
Tell 1 vs Qwen 3.8: Celah Pemanggilan Alat yang Tak Pernah Masuk Judul
- OrcaBARUOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1 juta token · 169 tok/s
- tencentBARUTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1 juta token · 236 tok/s
- GoogleBARUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1 juta token · 89 tok/s
- AnthropicBARUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1 juta token · 98 tok/s
- orcaBARUOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1 juta token · 88 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1 juta token · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1 juta token · 80 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1 juta token · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1 juta token · 118 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1 juta token · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Kecerdasan
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1 juta token · 198 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Kecerdasan
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1 juta token · 114 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Kecerdasan
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1 juta token · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Kecerdasan
Retell menerbitkan papan peringkat untuk model suara dan menempatkan Tell 1 di peringkat pertama. Papan peringkat yang sama, jika dibaca sedikit lebih jauh ke bawah di setiap kolom, menyatakan bahwa Tell 1 berada di peringkat kelima dalam memanggil tool. Peringkat tunggal itu adalah hal paling berguna di halaman tersebut, karena menandai batas persis antara apa yang Tell 1 dirancang untuk dilakukan dan apa yang model serba guna seperti Qwen 3.8 — generasi yang model unggulannya adalah Qwen3.8-Max dan yang anggota dense terbukanya adalah Qwen3.8-27B — kini benar-benar bagus dalam hal itu. Agen telepon yang tidak bisa memesan janji temu lebih buruk daripada agen yang lambat. Model 2,4 triliun parameter yang butuh 8 detik untuk menyapa sama sekali tidak bisa menjawab telepon. Pertanyaan yang menarik bukanlah model mana yang lebih baik; melainkan di bagian mana dalam stack Anda masing-masing berhenti menjadi alat yang tepat.
Layak menyebutkan tingkat bukti sebelum hal lain, karena kedua model ini didokumentasikan dengan cara yang tidak sebanding. Qwen3.8-Max diluncurkan sebagai API berbayar pada 3 Agustus 2026 dengan matriks kemampuan yang dipublikasikan, konteks 1 juta token, dan tolok ukur dari vendor; Qwen3.8-27B menyusul sebagai bobot Apache-2.0 yang dapat diunduh; keduanya dinilai secara independen oleh Artificial Analysis. Tell 1 hanya punya satu baris dalam tolok ukur yang ditulis pemiliknya dan tidak punya kartu model sama sekali. Jadi satu sisi halaman ini diukur dan sisi lainnya dilaporkan, dan setiap angka di bawah ini diberi label sesuai.
Apa yang sebenarnya Anda bayar untuk posisi kelima Tell 1
Angka-angka pada tabel vCX itu sendiri layak dibaca dalam urutan kemunculannya, bukan dalam urutan yang disarankan peringkat. Pada baris yang oleh Retell disebut percakapan sehari-hari, Tell 1 mencetak 96,6% dan tidak ada konfigurasi di antara 62 konfigurasi yang mengalahkannya. Pada baris yang disebutnya pemanggilan alat, model yang sama mencetak 95,4% dan empat lainnya lebih baik — ini bukan cacat pada model melainkan pernyataan tentang kemampuan yang menjadi fokus penyetelannya. Rata-rata 94,45% dan median 72,5 ms keduanya mengikuti prioritas itu; begitu pula biaya model 3,5 sen per menit yang berada di peringkat ke-19, nyaman di papan tengah.
Angka peringkat kelima — 95,4%, 954 dari 1.000 evaluasi lulus — tidak buruk secara absolut. Polanya yang penting. Dalam alur pusat kontak, panggilan alat adalah tempat agen melakukan sesuatu yang tidak dapat dibatalkan: memesan slot, memproses pembayaran, mentransfer penelepon, membatalkan pesanan. Tingkat kegagalan 4,6% pada langkah-langkah tersebut adalah sistem yang sebagian besar berfungsi dan kadang-kadang melakukan hal yang salah, yang justru merupakan mode kegagalan yang membuat agen AI ditarik dari produksi setelah sebulan. Sebaliknya, kemenangan dalam hal ragam percakapan dan latensi adalah hal yang membuatnya disetujui sejak awal. Asimetri itu — lebih baik dalam demo daripada dalam transaksi — adalah hal yang harus diuji, bukan hal yang diasumsikan.
Dua catatan tentang benchmark itu sendiri, karena ini adalah satu-satunya bukti publik untuk Tell 1. Barisnya memuat versi 17 harness sementara 50 dari 62 baris memuat versi 1, jadi "#1 overall" mengagregasi dua set pengujian yang berbeda. Dan ini adalah benchmark milik Retell sendiri, dijalankan pada pola trafik Retell, yang merupakan metodologi yang sah dan bukan metodologi independen.
Apa yang dibawa Qwen 3.8 untuk masalah yang sama
Qwen 3.8 adalah sebuah generasi, bukan model, dan perbedaan ini penting di sini. Qwen3.8-Max adalah unggulan yang di-hosting: konteks 1 juta token, input teks, gambar, dan video, mode berpikir, pemanggilan fungsi, alat bawaan, dan output terstruktur, disajikan dalam format wire yang kompatibel dengan OpenAI, Anthropic, dan DashScope. Artificial Analysis memberinya skor 33.7 pada Intelligence Index — lebih baik daripada 73% model yang dibandingkannya — dengan 76.2 pada Coding Index, 92.8 GPQA Diamond, 88.8 pada Terminal-Bench 2.1, dan 47.8 pada tau-banking, campuran vendor dan independen yang dikutip halaman model kami. Qwen3.8-27B adalah anggota dense berbobot terbuka: 27B parameter, konteks 256K, multimodal, Apache 2.0, dan pada kartu Qwen sendiri 90.3 LiveCodeBench v6, 89.2 GPQA Diamond, 84.3 OSWorld-Verified, 79.0 QwenSWEBench.
Baca angka tau-banking dua kali jika yang menjadi kekhawatiran Anda adalah penggunaan alat. Ini adalah tolok ukur tugas layanan pelanggan yang diperkuat alat — mencari akun, mengubah pesanan, mengikuti kebijakan — dan 47,8 adalah skor yang sulit pada ujian yang sulit, bukan angka pemasaran. Model serbaguna menjadi mahir dalam hal ini sebelum mereka mahir terdengar manusiawi, dan urutan itulah inti dari perbandingan ini: Qwen 3.8 akan menjalankan loop alat Anda dengan lebih andal daripada model suara 72 milidetik, dan ia akan butuh beberapa detik untuk mulai berbicara.
• Latensi — median 72,5 ms untuk Tell 1 di dalam harness Retell; pengukuran dari layanan kami sendiri menempatkan Qwen3.8-Max pada 8.235 ms p50 dan Qwen3.8-27B pada 4.197 ms p50 selama jendela tujuh hari, yang merupakan kuantitas berbeda yang diukur dengan cara berbeda, dan tidak satu pun merupakan giliran panggilan telepon.
• Pemanggilan alat — 95,4% (peringkat 5 dari 62) untuk Tell 1 pada harness Retell; 47,8 tau-banking dan pemanggilan fungsi native penuh dengan output terstruktur untuk Qwen3.8-Max, pada tolok ukur yang dinilai oleh orang yang tidak menjual model mana pun dari keduanya.
• Konteks — 1 juta token untuk Qwen3.8-Max, 256K untuk Qwen3.8-27B; belum dipublikasikan untuk Tell 1, dan sebagian besar tidak relevan dalam panggilan, karena basis pengetahuan berada di luar model.
• Harga — Tell 1 berada dalam kisaran $0,07 hingga $0,31 per menit milik Retell, dengan 3,5 sen di antaranya dialokasikan ke model; Qwen3.8-Max adalah $2 untuk input dan $6 untuk output per juta token, Qwen3.8-27B $0,33 dan $2,40, keduanya pada daftar harga penyedia melalui OrcaRouter tanpa markup tambahan.

Aritmetika yang menentukan sebagian besar deployment
Konversi antara kedua satuan harga adalah titik ketika perbandingan biasanya menjadi kabur, jadi berikut konversinya diuraikan secara terang-terangan. Satu menit ucapan kira-kira 150 kata yang diucapkan, yang kira-kira setara 200 token keluaran dan mungkin 1.500 hingga 3.000 token masukan setelah prompt, pengetahuan yang diambil, dan skema alat dihitung. Pada Qwen3.8-Max dengan $2/$6, itu di bawah dua sen per menit untuk biaya model; pada Qwen3.8-27B dengan $0.33/$2.40, itu hanya sebagian kecil dari satu sen.
Jadi model per token bukanlah bagian yang mahal, dan di situlah jebakannya. Yang tidak bisa Anda dapatkan dari Qwen 3.8 berapa pun harganya adalah suku kata pertama dalam 72 ms, karena model unggulan berparameter 2,4 triliun yang menjawab dalam delapan detik sudah kehilangan penelepon. Biaya model unggulan yang dihosting bukanlah tokennya; melainkan perjalanan bolak-baliknya. Membangun hal yang sama sendiri berarti memiliki anggaran latensi dari ujung ke ujung — menempatkan model bersama tumpukan suara, membatasi panjang keluaran, melakukan streaming klausa pertama sebelum panggilan alat selesai — dan rekayasa itulah pos biaya yang sebenarnya, bukan $0,02.
Itulah sebabnya penilaian yang jujur bersifat arsitektural, bukan kompetitif. Nilai Tell 1 adalah bahwa seseorang telah mengerahkan upaya rekayasa pada 800 milidetik pertama sebuah panggilan telepon. Nilai Qwen 3.8 adalah bahwa model ini secara terukur lebih baik pada bagian panggilan tempat sesuatu benar-benar dilakukan, dan tersedia baik sebagai API yang dapat dipanggil maupun sebagai bobot yang dapat Anda host sendiri.
Pola split-stack, dan di mana router layak digunakan
Konfigurasi yang menyelesaikan hal ini bukanlah pilihan antara kedua model itu; ini adalah pembagian kerja, dan platform suara sudah mempraktikkannya secara internal. Halaman utama Retell sendiri menggambarkan tumpukannya persis seperti itu: sebuah model untuk penalaran dan orkestrasi, sebuah harness agen yang merakit pengetahuan dan alat, serta lapisan ucapan yang terpisah. Tell 1 menempati satu kursi dalam susunan itu, bukan semuanya.
Di luar platform suara, pemisahan yang sama tampak seperti ini. Model kecil yang cepat menangani lapisan pengambilan giliran — konfirmasi, klarifikasi, "biar saya cek dulu untuk Anda" — sementara langkah-langkah yang berat alat dan berat penalaran diberikan kepada model dengan rekam jejak lebih baik dalam pemanggilan fungsi dan konteks panjang. Qwen 3.8 cocok untuk peran kedua dan kedua anggota utamanya dapat dirutekan melalui OrcaRouter dengan satu kunci: beralih antara Qwen3.8-Max dan Qwen3.8-27B dengan mengubah string model, pertahankan rantai cadangan agar 429 dari hulu tidak menjadi panggilan yang terputus, dan gunakan DSL perutean untuk mengirim giliran sulit ke model unggulan dan giliran rutin ke anggota yang lebih murah. Harga daftar penyedia diteruskan tanpa tambahan apa pun, sehingga perubahan harga Qwen sampai kepada Anda pada hari yang sama, bukan pada pembaruan kontrak berikutnya.
Tell 1 tidak ada di katalog kami dan tidak akan ada; produk itu tidak dijual sebagai model. Yang bisa kami lakukan adalah jalur eskalasi di sekitarnya — model yang dipanggil agen suara Anda ketika penelepon menanyakan sesuatu yang tidak tercakup dalam skrip.
Bagaimana cara menyelesaikannya dalam seminggu
Ambil lima puluh panggilan nyata dari antrean Anda sendiri, bukan panggilan sintetis — kelemahan benchmark adalah bahwa panggilan tersebut milik Retell, sementara mode kegagalan Anda ada di transkrip Anda sendiri. Jalankan masing-masing melalui dua konfigurasi: Tell 1 di dalam Retell, dan logika agen yang sama diarahkan ke Qwen3.8-Max. Nilai tiga hal dan abaikan sisanya. Apakah pemanggilan alat terpicu dengan argumen yang benar? Apakah jawabannya cocok dengan basis pengetahuan Anda? Dan pada stempel waktu berapa agen mulai berbicara setelah penelpon berhenti?
Ekspektasi saya, berdasarkan angka yang dipublikasikan dan bukan dari pengujian: konfigurasi Qwen akan menang pada dua yang pertama dan kalah telak pada yang ketiga, dan besarnya selisih pada yang ketiga adalah satu-satunya angka yang menentukan arsitektur. Jika panggilan Anda sebagian besar adalah pencarian dengan jawaban yang benar, keunggulan latensi model yang disetel untuk suara bernilai kurang dari beberapa poin akurasi pemanggilan alat, dan model umum yang menang. Jika panggilan Anda sebagian besar adalah percakapan — triase, menenangkan, kualifikasi — pemanggilan alatnya dangkal, latensi adalah segalanya, dan model yang dibuat untuk telepon adalah komponen yang tepat untuk pekerjaan itu.
Kedua jawaban sama-sama dapat dipertahankan, itulah sebabnya kerangka "mana yang lebih baik" gagal. Satu hal yang tidak akan saya lakukan adalah memilih Tell 1 hanya karena peringkat tempat pertama tanpa membaca kolom tempat ia berada di urutan kelima, atau memilih Qwen 3.8 hanya karena Intelligence Index tanpa mengukur token pertamanya dengan stopwatch dalam panggilan langsung.


