OpenAI 公布多语言编码评测：20 种语言平均通过率 87%

OpenAI 公布了一套名为 MultiLangBench 的新评测结果，用来检验模型能否在不同编程语言中真正写出可运行的软件。据 EdTech Innovation Hub 10 月 27 日报道，其最新模型 GPT-6 Astra 在 20 种语言上的平均测试通过率达到 87.4%，较上一代 GPT-5.6 Sol 的 26.8% 出现大幅跃升。

这项评测的设计刻意避开了刷题式的小练习。模型需要在指定的编程语言中从零构建一个兼容 SQLite 的数据库引擎，自行组织代码结构、管理数据、处理错误并逐步补齐功能，最后把生成的数据库文件与 OpenAI 的参考实现逐项比对。

在最高推理强度下，GPT-6 Astra 的平均通过率为 87.4%，20 种语言中有 19 种超过 83%，只有 COBOL 仍是短板。改进覆盖了所有被测语言，而提升最明显的恰恰是上一代模型表现最吃力的那些。

OpenAI 同时测试了成本更低的 GPT-6 Luna。它的平均通过率为 40.3%，仍明显高于 GPT-5.6 Sol 的 26.8%，而单样本 API 成本估计为 0.77 美元，对照后者为 3.48 美元，约合 78% 的成本下降。能力与成本之间的这条权衡曲线，正是企业级编码团队最想算清楚的部分。

第二项评测换了问题：模型能否把现有 COBOL 程序翻译成 C++、Java、Kotlin、Python 或 Rust，而完全不改变程序行为。判定标准不是“能跑”，而是迁移后的程序必须产生逐字节一致的输出，任何一项隐藏测试失败都算不通过。GPT-6.1 Sol 在低推理强度下准确率为 86.6%，对比 GPT-5.6 Sol 同一设置下的 5.4%，估计 API 成本同时下降 39%；提高推理强度后准确率达到 97.9%。

这些语言之所以值得单独设一套评测，是因为它们公开的代码与文档远少于 Python、JavaScript。OpenAI 引用的数据显示，COBOL 支撑着超过 40% 的网上银行系统、80% 的刷卡交易和 95% 的 ATM 交易；Fortran 仍在天气预报与核反应堆安全分析中使用。这类系统往往文档缺失、原开发者早已离场，业务规则只存在于代码本身。

OpenAI 表示会把 MultiLangBench 的评测设置、测试套件和各语言结果放到 GitHub 上，让开发者自己检查测试用例。公司同时承认，这些成绩来自自家评测，并不等于已在生产环境的银行或其他关键系统中验证成功；真正的迁移仍需专家复核，并对现有业务规则与依赖关系做充分测试。

对开发者来说，真正的信号不是 87% 这个数字本身，而是评测把“冷门语言加遗留系统现代化”变成了可比较、可复现的公开指标。接下来值得观察的，是社区用同一套测试跑其他模型的结果，以及企业在真实迁移项目中愿意把多少工作交给模型。