Dessa vs Qwen3.8-Max: โทเค็นเอาต์พุตราคา $6 เทียบกับโมเดลที่ไม่มีราคา

Qwen3.8-Maxคิดค่าบริการ $2.00 ต่อหนึ่งล้านโทเค็นอินพุต และ $6.00 ต่อหนึ่งล้านโทเค็นเอาต์พุต Dessaไม่คิดค่าบริการใด ๆ เพราะ Block ไม่ได้ขาย โฮสต์ หรือปล่อยมันออกมา นั่นไม่ใช่การตำหนิ Dessa — นั่นคือการเปรียบเทียบทั้งหมด โมเดลหนึ่งเป็นเรือธงที่มีราคา เรียกใช้ได้ และได้รับการให้คะแนนอย่างอิสระ ส่วนอีกโมเดลเป็นพรีวิวงานวิจัยด้านเสียงพูดที่ประกาศเมื่อวันที่ 23 ตุลาคม 2026 พร้อมรายชื่อรอและหน้าเดโม การวางพวกมันเคียงข้างกันมีประโยชน์ก็เพราะพวกมันอยู่คนละสุดของคำถามผลิตภัณฑ์เดียวกัน: ต้องใช้ต้นทุนเท่าไรในการมอบเสียงให้ผู้ใช้?

Qwen3.8-Max คือโมเดลเรือธงแบบโฮสต์ของ Alibaba ประกาศเปิดตัวเมื่อวันที่ 3 สิงหาคม 2026 เป็นโมเดล sparse mixture-of-experts ขนาด 2.4 ล้านล้านพารามิเตอร์ โดยมีพารามิเตอร์ที่ทำงานอยู่จริงราว 95,000 ล้านตัวต่อโทเคน Dessa คือโมเดล speech-to-speech แบบ full-duplex ของ Block ฝึกตั้งแต่ศูนย์ด้วยบทสนทนาของมนุษย์ โดยไม่มีข้อความและไม่ใช้โมเดลที่ผ่านการฝึกมาก่อน ตัวหนึ่งอ่านและให้เหตุผลกับข้อความนับล้านโทเคน อีกตัวฟังและพูดในเวลาเดียวกัน ทั้งสองทำหน้าที่ของอีกฝ่ายไม่ได้ และวันนี้มีเพียงตัวเดียวเท่านั้นที่เรียกใช้งานได้

แต่ละโมเดลใช้สำหรับอะไรจริงๆ

Qwen3.8-Max เป็นเอนจินสำหรับการให้เหตุผลและการสร้างแบบอเนกประสงค์ โดยรับข้อความ รูปภาพ และวิดีโอ แล้วส่งคืนข้อความ มีหน้าต่างบริบทประมาณหนึ่งล้านโทเค็น เอาต์พุตสูงสุด 131,072 โทเค็น และมีโหมดคิดที่ใช้โทเค็นได้มากถึง 262,144 โทเค็นสำหรับห่วงโซ่ความคิด ตารางเบนช์มาร์กของ Alibaba เองมุ่งเน้นไปที่การให้เหตุผลระดับแนวหน้าและงานแบบเอเจนต์ โดยได้ GPQA Diamond 92.6, PaperBench 93.0, OSWorld 86.1 และ BabyVision 82.0 ซึ่งทั้งหมดเป็นข้อมูลที่ผู้จำหน่ายรายงานเอง ส่วน Artificial Analysis ซึ่งเป็นหน่วยงานอิสระ ให้คะแนนอยู่ที่ 45 บน Intelligence Index และวัดได้ 42.4 โทเค็นเอาต์พุตต่อวินาที

Dessa เป็นอินเทอร์เฟซสำหรับการสนทนา โดยรับสตรีมเสียงและส่งคืนสตรีมเสียง โดยไม่มีข้อความคั่นกลาง และเป็นแบบฟูลดูเพล็กซ์ หมายความว่าสามารถฟังขณะพูดได้ เดโมของ Block แสดงให้เห็นว่ามันส่งสัญญาณตอบรับสอดแทรก หัวเราะกลางประโยค ปรับระดับเสียงให้ตรงกัน และช่วยเติมชื่อภาพยนตร์ที่ผู้พูดลืม ไม่มีตาราง benchmark ไม่มีจำนวนพารามิเตอร์ และไม่มีหน้าต่างบริบท เพราะไม่มีอินเทอร์เฟซโทเค็นให้วัด

สิ่งเหล่านี้ไม่ใช่คำตอบที่แข่งขันกันสำหรับคำถามเดียว แต่เป็นคำตอบสำหรับสองคำถามที่ผลิตภัณฑ์ด้านเสียงต้องถามตามลำดับ คือ ระบบเข้าใจอย่างไร และระบบพูดอย่างไร

ตัวเลข และช่องว่างตรงที่ของ Dessa ควรจะอยู่

ตัวเลข Qwen ทุกตัวด้านล่างมาจากเอกสารราคาและเอกสารโมเดลที่ Alibaba เผยแพร่ หรือจาก Artificial Analysis และมีป้ายกำกับแหล่งที่มาตามนั้น ตัวเลข Dessa ทุกตัวมาจากหน้าประกาศของ Block ซึ่งเผยแพร่ข้อมูลไว้น้อยมาก

• ราคา — Qwen3.8-Max ราคาอินพุต $2.00 และเอาต์พุต $6.00 ต่อหนึ่งล้านโทเคน เทียบกับ Dessa ที่ไม่มีราคา

• อินพุตที่แคชไว้ — Qwen3.8-Max $0.25 ต่อล้านโทเค็น เทียบกับ Dessa ไม่เกี่ยวข้อง

• พารามิเตอร์ — Qwen3.8-Max รวม 2.4T, active ประมาณ 95B เทียบกับ Dessa ที่ไม่เปิดเผย

• บริบท — Qwen3.8-Max ประมาณ 1,000,000 โทเค็น; Artificial Analysis ระบุ 984k ขณะที่ Dessa ไม่ได้ระบุ

• เอาต์พุตสูงสุด — Qwen3.8-Max 131,072 โทเค็น เทียบกับ Dessa ไม่สามารถใช้ได้ เนื่องจากเอาต์พุตเป็นเสียง

• รูปแบบข้อมูล — Qwen3.8-Max รับข้อความ รูปภาพ และวิดีโอเข้า ส่งออกเป็นข้อความ เทียบกับ Dessa ที่รับเสียงเข้าและส่งออกเป็นเสียง

• คะแนนจากแหล่งอิสระ — Qwen3.8-Max 45 บน Artificial Analysis Intelligence Index เทียบกับ Dessa ที่ไม่มี

• ผลทดสอบจากผู้จำหน่าย — Qwen3.8-Max GPQA Diamond 92.6, OSWorld 86.1 เทียบกับ Dessa ซึ่งไม่มีข้ออ้างเชิงปริมาณใด ๆ เลย

• ความพร้อมใช้งาน — Qwen3.8-Max เป็น API ที่ต้องเสียค่าใช้จ่ายตั้งแต่เดือนสิงหาคม 2026 เทียบกับ Dessa ที่เป็นรายชื่อรอและพรีวิวสำหรับนักวิจัยด้านความปลอดภัยกลุ่มเล็ก

• สัญญาอนุญาต — Qwen3.8-Max เป็น API เชิงพาณิชย์แบบโฮสต์ โดยมีรุ่น open-weight แยกต่างหากภายใต้เงื่อนไขของตนเอง เทียบกับ Dessa ที่ไม่มีการเผยแพร่สัญญาอนุญาต

ได้ยินกันมา อ่านกันมา

ช่องว่างด้านรูปแบบข้อมูล (modality gap) คือส่วนที่มักหลุดหายไปในการเปรียบเทียบสเปก Qwen3.8-Max รับข้อความ รูปภาพ และวิดีโอ เป็นอินพุต และส่งออกเป็นข้อความ เสียงไม่ได้อยู่ในบรรดารูปแบบข้อมูลอินพุตของมัน และมันไม่ส่งออกเสียงเลย ไม่มีรุ่นใดในตระกูล Qwen3.8 ที่เป็นโมเดลเสียงเป็นเสียง

นั่นหมายความว่าผลิตภัณฑ์ด้านเสียงที่สร้างบน Qwen3.8-Max จำเป็นต้องเป็นไปป์ไลน์: การรู้จำเสียงพูดเปลี่ยนเสียงของผู้โทรให้เป็นข้อความ Qwen3.8-Max ให้เหตุผลกับข้อความนั้น และการสังเคราะห์เสียงพูดเปลี่ยนคำตอบกลับเป็นเสียง แต่ละขั้นตอนเป็นผู้ขายรายแยกกัน เป็นโหมดความล้มเหลวแยกกัน และเป็นรายการแยกกันบนใบแจ้งหนี้ ไปป์ไลน์นี้ทำงานได้ — เป็นวิธีที่เอเจนต์เสียงส่วนใหญ่ในโปรดักชันทุกวันนี้ถูกสร้างขึ้น — แต่ก็มีต้นทุนเชิงโครงสร้างที่สถาปัตยกรรมของ Dessa ถูกออกแบบมาเพื่อขจัดออกไป

ข้อได้เปรียบเชิงโครงสร้างของ Dessa ไม่ใช่ความฉลาด แต่คือการที่ไม่มีทรานสคริปต์ให้ต้องยึดติด ไปป์ไลน์ต้องตัดสินใจว่าคุณพูดจบเมื่อใดก่อนจึงจะตอบได้ ส่วนโมเดลดูเพล็กซ์ไม่ต้องทำเช่นนั้น นั่นคือเหตุผลที่เดโมของ Block แสดงการพูดทับซ้อนและการขัดจังหวะได้ และเป็นเหตุผลที่ไปป์ไลน์ต้องจำลองพฤติกรรมเหล่านี้ด้วยการตรวจจุดสิ้นสุดและลอจิกแบร์จอินที่ยกเลิกซินธิไซเซอร์กลางคำ

ค่าใช้จ่ายจริงของ voice agent แบบเรียลไทม์บน Qwen3.8-Max

การคำนวณให้ความสบายใจมากกว่าที่อัตราค่าบริการบ่งชี้ บทสนทนาพูดสิบนาทีจะมีความยาวประมาณ 1,500 คำ ซึ่งคิดเป็นอินพุตประมาณ 2,000 โทเค็นเมื่อรวมพรอมป์ต์ของระบบและประวัติการสนทนาแล้ว คำตอบที่มีความยาวใกล้เคียงกันจะคิดเป็นเอาต์พุตประมาณ 1,000 โทเค็น หากเอเจนต์ตอบกระชับ ที่ราคา $2.00 และ $6.00 ต่อล้านโทเค็น นั่นคืออินพุต $0.004 และเอาต์พุต $0.006 — ประมาณหนึ่งเซนต์ของต้นทุนโมเดลภาษาต่อการโทรสิบนาที

ที่ปริมาณ 10,000 สายต่อวัน ค่าใช้จ่ายโมเดลภาษาอยู่ที่ประมาณ 100 ดอลลาร์ต่อวัน หรือราว 3,000 ดอลลาร์ต่อเดือน นั่นไม่ใช่เรื่องเล็ก แต่เกือบแน่นอนว่าต่ำกว่าค่าใช้จ่ายด้านการรู้จำเสียงและการสังเคราะห์เสียงสำหรับปริมาณเดียวกัน และต่ำกว่าต้นทุนทางวิศวกรรมของเลเยอร์ออร์เคสเตรชัน ความเชื่อโดยสัญชาตญาณที่ว่าเสียงมีราคาแพงเพราะโทเค็นมีราคาแพงนั้นผิดที่ราคาปัจจุบัน เสียงมีราคาแพงเพราะเสียงเข้าและเสียงออกมีราคาแพง และเพราะความหน่วงของไปป์ไลน์คือผลรวมของแต่ละขั้นตอน

บริบทหนึ่งล้านโทเคนเปลี่ยนสิ่งที่เอเจนต์สามารถเก็บไว้ได้ การโทรสิบนาทีเป็นเพียงเศษเสี้ยวเล็กน้อยเมื่อเทียบกับหน้าต่างนั้น ซึ่งหมายความว่าระบบสามารถถือบทสนทนาฉบับเต็ม แฟ้มของลูกค้า และเอกสารนโยบายได้พร้อมกันโดยไม่ต้องดึงข้อมูลค้นคืน นั่นคือความสามารถที่ Dessa ไม่มีอินเทอร์เฟซรองรับเลย — โมเดลที่รองรับเฉพาะเสียงไม่สามารถอ่านเอกสารนโยบายได้

งบความหน่วงคือจุดที่สถาปัตยกรรมเหล่านี้แตกต่างกัน

ในไปป์ไลน์ ผู้ใช้หยุดพูด ตัวรู้จำเสียงจะรอจนถึงจุดสิ้นสุด โมเดลภาษาจะสร้างโทเคนแรก และตัวสังเคราะห์เสียงจะสร้างเสียงแรก การสตรีมแต่ละขั้นช่วยซ่อนบางส่วนของสิ่งนั้นไว้ แต่ห่วงโซ่ยังมีขีดจำกัดขั้นต่ำ และการพูดแทรก (barge-in) หมายถึงการรื้อตัวสังเคราะห์เสียงแล้วรีสตาร์ตตัวรู้จำเสียง ผลลัพธ์คือจังหวะของผู้ช่วยเสียงที่คุ้นเคย คือ หยุดชั่วครู่ แล้วตอบกลับ แล้วหยุดชั่วครู่

ข้อกล่าวอ้างของ Dessa คือจังหวะหายไปเพราะไม่มีห่วงโซ่ Block กล่าวว่าการอนุมานทำงานเร็วกว่าเวลาจริงบน MacBook Pro M4 Max ซึ่ง — หากเป็นจริง — หมายความว่าโมเดลไม่ใช่คอขวด แต่บริษัทไม่ได้เผยแพร่ตัวเลขความหน่วงเป็นมิลลิวินาที ไม่มีอัตราการฟื้นตัวจากการขัดจังหวะ และไม่มีการวัดภายใต้สภาพเครือข่ายหรือเสียงรบกวนพื้นหลัง “เร็วกว่าเวลาจริง” เป็นคำกล่าวเกี่ยวกับทรูพุต ไม่ใช่คำกล่าวเกี่ยวกับการตอบสนอง โมเดลสามารถสร้างเสียงได้เร็วกว่าการเล่นเสียง และยังใช้เวลา 800 มิลลิวินาทีในการตอบสนองต่อการขัดจังหวะ

สำหรับทีมผลิตภัณฑ์ ตัวเลขที่หายไปคือปัจจัยชี้ขาดทั้งหมด เหตุผลในการนำโมเดลดูเพล็กซ์มาใช้คือจังหวะเวลา ผู้จำหน่ายรายใดที่ไม่ยอมเปิดเผยจังหวะเวลา ก็ยังไม่ได้พิสูจน์เหตุผลของตน

ความพร้อมใช้งาน การกำหนดเส้นทาง และสิ่งที่คุณทำได้ในวันจันทร์

Qwen3.8-Max อยู่ในแค็ตตาล็อกของ OrcaRouter ซึ่งหมายความว่าสามารถเข้าถึงได้ผ่านคีย์เดียวกับโมเดลอื่น ๆ กว่า 200 รุ่นที่เราให้บริการ โดยไม่มีการบวกกำไร — ใช้ราคาตามรายการของผู้ให้บริการโดยตรง — พร้อมการสลับไปยังผู้ให้บริการรายอื่นโดยอัตโนมัติเมื่อเกิดปัญหา หาก Alibaba เปลี่ยนแปลงอัตราค่าใช้จ่าย การเปลี่ยนแปลงจะมีผลฝั่งเราในวันเดียวกัน เพราะไม่มีชั้นบวกกำไรที่ต้องปรับราคาใหม่ DSL สำหรับการกำหนดเส้นทางสามารถประกอบ Qwen3.8-Max เข้ากับโมเดลที่ถูกกว่า สำหรับเนื้อหาส่วนใหญ่ของบทสนทนา และสงวนโมเดลเรือธงไว้สำหรับขั้นตอนการให้เหตุผล เมื่อคำตอบสำคัญกว่าค่าใช้จ่าย การหลอมรวมโมเดลสามารถรันโมเดลหลายรุ่นพร้อมกันกับคำถามเดียวกันได้

มีตัวเลือกราคาถูกกว่าในตระกูลเดียวกัน หากเรือธงมีศักยภาพเกินกว่าที่งานต้องการ Qwen3.8-27B อยู่ในแคตตาล็อกของเราที่ราคาอินพุต $0.33 และเอาต์พุต $2.40 ต่อล้านโทเคน และ Qwen3.8-Flash ที่ $0.15 และ $0.47 สำหรับ voice agent ที่ต้นทุนโมเดลภาษาอยู่ที่ประมาณหนึ่งเซนต์ต่อการเรียกหนึ่งครั้งอยู่แล้ว เรือธงก็จับต้องได้ ส่วนระดับราคาที่ถูกกว่าจะสำคัญเมื่อมีปริมาณการใช้งานสูงขึ้นหรือสำหรับบทสนทนาที่เรียบง่ายกว่า

Dessa ไม่อยู่ในแคตตาล็อกของเรา และเราไม่ได้โฮสต์ไว้ หน้าเพจของ Block มีรายชื่อรอและสิทธิ์เข้าถึงก่อนสำหรับนักวิจัยด้านความปลอดภัยกลุ่มเล็กเท่านั้น ไม่มี API ให้กำหนดเส้นทาง ไม่มีราคาให้ส่งผ่าน และไม่มี endpoint ให้สลับไปใช้เมื่อเกิดปัญหา

เมื่อ Dessa จะเปลี่ยนคำตอบ

หาก Block เปิดตัว API ในราคาที่สมเหตุสมผล การเปรียบเทียบจะไม่ใช่เรื่องของโทเคนอีกต่อไป แต่จะเริ่มเป็นเรื่องของนาที เมตริกที่ถูกต้องควรเป็นต้นทุนต่อนาทีของการสนทนาตามธรรมชาติ รวมถึงการรู้จำเสียงและการสังเคราะห์เสียงที่ Dessa ตัดออกไป เมื่อใช้เมตริกนั้น โมเดลดูเพล็กซ์ที่ราคาเพียงไม่กี่เซนต์ต่อนาทีก็อาจเอาชนะไพป์ไลน์ที่ขั้นตอนเสียงมีต้นทุนสูงกว่าโมเดลภาษาของมันได้

เงื่อนไขข้อที่สองคือคุณภาพ โมเดลดูเพล็กซ์ที่ฟังดูน่าพอใจได้สามสิบวินาทีแต่สับสนหลังจากห้านาทีนั้นแย่กว่าไปป์ไลน์ที่ช้ากว่าแต่เชื่อถือได้ เดโมของ Block สั้นเกินไปและจัดฉากมากเกินไปจนตอบคำถามนี้ไม่ได้ และคำถามเปิดของบริษัทเอง — การคงข้อมูลข้อเท็จจริง การเรียนรู้ภาษา การเรียนรู้ในบริบท — ก็เป็นปัจจัยที่กำหนดว่าบทสนทนายาวๆ จะดำเนินต่อได้อย่าง连贯หรือไม่

ตอนนี้ควรทำอะไร

สร้างผลิตภัณฑ์เสียงบนไปป์ไลน์ เพราะมันเป็นเพียงตัวเดียวที่มีราคาและสัญญา ใช้ตัวรู้จำและตัวสังเคราะห์เสียงที่มีประสิทธิภาพสูง วาง Qwen3.8-Max ไว้ตรงกลางในจุดที่การให้เหตุผลเกิดขึ้น และทำให้ชั้นโมเดลภาษาสามารถสลับได้ เพื่อให้ส่วนที่มีค่าใช้จ่ายสูงย้ายตามได้เมื่อราคาเปลี่ยน จากนั้นจับตาตัวเลขสองตัวที่จะทำให้การสร้างใหม่รอบโมเดลดูเพล็กซ์สมเหตุสมผล ได้แก่ ค่าความหน่วงที่เผยแพร่ และราคาต่อหนึ่งนาที

สรุปสั้นๆ ในบรรทัดเดียว: Qwen3.8-Max คือสิ่งที่คุณซื้อได้วันนี้ ส่วน Dessa คือสิ่งที่คุณอาจอยากซื้อในวันพรุ่งนี้ ช่องว่างระหว่างสองตัวนี้ไม่ใช่เรื่องความฉลาด แต่เป็นตารางราคา endpoint และ benchmark — สามสิ่งที่ Block ยังไม่เปิดเผย และสามสิ่งที่ Alibaba เปิดเผยเป็นอาชีพ