
Tell 1 กับ Qwen 3.8: ช่องว่างด้านการเรียกใช้เครื่องมือที่ไม่มีใครใส่ไว้ในพาดหัวข่าว
- Orcaใหม่OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 ต่อ 1 ล้านโทเค็น · 169 tok/s
- tencentใหม่Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 ต่อ 1 ล้านโทเค็น · 236 tok/s
- Googleใหม่Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 ต่อ 1 ล้านโทเค็น · 89 tok/s
- Anthropicใหม่Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 ต่อ 1 ล้านโทเค็น · 98 tok/s
- orcaใหม่Orca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 ต่อ 1 ล้านโทเค็น · 88 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 ต่อ 1 ล้านโทเค็น · 80 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 ต่อ 1 ล้านโทเค็น · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 118 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447ความฉลาด
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 198 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929ความฉลาด
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 ต่อ 1 ล้านโทเค็น · 114 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733ความฉลาด
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 ต่อ 1 ล้านโทเค็น · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740ความฉลาด
Retell เผยแพร่กระดานอันดับสำหรับโมเดลเสียงและจัดให้Tell 1อยู่อันดับหนึ่งบนกระดานนั้น กระดานเดียวกันนี้ เมื่ออ่านลงไปอีกเล็กน้อยในแต่ละคอลัมน์ บอกว่า Tell 1 อยู่อันดับห้าในการเรียกใช้เครื่องมือ อันดับเดียวนั้นคือสิ่งที่มีประโยชน์ที่สุดบนหน้านี้ เพราะมันทำเครื่องหมายขอบเขตที่แน่นอนระหว่างสิ่งที่Tell 1ถูกสร้างมาให้ทำ กับสิ่งที่โมเดลอเนกประสงค์อย่างQwen 3.8 — รุ่นที่มีเรือธงคือQwen3.8-Max และมีสมาชิกแบบ dense ที่เปิดให้ใช้งานคือQwen3.8-27B — ตอนนี้ทำได้ดีจริง ๆ แล้ว เอเจนต์โทรศัพท์ที่จองนัดหมายไม่ได้นั้นแย่กว่าเอเจนต์ที่ช้า โมเดล 2.4 ล้านล้านพารามิเตอร์ที่ต้องใช้ 8 วินาทีเพียงเพื่อกล่าวสวัสดีก็รับโทรศัพท์ไม่ได้เลย คำถามที่น่าสนใจไม่ใช่โมเดลไหนดีกว่า แต่คือจุดไหนในสแตกของคุณที่แต่ละตัวหยุดเป็นเครื่องมือที่ใช่
ควรระบุระดับหลักฐานก่อนเป็นอันดับแรก เพราะโมเดลทั้งสองนี้มีเอกสารประกอบในรูปแบบที่เข้ากันไม่ได้ Qwen3.8-Max เปิดตัวเป็น API ที่คิดค่าบริการเมื่อวันที่ 3 สิงหาคม 2026 พร้อมเมทริกซ์ความสามารถที่เผยแพร่ คอนเท็กซ์ 1M โทเคน และเบนช์มาร์กจากผู้จำหน่าย; Qwen3.8-27B ตามมาด้วยน้ำหนักโมเดล Apache-2.0 ที่ดาวน์โหลดได้; ทั้งสองได้รับการให้คะแนนอย่างอิสระโดย Artificial Analysis ส่วน Tell 1 มีเพียงหนึ่งแถวในเบนช์มาร์กที่เจ้าของเขียนขึ้น และไม่มีการ์ดโมเดลเลย ดังนั้นด้านหนึ่งของหน้านี้จึงถูกวัด และอีกด้านเป็นข้อมูลที่ถูกรายงาน และตัวเลขทุกตัวด้านล่างมีป้ายกำกับตามนั้น
อันดับที่ห้าของ Tell 1 ทำให้คุณต้องเสียจริง ๆ เท่าไร
ตัวเลขของตาราง vCX เองนั้นคุ้มค่าที่จะอ่านตามลำดับที่ปรากฏ มากกว่าตามลำดับที่อันดับชี้แนะ ในแถวที่ Retell เรียกว่าภาษาพูด Tell 1 ทำได้ 96.6% และไม่มีคอนฟิกูเรชันใดในกลุ่ม 62 รายการที่เอาชนะได้ ในแถวที่เรียกว่า tool calling โมเดลเดียวกันทำได้ 95.4% และอีกสี่ตัวทำได้ดีกว่า — ซึ่งไม่ใช่ข้อบกพร่องของโมเดลเท่ากับเป็นข้อบ่งชี้ว่าโมเดลถูกปรับแต่งให้เก่งด้านใด ค่าเฉลี่ย 94.45% และค่ามัธยฐาน 72.5 ms ต่างเป็นผลจากลำดับความสำคัญนั้น เช่นเดียวกับต้นทุนโมเดล 3.5 เซนต์ต่อนาทีซึ่งอยู่ในอันดับที่ 19 กลางตารางอย่างสบาย ๆ
ตัวเลขอันดับที่ห้า — 95.4% หรือผ่าน 954 จาก 1,000 การประเมิน — ไม่ได้แย่ในแง่สัมบูรณ์ สิ่งที่สำคัญคือแพตเทิร์น ในโฟลว์ศูนย์ติดต่อ การเรียกเครื่องมือคือจุดที่เอเจนต์ทำสิ่งย้อนกลับไม่ได้: จองช่วงเวลา รับชำระเงิน โอนสายผู้โทร หรือยกเลิกคำสั่งซื้อ อัตราความล้มเหลว 4.6% ในขั้นตอนเหล่านั้นหมายถึงระบบที่ส่วนใหญ่ทำงานได้และบางครั้งทำผิด ซึ่งเป็นโหมดความล้มเหลวแบบเดียวกับที่ทำให้ AI เอเจนต์ถูกถอดออกจากโปรดักชันหลังผ่านไปหนึ่งเดือน ในทางกลับกัน ชัยชนะด้านความเป็นกันเองและความหน่วงคือสิ่งที่ทำให้มันได้รับการอนุมัติตั้งแต่แรก ความไม่สมดุลนั้น — เก่งในการเดโมมากกว่าในการทำธุรกรรม — คือสิ่งที่ต้องทดสอบ ไม่ใช่สิ่งที่ต้องสันนิษฐาน
มีข้อแม้สองข้อเกี่ยวกับตัว benchmark เอง เนื่องจากมันเป็นหลักฐานสาธารณะเพียงชิ้นเดียวสำหรับ Tell 1 แถวของมันใช้ harness เวอร์ชัน 17 ในขณะที่ 50 จาก 62 แถวใช้เวอร์ชัน 1 ดังนั้น "#1 overall" จึงเป็นการรวมข้อมูลข้ามชุดทดสอบสองชุดที่แตกต่างกัน และมันเป็น benchmark ของ Retell เอง ซึ่งรันบนรูปแบบทราฟฟิกของ Retell ซึ่งเป็นระเบียบวิธีที่ถูกต้องและไม่ใช่ระเบียบวิธีที่เป็นอิสระ
สิ่งที่ Qwen 3.8 นำมาสู่ปัญหาเดียวกัน
Qwen 3.8 เป็นเจเนอเรชัน ไม่ใช่โมเดล และการแยกความต่างตรงนี้สำคัญ Qwen3.8-Max คือเรือธงแบบโฮสต์: บริบท 1M โทเคน รองรับอินพุตข้อความ รูปภาพ และวิดีโอ โหมดการคิด การเรียกฟังก์ชัน เครื่องมือในตัว และเอาต์พุตแบบมีโครงสร้าง ให้บริการในรูปแบบ wire ที่เข้ากันได้กับ OpenAI, Anthropic และ DashScope Artificial Analysis ให้คะแนน 33.7 บน Intelligence Index — ดีกว่า 73% ของโมเดลที่นำมาเปรียบเทียบ — โดยได้ 76.2 บน Coding Index, 92.8 GPQA Diamond, 88.8 บน Terminal-Bench 2.1 และ 47.8 บน tau-banking ซึ่งเป็นส่วนผสมของคะแนนจากผู้พัฒนาและแหล่งอิสระตามที่หน้าโมเดลของเราอ้างอิง Qwen3.8-27B คือสมาชิกแบบ dense ที่มีน้ำหนักเปิด: พารามิเตอร์ 27B บริบท 256K มัลติโมดัล Apache 2.0 และบนการ์ดข้อมูลของ Qwen เอง 90.3 LiveCodeBench v6, 89.2 GPQA Diamond, 84.3 OSWorld-Verified, 79.0 QwenSWEBench
อ่านตัวเลข tau-banking สองครั้งหากคุณกังวลเรื่องการใช้เครื่องมือ มันเป็นเบนช์มาร์กของงานบริการลูกค้าที่เสริมด้วยเครื่องมือ — การค้นหาบัญชี การเปลี่ยนแปลงคำสั่งซื้อ การปฏิบัติตามนโยบาย — และ 47.8 เป็นคะแนนที่ยากบนแบบทดสอบที่ยาก ไม่ใช่ตัวเลขการตลาด โมเดลอเนกประสงค์เก่งเรื่องนี้ก่อนที่จะเก่งในการฟังดูเป็นมนุษย์ และลำดับความสำคัญคือเรื่องราวทั้งหมดของการเปรียบเทียบนี้: Qwen 3.8 จะรันลูปเครื่องมือของคุณได้อย่างน่าเชื่อถือมากกว่าโมเดลเสียง 72 มิลลิวินาที และจะใช้เวลาหลายวินาทีกว่าจะเริ่มพูด
• ความหน่วง — ค่ามัธยฐาน 72.5 ms สำหรับ Tell 1 ภายในฮาร์เนสของ Retell; การวัดจากระบบที่เราให้บริการเองระบุว่า Qwen3.8-Max อยู่ที่ 8,235 ms ที่ p50 และ Qwen3.8-27B อยู่ที่ 4,197 ms ที่ p50 ในช่วงหน้าต่างเจ็ดวัน ซึ่งเป็นปริมาณที่แตกต่างกันและวัดด้วยวิธีที่แตกต่างกัน และทั้งสองค่าไม่ใช่เทิร์นการสนทนาทางโทรศัพท์
• การเรียกใช้เครื่องมือ — 95.4% (อันดับ 5 จาก 62) สำหรับ Tell 1 บนฮาร์เนสของ Retell; 47.8 tau-banking และการเรียกฟังก์ชันแบบเนทีฟเต็มรูปแบบพร้อมเอาต์พุตแบบมีโครงสร้างสำหรับ Qwen3.8-Max บนเบนช์มาร์กที่ให้คะแนนโดยผู้ที่ไม่ได้ขายโมเดลใดในสองโมเดลนี้
• บริบท — 1M โทเค็นสำหรับ Qwen3.8-Max, 256K สำหรับ Qwen3.8-27B; ยังไม่เปิดเผยสำหรับ Tell 1 และแทบไม่เกี่ยวข้องเมื่ออยู่ในสาย เนื่องจากฐานความรู้นั้นอยู่นอกโมเดล
• ราคา — Tell 1 อยู่ในช่วง 0.07 ถึง 0.31 ดอลลาร์ต่อนาทีของ Retell โดย 3.5 เซนต์ของจำนวนนั้นมาจากโมเดล; Qwen3.8-Max อยู่ที่ 2 ดอลลาร์สำหรับอินพุต และ 6 ดอลลาร์สำหรับเอาต์พุตต่อล้านโทเค็น ส่วน Qwen3.8-27B อยู่ที่ 0.33 และ 2.40 ดอลลาร์ ทั้งคู่เป็นราคาตามรายการของผู้ให้บริการผ่าน OrcaRouter โดยไม่มีการบวกเพิ่ม

การคำนวณที่ตัดสินการติดตั้งใช้งานส่วนใหญ่
การแปลงระหว่างหน่วยราคาสองหน่วยคือจุดที่การเปรียบเทียบมักคลุมเครือ ดังนั้นนี่คือการแปลงให้เห็นชัด ๆ การพูดหนึ่งนาทีมีคำพูดประมาณ 150 คำ ซึ่งคิดเป็นเอาต์พุตประมาณ 200 โทเคน และอาจเป็นอินพุต 1,500 ถึง 3,000 โทเคน เมื่อนับพรอมป์ต์ ความรู้ที่ดึงมา และสคีมาของเครื่องมือ ที่ราคา $2/$6 ของ Qwen3.8-Max นั่นคือต้นทุนโมเดลต่ำกว่าสองเซนต์ต่อนาที ส่วนที่ราคา $0.33/$2.40 ของ Qwen3.8-27B ก็เป็นเพียงเศษเสี้ยวของหนึ่งเซนต์
ดังนั้น การคิดราคาต่อโทเคนจึงไม่ใช่ส่วนที่แพง และนั่นคือกับดัก สิ่งที่คุณไม่ได้จาก Qwen 3.8 ไม่ว่าจะจ่ายเท่าไร คือพยางค์แรกภายใน 72 มิลลิวินาที เพราะโมเดลเรือธงขนาด 2.4 ล้านล้านพารามิเตอร์ที่ตอบในแปดวินาทีได้ทำผู้โทรหลุดไปแล้ว ต้นทุนของโมเดลเรือธงแบบโฮสต์ไม่ได้อยู่ที่โทเคน แต่อยู่ที่การไปกลับ การสร้างสิ่งเดียวกันด้วยตัวเองหมายถึงการเป็นเจ้าของงบความหน่วงตั้งแต่ต้นจนจบ — การวางโมเดลไว้ร่วมกับสแต็กเสียง การจำกัดความยาวเอาต์พุต การสตรีมอนุประโยคแรกก่อนที่การเรียกเครื่องมือจะเสร็จสิ้น — และงานวิศวกรรมนั้นคือรายการต้นทุนจริง ไม่ใช่ $0.02
ซึ่งเป็นเหตุผลว่าทำไมคำตัดสินที่ตรงไปตรงมาจึงเป็นเรื่องเชิงสถาปัตยกรรมมากกว่าเชิงการแข่งขัน คุณค่าของ Tell 1 คือมีคนลงแรงทางวิศวกรรมกับ 800 มิลลิวินาทีแรกของการโทรศัพท์ไปแล้ว คุณค่าของ Qwen 3.8 คือมันทำได้ดีกว่าอย่างวัดผลได้ในส่วนของการโทรที่งานบางอย่างถูกทำให้สำเร็จ และมันมีให้ใช้ทั้งในฐานะ API ที่เรียกใช้ได้และในฐานะเวตที่คุณโฮสต์เองได้
แพตเทิร์น split-stack และจุดที่เราเตอร์พิสูจน์ว่าคุ้มค่ากับตำแหน่งของมัน
การกำหนดค่าที่แก้ปัญหานี้ไม่ใช่การเลือกระหว่างสองโมเดล แต่คือการแบ่งงานกันทำ และแพลตฟอร์มเสียงก็ปฏิบัติเช่นนี้ภายในอยู่แล้ว หน้าแรกของ Retell เองอธิบายสแตกของตนในลักษณะนั้นพอดี โดยมีโมเดลหนึ่งสำหรับการให้เหตุผลและการประสานงาน มีฮาร์เนสของเอเจนต์ที่ประกอบความรู้และเครื่องมือเข้าด้วยกัน และมีชั้นเสียงแยกต่างหาก Tell 1 ครองที่นั่งเพียงหนึ่งตำแหน่งในโครง arrangement นั้น ไม่ใช่ครองทุกตำแหน่ง
นอกแพลตฟอร์มเสียง การแบ่งบทบาทแบบเดียวกันมีหน้าตาเป็นแบบนี้ โมเดลขนาดเล็กที่ทำงานเร็วจะรับผิดชอบชั้นการผลัดกันพูด — การตอบรับ การถามเพื่อความชัดเจน ประโยค "ขอฉันตรวจสอบให้ก่อนนะ" — ส่วนขั้นตอนที่ใช้เครื่องมือหนักและต้องใช้การให้เหตุผลหนักจะถูกส่งไปยังโมเดลที่มีผลงานดีกว่าในด้าน function calling และบริบทแบบยาว Qwen 3.8 เหมาะกับบทบาทที่สองเป็นอย่างดี และสมาชิกหลักทั้งสองตัวของมันสามารถกำหนดเส้นทางผ่าน OrcaRouter ได้ด้วยคีย์เดียว: สลับระหว่าง Qwen3.8-Max และ Qwen3.8-27B ได้โดยการเปลี่ยนสตริงชื่อโมเดล ให้มีเชนสำรอง เพื่อให้ 429 จากต้นทางไม่กลายเป็นการโทรที่หลุดสาย และใช้ DSL สำหรับกำหนดเส้นทางเพื่อส่งเทิร์นที่ยากไปยังโมเดลเรือธงและส่งเทิร์นที่outine ไปยังสมาชิกที่ถูกกว่า ราคาตามรายการของผู้ให้บริการถูกส่งผ่านโดยไม่มีการบวกเพิ่ม ดังนั้นการเปลี่ยนแปลงราคาของ Qwen จะมาถึงคุณภายในวันเดียวกัน แทนที่จะต้องรอถึงการต่อสัญญาครั้งถัดไป
Tell 1 ไม่อยู่ในแคตตาล็อกของเราและจะไม่มีด้วย; เราไม่ได้ขายมันในฐานะโมเดล สิ่งที่เราทำได้คือเส้นทางการส่งต่อ/ยกระดับที่อยู่รอบ ๆ มัน — โมเดลที่วอยซ์เอเจนต์ของคุณเรียกใช้เมื่อผู้โทรถามบางสิ่งซึ่งสคริปต์ไม่ได้ครอบคลุม
วิธีจัดการเรื่องนี้ให้เรียบร้อยภายในหนึ่งสัปดาห์
นำการโทรจริงห้าสิบสายจากคิวของคุณเอง ไม่ใช่สายที่สร้างขึ้นมาเทียม จุดอ่อนของ benchmark คือสายเหล่านั้นเป็นของ Retell และโหมดความล้มเหลวของคุณอยู่ในทรานสคริปต์ของคุณเอง นำแต่ละสายไปรันผ่านสองการกำหนดค่า: Tell 1 ภายใน Retell และตรรกะเอเจนต์เดียวกันที่ชี้ไปยัง Qwen3.8-Max ให้คะแนนสามสิ่งและละเลยทุกอย่างอื่น การเรียกเครื่องมือเกิดขึ้นพร้อมอาร์กิวเมนต์ที่ถูกต้องหรือไม่ คำตอบตรงกับฐานความรู้ของคุณหรือไม่ และเอเจนต์เริ่มพูดที่เวลาใดหลังจากผู้โทรหยุดพูด
ความคาดหวังของผม จากตัวเลขที่เผยแพร่ ไม่ใช่จากการทดสอบ คือการกำหนดค่าของ Qwen จะชนะสองรายการแรก และแพ้รายการที่สามอย่างหนัก และขนาดของช่องว่างในรายการที่สามนั้นเป็นตัวเลขเดียวที่ชี้ขาดสถาปัตยกรรม หากการเรียกของคุณส่วนใหญ่เป็นการค้นหาที่มีคำตอบที่ถูกต้อง ข้อได้เปรียบด้านเวลาแฝงของโมเดลที่ปรับแต่งสำหรับเสียงจะมีค่าน้อยกว่าความแม่นยำในการเรียกใช้เครื่องมือเพียงไม่กี่พอยต์ และโมเดลทั่วไปจะเป็นฝ่ายชนะ หากการเรียกของคุณส่วนใหญ่เป็นการสนทนา — การคัดแยก การให้ความมั่นใจ การประเมินคุณสมบัติ — การเรียกใช้เครื่องมือจะตื้นเขิน เวลาแฝงคือทุกสิ่ง และโมเดลที่สร้างมาสำหรับโทรศัพท์คือชิ้นส่วนที่เหมาะสมกับงานนี้
คำตอบทั้งสองข้อต่างมีเหตุผลรองรับ นี่คือเหตุผลว่าทำไมกรอบคำถามแบบ "อันไหนดีกว่า" จึงใช้ไม่ได้ สิ่งเดียวที่ฉันจะไม่ทำคือเลือก Tell 1 เพราะมันได้อันดับที่หนึ่ง โดยไม่ดูคอลัมน์ที่มันอยู่อันดับที่ห้า หรือเลือก Qwen 3.8 เพราะคะแนนจาก Intelligence Index โดยไม่จับเวลาโทเค็นแรกในการเรียกใช้งานจริง


