
Tell 1 vs Qwen 3.8:没人写进标题的工具调用差距
- Orca新OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 每百万 tokens · 169 tok/s
- tencent新Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 每百万 tokens · 236 tok/s
- Google新Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 每百万 tokens · 89 tok/s
- Anthropic新Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 每百万 tokens · 98 tok/s
- orca新Orca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 每百万 tokens · 88 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百万 tokens · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 每百万 tokens · 80 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 每百万 tokens · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百万 tokens · 118 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百万 tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百万 tokens · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百万 tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447智能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 每百万 tokens · 198 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929智能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百万 tokens · 114 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733智能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 每百万 tokens · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740智能
Retell 发布语音模型排行榜,并把 Tell 1 排在首位。同一份排行榜,若把每一列再往下读一点,就会显示 Tell 1 在调用工具方面排名第五。这一个排名是页面上最有用的信息,因为它精确标出了 Tell 1 被打造来完成的事,与像 Qwen 3.8 这样的通用模型——这一代的旗舰是 Qwen3.8-Max,其开放稠密成员是 Qwen3.8-27B——如今真正擅长的事之间的边界。一个无法完成预约的电话智能体,比一个反应慢的还糟。一个拥有 2.4 万亿参数、需要 8 秒才能说出“你好”的模型,根本接不了电话。有趣的问题不是哪个模型更好;而是在你的技术栈中,每一个模型从哪里开始不再是合适的工具。
值得先说明证据等级,因为这两个模型的可查证方式并不兼容。Qwen3.8-Max 于 2026 年 8 月 3 日以付费 API 形式发布,配有公开的能力矩阵、1M token 上下文和厂商基准测试;Qwen3.8-27B 随后以可下载的 Apache-2.0 权重形式推出;两者均由 Artificial Analysis 独立评分。Tell 1 仅在由其所有者编写的基准测试中占一行,且完全没有模型卡。因此,本页一侧是实测数据,另一侧是转述信息,下文每个数字都会相应标注来源。
Tell 1 的第五名实际会让你付出什么代价
vCX 表格自身的数字值得按它们出现的顺序来读,而不是按排名所暗示的顺序来读。在 Retell 称为口语化的那一行,Tell 1 得分为 96.6%,62 个配置中没有一个能超过它。在它称为工具调用的那一行,同一模型得分为 95.4%,另有四个表现更好——与其说这是模型的缺陷,不如说这说明了它被调优所擅长的是什么。94.45% 的平均值和 72.5 毫秒的中位数都源于这一优先级;每分钟 3.5 美分的模型成本排名第 19、稳稳处于中游,也同样源于此。
排名第五的那个数字——95.4%,即 1,000 次评估中有 954 次通过——从绝对值上看并不差。真正重要的是它所呈现的模式。在联络中心的业务流程中,工具调用正是智能体做出不可逆操作的地方:预订时段、完成收款、转接来电者、取消订单。这些步骤上 4.6% 的失败率,意味着这是一个大体上能正常运转、偶尔会做错事的系统,而这恰恰是会让 AI 智能体在上线一个月后就被撤出生产环境的失败模式。相比之下,口语化表达和低延迟方面的优势,才是让它最初获得批准的原因。这种不对称——演示时表现更好,真正执行交易时反而更差——才是需要去检验的东西,而不是想当然地假定。
关于该基准本身有两点注意事项,因为它是 Tell 1 唯一的公开证据。它的那一行对应的是评测框架的第 17 版,而 62 行中有 50 行对应的是第 1 版,因此“#1 overall”是在两个不同的测试集上汇总得出的。而且它是 Retell 自己的基准,基于 Retell 的流量模式运行,这是一种合理的方法论,但并非独立的方法论。
Qwen 3.8 为同一问题带来了什么
Qwen 3.8 是一个代际,而不是一个模型,这里的区分很重要。Qwen3.8-Max 是托管旗舰:100 万 token 上下文,支持文本、图像和视频输入、思考模式、函数调用、内置工具和结构化输出,并以兼容 OpenAI、Anthropic 和 DashScope 的接口格式提供服务。Artificial Analysis 在其 Intelligence Index 上给它 33.7 分——优于其对比模型中 73% 的模型——其 Coding Index 为 76.2、GPQA Diamond 为 92.8、Terminal-Bench 2.1 为 88.8、tau-banking 为 47.8,这正是我们模型页面引用的厂商与独立评测组合数据。Qwen3.8-27B 是开放权重的稠密成员:27B 参数、256K 上下文、多模态、Apache 2.0,并且根据 Qwen 自己的模型卡,LiveCodeBench v6 为 90.3、GPQA Diamond 为 89.2、OSWorld-Verified 为 84.3、QwenSWEBench 为 79.0。
如果你担心的是工具使用,就把 tau-banking 的分数再看两遍。它是一个工具增强型客服任务的基准——查询账户、修改订单、遵循政策——而 47.8 是在一项艰难测试中实打实拿到的分数,不是营销数字。通用模型先擅长了这件事,之后才擅长听起来像人,而这个排序正是这次比较的全部关键:Qwen 3.8 会比一个 72 毫秒的语音模型更可靠地运行你的工具循环,而它要花上几秒钟才开始说话。
• 延迟 — 在 Retell 的测试框架内,Tell 1 的中位延迟为 72.5 ms;而我们自己的线上实测数据显示,在为期七天的窗口内,Qwen3.8-Max 的 p50 为 8,235 ms,Qwen3.8-27B 的 p50 为 4,197 ms。这是用不同方式测量的另一种指标,而且两者都不是一通电话中的单轮对话。
• 工具调用——在 Retell 的评测框架上,Tell 1 取得 95.4%(在 62 个模型中排名第 5);Qwen3.8-Max 则在 tau-banking 上取得 47.8 分,并具备完整的原生函数调用与结构化输出能力;这些基准均由不销售上述任何一款模型的人员评分。
• 上下文 — Qwen3.8-Max 为 1M tokens,Qwen3.8-27B 为 256K;Tell 1 未公布,且在通话场景中基本无关紧要,因为知识库位于模型之外。
• 价格 — Tell 1 处于 Retell 每分钟 0.07 至 0.31 美元的范围内,其中 3.5 美分归因于模型;Qwen3.8-Max 为每百万 tokens 输入 2 美元、输出 6 美元,Qwen3.8-27B 为 0.33 美元和 2.40 美元,两者均通过 OrcaRouter 按提供商标价提供,未加价。

决定大多数部署的算术
两种价格单位之间的换算,往往正是比较变得含糊的地方,所以这里把换算明明白白地讲出来。一分钟语音大约是 150 个口语词,这大约对应 200 个输出 token;如果把提示词、检索到的知识和工具 schema 都算进去,输入可能达到 1,500 到 3,000 个 token。按 Qwen3.8-Max 的 $2/$6 计算,每分钟模型成本不到两美分;按 Qwen3.8-27B 的 $0.33/$2.40 计算,则只是不到一美分的零头。
所以,按 token 计费的模型并不是昂贵的部分,而这正是陷阱所在。无论花多少钱,你都无法从 Qwen 3.8 获得 72 毫秒内出现的第一个音节,因为一个 2.4 万亿参数的旗舰模型要八秒才作答,呼叫者早已流失。托管旗舰模型的成本不在 token,而在往返延迟。自己构建同样的东西,意味着要端到端掌控延迟预算——把模型与语音栈同地部署、限制输出长度、在工具调用返回前流式输出第一个分句——而这项工程才是真正的成本项,而不是那 0.02 美元。
这就是为什么诚实的结论是架构层面的,而非竞争层面的。Tell 1 的价值在于,已经有人把工程投入花在了一通电话的最初 800 毫秒上。Qwen 3.8 的价值在于,在通话中真正把事情办成的那一部分,它的表现可测量地更好;而且它既可以作为可调用的 API 使用,也可以作为你可自行托管的权重使用。
分离栈模式,以及路由器在何处体现价值
解决这一问题的配置并不是在两个模型之间做选择;它是一种分工,而语音平台已经在内部实践了这种分工。Retell 自己的主页正是这样描述其技术栈的:一个用于推理和编排的模型,一个负责汇集知识和工具的智能体框架,以及一个独立的语音层。Tell 1 在这种安排中只占据一个席位,而不是全部席位。
在语音平台之外,同样的拆分看起来是这样的。一个小而快的模型负责轮次转换层——应答、澄清、“我帮您查一下”——而工具密集、推理密集的步骤则交给在函数调用和长上下文方面表现更可靠的模型。Qwen 3.8 很适合第二个角色,它的两个主要成员都可以通过 OrcaRouter 用同一个密钥路由:通过更改模型字符串在 Qwen3.8-Max 和 Qwen3.8-27B 之间切换,保留一条回退链,这样上游的 429 就不会变成掉话,并使用路由 DSL 将困难轮次发送给旗舰模型,将常规轮次发送给更便宜的成员。提供商标价原样透传,不额外加价,因此 Qwen 的价格变化当天就能传达到你这里,而不是等到下次合同续签。
Tell 1 不在我们的产品目录中,将来也不会;它不作为型号出售。我们能做的是围绕它的升级路径——即当来电者问到脚本未覆盖的内容时,你的语音代理所调用的模型。
如何在一周内解决它
从你自己的队列中取五十个真实通话,而不是合成通话——该基准的弱点是它的通话来自 Retell,而你的失败模式存在于你自己的转写记录中。让每个通话跑两种配置:Retell 内的 Tell 1,以及将相同的智能体逻辑指向 Qwen3.8-Max。只给三件事打分,忽略其他一切。工具调用是否以正确的参数触发?回答是否与你的知识库匹配?以及,在呼叫方停止说话后,智能体在什么时间戳开始说话?
我的预期来自已公布的数据,而不是实测:Qwen 配置会在前两项胜出,在第三项上则明显落败,而第三个差距的大小是唯一决定架构的数字。如果你的调用大多是能查到正确答案的查询,那么语音调优模型的延迟优势,还抵不上几个百分点的工具调用准确率,通用模型胜出。如果你的调用大多是对话——分诊、安抚、资格确认——工具调用很浅,延迟就是一切,那么为电话打造的模型才是这项工作的合适部件。
两种答案都站得住脚,所以“哪个更好”这种框架本身就不成立。唯一我不会做的事,是仅凭第一名排名就选 Tell 1,却不读它排在第五的那一列;或者仅凭 Intelligence Index 就选 Qwen 3.8,却不在真实通话中给它的首个 token 掐表计时。


