OpenAI 新模型提升 COBOL、Fortran 等小众语言编码能力

我们最新的模型进展为使用 COBOL、Fortran 和 Visual Basic 等低资源编程语言构建和迁移软件带来了更强的能力。与 Python 和 JavaScript 等语言相比，这些语言可供模型学习的代码和文档更少，但它们支撑着全球的关键基础设施和基本服务。COBOL支撑着⁠（在新窗口中打开）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，而 Fortran 则用于天气预报⁠（在新窗口中打开）和核反应堆安全分析⁠（在新窗口中打开）。提升 AI 在这些语言中的工作能力，可以帮助团队维护和现代化基本服务所依赖的软件。

这项工作以开发者和企业客户的反馈为指导，他们告诉我们，编程模型往往在这些语言上表现不佳。维护和现代化这类软件可能很困难：文档可能不完整，最初的开发者可能已经离开公司，重要的业务规则可能只存在于代码中。无论团队是在修复缺陷还是迁移到另一种语言，他们都需要保留系统所依赖的行为。

为了衡量进展，我们开发了两项评估。MultiLangBench 测试模型能否在 20 种不同的编程语言中从零构建一个兼容 SQLite 的数据库引擎。我们的 COBOL 迁移评估测试模型能否将现有程序迁移到另一种语言，同时保留其行为。两者共同测试了两项互补的技能：构建新软件，以及保留现有软件的行为。

我们最新的模型在两项评估中都显示出大幅提升，以更低的成本实现了更高的准确率。

在 MultiLangBench 上，GPT‑6 Astra 在 20 种编程语言中实现了 87.4% 的平均测试通过率，高于 GPT‑5.6 Sol 的 26.8%，且在所有测试语言中均有提升。GPT‑6 Luna 也优于 GPT‑5.6 Sol，达到 40.3%，而估计 API 成本约低 78%。

在我们的 COBOL 迁移评估中，GPT‑6.1 Sol 在低推理努力下达到 86.6% 的准确率，而 GPT‑5.6 Sol 仅为 5.4%，同时成本低 39%。在更高推理努力下，准确率达到 97.9%，几乎使该评估饱和。

综合来看，这些结果表明我们的模型在处理多种编程语言方面正变得显著更强，同时也更具成本效益。

MultiLangBench 要求模型用指定的编程语言构建一个兼容 SQLite 的数据库引擎。模型必须组织代码库、管理状态、处理错误，并在保持现有功能的同时添加新功能。

为了跨语言比较实现，我们使用数据库文件作为共享接口。候选程序接收一个初始数据库和一条 SQL 查询，然后生成一个修改后的数据库。我们使用参考 SQLite 实现来检查结果数据库是否具有预期内容。这使我们能够应用相同的测试，无论构建引擎使用何种语言。

我们将 SQLite 现有测试套件中的测试适配为这种格式。该评估衡量模型在长时间编码会话中能构建多少可用的功能，同时报告测试通过率和 API 成本。

在最大推理努力下，GPT‑6 Astra 在 20 种语言上的平均测试通过率达到 87.4%，高于 GPT‑5.6 Sol 的 26.8%。改进覆盖了所有测试语言，包括 COBOL（10.9% 到 72.1%）、OCaml（25.6% 到 85.8%）、Fortran（21.4% 到 83.5%）和 Visual Basic（27.5% 到 89.4%）。Astra 在 20 种语言中的 19 种上得分超过 83%，COBOL 仍是最难的，为 72%。

GPT‑6 Luna 提供了一种成本更低的选项，在每种测试语言上也优于 GPT‑5.6 Sol。在最大推理努力下，其平均测试通过率达到 40.3%。提升包括 COBOL（10.9% 到 17.1%）、OCaml（25.6% 到 34.1%）、Fortran（21.4% 到 31.4%）和 Visual Basic（27.5% 到 41.6%）。这些改进的估计平均 API 成本为每个样本 $0.77，而 GPT‑5.6 Sol 为 $3.48，约低 78%。

我们正在发布 MultiLangBench 评估设置和测试套件，发布在GitHub⁠（在新窗口中打开），以及每种语言的结果。开发者可以查看评估测试的内容，审阅他们所用语言的性能表现，并找出对其自身工作重要的差距。

我们的第二项评估要求模型将 COBOL 程序迁移到 C++、Java、Kotlin、Python 或 Rust，同时保留每个程序的功能。

成功的迁移需要理解程序的业务逻辑以及 COBOL 的特定语言行为。COBOL 程序通常处理金融交易和业务记录，其中舍入规则和缺失记录处理等细节反映了业务需求。例如，COBOL 的定点运算会丢弃多余的小数位，除非明确要求舍入。如果重写时改为对这些值进行舍入，代码可以无错误运行，但会产生不同的财务结果。

为了测试这些行为是否被保留，我们在隐藏测试上评估模型，这些测试要求可观察输出逐字节一致。只有所有测试通过，迁移才被视为成功。这类保持行为的能力对于维护和现代化旧系统的团队很有用，不过将其应用于生产软件仍需要专家审查，并针对系统的业务规则和依赖项进行测试。

在这项评估中，GPT‑6.1 Sol 在低推理努力下达到 86.6% 的准确率，而 GPT‑5.6 Sol 在相同设置下仅为 5.4%，且 API 成本仅为后者的 61%。在更高推理努力下，准确率达到 97.9%，使该评估接近饱和。这些评估结果展示了在为现代化业务所依赖软件的团队提供更准确、更经济的代码迁移方面取得的进展。

这些评估，连同来自开发者和企业客户的直接反馈，帮助我们了解模型在哪些方面有所改进，以及在哪些方面仍有不足。

我们的目标是帮助模型将软件工程技能应用到更多语言中：理解陌生的代码仓库、规划改动、使用构建工具、运行测试以及调试失败。

你可以通过 API 在团队所用语言的编码任务上试用我们的最新模型。你对哪些方面有效、模型在哪些地方吃力，以及我们接下来应关注哪些语言或工作流的反馈，有助于塑造我们训练和评估模型的方式，从而更好地支持你所依赖的软件。