
Tell 1 vs Qwen 3.8: Verktygsanropsklyftan som ingen lyfter fram i rubriken
- OrcaNYOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1M tokens · 169 tok/s
- tencentNYTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1M tokens · 236 tok/s
- GoogleNYGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1M tokens · 89 tok/s
- AnthropicNYAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1M tokens · 98 tok/s
- orcaNYOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1M tokens · 88 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1M tokens · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1M tokens · 80 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1M tokens · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1M tokens · 118 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1M tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M tokens · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligens
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1M tokens · 198 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligens
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1M tokens · 114 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligens
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1M tokens · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligens
Retell publicerar en topplista för röstmodeller och placerar Tell 1 först på den. Läser man lite längre ner i varje kolumn på samma topplista står det att Tell 1 är femma på att anropa verktyg. Den där enskilda placeringen är det mest användbara på sidan, eftersom den markerar den exakta gränsen mellan vad Tell 1 byggdes för att göra och vad en generalistmodell som Qwen 3.8 — generationen vars flaggskepp är Qwen3.8-Max och vars öppna dense-medlem är Qwen3.8-27B — nu är riktigt bra på. En telefonagent som inte kan boka tiden är sämre än en långsam. En modell med 2,4 biljoner parametrar som behöver 8 sekunder för att säga hej kan inte svara i telefon alls. Den intressanta frågan är inte vilken modell som är bättre; det är var i din stack var och en slutar vara rätt verktyg.
Det är värt att namnge bevisnivåerna före allt annat, eftersom dessa två modeller dokumenteras på inkompatibla sätt. Qwen3.8-Max lanserades som ett prissatt API den 3 augusti 2026 med en publicerad kapabilitetsmatris, en kontext på 1 miljon token och leverantörsbenchmarkar; Qwen3.8-27B följde som nedladdningsbara Apache-2.0-vikter; båda poängsätts oberoende av Artificial Analysis. Tell 1 har en enda rad i ett benchmark som dess ägare skrev och inget modellkort alls. Så ena sidan av den här sidan är uppmätt och den andra är rapporterad, och varje siffra nedan är märkt därefter.
Vad Tell 1:s femte plats faktiskt kostar dig
vCX-tabellens egna siffror är värda att läsas i den ordning de förekommer snarare än i den ordning rangordningen antyder. På raden som Retell kallar colloquial får Tell 1 96,6 % och ingen av de 62 konfigurationerna i fältet slår den. På raden som den kallar tool calling får samma modell 95,4 % och fyra andra gör det bättre – vilket inte är en brist i modellen så mycket som ett uttalande om vad den har trimmats att vara bra på. Genomsnittet på 94,45 % och medianen på 72,5 ms följer båda av den prioriteringen; det gör även en modellkostnad på 3,5 cent per minut som rankas på 19:e plats, bekvämt i mitten av tabellen.
Siffran för femteplatsen – 95,4 %, 954 av 1 000 utvärderingar godkändes – är inte dålig i absoluta tal. Det är mönstret som spelar roll. I ett kontaktcenterflöde är verktygsanropen där agenten gör något oåterkalleligt: bokar en tid, tar en betalning, kopplar en uppringare vidare, avbokar en order. En felfrekvens på 4,6 % för de stegen är ett system som mestadels fungerar och då och då gör fel, vilket är exakt det felsätt som gör att en AI-agent tas ur produktion efter en månad. Vinsterna i talspråklighet och latens är däremot de som gör att den godkänns från första början. Den asymmetrin – bättre på demon än i transaktionen – är det man ska testa, inte det man ska anta.
Två förbehåll gällande själva benchmarken, eftersom den är det enda offentliga beviset för Tell 1. Dess rad har version 17 av testramverket medan 50 av de 62 raderna har version 1, så "#1 totalt" aggregerar över två olika testset. Och det är Retells egen benchmark, körd på Retells trafikmönster, vilket är en legitim metodik och inte en oberoende sådan.
Vad Qwen 3.8 bidrar med till samma problem
Qwen 3.8 är en generation, inte en modell, och uppdelningen spelar roll här. Qwen3.8-Max är den värdbaserade flaggskeppsmodellen: kontext på 1M token, text-, bild- och videoinmatning, tänkläge, funktionsanrop, inbyggda verktyg och strukturerade utdata, tillgänglig i OpenAI-, Anthropic- och DashScope-kompatibla överföringsformat. Artificial Analysis ger den 33,7 på sitt Intelligence Index – bättre än 73 % av modellerna den jämförs med – med 76,2 på sitt Coding Index, 92,8 på GPQA Diamond, 88,8 på Terminal-Bench 2.1 och 47,8 på tau-banking, den blandning av leverantörs- och oberoende resultat som vår modellsida citerar. Qwen3.8-27B är den täta medlemmen med öppna vikter: 27B parametrar, 256K kontext, multimodalt, Apache 2.0, och enligt Qwens eget modellkort 90,3 på LiveCodeBench v6, 89,2 på GPQA Diamond, 84,3 på OSWorld-Verified, 79,0 på QwenSWEBench.
Läs tau-banking-siffran två gånger om verktygsanvändning är det du oroar dig för. Det är ett benchmark för verktygsförstärkta kundtjänstuppgifter – slå upp ett konto, ändra en order, följa en policy – och 47,8 är ett hårt resultat på ett svårt test, inte en marknadsföringssiffra. Generella modeller blev bra på detta innan de blev bra på att låta mänskliga, och ordningen är hela poängen med den här jämförelsen: Qwen 3.8 kommer att köra din verktygsloop mer tillförlitligt än en röstmodell på 72 millisekunder, och det kommer att ta sekunder innan den börjar prata.
• Latens — 72,5 ms i median för Tell 1 i Retells testrigg; våra egna serverade mätningar visar Qwen3.8-Max på 8 235 ms p50 och Qwen3.8-27B på 4 197 ms p50 över ett sjudagarsfönster, vilket är en annan storhet mätt på ett annat sätt, och ingendera är en tur i ett telefonsamtal.
• Verktygsanrop — 95,4 % (plats 5 av 62) för Tell 1 i Retells testramverk; 47,8 tau-banking och fullt inbyggt funktionsanrop med strukturerade utdata för Qwen3.8-Max, på benchmarkar poängsatta av personer som inte säljer någon av modellerna.
• Kontext – 1M tokens för Qwen3.8-Max, 256K för Qwen3.8-27B; inte publicerat för Tell 1 och till stor del irrelevant vid ett samtal, där kunskapsbasen ligger utanför modellen.
• Pris — Tell 1 ligger inom Retells $0,07 till $0,31 per minut, varav 3,5 cent tillskrivs modellen; Qwen3.8-Max kostar $2 för indata och $6 för utdata per miljon token, Qwen3.8-27B $0,33 och $2,40, båda enligt leverantörens listpris via OrcaRouter utan påslag.

Aritmetiken som avgör de flesta driftsättningar
Det är vid omräkning mellan de två prisenheterna som jämförelser brukar bli oprecisa, så här är omräkningen genomförd i klartext. En minuts tal är ungefär 150 talade ord, vilket är ungefär 200 utdatatokens och kanske 1 500 till 3 000 indatatokens när prompten, den hämtade kunskapen och verktygsscheman räknas med. Med Qwen3.8-Max-priset på $2/$6 blir det mindre än två cent per minut i modellkostnad; med Qwen3.8-27B:s $0.33/$2.40 är det en bråkdel av ett cent.
Tokenprismodellen är alltså inte den dyra delen, och det är fällan. Det du inte kan få från Qwen 3.8 till något pris är en första stavelse på 72 ms, eftersom ett flaggskepp med 2,4 biljoner parametrar som svarar på åtta sekunder redan har tappat uppringaren. Kostnaden för det hostade flaggskeppet är inte tokens; det är rundturen. Att bygga samma sak själv innebär att äga latensbudgeten från början till slut — samplacera modellen med talstacken, begränsa utdatans längd, strömma den första satsdelen innan verktygsanropet har slutförts — och det ingenjörsarbetet är den verkliga kostnadsposten, inte de 0,02 dollarna.
Det är därför den ärliga bedömningen är arkitektonisk snarare än konkurrensmässig. Värdet med Tell 1 är att någon redan har lagt ingenjörsarbetet på de första 800 millisekunderna av ett telefonsamtal. Värdet med Qwen 3.8 är att det är mätbart bättre på den del av samtalet där något faktiskt blir gjort, och det finns både som ett anropbart API och som vikter du kan hosta.
Split-stack-mönstret, och var en router förtjänar sin plats
Konfigurationen som löser detta är inte ett val mellan de två modellerna; det är en arbetsfördelning, och röstplattformar tillämpar den redan internt. Retells egen startsida beskriver sin stack precis så: en modell för resonemang och orkestrering, ett agentramverk som sammanställer kunskap och verktyg, och ett separat tallager. Tell 1 intar en plats i den konstellationen, inte alla.
Utanför en röstplattform ser samma uppdelning ut så här. En liten, snabb modell hanterar turordningslagret – bekräftelsen, förtydligandet, "låt mig kontrollera det åt dig" – medan de verktygstunga, resonemangstunga stegen går till en modell med bättre track record för funktionsanrop och lång kontext. Qwen 3.8 passar väl i den andra rollen och båda dess huvudmedlemmar kan dirigeras via OrcaRouter med en enda nyckel: växla mellan Qwen3.8-Max och Qwen3.8-27B genom att ändra modellsträngen, behåll en reservkedja så att ett 429 från uppströms inte blir ett tappat samtal, och använd routnings-DSL:en för att skicka de svåra turerna till flaggskeppet och de rutinmässiga till den billigare medlemmen. Leverantörens listpris förs vidare utan påslag, så en prisförändring för Qwen når dig samma dag i stället för vid nästa avtalsförnyelse.
Tell 1 finns inte i vår katalog och kommer inte att göra det; den säljs inte som modell. Det vi kan göra är eskaleringsvägen runt den – den modell som din röstagent anropar när den som ringer frågar något som manuset inte täcker.
Hur man löser det på en vecka
Ta femtio riktiga samtal från din egen kö, inte syntetiska – benchmarkens svaghet är att dess samtal är Retells, och dina felflägen finns i dina egna transkript. Kör varje samtal genom två konfigurationer: Tell 1 i Retell, och samma agentlogik riktad mot Qwen3.8-Max. Poängsätt tre saker och ignorera allt annat. Utlöstes verktygsanropet med rätt argument? Matchade svaret din kunskapsbas? Och vid vilken tidsstämpel började agenten tala efter att uppringaren slutade?
Min förväntan, utifrån de publicerade siffrorna snarare än från testning: Qwen-konfigurationen kommer att vinna de två första och förlora den tredje rejält, och storleken på den tredje luckan är det enda talet som avgör arkitekturen. Om dina anrop mestadels är uppslagningar med ett rätt svar är en rösttrimmad modells latensfördel värd mindre än några procentenheter i verktygsanropsnoggrannhet, och den generella modellen vinner. Om dina anrop mestadels är samtal — triage, lugnande besked, kvalificering — är verktygsanropen grunda, latensen är allt, och en modell byggd för telefonen är rätt del för jobbet.
Båda svaren är försvarbara, vilket är anledningen till att ramen ”vilket är bättre” brister. Det enda jag inte skulle göra är att välja Tell 1 tack vare en förstaplatsplacering utan att läsa kolumnen där den är femma, eller att välja Qwen 3.8 tack vare ett Intelligence Index utan att ta tid på dess första token i ett live-samtal.


