OpenAI 発表最新模型在低資源編程語言代碼能力顯著提升
2026年10月24日 · 阅读 1 分钟
美國 OpenAI 公司於十月十九日宣佈，其最新人工智能模型在處理學習資源稀缺的編程語言方面取得重大突破，這些語言包括 COBOL、Fortran 及 Visual Basic。該公司表示，針對這些支撐全球關鍵基礎設施但訓練數據匱乏的語言，新模型在開發與遷移任務上的表現大幅優於前代產品。
儘管 COBOL 等語言的可用代碼和文檔遠少於 Python 或 JavaScript，但它們仍廣泛應用於核心系統。數據顯示，超過百分之四十的網上銀行系統、百分之八十的面對面信用卡交易以及百分之九十五的自動櫃員機交易均依賴 COBOL 運行，而 Fortran 則常用於天氣預報和核反應堆安全分析。此前，開發者與企業客戶反饋指出，現有編碼模型在處理此類語言時存在明顯短板，這成為此次技術升級的主要動因。
在名為 MultiLangBench 的首項評估中，模型被要求從零構建兼容 SQLite 的數據庫引擎，涵蓋二十種編程語言。推理量設定至最高的 GPT-6 Astra 模型在二十種語言中的平均測試通過率達到百分之八十七點四，較前代模型 GPT-5.6 Sol 的百分之二十六點八有顯著增長。除 COBOL 外，該模型在十九種語言中的得分均超過百分之八十三，其中 COBOL 得分為百分之七十二點一，雖仍為最难語言，但已遠超前代模型的百分之十點九。低成本模型 GPT-6 Luna 的平均得分為百分之四十點三，同樣超越前代，且單樣本預估 API 成本僅零點七七美元，較 GPT-5.6 Sol 的三點四八美元降低約百分之七十八。相關評估環境與測試套件將在 GitHub 上公開。
第二項評估專注於將 COBOL 程序遷移至 C++、Java、Kotlin、Python 或 Rust 等現代語言，並驗證其是否能保持原有行為。由於 COBOL 在固定小數點運算中默認截斷多餘小數位，若遷移後程序錯誤地進行四捨五入，即使無報錯也可能導致金額計算偏差。為此，測試採用非公開的字節級比對標準，僅當輸出完全一致時才視為成功。結果顯示，低推理量設定的 GPT-6.1 Sol 模型準確率達百分之八十六點六，遠高於同設定下 GPT-5.6 Sol 的百分之五點四，且 API 成本僅為後者的百分之六十一。當增加推理量時，準確率進一步提升至百分之九十七點九。不過，OpenAI 強調，將此技術應用於生產環境仍需專家審查，並需結合具體業務規則與系統依賴關係進行測試。
COBOL 語言誕生於一九五九年，至今仍在金融與政府機構中廣泛使用。二零二零年新冠疫情期間，美國多個州政府因失業保險系統基於 COBOL 構建而面臨申請激增，同時暴露出相關技術人才短缺問題。近年來，利用人工智能推動 COBOL 資產現代化成為行業焦點。IBM 曾於二零二三年推出基於生成式人工智能的工具，可將 COBOL 轉換為 Java。今年二月，Anthropic 公司亦宣稱其 Claude Code 產品能協助 COBOL 現代化，此消息曾引發市場波動，導致 IBM 股價出現二十五年來最大單日跌幅之一。