Karta tytułowa z nagłówkiem „Tell 1 vs Qwen 3.8”. Lewa karta oznaczona „Tell 1” zawiera ikonę stopera oraz wiersze „pierwsze miejsce pod względem opóźnienia” i „piąte miejsce pod względem wywołań narzędzi”; prawa karta oznaczona „Qwen 3.8” zawiera ikonę klucza oraz wiersze „kontekst 1 mln tokenów” i „natywne wywoływanie narzędzi”. Separator głosi „szybkość kontra transakcja”. Logo OrcaRouter jest nałożone w prawym dolnym rogu.
Guides & Insights

Tell 1 vs Qwen 3.8: Luka w wywoływaniu narzędzi, o której nikt nie pisze w nagłówkach

Autor

jinhao.song

Data publikacji

Najnowsze modele · 20Zobacz wszystkie modele →
Benchmarki: Artificial Analysis · aktualizowane codziennie
Powrót do wszystkich wpisów

Retell publikuje ranking modeli głosowych i umieszcza Tell 1 na jego czele. Ten sam ranking, czytany nieco niżej w każdej kolumnie, mówi, że Tell 1 zajmuje piąte miejsce w wywoływaniu narzędzi. Ta pojedyncza pozycja jest najbardziej użyteczną informacją na stronie, ponieważ wyznacza dokładną granicę między tym, do czego Tell 1 został zbudowany, a tym, w czym model ogólnego przeznaczenia, taki jak Q​wen 3.8 — generacja, której flagowcem jest Qwen3.8-Max, a której otwartym gęstym wariantem jest Qwen3.8-27B — jest teraz naprawdę dobry. Agent telefoniczny, który nie potrafi umówić wizyty, jest gorszy niż powolny. Model z 2,4 biliona parametrów, który potrzebuje 8 sekund, żeby powiedzieć „cześć”, w ogóle nie może odebrać telefonu. Interesujące pytanie nie brzmi, który model jest lepszy; brzmi, gdzie w Twoim stosie każde z nich przestaje być właściwym narzędziem.

Warto najpierw nazwać poziomy dowodów, ponieważ te dwa modele są udokumentowane w nieporównywalny sposób. Qwen3.8-Max zadebiutował jako płatne API 3 sierpnia 2026 r., z opublikowaną matrycą możliwości, kontekstem 1 mln tokenów i benchmarkami dostawcy; Qwen3.8-27B pojawił się następnie jako do pobrania wagi Apache-2.0; oba są niezależnie oceniane przez Artificial Analysis. Tell 1 ma tylko jeden wiersz w benchmarku napisanym przez swojego właściciela i w ogóle nie ma karty modelu. Tak więc jedna część tej strony jest zmierzona, a druga raportowana, i każda liczba poniżej jest odpowiednio oznaczona.

Ile faktycznie kosztuje cię piąte miejsce Tell 1

Warto czytać liczby samej tabeli vCX w kolejności, w jakiej się pojawiają, a nie w kolejności sugerowanej przez rankingi. W wierszu, który Retell określa jako potoczny, Tell 1 uzyskuje 96,6% i żadna z 62 konfiguracji nie osiąga lepszego wyniku. W wierszu, który nazywa wywoływaniem narzędzi, ten sam model uzyskuje 95,4%, a cztery inne modele wypadają lepiej — co nie tyle jest wadą modelu, ile świadczy o tym, do czego dostrojono go, by był dobry. Średnia 94,45% i mediana 72,5 ms wynikają z tego priorytetu; podobnie jak koszt modelu wynoszący 3,5 centa za minutę, który plasuje się na 19. miejscu, spokojnie w środku tabeli.

Wynik piątego miejsca — 95,4%, czyli 954 z 1000 zaliczonych ewaluacji — nie jest zły w ujęciu absolutnym. Liczy się jednak wzorzec. W przepływie centrum kontaktowego wywołania narzędzi to miejsce, w którym agent robi coś nieodwracalnego: rezerwuje termin, pobiera płatność, przekazuje dzwoniącego, anuluje zamówienie. Wskaźnik awaryjności 4,6% na tych krokach to system, który w większości działa, a czasem robi coś niewłaściwego — a to dokładnie ten tryb awarii, przez który agent AI zostaje wycofany z produkcji po miesiącu. Z kolei atuty w zakresie swobody konwersacji i opóźnienia to te, dzięki którym w ogóle zostaje zatwierdzony. Ta asymetria — lepszy w demonstracji niż w transakcji — to rzecz, którą trzeba testować, a nie tę, którą należy zakładać.

Dwa zastrzeżenia dotyczące samego benchmarku, ponieważ jest to jedyny publiczny dowód na Tell 1. Jego wiersz zawiera wersję 17 harnessu, podczas gdy 50 z 62 wierszy zawiera wersję 1, więc „#1 overall” agreguje dane z dwóch różnych zestawów testowych. A poza tym jest to własny benchmark Retell, uruchomiony na wzorcach ruchu Retell, co stanowi uzasadnioną metodologię, ale nie niezależną.

Co Qwen 3.8 wnosi do tego samego problemu

Q​wen 3.8 to generacja, a nie model, i ten podział ma tu znaczenie. Qwen3.8-Max to flagowy model hostowany: kontekst 1 mln tokenów, wejście tekstowe, obraz i wideo, tryb myślenia, wywoływanie funkcji, wbudowane narzędzia i ustrukturyzowane wyjścia, udostępniany w formatach zgodnych z O​penAI, A​nthropic i DashScope. Artificial Analysis przyznaje mu 33,7 w swoim Intelligence Index — lepiej niż 73% porównywanych modeli — oraz 76,2 w Coding Index, 92,8 w GPQA Diamond, 88,8 w Terminal-Bench 2.1 i 47,8 w tau-banking, czyli mieszankę danych dostawcy i niezależnych, na którą powołuje się nasza strona modelu. Qwen3.8-27B to model z otwartymi wagami o gęstej architekturze: 27 mld parametrów, kontekst 256K, multimodalność, Apache 2.0, a według karty Q​wen: 90,3 LiveCodeBench v6, 89,2 GPQA Diamond, 84,3 OSWorld-Verified, 79,0 QwenSWEBench.

Przeczytaj dwukrotnie wynik tau-banking, jeśli użycie narzędzi jest Twoim zmartwieniem. To benchmark zadań obsługi klienta wspomaganych narzędziami — wyszukiwanie konta, zmiana zamówienia, przestrzeganie polityki — a 47.8 to twardy wynik w trudnym teście, a nie liczba marketingowa. Modele ogólnego przeznaczenia stały się w tym dobre, zanim stały się dobre w brzmieniu jak człowiek, i ta kolejność jest sednem tego porównania: Q​wen 3.8 będzie niezawodniej prowadzić Twoją pętlę narzędziową niż zrobi to 72-milisekundowy model głosowy, a rozpoczęcie mówienia zajmie mu sekundy.

• Opóźnienie — mediana 72,5 ms dla Tell 1 w harnessie Retell; nasze własne pomiary z działającego wdrożenia wskazują dla Qwen3.8-Max 8 235 ms p50, a dla Qwen3.8-27B 4 197 ms p50 w siedmiodniowym oknie, co jest inną wielkością mierzoną w inny sposób i żadna z nich nie dotyczy tury rozmowy telefonicznej.

• Wywoływanie narzędzi — 95,4% (5. miejsce na 62) dla Tell 1 na stanowisku testowym Retell; 47,8 tau-banking i pełne natywne wywoływanie funkcji z ustrukturyzowanymi danymi wyjściowymi dla Qwen3.8-Max, w benchmarkach ocenianych przez osoby, które nie sprzedają żadnego z tych modeli.

• Kontekst — 1 mln tokenów dla Qwen3.8-Max, 256 tys. dla Qwen3.8-27B; niepublikowane dla Tell 1 i w dużej mierze nieistotne podczas rozmowy, w której baza wiedzy znajduje się poza modelem.

• Cena — Tell 1 mieści się w przedziale od 0,07 do 0,31 USD za minutę w Retell, z czego 3,5 centa z tej kwoty przypisuje się modelowi; Qwen3.8-Max kosztuje 2 USD za wejście i 6 USD za wyjście za milion tokenów, Qwen3.8-27B — 0,33 i 2,40 USD, oba według cennika dostawcy przez OrcaRouter bez doliczonej marży.

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.

Arytmetyka, która decyduje o większości wdrożeń

Przeliczanie między tymi dwiema jednostkami ceny to moment, w którym porównania zwykle tracą precyzję, więc oto ta konwersja przeprowadzona otwarcie. Minuta mowy to około 150 wypowiedzianych słów, co odpowiada około 200 tokenom wyjścia i być może od 1500 do 3000 tokenów wejścia, gdy policzyć prompt, odzyskaną wiedzę i schematy narzędzi. Przy cenie Qwen3.8-Max wynoszącej $2/$6 to mniej niż dwa centy na minutę kosztu modelu; przy cenie Qwen3.8-27B wynoszącej $0.33/$2.40 to ułamek centa.

Więc model rozliczany za token nie jest kosztowną częścią — i w tym tkwi pułapka. Tym, czego nie można uzyskać od Q​wen 3.8 za żadną cenę, jest pierwsza sylaba w 72 ms, ponieważ flagowy model z 2,4 biliona parametrów, odpowiadający w osiem sekund, już stracił dzwoniącego. Koszt hostowanego flagowca to nie tokeny; to czas pełnej rundy. Zbudowanie tego samego samodzielnie oznacza wzięcie odpowiedzialności za budżet opóźnień od początku do końca — współlokowanie modelu ze stosem mowy, ograniczanie długości wyjścia, strumieniowanie pierwszego zdania, zanim zakończy się wywołanie narzędzia — i to właśnie ta inżynieria jest rzeczywistą pozycją kosztową, a nie 0,02 USD.

Dlatego uczciwy werdykt ma charakter architektoniczny, a nie konkurencyjny. Wartość Tell 1 polega na tym, że ktoś już zainwestował pracę inżynierską w pierwsze 800 milisekund rozmowy telefonicznej. Wartość Q​wen 3.8 polega na tym, że wypada mierzalnie lepiej w tej części rozmowy, w której coś się załatwia, i jest dostępny zarówno jako API, które można wywoływać, jak i jako wagi, które można hostować.

Wzorzec split-stack i gdzie router dowodzi swojej wartości

Konfiguracja, która to rozwiązuje, nie jest wyborem między dwoma modelami; to podział pracy, który platformy głosowe już stosują wewnętrznie. Własna strona główna Retell opisuje swój stos dokładnie w ten sposób: model do rozumowania i orkiestracji, harness agenta, który gromadzi wiedzę i narzędzia, oraz odrębna warstwa mowy. Tell 1 zajmuje jedno miejsce w tym układzie, a nie wszystkie.

Poza platformą głosową ten sam podział wygląda tak. Mały, szybki model obsługuje warstwę przejmowania tur — potwierdzenie, doprecyzowanie, „pozwól, że to sprawdzę” — podczas gdy kroki wymagające intensywnego użycia narzędzi i rozumowania trafiają do modelu z lepszym dorobkiem w wywoływaniu funkcji i długim kontekście. Q​wen 3.8 dobrze pasuje do tej drugiej roli, a oba jego główne warianty można trasować przez OrcaRouter na jednym kluczu: przełączaj się między Qwen3.8-Max i Qwen3.8-27B, zmieniając ciąg modelu, utrzymuj łańcuch awaryjny, aby błąd 429 po stronie nadrzędnej nie stał się przerwanym połączeniem, i używaj DSL trasowania, by trudne tury kierować do modelu flagowego, a rutynowe do tańszego wariantu. Cena katalogowa dostawcy jest przekazywana bez żadnych narzutów, więc zmiana ceny Q​wen dociera do Ciebie tego samego dnia, a nie dopiero przy kolejnym odnowieniu umowy.

Tell 1 nie znajduje się w naszym katalogu i nie będzie; nie jest sprzedawany jako model. Możemy natomiast zaoferować ścieżkę eskalacji wokół niego — model, który wywołuje Twój agent głosowy, gdy dzwoniący pyta o coś, czego nie obejmuje skrypt.

Jak to załatwić w ciągu tygodnia

Weź pięćdziesiąt rzeczywistych połączeń z własnej kolejki, a nie syntetycznych — słabość benchmarku polega na tym, że jego połączenia pochodzą z Retell, a twoje tryby awarii żyją we własnych transkryptach. Przepuść każde przez dwie konfiguracje: Tell 1 wewnątrz Retell oraz tę samą logikę agenta skierowaną na Qwen3.8-Max. Oceń trzy rzeczy i zignoruj wszystko inne. Czy wywołanie narzędzia zostało uruchomione z właściwymi argumentami? Czy odpowiedź była zgodna z twoją bazą wiedzy? I w jakim znaczniku czasu agent zaczął mówić po tym, jak dzwoniący przestał?

Moje oczekiwanie, oparte na opublikowanych liczbach, a nie na testach: konfiguracja Q​wen wygra pierwsze dwie i zdecydowanie przegra trzecią, a wielkość tej trzeciej luki to jedyna liczba, która rozstrzyga o architekturze. Jeśli Twoje połączenia to głównie wyszukiwania z prawidłową odpowiedzią, przewaga modelu dostrojonego do głosu w zakresie opóźnienia jest warta mniej niż kilka punktów dokładności wywoływania narzędzi i wygrywa model ogólny. Jeśli Twoje połączenia to głównie rozmowa — wstępna ocena, uspokajanie, kwalifikacja — wywołania narzędzi są płytkie, opóźnienie jest wszystkim, a model stworzony do telefonu jest właściwym elementem do tego zadania.

Obie odpowiedzi można obronić, dlatego właśnie ujęcie „która jest lepsza” zawodzi. Jedyne, czego bym nie zrobił, to wybór Tell 1 ze względu na pierwsze miejsce w rankingu bez przeczytania kolumny, w której jest piąty, albo wybór Q​wen 3.8 ze względu na Intelligence Index bez zmierzenia stoperem czasu do pierwszego tokenu w trakcie rzeczywistego połączenia.

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.