokens, frente a Dessa, que no tiene precio.

• Entrada en caché — Qwen3.8-Max $0.25 por millón de tokens frente a Dessa: no aplicable.

• Parámetros — Qwen3.8-Max 2,4T en total, aproximadamente 95B activos frente a Dessa, sin datos divulgados.

• Contexto — Qwen3.8-Max, alrededor de 1.000.000 de tokens; Artificial Analysis indica 984k, mientras que Dessa no lo especifica.

• Salida máxima — Qwen3.8-Max 131.072 tokens frente a Dessa: no aplica, porque la salida es audio.

• Modalidad — Qwen3.8-Max: entrada de texto, imagen y video, salida de texto; frente a Dessa: entrada de audio, salida de audio.

• Puntuación independiente: Qwen3.8-Max 45 en el Artificial Analysis Intelligence Index frente a Dessa, sin puntuación.

• Benchmarks del proveedor — Qwen3.8-Max GPQA Diamond 92.6, OSWorld 86.1 frente a Dessa, que no presenta ninguna afirmación cuantitativa.

• Disponibilidad — Qwen3.8-Max, una API de pago desde agosto de 2026, frente a Dessa, una lista de espera y una pequeña vista previa para investigadores de seguridad.

• Licencia: Qwen3.8-Max, una API comercial alojada, con una publicación separada de pesos abiertos bajo sus propios términos, frente a Dessa, que no publica ninguna licencia.

Se oye, se lee

La brecha de modalidades es la parte que se pierde en una comparación de especificaciones. Qwen3.8-Max acepta texto, imágenes y vídeo, y emite texto. El audio no figura entre sus modalidades de entrada y no emite audio en absoluto; nada en la línea Qwen3.8 es un modelo de voz a voz.

Eso significa que un producto de voz construido sobre Qwen3.8-Max es necesariamente un pipeline: el reconocimiento de voz convierte el audio del llamante en texto, Qwen3.8-Max razona sobre ese texto y la síntesis de voz convierte la respuesta de nuevo en audio. Cada etapa es un proveedor distinto, un modo de fallo distinto y una línea distinta en la factura. El pipeline funciona —así se construyen la mayoría de los agentes de voz en producción hoy en día—, pero tiene un coste estructural que la arquitectura de Dessa está diseñada para eliminar.

La ventaja estructural de Dessa no es la inteligencia. Es que no hay una transcripción a la que comprometerse. Una canalización tiene que decidir cuándo has terminado de hablar antes de poder responder; un modelo dúplex no. Por eso las demostraciones de Block pueden mostrar solapamiento e interrupción, y por eso una canalización tiene que simular esos comportamientos con detección de punto final y lógica de interrupción del usuario que cancela el sintetizador a mitad de palabra.

Lo que realmente cuesta un agente de voz en vivo en Qwen3.8-Max

Los cálculos son más tranquilizadores de lo que sugiere la lista de precios. Una conversación hablada de diez minutos ronda las 1.500 palabras, lo que supone unos 2.000 tokens de entrada una vez incluidos el prompt del sistema y el historial de la conversación. Una respuesta de longitud similar supone unos 1.000 tokens de salida si el agente es conciso. A 2,00 y 6,00 dólares por millón, eso equivale a 0,004 dólares de entrada y 0,006 dólares de salida — aproximadamente un centavo de coste del modelo de lenguaje por cada llamada de diez minutos.

A 10.000 llamadas al día, la factura del modelo de lenguaje es de unos $100 al día, o aproximadamente $3.000 al mes. Eso no es poca cosa, pero casi con certeza es menor que la factura de reconocimiento y síntesis de voz para el mismo volumen, y menor que el coste de ingeniería de la capa de orquestación. La intuición de que la voz es cara porque los tokens son caros es errónea con los precios actuales. La voz es cara porque el audio de entrada y el audio de salida son caros, y porque la latencia del pipeline es la suma de sus etapas.

El contexto de un millón de tokens cambia lo que el agente puede retener. Una llamada de diez minutos es un error de redondeo frente a esa ventana, lo que significa que el sistema puede llevar la transcripción completa, el expediente del cliente y un documento de políticas a la vez sin recuperación. Esa es una capacidad para la que Dessa no tiene ninguna interfaz — un modelo únicamente de voz no puede leer el documento de políticas.

El presupuesto de latencia es donde divergen las arquitecturas.

En una canalización, el usuario deja de hablar, el reconocedor espera a un punto de finalización, el modelo de lenguaje produce un primer token y el sintetizador produce el primer audio. La transmisión de cada etapa oculta parte de eso, pero la cadena sigue teniendo un límite inferior, y la interrupción significa desmontar el sintetizador y reiniciar el reconocedor. El resultado es el ritmo familiar del asistente de voz: una pausa, luego una respuesta, luego una pausa.

La afirmación de Dessa es que el ritmo desaparece porque no hay una cadena. Block dice que la inferencia se ejecuta más rápido que en tiempo real en un MacBook Pro M4 Max, lo que —si es cierto— significa que el modelo no es el cuello de botella. Pero la empresa no publica ninguna cifra de latencia en milisegundos, ninguna tasa de recuperación tras interrupciones y ninguna medición en condiciones de red o de ruido de fondo. «Más rápido que en tiempo real» es una declaración de rendimiento, no de capacidad de respuesta. Un modelo puede generar audio más rápido que la reproducción y aun así tardar 800 milisegundos en reaccionar a una interrupción.

Para un equipo de producto, ese número que falta lo es todo. La razón para adoptar un modelo dúplex son los tiempos. Un proveedor que no publica sus tiempos aún no ha presentado su argumento.

Disponibilidad, enrutamiento y qué puedes hacer el lunes

Qwen3.8-Max está en el catálogo de OrcaRouter, lo que significa que se puede acceder a él con la misma clave que al resto de los más de 200 modelos que enrutamos, con un 0 % de margen —el precio de lista del proveedor se traslada tal cual— y con conmutación por error automática entre proveedores. Si Alibaba cambia la tarifa, el cambio se aplica en nuestro lado el mismo día, porque no hay ninguna capa de margen que reajustar. El DSL de enrutamiento puede combinar Qwen3.8-Max con un modelo más económico para la mayor parte de una transcripción y reservar el modelo insignia para el paso de razonamiento; la fusión de modelos puede ejecutar un panel de modelos sobre la misma pregunta cuando la respuesta importa más que la factura.

Hay opciones más económicas dentro de la misma familia si el modelo insignia supera lo que la tarea necesita. Qwen3.8-27B está en nuestro catálogo a $0.33 la entrada y $2.40 la salida por millón de tokens, y Qwen3.8-Flash a $0.15 y $0.47. Para un agente de voz cuyo coste de modelo de lenguaje ya ronda un centavo por llamada, el modelo insignia es asequible; los niveles más económicos importan con mayor volumen o para turnos más sencillos.

Dessa no está en nuestro catálogo y no lo alojamos. La página de Block ofrece una lista de espera y acceso anticipado para un grupo reducido de investigadores de seguridad. No hay ninguna API que enrutar, ningún precio que transferir y ningún endpoint al que recurrir en caso de fallo.

Cuándo cambiaría Dessa la respuesta

Si Block lanza una API a un precio razonable, la comparación deja de girar en torno a los tokens y pasa a girar en torno a los minutos. La métrica correcta sería el coste por minuto de conversación natural, incluidos el reconocimiento y la síntesis de voz que Dessa elimina. Con esa métrica, un modelo dúplex incluso a unos pocos centavos por minuto podría superar a una canalización cuyas etapas de audio cuestan más que su modelo de lenguaje.

La segunda condición es la calidad. Un modelo dúplex que resulta agradable durante treinta segundos y se confunde después de cinco minutos es peor que un pipeline más lento pero fiable. Las demos de Block son demasiado breves y demasiado seleccionadas para responder a eso, y las propias preguntas abiertas de la empresa —retención de hechos, aprendizaje de idiomas, aprendizaje en contexto— son exactamente las que determinan si una conversación larga se mantiene coherente.

¿Qué hacer ahora?

Construye el producto de voz sobre el pipeline, porque es el único que tiene un precio y un contrato. Usa un reconocedor y un sintetizador potentes, coloca Qwen3.8-Max en el medio, donde ocurre el razonamiento, y mantén la capa del modelo de lenguaje intercambiable para que la parte cara pueda moverse cuando cambien los precios. Luego vigila los dos números que justificarían reconstruir en torno a un modelo dúplex: una cifra de latencia publicada y un precio por minuto.

La comparación en una sola frase: Qwen3.8-Max es lo que puedes comprar hoy, y Dessa es lo que quizá quieras comprar mañana. La diferencia entre ambos no está en la inteligencia. Es una lista de precios, un endpoint y un benchmark: tres cosas que Block aún no ha publicado, y tres cosas que Alibaba publica por oficio.