
Tell 1 vs Qwen 3.8: La brecha de invocación de herramientas que nadie pone en el titular
- OrcaNUEVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 por 1M de tokens · 169 tok/s
- tencentNUEVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 por 1M de tokens · 236 tok/s
- GoogleNUEVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 89 tok/s
- AnthropicNUEVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 98 tok/s
- orcaNUEVOOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 88 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 por 1M de tokens · 80 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 por 1M de tokens · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 118 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencia
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 198 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencia
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 114 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligencia
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 por 1M de tokens · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligencia
Retell publica una clasificación de modelos de voz y coloca Tell 1 en el primer puesto. Esa misma clasificación, leída un poco más abajo en cada columna, dice que Tell 1 es quinto en el uso de herramientas. Ese único puesto es lo más útil de la página, porque marca la frontera exacta entre lo que Tell 1 fue creado para hacer y aquello en lo que un modelo de propósito general como Qwen 3.8 —la generación cuyo buque insignia es Qwen3.8-Max y cuyo miembro denso abierto es Qwen3.8-27B— ahora es realmente bueno. Un agente telefónico que no puede reservar la cita es peor que uno lento. Un modelo de 2,4 billones de parámetros que tarda 8 segundos en decir hola no puede contestar el teléfono en absoluto. La pregunta interesante no es qué modelo es mejor; es dónde, en tu stack, cada uno deja de ser la herramienta adecuada.
Vale la pena nombrar los niveles de evidencia antes que nada, porque estos dos modelos están documentados de formas incompatibles. Qwen3.8-Max se lanzó como una API de pago el 3 de agosto de 2026 con una matriz de capacidades publicada, un contexto de 1M de tokens y benchmarks del proveedor; Qwen3.8-27B llegó después como pesos descargables bajo Apache-2.0; ambos son puntuados de forma independiente por Artificial Analysis. Tell 1 tiene una sola fila en un benchmark escrito por su propietario y ninguna ficha de modelo. Así que un lado de esta página está medido y el otro, reportado, y cada cifra de abajo está etiquetada en consecuencia.
Lo que realmente te cuesta el quinto puesto de Tell 1
Vale la pena leer las cifras de la propia tabla de vCX en el orden en que aparecen, y no en el orden que sugieren los rankings. En la fila que Retell denomina coloquial, Tell 1 obtiene un 96,6 % y ninguna de las 62 configuraciones del campo la supera. En la fila que denomina tool calling, el mismo modelo obtiene un 95,4 % y otros cuatro lo superan, lo que no es tanto un defecto del modelo como una declaración sobre aquello para lo que se lo ajustó para que destacara. El promedio de 94,45 % y la mediana de 72,5 ms se derivan de esa prioridad; también lo hace un coste del modelo de 3,5 centavos por minuto que ocupa el puesto 19, cómodamente en mitad de la tabla.
La cifra del quinto puesto —95.4%, 954 de 1,000 evaluaciones aprobadas— no es mala en términos absolutos. Lo que importa es el patrón. En un flujo de centro de contacto, las llamadas a herramientas son donde el agente hace algo irreversible: reserva una franja, procesa un pago, transfiere a una persona que llama, cancela un pedido. Una tasa de fallos del 4.6% en esos pasos es un sistema que funciona en su mayoría y ocasionalmente hace lo incorrecto, que es precisamente el modo de fallo que hace que un agente de IA sea retirado de producción después de un mes. Las ventajas en coloquialidad y latencia, por el contrario, son las que hacen que se apruebe en primera instancia. Esa asimetría —mejor en la demo que en la transacción— es lo que hay que probar, no lo que hay que dar por supuesto.
Dos advertencias sobre el propio benchmark, ya que es la única evidencia pública de Tell 1. Su fila lleva la versión 17 del harness mientras que 50 de las 62 filas llevan la versión 1, así que «#1 overall» combina datos de dos conjuntos de pruebas diferentes. Y es el benchmark propio de Retell, ejecutado sobre los patrones de tráfico de Retell, lo cual es una metodología legítima y no una independiente.
Qué aporta Qwen 3.8 al mismo problema
Qwen 3.8 es una generación, no un modelo, y la distinción importa aquí. Qwen3.8-Max es el buque insignia alojado: contexto de 1 M de tokens, entrada de texto, imagen y vídeo, modo de pensamiento, llamadas a funciones, herramientas integradas y salidas estructuradas, servido en formatos de comunicación compatibles con OpenAI, Anthropic y DashScope. Artificial Analysis le asigna 33,7 en su Intelligence Index —mejor que el 73 % de los modelos con los que lo compara—, con 76,2 en su Coding Index, 92,8 en GPQA Diamond, 88,8 en Terminal-Bench 2.1 y 47,8 en tau-banking, la combinación de datos del proveedor y de evaluaciones independientes que cita nuestra página del modelo. Qwen3.8-27B es el miembro denso de pesos abiertos: 27 B de parámetros, contexto de 256 K, multimodal, Apache 2.0 y, según la propia ficha de Qwen, 90,3 en LiveCodeBench v6, 89,2 en GPQA Diamond, 84,3 en OSWorld-Verified y 79,0 en QwenSWEBench.
Lee dos veces la cifra de tau-banking si el uso de herramientas es lo que te preocupa. Es un benchmark de tareas de atención al cliente aumentadas con herramientas —consultar una cuenta, cambiar un pedido, seguir una política—, y 47.8 es una puntuación exigente en una prueba exigente, no una cifra de marketing. Los modelos de propósito general se volvieron buenos en esto antes de volverse buenos sonando humanos, y ese orden es toda la historia de esta comparación: Qwen 3.8 ejecutará tu bucle de herramientas de forma más fiable que un modelo de voz de 72 milisegundos, y tardará segundos en empezar a hablar.
• Latencia — 72,5 ms de mediana para Tell 1 dentro del harness de Retell; nuestras propias mediciones de servicio sitúan a Qwen3.8-Max en 8.235 ms p50 y a Qwen3.8-27B en 4.197 ms p50 en una ventana de siete días, lo cual es una cantidad distinta medida de otra forma, y ninguna corresponde a un turno de llamada telefónica.
• Llamada a herramientas — 95,4 % (puesto 5 de 62) para Tell 1 en el harness de Retell; 47,8 en tau-banking y llamada a funciones nativa completa con salidas estructuradas para Qwen3.8-Max, en benchmarks puntuados por personas que no venden ninguno de los dos modelos.
• Contexto — 1M tokens para Qwen3.8-Max, 256K para Qwen3.8-27B; sin publicar para Tell 1, y en gran medida irrelevante en una llamada, donde la base de conocimiento está fuera del modelo.
• Precio — Tell 1 está dentro de los $0,07 a $0,31 por minuto de Retell, con 3,5 centavos de eso atribuidos al modelo; Qwen3.8-Max cuesta $2 de entrada y $6 de salida por millón de tokens, Qwen3.8-27B $0,33 y $2,40, ambos a precio de lista del proveedor a través de OrcaRouter sin ningún recargo.

La aritmética que determina la mayoría de los despliegues
La conversión entre las dos unidades de precio es donde las comparaciones suelen perder precisión, así que aquí está la conversión dicha en voz alta. Un minuto de habla equivale aproximadamente a 150 palabras pronunciadas, lo que supone aproximadamente 200 tokens de salida y quizá entre 1.500 y 3.000 tokens de entrada una vez contabilizados el prompt, el conocimiento recuperado y los esquemas de herramientas. Con los $2/$6 de Qwen3.8-Max, eso es menos de dos centavos por minuto de coste de modelo; con los $0.33/$2.40 de Qwen3.8-27B, es una fracción de centavo.
Así que el modelo por token no es la parte cara, y esa es la trampa. Lo que no puedes conseguir de Qwen 3.8 a ningún precio es una primera sílaba en 72 ms, porque un modelo insignia de 2,4 billones de parámetros que responde en ocho segundos ya ha perdido a la persona que llama. El coste del modelo insignia alojado no son los tokens; es el viaje de ida y vuelta. Construir lo mismo tú mismo significa asumir el presupuesto de latencia de extremo a extremo —colocar el modelo junto a la pila de voz, limitar la longitud de salida, emitir en streaming la primera cláusula antes de que se resuelva la llamada a la herramienta—, y esa ingeniería es la partida real, no los 0,02 $.
Por eso el veredicto honesto es arquitectónico más que competitivo. El valor de Tell 1 es que alguien ya ha invertido la ingeniería en los primeros 800 milisegundos de una llamada telefónica. El valor de Qwen 3.8 es que es mediblemente mejor en la parte de la llamada donde se hace algo, y está disponible tanto como API invocable como en forma de pesos que puedes alojar.
El patrón de pila dividida, y dónde un enrutador se gana su lugar
La configuración que resuelve esto no es una elección entre los dos modelos; es una división del trabajo, y las plataformas de voz ya la practican internamente. La propia página de inicio de Retell describe su stack exactamente así: un modelo para razonamiento y orquestación, un arnés de agente que ensambla conocimiento y herramientas, y una capa de voz separada. Tell 1 ocupa un asiento en esa disposición, no todos.
Fuera de una plataforma de voz, el mismo reparto se ve así. Un modelo pequeño y rápido se encarga de la capa de toma de turnos —el acuse de recibo, la aclaración, el «déjeme comprobarlo por usted»—, mientras que los pasos con mucho uso de herramientas y mucho razonamiento van a un modelo con un mejor historial en llamada a funciones y contexto largo. Qwen 3.8 encaja bien en el segundo papel y ambos de sus miembros principales se pueden enrutar a través de OrcaRouter con una sola clave: cambie entre Qwen3.8-Max y Qwen3.8-27B cambiando la cadena del modelo, mantenga una cadena de respaldo para que un 429 del proveedor de origen no se convierta en una llamada perdida, y use el DSL de enrutamiento para enviar los turnos difíciles al modelo insignia y los rutinarios al miembro más económico. El precio de lista del proveedor se aplica tal cual, sin recargos, así que un cambio de precio de Qwen le llega el mismo día en lugar de en la siguiente renovación del contrato.
Tell 1 no está en nuestro catálogo y no lo estará; no se vende como modelo. Lo que sí podemos hacer es la ruta de escalado que lo rodea — el modelo al que llama tu agente de voz cuando quien llama pregunta algo que el guion no cubre.
Cómo solucionarlo en una semana
Toma cincuenta llamadas reales de tu propia cola, no sintéticas — la debilidad del benchmark es que sus llamadas son de Retell, y tus modos de fallo viven en tus propias transcripciones. Pasa cada una por dos configuraciones: Tell 1 dentro de Retell, y la misma lógica de agente apuntada a Qwen3.8-Max. Puntúa tres cosas e ignora todo lo demás. ¿Se disparó la llamada a la herramienta con los argumentos correctos? ¿Coincidió la respuesta con tu base de conocimiento? ¿Y en qué marca de tiempo empezó a hablar el agente después de que la persona que llama dejara de hablar?
Mi expectativa, según las cifras publicadas y no según pruebas: la configuración de Qwen ganará las dos primeras y perderá la tercera por mucho, y el tamaño de esa tercera brecha es el único número que decide la arquitectura. Si tus llamadas son sobre todo consultas con una respuesta correcta, la ventaja de latencia de un modelo ajustado para voz vale menos que unos puntos de precisión en el uso de herramientas, y gana el modelo general. Si tus llamadas son sobre todo conversación —triaje, tranquilidad, cualificación—, las llamadas a herramientas son superficiales, la latencia lo es todo y un modelo creado para el teléfono es la pieza adecuada para el trabajo.
Ambas respuestas son defendibles, y por eso fracasa el planteamiento de «cuál es mejor». Lo único que no haría es elegir Tell 1 por el argumento de un primer puesto sin leer la columna en la que ocupa el quinto lugar, ni elegir Qwen 3.8 por un Intelligence Index sin cronometrar su primer token dentro de una llamada en vivo.


