Dessa vs Qwen3.8-Max: Token đầu ra giá $6 đối đầu với một mô hình không có giá

Qwen3.8-Max tính phí $2.00 cho mỗi triệu token đầu vào và $6.00 cho mỗi triệu token đầu ra. Dessa không tính phí, vì Block không bán nó, không vận hành nó, cũng không phát hành nó. Đó không phải là lời chê Dessa — đó chính là toàn bộ phép so sánh. Một mô hình là mô hình chủ lực được định giá, có thể gọi được và được đánh giá độc lập; mô hình còn lại là bản xem trước nghiên cứu giọng nói được công bố ngày 23 tháng 10 năm 2026, kèm danh sách chờ và một trang demo. Đặt chúng cạnh nhau là hữu ích chính vì chúng nằm ở hai đầu đối lập của cùng một câu hỏi sản phẩm: chi phí để mang lại cho người dùng một giọng nói là bao nhiêu?

Qwen3.8-Max là mô hình chủ lực được lưu trữ trực tuyến của Alibaba, được công bố vào ngày 3 tháng 8 năm 2026, một mô hình hỗn hợp chuyên gia thưa 2,4 nghìn tỷ tham số với khoảng 95 tỷ tham số hoạt động trên mỗi token. Dessa là mô hình giọng nói sang giọng nói song công hoàn toàn của Block, được huấn luyện từ đầu trên hội thoại của con người mà không có văn bản và không có mô hình tiền huấn luyện. Một mô hình đọc và suy luận trên một triệu token văn bản. Mô hình kia vừa lắng nghe vừa nói cùng lúc. Không mô hình nào có thể làm công việc của mô hình kia, và chỉ một trong số chúng có thể được gọi hôm nay.

Mỗi mô hình thực sự dùng để làm gì

Qwen3.8-Max là một engine suy luận và tạo sinh đa năng. Nó nhận văn bản, hình ảnh và video rồi trả về văn bản, với cửa sổ ngữ cảnh khoảng một triệu token, đầu ra tối đa 131,072 token và chế độ suy nghĩ có thể dành tới 262,144 token cho chuỗi suy luận. Bảng điểm chuẩn của chính Alibaba hướng đến công việc suy luận tiên phong và tác tử: GPQA Diamond 92.6, PaperBench 93.0, OSWorld 86.1, BabyVision 82.0, tất cả đều do nhà cung cấp báo cáo. Artificial Analysis, một đơn vị độc lập, xếp nó ở mức 45 trên Intelligence Index và đo được 42.4 token đầu ra mỗi giây.

Dessa là một giao diện hội thoại. Nó nhận một luồng âm thanh và trả về một luồng âm thanh, không có văn bản ở giữa, và nó là song công hoàn toàn, nghĩa là nó có thể nghe trong khi nói. Các bản demo của Block cho thấy nó phản hồi nền, cười giữa câu, khớp âm lượng và hoàn thành tiêu đề bộ phim mà người nói đã quên. Không có bảng điểm chuẩn, không có số lượng tham số và không có cửa sổ ngữ cảnh vì không có giao diện token để đo.

Đây không phải là những câu trả lời cạnh tranh cho một câu hỏi. Chúng là câu trả lời cho hai câu hỏi mà một sản phẩm giọng nói phải đặt ra theo trình tự: hệ thống hiểu như thế nào và nó nói như thế nào?

Những con số, và cái lỗ nơi đáng lẽ phải là của Dessa.

Mọi số liệu Qwen dưới đây đều lấy từ tài liệu định giá và tài liệu mô hình đã công bố của Alibaba hoặc từ Artificial Analysis, và được ghi nhãn tương ứng. Mọi số liệu Dessa đều lấy từ trang thông báo của Block, nơi công bố rất ít thông tin.

• Giá — Qwen3.8-Max $2.00 đầu vào và $6.00 đầu ra mỗi triệu token so với Dessa không có giá.

• Đầu vào được lưu trong bộ nhớ đệm — Qwen3.8-Max $0.25 mỗi triệu token so với Dessa không áp dụng.

• Tham số — Qwen3.8-Max tổng 2,4T, khoảng 95B kích hoạt, so với Dessa thì không được tiết lộ.

• Ngữ cảnh — Qwen3.8-Max khoảng 1.000.000 token; Artificial Analysis liệt kê 984k, còn Dessa không được nêu.

• Đầu ra tối đa — Qwen3.8-Max 131,072 token, so với Dessa thì không áp dụng vì đầu ra là âm thanh.

• Phương thức — Qwen3.8-Max nhận văn bản, hình ảnh và video, xuất ra văn bản; so với Dessa nhận âm thanh, xuất ra âm thanh.

• Điểm số độc lập — Qwen3.8-Max đạt 45 trên Chỉ số Trí tuệ Artificial Analysis, so với Dessa không có.

• Điểm chuẩn từ nhà cung cấp — Qwen3.8-Max GPQA Diamond 92.6, OSWorld 86.1 so với Dessa hoàn toàn không có bất kỳ tuyên bố định lượng nào.

• Khả năng sẵn có — Qwen3.8-Max là API tính phí từ tháng 8 năm 2026, so với Dessa là một danh sách chờ và một bản xem trước nhỏ dành cho nhà nghiên cứu an toàn.

• Giấy phép — Qwen3.8-Max là API thương mại được lưu trữ, cùng với một bản phát hành trọng số mở riêng theo các điều khoản riêng của nó, so với Dessa chưa công bố giấy phép.

Người ta nghe, người ta đọc

Khoảng trống về phương thức là phần dễ bị bỏ lỡ khi so sánh thông số kỹ thuật. Qwen3.8-Max chấp nhận văn bản, hình ảnh và video, đồng thời xuất ra văn bản. Âm thanh không nằm trong các phương thức đầu vào của nó và nó hoàn toàn không xuất ra âm thanh; không có mô hình nào trong dòng Qwen3.8 là mô hình giọng nói sang giọng nói.

Điều đó có nghĩa là một sản phẩm thoại được xây dựng trên Qwen3.8-Max tất yếu là một pipeline: nhận dạng giọng nói chuyển âm thanh của người gọi thành văn bản, Qwen3.8-Max suy luận trên văn bản đó, và tổng hợp giọng nói chuyển câu trả lời trở lại thành âm thanh. Mỗi giai đoạn là một nhà cung cấp riêng, một kiểu lỗi riêng và một dòng riêng trên hóa đơn. Pipeline này hoạt động — đó là cách hầu hết các tác nhân thoại đang vận hành trong thực tế hiện nay được xây dựng — nhưng nó có một chi phí cấu trúc mà kiến trúc của Dessa được thiết kế để loại bỏ.

Lợi thế về mặt cấu trúc của Dessa không nằm ở trí tuệ. Mà ở chỗ không có bản ghi lời nói nào để phải cam kết. Một pipeline phải quyết định thời điểm bạn nói xong trước khi có thể phản hồi; một mô hình song công thì không. Đó là lý do các bản demo của Block có thể thể hiện sự chồng lấn và ngắt lời, và cũng là lý do một pipeline phải giả lập những hành vi đó bằng phát hiện điểm kết thúc và logic chen ngang để hủy bộ tổng hợp âm thanh giữa từ.

Chi phí thực tế của một tác nhân thoại trực tiếp trên Qwen3.8-Max

Phép tính còn đáng yên tâm hơn bảng giá gợi ý. Một cuộc hội thoại nói kéo dài mười phút tương đương khoảng 1.500 từ, tức khoảng 2.000 token đầu vào khi đã tính cả lời nhắc hệ thống và lịch sử hội thoại. Một câu trả lời có độ dài tương tự là khoảng 1.000 token đầu ra nếu tác nhân ngắn gọn. Với mức 2,00 USD và 6,00 USD mỗi triệu token, đó là 0,004 USD đầu vào và 0,006 USD đầu ra — khoảng một xu chi phí mô hình ngôn ngữ cho mỗi cuộc gọi mười phút.

Với 10.000 cuộc gọi mỗi ngày, hóa đơn mô hình ngôn ngữ vào khoảng 100 USD một ngày, tức khoảng 3.000 USD một tháng. Đó không phải là con số không đáng kể, nhưng gần như chắc chắn nó nhỏ hơn hóa đơn nhận dạng và tổng hợp giọng nói cho cùng khối lượng đó, và nhỏ hơn chi phí kỹ thuật của lớp điều phối. Trực giác rằng giọng nói đắt vì token đắt là sai với mức giá hiện tại. Giọng nói đắt vì âm thanh đầu vào và đầu ra đắt, và vì độ trễ của pipeline là tổng độ trễ của các giai đoạn.

{{1}}Ngữ cảnh một triệu token{{/1}} thay đổi những gì {{2}}tác nhân{{/2}} có thể nắm giữ. Một cuộc gọi mười phút chỉ là sai số làm tròn so với cửa sổ đó, nghĩa là hệ thống có thể mang theo toàn bộ bản ghi, hồ sơ của khách hàng và một tài liệu chính sách cùng lúc mà không cần truy xuất. Đó là một năng lực mà {{3}}Dessa{{/3}} hoàn toàn không có giao diện cho nó — {{4}}một mô hình chỉ xử lý giọng nói{{/4}} không thể đọc tài liệu chính sách.

Ngân sách độ trễ là điểm mà tại đó các kiến trúc phân kỳ.

Trong một pipeline, người dùng ngừng nói, bộ nhận dạng chờ một điểm kết thúc, mô hình ngôn ngữ tạo ra token đầu tiên, và bộ tổng hợp tạo ra âm thanh đầu tiên. Truyền phát từng giai đoạn sẽ che giấu một phần trong số đó, nhưng chuỗi vẫn có một giới hạn dưới, và việc ngắt lời (barge-in) đồng nghĩa với việc tháo dỡ bộ tổng hợp và khởi động lại bộ nhận dạng. Kết quả là nhịp điệu trợ lý giọng nói quen thuộc: một khoảng dừng, rồi một câu trả lời, rồi một khoảng dừng.

Tuyên bố của Dessa là nhịp điệu biến mất vì không có chuỗi. Block nói rằng suy luận chạy nhanh hơn thời gian thực trên MacBook Pro M4 Max, điều này — nếu đúng — có nghĩa là mô hình không phải là nút thắt cổ chai. Nhưng công ty không công bố con số độ trễ nào tính bằng mili giây, không có tỷ lệ phục hồi sau ngắt, và không có đo lường nào trong điều kiện mạng hoặc tiếng ồn nền. “Nhanh hơn thời gian thực” là một tuyên bố về thông lượng, không phải về độ phản hồi. Một mô hình có thể tạo âm thanh nhanh hơn phát lại mà vẫn mất 800 mili giây để phản ứng với một ngắt lời.

Đối với một nhóm sản phẩm, con số còn thiếu đó chính là tất cả. Lý do để áp dụng mô hình song công là thời điểm. Một nhà cung cấp không chịu công bố thời điểm thì chưa đưa ra được lý lẽ thuyết phục.

Tính khả dụng, định tuyến và những việc bạn có thể làm vào Thứ Hai

Qwen3.8-Max nằm trong danh mục của OrcaRouter, nghĩa là có thể truy cập nó bằng cùng khóa như phần còn lại của hơn 200 mô hình mà chúng tôi định tuyến, với mức chênh lệch 0% — giá niêm yết của nhà cung cấp được chuyển thẳng — cùng khả năng tự động chuyển đổi dự phòng giữa các nhà cung cấp. Nếu Alibaba thay đổi mức giá, thay đổi sẽ có hiệu lực phía chúng tôi ngay trong ngày, vì không có lớp chênh lệch giá nào cần định giá lại. DSL định tuyến có thể kết hợp Qwen3.8-Max với một mô hình rẻ hơn cho phần lớn nội dung bản ghi và dành mô hình chủ lực cho bước suy luận; kết hợp mô hình có thể chạy một nhóm mô hình trên cùng một câu hỏi khi câu trả lời quan trọng hơn hóa đơn.

Có những lựa chọn rẻ hơn trong cùng dòng nếu flagship vượt quá nhu cầu của công việc. Qwen3.8-27B có trong danh mục của chúng tôi với giá $0.33 cho đầu vào và $2.40 cho đầu ra trên mỗi triệu token, còn Qwen3.8-Flash ở mức $0.15 và $0.47. Với một voice agent mà chi phí mô hình ngôn ngữ đã khoảng một xu mỗi cuộc gọi, flagship là khoản chi phù hợp; các bậc rẻ hơn có ý nghĩa khi lưu lượng cao hơn hoặc với các lượt hội thoại đơn giản hơn.

Dessa không có trong danh mục của chúng tôi và chúng tôi không lưu trữ nó. Trang của Block cung cấp danh sách chờ và quyền truy cập sớm cho một nhóm nhỏ các nhà nghiên cứu an toàn. Không có API để định tuyến, không có giá để chuyển qua và không có endpoint nào để chuyển sang dự phòng.

Khi Dessa sẽ thay đổi câu trả lời

Nếu Block tung ra một API với mức giá hợp lý, thì so sánh sẽ không còn xoay quanh token mà bắt đầu xoay quanh số phút. Thước đo đúng đắn sẽ là chi phí cho mỗi phút hội thoại tự nhiên, bao gồm cả nhận dạng và tổng hợp giọng nói mà Dessa loại bỏ. Theo thước đo đó, một mô hình song công với chi phí chỉ vài xu mỗi phút cũng có thể đánh bại một pipeline mà các khâu âm thanh tốn kém hơn cả mô hình ngôn ngữ của nó.

Điều kiện thứ hai là chất lượng. Một mô hình song công dễ chịu trong ba mươi giây nhưng rối loạn sau năm phút thì tệ hơn một pipeline chậm hơn nhưng đáng tin cậy. Các bản demo của Block quá ngắn và quá được dàn dựng kỹ để trả lời điều đó, và chính những câu hỏi mở của công ty — khả năng ghi nhớ thông tin thực tế, học ngôn ngữ, học trong ngữ cảnh — lại đúng là những câu hỏi quyết định liệu một cuộc trò chuyện dài có giữ được mạch hay không.

Bây giờ làm gì

Xây dựng sản phẩm giọng nói trên pipeline, vì đây là lựa chọn duy nhất có giá và hợp đồng. Dùng một bộ nhận dạng và tổng hợp mạnh, đặt Qwen3.8-Max ở giữa nơi diễn ra suy luận, và giữ lớp mô hình ngôn ngữ có thể hoán đổi để phần đắt đỏ có thể dịch chuyển khi giá thay đổi. Sau đó theo dõi hai con số có thể biện minh cho việc xây dựng lại quanh một mô hình song công: một con số độ trễ được công bố và giá mỗi phút.

So sánh trong một dòng: Qwen3.8-Max là thứ bạn có thể mua hôm nay, còn Dessa là thứ bạn có thể muốn mua vào ngày mai. Khoảng cách giữa chúng không nằm ở trí thông minh. Mà ở một bảng giá, một endpoint và một benchmark — ba thứ Block chưa công bố, và ba thứ Alibaba công bố như một phần công việc thường ngày của mình.