OpenAI 公布低资源编程语言评测，COBOL 与 Fortran 编码能力大幅提升

OpenAI 在其官网发布文章，介绍最新模型在低资源编程语言上的进展，重点关注 COBOL、Fortran 和 Visual Basic 这类训练语料远少于 Python、JavaScript 的语言。文章给出的理由是现实需求：这些语言承载着大量关键基础设施与基础服务，却长期是编码模型的薄弱环节。

文章引用数据说明这些语言的分量：COBOL 支撑着超过 40% 的网上银行系统、80% 的面对面信用卡交易和 95% 的 ATM 交易；Fortran 则被用于天气预报和核安全记录分析。OpenAI 表示，这一方向来自开发者和企业客户的反馈——模型在这些语言上经常表现不佳，而维护这类系统的团队往往面对文档残缺、原开发者离职、业务规则只存在于代码之中的局面。

为了衡量进展，OpenAI 构建了两个评测。MultiLangBench 要求模型用 20 种不同的编程语言从零写出一个兼容 SQLite 的数据库引擎，考验代码组织、状态管理、错误处理和功能扩展能力；COBOL 迁移评测则要求模型把既有 COBOL 程序迁移到 C++、Java、Kotlin、Python 或 Rust，并用隐藏测试检查输出是否逐字节一致。

在 MultiLangBench 上，GPT‑6 Astra 在 20 种语言中的平均测试通过率达到 87.4%，而 GPT‑5.6 Sol 为 26.8%，且每一种语言都有提升。分语言看，COBOL 从 10.9% 升到 72.1%，OCaml 升到 85.8%，Fortran 升到 83.5%，Visual Basic 升到 89.4%；Astra 在其中 19 种语言上超过 83%，COBOL 仍是最难的一项。

成本一侧的变化同样明显。定位更低成本的 GPT‑6 Luna 平均通过率为 40.3%，但每个样本的预估 API 成本约为 0.77 美元，而 GPT‑5.6 Sol 为 3.48 美元，降幅约 78%，并且在测试的每种语言上都优于 GPT‑5.6 Sol。

COBOL 迁移评测的结果更能说明问题。GPT‑6.1 Sol 在低推理强度下达到 86.6% 的准确率，GPT‑5.6 Sol 仅为 5.4%，同时成本低 39%；把推理强度调高后，准确率达到 97.9%，几乎打满这项评测。OpenAI 解释了这个任务为何困难：COBOL 的定点运算会直接丢弃多余小数位，除非显式要求舍入，一次看起来正确的重写可能顺利运行却算出不同的财务结果。

OpenAI 同时把 MultiLangBench 的评测设置、测试套件和各语言结果发布在 GitHub 上，方便开发者查看评测究竟测了什么、自己使用的语言表现如何。对银行、保险、政府和大量依赖遗留系统的行业来说，这类能力直接关系到现代化改造的可行性与成本。

接下来的看点是第三方能否复现这些数字，以及企业在真实迁移项目中如何验证行为一致性——评测里的逐字节比对，在真实系统里往往要换成更昂贵的回归测试与合规审查。低资源语言的覆盖范围是否继续扩大，也会决定这套评测的长期价值。