一張生成的標題卡,標題為「Tell 1 對決 Qwen 3.8」。左側卡片標示為「Tell 1」,帶有碼錶圖示,以及「延遲表現第一」和「工具呼叫排名第五」兩行文字;右側卡片標示為「Qwen 3.8」,帶有扳手圖示,以及「100 萬 token 上下文」和「原生工具呼叫」兩行文字。分隔線寫著「速度對比交易」。OrcaRouter 標誌合成在右下角。
Guides & Insights

Tell 1 對比 Qwen 3.8:沒人寫進標題的工具呼叫落差

作者

jinhao.song

發佈日期

最新模型 · 20查看全部模型 →
基準測試:Artificial Analysis · 每日更新
返回全部文章

Retell 發布語音模型排行榜,並把Tell 1排在首位。同一個排行榜,若沿著各欄位再往下讀一點,會指出 Tell 1 在呼叫工具方面排名第五。那個單一排名是頁面上最有用的資訊,因為它精確標出界線:一邊是Tell 1被打造來做的事,另一邊是像Q​wen 3.8這樣的通用模型——這一代的旗艦是Qwen3.8-Max、開放稠密成員是Qwen3.8-27B——如今真正擅長的事。無法預約的電話代理,比動作慢的還糟。一個 2.4 兆參數、要花 8 秒才能說聲哈囉的模型,根本無法接電話。有趣的問題不是哪個模型更好;而是在你的技術堆疊中,每個模型從哪裡開始不再是正確的工具。

先說明證據等級,因為這兩個模型的文件記錄方式並不相容。Qwen3.8-Max 於 2026 年 8 月 3 日以付費 API 形式推出,並附有公布的能力矩陣、100 萬個 token 的上下文,以及廠商基準測試;Qwen3.8-27B 隨後以可下載的 Apache-2.0 權重形式推出;兩者皆由 Artificial Analysis 獨立評分。Tell 1 在其擁有者撰寫的基準測試中只有一行,且完全沒有模型卡。因此,本頁一邊是實測,另一邊是回報,下方每個數字都依此標註。

Tell 1 的第五名實際上讓你付出什麼代價

vCX 表格本身的數字,值得按它們出現的順序來讀,而不是按排名所暗示的順序來讀。在 Retell 稱為口語的那一列,Tell 1 得分 96.6%,而在 62 個配置中沒有任何一個能勝過它。在它稱為工具呼叫的那一列,同一個模型得分 95.4%,另有四個表現更好——這與其說是模型的缺陷,不如說它說明了這個模型被調校成擅長什麼。94.45% 的平均值和 72.5 毫秒的中位數都源自那項優先考量;每分鐘 3.5 美分的模型成本也是如此,該成本排名第 19,穩居中段。

第五名的數字——95.4%,1,000 次評估中有 954 次通過——以絕對值來看並不差。真正重要的是模式。在聯絡中心流程中,工具呼叫是代理做出不可逆動作的地方:預訂時段、收款、轉接來電者、取消訂單。這些步驟有 4.6% 的失敗率,代表這是個大多能運作、偶爾做錯事的系統,而這正是會讓 AI 代理在一個月後被撤出生產環境的失敗模式。相較之下,口語化與延遲方面的優勢,才是一開始讓它獲准上線的原因。這種不對稱——在示範中表現較好,在實際交易中較差——是應該測試的事,而不是應該假定的事。

關於這個基準測試本身有兩點注意事項,因為它是 Tell 1 唯一的公開證據。它所在的那一列使用的是測試框架第 17 版,而 62 列中有 50 列使用的是第 1 版,因此「#1 overall」是彙整了兩套不同的測試集。而且這是 Retell 自家的基準測試,依據 Retell 的流量模式執行,這是一種合理的方法論,但並非獨立的方法論。

Qwen 3.8 能為同一個問題帶來什麼

Qwen 3.8 是一個世代,而非單一模型,而這裡的區分很重要。Qwen3.8-Max 是託管旗艦:100 萬 token 上下文、文字、圖像與影片輸入、思考模式、函式呼叫、內建工具與結構化輸出,並以相容於 OpenAI、Anthropic 與 DashScope 的傳輸格式提供。Artificial Analysis 在其 Intelligence Index 上給它 33.7 分——優於其比較模型中 73% 的模型——其 Coding Index 為 76.2、GPQA Diamond 為 92.8、Terminal-Bench 2.1 為 88.8,tau-banking 為 47.8,這些是我們模型頁面引用的廠商與獨立評測混合結果。Qwen3.8-27B 是開放權重的稠密成員:27B 參數、256K 上下文、多模態、Apache 2.0,且依據 Qwen 自家模型卡為 LiveCodeBench v6 90.3、GPQA Diamond 89.2、OSWorld-Verified 84.3、QwenSWEBench 79.0。

如果工具使用是你關注的重點,就把 tau-banking 的分數看兩遍。它是一項針對工具增強的客服任務的基準測試——查詢帳戶、更改訂單、遵循政策——而 47.8 是在一項艱難測試中的硬成績,不是行銷數字。通用模型在擅長聽起來像人之前,就已經擅長這件事了,而這個先後順序正是這項比較的重點:Q​wen 3.8 會比 72 毫秒的語音模型更可靠地執行你的工具迴圈,而且它要花幾秒鐘才會開始說話。

• 延遲 — 在 Retell 的測試框架內,Tell 1 的中位數為 72.5 毫秒;我們自家正式服務的測量則顯示,在為期七天的窗口內,Qwen3.8-Max 的 p50 為 8,235 毫秒,Qwen3.8-27B 的 p50 為 4,197 毫秒;這是用不同方式測量的不同量,且兩者都不是電話通話的一輪往返。

• 工具呼叫 — Tell 1 在 Retell 測試框架上達 95.4%(62 個中排名第 5);Qwen3.8-Max 則為 47.8 tau-banking,並具備結構化輸出的完整原生函式呼叫;這些基準由不販售任一模型的人士評分。

• 上下文 — Qwen3.8-Max 為 100 萬個 token,Qwen3.8-27B 為 256K;Tell 1 則尚未公布,而且在通話情境中大致無關緊要,因為知識庫位於模型之外。

• 價格 — Tell 1 落在 Retell 每分鐘 $0.07 至 $0.31 的範圍內,其中 3.5 美分歸因於模型;Qwen3.8-Max 為每百萬個 token $2 輸入與 $6 輸出,Qwen3.8-27B 為 $0.33 與 $2.40,兩者皆透過 OrcaRouter 按供應商牌價提供,未額外加價。

A generated two-column scoreboard headed 'Tell 1 vs Qwen 3.8'. The Tell 1 column reads 'Latency: 72 ms', 'Tool calling: 95.4% rank 5', 'Context: unpublished', 'Weights: none', 'Evidence: vendor benchmark', 'Price: 3.5c per minute'. The Qwen3.8-Max column reads 'Latency: 8235 ms p50', 'Tool calling: tau-banking 47.8', 'Context: 1M tokens', 'Weights: open 27B sibling', 'Evidence: AA Index 33.7', 'Price: $2/$6'. A footer reads 'Tell 1 per Retell; Qwen figures per Artificial Analysis and OrcaRouter.' The OrcaRouter logo is composited in the bottom-right corner.

決定大多數部署的算術

在兩種價格單位之間換算,往往正是比較容易失真的地方,所以這裡把換算明明白白說出來。一分鐘的語音大約是 150 個口說單字,約等於 200 個輸出 token;而一旦把提示詞、檢索到的知識與工具結構描述都算進去,輸入可能約為 1,500 到 3,000 個 token。以 Qwen3.8-Max 的 $2/$6 計價,每分鐘的模型成本不到兩美分;以 Qwen3.8-27B 的 $0.33/$2.40 計價,則僅為一美分的一小部分。

所以按 token 計費的模型並不是昂貴的部分,而那正是陷阱。無論你出多少錢,都無法從 Qwen 3.8 得到 72 毫秒內發出第一個音節,因為一個 2.4 兆參數的旗艦模型花八秒才回答,早就已經失去來電者了。託管旗艦模型的成本不在 token,而在來回往返。自己打造同樣的東西,意味著要端到端掌控延遲預算——把模型與語音堆疊共置、限制輸出長度、在工具呼叫解析完成前先串流第一個子句——而這項工程才是真正的費用項目,不是那 0.02 美元。

這就是為什麼誠實的結論是架構層面的,而非競爭層面的。Tell 1 的價值在於,已經有人把工程心力花在一通電話最前面的 800 毫秒上。Qwen 3.8 的價值在於,在通話中真正把事情辦成的那個環節上,它明顯更勝一籌,而且它既能以可呼叫的 API 形式取得,也能以你可自行託管的權重形式取得。

分離式堆疊模式,以及路由器在何處證明自身價值

解決這個問題的配置並不是在兩個模型之間做選擇;它是一種分工,而語音平台早已在內部實踐這種做法。Retell 自己的首頁正是這樣描述它的技術堆疊:一個負責推理與編排的模型、一個組裝知識與工具的代理框架,以及一個獨立的語音層。Tell 1 在那套安排中只佔據一個位置,而非全部。

在語音平台之外,同樣的分工看起來是這樣。小型、快速的模型負責輪流發言層——回應確認、釐清問題、「我幫你查一下」——而工具使用密集、推理密集的步驟則交給在函式呼叫與長上下文方面紀錄較好的模型。Q​wen 3.8 很適合第二個角色,且它的兩個主要成員都能用同一把金鑰透過 OrcaRouter 路由:只要更改模型字串,就能在 Qwen3.8-Max 與 Qwen3.8-27B 之間切換,保留備援鏈,讓上游的 429 不會變成中斷的通話,並使用路由 DSL 將困難的輪次交給旗艦模型、例行輪次交給較便宜的成員。供應商定價原價透傳、不額外加價,因此 Q​wen 的價格變動當天就會反映到你身上,而不是等到下一次合約續約。

Tell 1 並不在我們的產品目錄中,未來也不會列入;它並不是以型號形式販售的。我們能做的是圍繞它所建立的升級處理途徑——也就是當來電者問到腳本未涵蓋的內容時,你的語音代理所呼叫的模型。

如何在一個星期內解決它

從你自己的佇列中取五十通真實通話,不要用合成通話——這個基準測試的弱點在於它的通話是 Retell 的,而你的失敗模式存在於你自己的逐字稿中。把每一通都跑過兩種配置:Retell 中的 Tell 1,以及把相同的代理邏輯指向 Qwen3.8-Max。只評分三件事,其餘一律忽略。工具呼叫有沒有以正確的引數觸發?答案有沒有符合你的知識庫?以及來電者停止說話後,代理是在哪個時間戳開始說話?

我的預期(依據公開數字,而非實測):Q​wen 組態會在前兩項勝出,第三項則大幅落敗,而第三項差距的大小是唯一能決定架構的數字。如果你的呼叫多為有正確答案的查詢,語音調校模型的延遲優勢,比不上幾個百分點的工具呼叫準確率,通用模型勝出。如果你的呼叫多為對話——分診、安撫、資格篩選——工具呼叫很淺,延遲就是一切,而為電話打造的模型正是這項工作的合適零件。

兩種答案都站得住腳,而這正是「哪個更好」這種提問框架行不通的原因。我唯一不會做的事,就是單憑第一名排名就選 Tell 1,卻沒讀過它排第五的那一欄;或是單憑智慧指數就選 Q​wen 3.8,卻沒在實際通話中替它的第一個 token 按下碼錶。

A screenshot of the OrcaRouter model page for qwen3.8-max captured on 13 November 2026, showing a median time-to-first-token of 8.13 seconds and a listing dated 2026-08-03.A screenshot of the OrcaRouter model page for qwen3.8-27b captured on 13 November 2026, showing a 262K context badge, a median time-to-first-token of about 4.21 seconds and a listing dated 2026-08-13.