OpenAI 於 10 月 20 日發佈研究報告，稱已顯著增強 GPT-6 Astra 等模型在 COBOL、Fortran、Visual Basic 這類"低資源編程語言"上的構建與遷移能力。這些語言公開的代碼與文檔稀少，卻是銀行、ATM、天氣預報乃至核安全分析等關鍵系統的骨架——平日沒人碰、一旦出事卻牽動全局。

爲量化實力，OpenAI 設下兩套考題：MultiLangBench 要求模型用 20 種語言從零搭出兼容 SQLite 的數據庫引擎；另一項則要求把 COBOL 程序遷往 C++、Java、Python、Rust，且必須原封不動保住原有的業務行爲。成績單相當亮眼：GPT-6 Astra 在 20 種語言上的平均測試通過率達 87.4%，較上代 GPT-5.6 Sol 的 26.8% 翻了三倍有餘；單看冷門語種，COBOL 從 10.9% 躍至 72.1%，Fortran 從 21.4% 升到 83.5%，Visual Basic 從 27.5% 衝到 89.4%。

image.png

便宜梯隊也能打，遷移逼近評測天花板

更討喜的是成本側。便宜些的 GPT-6 Luna 平均通過率 40.3%，但 API 開銷較 GPT-5.6 Sol 壓低約 78%。而在 COBOL 專項遷移裏，GPT-6.1 Sol 即便在低推理強度下，準確率也達 86.6%，遠甩 GPT-5.6 Sol 的 5.4%，成本還降了 39%；切到更高推理強度，準確率直接摸到 97.9%，幾乎貼着評測上限——這意味着把一段跑了幾十年的銀行核心代碼換成現代語言，機器已能交出近乎可用的答卷。

OpenAI 點明，這套進展能幫企業維護老舊系統、修補缺陷、推進軟件現代化。但公司也留了清醒註腳：把 AI 遷移結果搬進生產環境，仍需專家審查，並結合具體業務規則與依賴關係做測試。畢竟那些支撐 ATM 與核電站的代碼，容不得一句"差不多"——模型能大幅縮短從讀懂到改寫的距離，卻還遠未到替人類拍板的那一步。