Een gegenereerde titelkaart met als kop 'Tell 1 vs Qwen 3.8'. De linkerkaart met het label 'Tell 1' heeft een stopwatchpictogram en de regels 'eerste op latentie' en 'vijfde op tool-aanroepen'; de rechterkaart met het label 'Qwen 3.8' heeft een steeksleutelpictogram en de regels '1M-tokencontext' en 'native tool-calling'. Een scheidingslijn leest 'snelheid versus de transactie'. Het OrcaRouter-logo is in de rechteronderhoek gecompositeerd.
Guides & Insights

Tell 1 vs Qwen 3.8: de tool-calling-kloof die niemand in de kop noemt

Auteur

jinhao.song

Publicatiedatum

Nieuwste modellen · 20Bekijk alle modellen →
Benchmarks: Artificial Analysis · dagelijks bijgewerkt
Terug naar alle berichten

Retell publiceert een ranglijst voor spraakmodellen en zet Tell 1 bovenaan. Dezelfde ranglijst, iets verder naar beneden in elke kolom gelezen, zegt dat Tell 1 vijfde is in het aanroepen van tools. Die ene positie is het nuttigste op de pagina, want ze markeert exact de grens tussen wat Tell 1 moest doen en waar een model voor algemeen gebruik zoals Q​wen 3.8 — de generatie met Qwen3.8-Max als vlaggenschip en Qwen3.8-27B als open dense lid — nu echt goed in is. Een telefoonagent die de afspraak niet kan boeken is slechter dan een trage. Een model met 2,4 biljoen parameters dat 8 seconden nodig heeft om hallo te zeggen, kan de telefoon helemaal niet opnemen. De interessante vraag is niet welk model beter is; het is waar in je stack elk van beide ophoudt het juiste gereedschap te zijn.

Het loont de moeite om eerst de bewijsniveaus te benoemen, want deze twee modellen zijn op onverenigbare manieren gedocumenteerd. Qwen3.8-Max werd op 3 augustus 2026 gelanceerd als een geprijsde API met een gepubliceerde capaciteitsmatrix, een context van 1M tokens en leveranciersbenchmarks; Qwen3.8-27B volgde als downloadbare Apache-2.0-gewichten; beide worden onafhankelijk gescoord door Artificial Analysis. Tell 1 heeft één rij in een benchmark die zijn eigenaar heeft geschreven en helemaal geen modelkaart. Dus de ene kant van deze pagina is gemeten en de andere is gerapporteerd, en elk getal hieronder is dienovereenkomstig gelabeld.

Wat de vijfde plaats van Tell 1 je eigenlijk kost

De cijfers in de vCX-tabel zelf zijn het lezen waard in de volgorde waarin ze verschijnen, eerder dan in de volgorde die de rangschikking suggereert. In de rij die Retell 'colloquial' noemt, scoort Tell 1 96,6% en geen enkele configuratie in het veld van 62 verslaat het. In de rij die het 'tool calling' noemt, scoort hetzelfde model 95,4% en doen vier andere het beter — wat niet zozeer een tekortkoming van het model is als wel een uitspraak over waarop het is afgestemd om goed in te zijn. Het gemiddelde van 94,45% en de mediaan van 72,5 ms volgen beide uit die prioriteit; dat geldt ook voor een modelkostprijs van 3,5 cent per minuut die op de 19e plaats staat, ruim in de middenmoot.

De figuur op de vijfde plaats — 95,4%, 954 van de 1.000 evaluaties geslaagd — is in absolute zin niet slecht. Het is het patroon dat ertoe doet. In een contactcenterflow zijn tool calls de plek waar de agent iets onomkeerbaars doet: een tijdslot boeken, een betaling innen, een beller doorverbinden, een bestelling annuleren. Een faalpercentage van 4,6% op die stappen is een systeem dat meestal werkt en af en toe het verkeerde doet, en dat is precies de faalmodus waardoor een AI-agent na een maand uit productie wordt gehaald. De winst op het gebied van natuurlijke spreektaal en latentie is daarentegen juist wat ervoor zorgt dat het in eerste instantie wordt goedgekeurd. Die asymmetrie — beter in de demo dan in de transactie — is wat je moet testen, niet wat je moet aannemen.

Twee kanttekeningen bij de benchmark zelf, aangezien dit het enige openbare bewijs voor Tell 1 is. De rij ervan bevat versie 17 van de harness, terwijl 50 van de 62 rijen versie 1 bevatten, dus "#1 overall" aggregeert over twee verschillende testsets. En het is Retells eigen benchmark, uitgevoerd op Retells verkeerspatronen, wat een legitieme methodologie is en geen onafhankelijke.

Wat Q​wen 3.8 aan hetzelfde probleem toevoegt

Qwen 3.8 is een generatie, geen model, en dat onderscheid is hier belangrijk. Qwen3.8-Max is het gehoste vlaggenschipmodel: context van 1 miljoen tokens, tekst-, beeld- en video-invoer, denkmodus, functieaanroepen, ingebouwde tools en gestructureerde uitvoer, aangeboden in OpenAI-, Anthropic- en DashScope-compatibele wire-formaten. Artificial Analysis scoort het 33,7 op zijn Intelligence Index — beter dan 73% van de modellen waarmee het wordt vergeleken — met 76,2 op zijn Coding Index, 92,8 GPQA Diamond, 88,8 op Terminal-Bench 2.1 en 47,8 op tau-banking, de combinatie van leveranciers- en onafhankelijke scores die onze modelpagina aanhaalt. Qwen3.8-27B is het dichte open-weightmodel: 27B parameters, 256K-context, multimodaal, Apache 2.0, en op Qwens eigen modelkaart 90,3 LiveCodeBench v6, 89,2 GPQA Diamond, 84,3 OSWorld-Verified, 79,0 QwenSWEBench.

Lees het tau-banking-getal twee keer als toolgebruik je zorgen baart. Het is een benchmark voor tool-ondersteunde klantenservicetaken — een account opzoeken, een bestelling wijzigen, een beleid volgen — en 47,8 is een knappe score op een zware test, geen marketingcijfer. Algemene modellen werden hier goed in voordat ze goed werden in menselijk klinken, en die volgorde is het hele verhaal van deze vergelijking: Qwen 3.8 voert je tool-loop betrouwbaarder uit dan een spraakmodel van 72 milliseconden, en het duurt seconden voordat het begint te praten.

• Latentie — 72,5 ms mediaan voor Tell 1 binnen Retell's harness; onze eigen gemeten waarden via de service zetten Qwen3.8-Max op 8.235 ms p50 en Qwen3.8-27B op 4.197 ms p50 over een periode van zeven dagen, wat een andere grootheid is die op een andere manier is gemeten, en geen van beide is een gespreksbeurt in een telefoongesprek.

• Tool-aanroepen — 95,4% (rang 5 van 62) voor Tell 1 op de harness van Retell; 47,8 tau-banking en volledige native function calling met gestructureerde outputs voor Qwen3.8-Max, op benchmarks beoordeeld door mensen die geen van beide modellen verkopen.

• Context — 1M tokens voor Qwen3.8-Max, 256K voor Qwen3.8-27B; niet gepubliceerd voor Tell 1, en grotendeels irrelevant tijdens een gesprek, waarbij de kennisbank buiten het model staat.

• Prijs — Tell 1 valt binnen Retells $0,07 tot $0,31 per minuut, waarvan 3,5 cent aan het model wordt toegeschreven; Qwen3.8-Max kost $2 voor input en $6 voor output per miljoen tokens, Qwen3.8-27B $0,33 en $2,40, beide tegen de lijstprijs van de provider via OrcaRouter zonder toegevoegde markup.

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.

De rekensom die de meeste uitrollen bepaalt

Het omrekenen tussen de twee prijseenheden is waar vergelijkingen meestal vaag worden, dus hier is de omrekening hardop uitgelegd. Een minuut spraak is ongeveer 150 gesproken woorden, wat ongeveer 200 outputtokens is en misschien 1.500 tot 3.000 inputtokens zodra de prompt, de opgehaalde kennis en de tool-schema's worden meegeteld. Bij Qwen3.8-Max's $2/$6 is dat minder dan twee cent per minuut aan modelkosten; bij Qwen3.8-27B's $0.33/$2.40 is het een fractie van een cent.

Het per-tokenmodel is dus niet het dure onderdeel, en dat is juist de valkuil. Wat je bij Q​wen 3.8 tegen geen enkele prijs kunt krijgen, is een eerste lettergreep in 72 ms, want een flagship met 2,4 biljoen parameters dat in acht seconden antwoordt, heeft de beller al verloren. De kosten van het gehoste flagship zijn niet de tokens; het is de round trip. Hetzelfde zelf bouwen betekent dat je het latencybudget van begin tot eind in eigen hand hebt — het model colokaliseren met de spraakstack, de uitvoerlengte beperken, de eerste zinsnede streamen voordat de tool call is afgerond — en die engineering is de echte kostenpost, niet de $0,02.

Daarom is het eerlijke oordeel architecturaal in plaats van concurrentieel. De waarde van Tell 1 is dat iemand al het engineeringwerk heeft gedaan voor de eerste 800 milliseconden van een telefoongesprek. De waarde van Qwen 3.8 is dat het aantoonbaar beter is in het deel van het gesprek waarin daadwerkelijk iets wordt gedaan, en het is beschikbaar zowel als aanroepbare API als als gewichten die je zelf kunt hosten.

Het split-stackpatroon, en waar een router zijn plek verdient

De configuratie die dit oplost, is geen keuze tussen de twee modellen; het is een taakverdeling, en spraakplatforms passen die al intern toe. De eigen homepage van Retell beschrijft zijn stack precies zo: een model voor redeneren en orkestratie, een agent-harness die kennis en tools samenbrengt, en een aparte spraaklaag. Tell 1 bezet één zetel in die opzet, niet allemaal.

Buiten een voiceplatform ziet diezelfde splitsing er zo uit. Een klein, snel model neemt de turn-takinglaag voor zijn rekening — de bevestiging, de verduidelijking, het "laat me dat even voor je nakijken" — terwijl de tool-intensieve en redeneer-intensieve stappen naar een model gaan met een betere staat van dienst op het gebied van function calling en lange context. Qwen 3.8 past goed in die tweede rol en beide hoofdvarianten zijn via één key routeerbaar door OrcaRouter: wissel tussen Qwen3.8-Max en Qwen3.8-27B door de model-string te wijzigen, houd een fallback-keten aan zodat een upstream 429 geen weggevallen gesprek wordt, en gebruik de routing-DSL om de moeilijke beurten naar het vlaggenschip te sturen en de routinebeurten naar de goedkopere variant. De lijstprijs van de provider wordt ongewijzigd doorgegeven, dus een prijswijziging van Qwen bereikt je dezelfde dag in plaats van bij de volgende contractverlenging.

Tell 1 staat niet in onze catalogus en zal daar ook niet in komen; het wordt niet als model verkocht. Wat we kunnen doen, is het escalatiepad eromheen — het model dat je spraakagent aanroept wanneer de beller iets vraagt dat niet in het script staat.

Hoe je het binnen een week regelt

Neem vijftig echte gesprekken uit je eigen wachtrij, geen synthetische — de zwakte van de benchmark is dat de gesprekken ervan van Retell zijn, en jouw faalmodi leven in je eigen transcripten. Laat elk gesprek door twee configuraties lopen: Tell 1 binnen Retell, en dezelfde agentlogica gericht op Qwen3.8-Max. Scoor drie dingen en negeer al het andere. Is de tool-aanroep afgevuurd met de juiste argumenten? Kwam het antwoord overeen met je kennisbank? En op welk tijdstempel begon de agent te spreken nadat de beller stopte?

Mijn verwachting, op basis van de gepubliceerde cijfers en niet van tests: de Qwen-configuratie zal de eerste twee winnen en de derde zwaar verliezen, en de grootte van die derde kloof is het enige getal dat de architectuur bepaalt. Als je oproepen vooral opzoekacties zijn met één juist antwoord, is het latentievoordeel van een op spraak afgestemd model minder waard dan een paar punten nauwkeurigheid bij tool-calling, en wint het algemene model. Als je oproepen vooral gesprekken zijn — triage, geruststelling, kwalificatie — zijn de tool-calls oppervlakkig, is latentie alles, en is een model dat voor de telefoon is gebouwd het juiste onderdeel voor de taak.

Beide antwoorden zijn verdedigbaar, en daarom faalt de framing 'welke is beter'. Het enige wat ik niet zou doen, is Tell 1 kiezen op grond van een eerste plaats in een ranglijst zonder de kolom te lezen waarin het vijfde staat, of Q​wen 3.8 kiezen op grond van een Intelligence Index zonder een stopwatch te zetten op zijn eerste token tijdens een live call.

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.