
Tell 1 vs Qwen 3.8:誰も見出しにしないツール呼び出しの差
- OrcaNEWOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 100万トークンあたり · 169 tok/s
- tencentNEWTencent: Hy4 Flash2026-11-16$0.02 / $0.07 100万トークンあたり · 236 tok/s
- GoogleNEWGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 100万トークンあたり · 89 tok/s
- AnthropicNEWAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 100万トークンあたり · 98 tok/s
- orcaNEWOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 100万トークンあたり · 88 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 100万トークンあたり · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 100万トークンあたり · 80 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 100万トークンあたり · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 100万トークンあたり · 118 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 100万トークンあたり · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 100万トークンあたり · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 100万トークンあたり · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447知能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 100万トークンあたり · 198 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929知能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 100万トークンあたり · 114 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733知能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 100万トークンあたり · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740知能
Retellは音声モデルのリーダーボードを公開し、Tell 1をその首位に置いている。同じリーダーボードを各列でもう少し下まで読むと、Tell 1はツール呼び出しで5位だと書かれている。その単一の順位こそ、このページで最も有用な情報だ。なぜならそれは、Tell 1が果たすために作られたことと、汎用モデルでいうQwen 3.8——その世代のフラッグシップはQwen3.8-Maxで、オープンな密モデルはQwen3.8-27B——が今や本当に得意とすることとの、正確な境界を示しているからだ。予約を取れない電話エージェントは、遅いエージェントより悪い。挨拶するのに8秒かかる2.4兆パラメータのモデルは、電話に出ることすらできない。興味深い問いは、どのモデルが優れているかではなく、スタックのどこでそれぞれが適切なツールではなくなるかだ。
何よりも先に、証拠のレベルに名前を付けておく価値がある。というのも、これら2つのモデルは互換性のない形で文書化されているからだ。Qwen3.8-Maxは2026年8月3日に有償APIとして提供開始され、公開された能力マトリクス、100万トークンのコンテキスト、ベンダーベンチマークを備えていた。Qwen3.8-27Bはその後、ダウンロード可能なApache-2.0の重みとして登場した。どちらもArtificial Analysisによって独立にスコアリングされている。Tell 1は、その所有者が作成したベンチマークに1行あるだけで、モデルカードはまったくない。つまり、このページの一方は測定され、もう一方は報告されているのであり、以下のすべての数値はそれに応じてラベル付けされている。
Tell 1の第5位が実際にあなたに負わせるコスト
vCX表の数値は、順位が示唆する順序ではなく、記載されている順序で読む価値がある。Retellが「口語的」と呼ぶ行では、Tell 1は96.6%を記録し、62の構成の中でそれを上回るものはない。それが「ツール呼び出し」と呼ぶ行では、同じモデルは95.4%を記録し、他に4つがより良い成績を出す。これはモデルの欠陥というより、何を得意とするように調整されたかを物語っている。94.45%の平均と72.5 msの中央値はどちらもその優先順位から導かれる。19位で中位に余裕で収まる1分あたり3.5セントのモデルコストも同様だ。
5位の数値——95.4%、1,000回の評価のうち954回が合格——は、絶対値としては悪くない。問題なのはそのパターンだ。コンタクトセンターのフローでは、ツール呼び出しはエージェントが不可逆なことをする場面だ。枠を予約し、支払いを受け、発信者を転送し、注文をキャンセルする。そうしたステップでの4.6%の失敗率は、たいていは機能し、時折誤ったことをするシステムであり、まさにAIエージェントが1か月後に本番環境から外される失敗モードだ。対照的に、会話の自然さとレイテンシ面の利点は、そもそも承認を得るためのものだ。その非対称性——デモでは優れているが取引ではそうではない——こそ、想定すべきことではなくテストすべきことだ。
ベンチマーク自体について2つの注意点があります。これはTell 1の唯一の公開証拠だからです。その行はハーネスのバージョン17を搭載している一方、62行のうち50行はバージョン1を搭載しているため、「#1 overall」は2つの異なるテストセットをまたいで集計されたものです。また、これはRetell自身のベンチマークであり、Retellのトラフィックパターンで実行されたもので、正当な方法論ではありますが、独立したものではありません。
同じ問題に対して Qwen 3.8 がもたらすもの
Qwen 3.8はモデルではなく世代であり、ここではその区分が重要です。Qwen3.8-Maxはホスト型のフラッグシップです。100万トークンのコンテキスト、テキスト・画像・動画入力、思考モード、関数呼び出し、組み込みツール、構造化出力を備え、OpenAI、Anthropic、DashScope互換のワイヤフォーマットで提供されます。Artificial AnalysisによるIntelligence Indexのスコアは33.7で、比較対象モデルの73%を上回っています。Coding Indexでは76.2、GPQA Diamondでは92.8、Terminal-Bench 2.1では88.8、tau-bankingでは47.8で、これは当社のモデルページが引用しているベンダー系と独立系を組み合わせた数値です。Qwen3.8-27BはオープンウェイトのDenseモデルです。270億パラメータ、256Kコンテキスト、マルチモーダル、Apache 2.0で、Qwen自身のモデルカードではLiveCodeBench v6で90.3、GPQA Diamondで89.2、OSWorld-Verifiedで84.3、QwenSWEBenchで79.0です。
ツール利用が気になるなら、tau-banking の数値を二度読んでください。これはツール拡張型のカスタマーサービス業務——アカウントの照会、注文の変更、ポリシーの遵守——のベンチマークであり、47.8 は難しいテストでの厳しいスコアであって、マーケティング用の数字ではありません。汎用モデルは、人間らしく聞こえるようになる前に、こうしたことを得意にしました。そしてその順序こそがこの比較のすべてです。Qwen 3.8 は 72 ミリ秒の音声モデルよりもツールループをより確実に実行し、話し始めるまでには数秒かかります。
• レイテンシ — Retellのハーネス内におけるTell 1の中央値は72.5 msです。当社自身の提供環境での測定では、7日間のウィンドウでQwen3.8-Maxがp50 8,235 ms、Qwen3.8-27Bがp50 4,197 msでした。これは別の方法で測定された別の量であり、どちらも電話通話の1ターンを表すものではありません。
• ツール呼び出し — RetellのハーネスでのTell 1は95.4%(62中5位)。Qwen3.8-Maxは47.8 tau-bankingと、構造化出力を備えた完全なネイティブ関数呼び出し。いずれのモデルも販売していない人々が採点したベンチマークでの結果です。
• コンテキスト — Qwen3.8-Maxで100万トークン、Qwen3.8-27Bで256Kトークン。Tell 1では未公開であり、通話時にはナレッジベースがモデルの外部に存在するため、ほとんど関係ありません。
• 価格 — Tell 1はRetellの1分あたり0.07〜0.31ドルの範囲内で、そのうち3.5セントはモデルに起因します。Qwen3.8-Maxは100万トークンあたり入力2ドル、出力6ドル、Qwen3.8-27Bは0.33ドルと2.40ドルで、いずれもOrcaRouter経由のプロバイダー定価であり、マークアップは追加されていません。

ほとんどのデプロイを左右する算術
2つの価格単位の間の変換は、比較が曖昧になりがちなところなので、ここでその変換を明示的に示します。音声1分はおよそ150語の話し言葉で、これはおよそ200トークンの出力、そしてプロンプト、検索された知識、ツールスキーマを数に入れるとおそらく1,500〜3,000トークンの入力に相当します。Qwen3.8-Maxの$2/$6では、モデルコストは1分あたり2セント未満です。Qwen3.8-27Bの$0.33/$2.40では、1セントのほんの一部です。
つまり、トークン単位のモデル利用料は高価な部分ではなく、そこが罠なのです。Qwen 3.8からどんな価格でも得られないのは、72ミリ秒で返る最初の音節です。2.4兆パラメータのフラッグシップが8秒で応答するのでは、すでに発信者を失っているからです。ホスト型フラッグシップのコストはトークンではなく、往復遅延にあります。同じものを自前で構築するということは、レイテンシ予算を端から端まで持つということです。モデルを音声スタックと同じ場所に配置し、出力長を制限し、ツール呼び出しが解決する前に最初の節をストリーミングする。そして実際のコスト項目はそのエンジニアリングであり、0.02ドルではありません。
だからこそ、正直な判断は競争上のものではなくアーキテクチャ上のものになる。Tell 1 の価値は、通話の最初の800ミリ秒に対して誰かがすでにエンジニアリングを投じてくれていることにある。Qwen 3.8 の価値は、通話の中で実際に何かが行われる部分で測定可能なほど優れており、呼び出し可能なAPIとしても、自分でホストできる重みとしても利用できることにある。
スプリットスタックパターン、そしてルーターがその価値を発揮する場面
これを解決する構成は、二つのモデルのどちらかを選ぶことではない。それは分業であり、音声プラットフォームはすでに内部でそれを実践している。Retell 自身のホームページも、そのスタックをまさにそのように説明している。推論とオーケストレーションのためのモデル、知識とツールを組み立てるエージェントハーネス、そして別個の音声レイヤーである。Tell 1 はその配置の中で一つの席を占めるのであり、すべてを占めるのではない。
音声プラットフォームの外では、同じ分割がこのようになります。小さく高速なモデルがターンテイキングのレイヤー — 相づち、確認、『確認してきます』 — を担い、ツールを多用し推論の重いステップは、関数呼び出しと長いコンテキストにより実績のあるモデルに任せます。Qwen 3.8は2つ目の役割によく合い、その主要メンバー2つはどちらも1つのキーでOrcaRouter経由でルーティングできます。モデル文字列を変更するだけでQwen3.8-MaxとQwen3.8-27Bを切り替えられます。フォールバックチェーンを維持して、上流の429が通話の切断にならないようにし、ルーティングDSLを使って難しいターンはフラッグシップに、定型のターンはより安価なメンバーに送ります。プロバイダーの定価は上乗せなしでそのまま反映されるため、Qwenの価格変更は次の契約更新時ではなく当日に届きます。
Tell 1は当社のカタログには掲載されておらず、今後も掲載されません。モデルとして販売されることもありません。私たちにできるのは、それを取り巻くエスカレーション経路、つまり、発信者がスクリプトでカバーされていない内容を尋ねたときに音声エージェントが呼び出すモデルです。
それを1週間で解決する方法
自分のキューから合成ではなく実際の通話を50件取ってください。ベンチマークの弱点は、その通話がRetellのものであり、あなたの失敗モードはあなた自身の文字起こしの中にあるという点です。各通話を2つの構成で実行してください。Retell内のTell 1と、同じエージェントロジックをQwen3.8-Maxに向けた構成です。採点するのは次の3点だけにし、それ以外はすべて無視してください。ツール呼び出しは正しい引数で発火したか? 回答はあなたのナレッジベースと一致したか? そして、発信者が話し終えてからエージェントが話し始めたタイムスタンプはいつか?
私の予想は、テストではなく公表されている数値に基づくものだ。Qwenの構成は最初の2つでは勝ち、3つ目では大きく負ける。そして、その3つ目の差の大きさだけが、アーキテクチャを決める唯一の数値だ。通話が主に正解のある検索であるなら、音声向けに調整されたモデルのレイテンシ上の優位は、ツール呼び出し精度の数ポイント分よりも価値が低く、汎用モデルが勝つ。通話が主に会話——トリアージ、安心させること、適格性確認——であるなら、ツール呼び出しは浅く、レイテンシがすべてであり、電話向けに作られたモデルがその仕事に適した部品だ。
どちらの答えも擁護可能であり、だからこそ「どちらが優れているか」という枠組みは失敗する。私が絶対にしないのは、Tell 1が5位に入っている列を読まずに1位という順位だけを根拠にTell 1を選ぶこと、あるいはライブ通話中に最初のトークンの時間をストップウォッチで計らずにIntelligence Indexだけを根拠にQwen 3.8を選ぶことだ。


