OpenAI新模型攻克COBOL迁移，准确率升至97.9%

OpenAI发布针对低资源编程语言的最新研究，推出GPT-6.1 Sol与GPT-6 Astra两款新模型，显著提升对COBOL等语言的理解与生成能力。在COBOL代码迁移评测中，上一代GPT-5.6 Sol在低推理强度下准确率仅为5.4%，GPT-6.1 Sol在相同推理强度下达到86.6%，提高推理强度后进一步升至97.9%。

所谓低资源编程语言，并非指这些语言不重要，而是相较Python、JavaScript等流行语言，可供模型学习的公开代码、技术文档等训练材料相对有限。诞生于1959年的COBOL至今仍支撑大量在线银行、信用卡交易和ATM系统；Fortran仍用于天气预报、科学计算及核反应堆安全分析；Visual Basic、OCaml等语言也拥有各自的存量系统。这些系统原始开发者多已离职，技术文档不完整，许多业务规则只存在于代码之中，重写难度有时远超从零开发新系统。

为分别测量模型编写新程序与理解迁移旧程序的能力，OpenAI设计了两项评测。其中MultiLangBench要求模型在指定语言中从零构建兼容SQLite的数据库引擎，需持续组织代码库、管理状态、处理异常并确保既有功能不失效，评测以数据库文件为统一接口与SQLite参考实现比对。结果显示，GPT-6 Astra在20种编程语言上的平均测试通过率达87.4%，上一代仅为26.8%。

分语言看，OCaml通过率从25.6%提升至85.8%，Fortran从21.4%提升至83.5%，Visual Basic从27.5%提升至89.4%。COBOL仍是其中最困难的语言，GPT-6 Astra通过率为72.1%，虽远高于上一代的10.9%，但与其他语言仍有差距。评测数字表明AI Coding能力正向过去相对薄弱的语言扩展，但企业代码库高度定制、通用大模型泛化能力受限，加之语义理解缺失与测试验证不足，将运行数十年的遗留系统完全交给AI仍需审慎评估。