精华速览

OpenAI 于 10 月 19 日发布针对低资源编程语言的研究，试图提升 AI 对 COBOL、Fortran 等老旧语言的处理能力。在 COBOL 代码迁移评测中，GPT-5.6 Sol 低推理强度下准确率仅 5.4%，GPT-6.1 Sol 同条件升至 86.6%，提高推理强度后达 97.9%，且 API 成本估算降低 39%。另一项覆盖 20 种语言的 MultiLangBench 测试要求从零实现兼容 SQLite 的数据库引擎，GPT-6 Astra 平均通过率 87.4%，上一代为 26.8%，但 COBOL 单项仍最低，为 72.1%。OpenAI 强调，评测结果不等于企业可自动重写核心系统，生产应用仍需专家审查与业务规则测试。

要点透视

  • 10 月 19 日，OpenAI 发布低资源编程语言研究，公开 MultiLangBench 评测代码与测试套件，覆盖 20 种编程语言。
  • COBOL 迁移评测中，GPT-5.6 Sol 低推理强度准确率为 5.4%；GPT-6.1 Sol 同条件达 86.6%，提高推理强度后达 97.9%，估算 API 成本降低 39%。
  • MultiLangBench 要求模型从零构建兼容 SQLite 的数据库引擎，GPT-6 Astra 平均通过率 87.4%，上一代 GPT-5.6 Sol 为 26.8%。
  • 分语言看，OCaml 从 25.6% 升至 85.8%，Fortran 从 21.4% 升至 83.5%，Visual Basic 从 27.5% 升至 89.4%；COBOL 从 10.9% 升至 72.1%，仍是 20 种语言中最低。
  • COBOL 迁移评测以隐藏测试检查迁移前后程序可观察输出是否逐字节一致，而非仅看代码能否编译或生成。
  • 2025 年 6 月，摩根士丹利披露内部工具 DevGen.AI 已审查约 900 万行遗留代码，节省约 28 万小时开发工作量，主要用于将 COBOL 等代码转成自然语言业务规范。
  • OpenAI 明确表示，将评测能力用于生产软件仍需专家审查，并针对业务规则与系统依赖进行测试。

文章拆解

这次研究的核心价值，不在于“AI 能翻译 COBOL”这一句话，而在于它把评测标准从“代码能否生成”推进到“程序行为能否保持一致”。COBOL 迁移任务要求新程序在隐藏测试中输出与原程序逐字节一致，这直接对应遗留系统改造中最棘手的部分：金额计算舍入、缺失记录处理、异常输入响应等规则往往没有文档，只藏在长期运行的代码里。GPT-6.1 Sol 在提高推理强度后达到 97.9%，说明模型在受控任务上已能较高比例地保留这些隐性行为，这是相比上一代 5.4% 的实质性跨越。

从行业背景看，AI 参与遗留系统改造的路线正在变宽。摩根士丹利的 DevGen.AI 解决的是“理解”问题，把老代码转成业务规范供工程师审查；OpenAI 此次评测则指向“迁移”问题，即用新语言重新实现并验证行为一致。两者结合，AI 可以承担代码解释、规则提取、迁移实现和回归测试等多个环节。但需要区分的是，DevGen.AI 面向真实企业代码库，OpenAI 结果是标准化评测，二者不能直接量化对比。

对企业用户而言，最值得关注的变量不是准确率数字本身，而是验证体系能否跟上。真实系统涉及跨服务依赖、复杂数据库状态、并发与故障处理，评测中的单程序输入输出测试难以覆盖。即使迁移后程序通过现有测试，也不能证明所有未知输入和业务边界下都与原系统一致。此外，若新旧系统结果不同，还需判断是迁移错误还是原系统本身存在历史缺陷，这尚待确认。

潜在风险在于，高准确率容易被误读为“核心系统可自动重写”。更稳妥的路径仍是分阶段推进：先用 AI 理解原代码和依赖关系，建立业务规则与测试基线；再选择边界清晰的模块迁移，在隔离环境跑回归测试；最后通过新旧系统并行比对、人工审查和逐步切换控制风险。AI 可以拆解承担分析、测试生成和修复任务，但业务确认与上线决策仍需工程团队负责。对国内推进技术栈迁移和架构改造的企业，这套思路同样适用，因为难题未必是 COBOL，而是历史代码难理解、业务规则难验证、改造风险难控制。

查看原文