10月19日，OpenAI在官方研究博客发布面向低资源编程语言的能力进展，同步推出两项评测，一是要求模型从零构建SQLite兼容数据库引擎的MultiLangBench，覆盖20种编程语言；二是COBOL代码库迁移评测，检验程序迁移到另一种语言后能否保持行为不变。官方数据显示，最大推理力度下GPT-6 Astra在MultiLangBench上20种语言平均测试通过率为87.4%，而GPT-5.6 Sol只有26.8%，且每一种受测语言都有提升。COBOL仍属最难，从10.9%升至72.1%，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%，20种语言里有19种超过83%。MultiLangBench评测设置与测试套件已在GitHub公开。

为什么Python之外的老语言才是企业软件的真正负担？

COBOL、Fortran、Visual Basic这些语言喂给模型的代码与文档远少于Python和JavaScript，却支撑着关键基础设施。OpenAI引用的数据是，COBOL支撑超过40%的在线银行系统、80%的面对面信用卡交易与95%的ATM交易，Fortran用于天气预报与核设施安全分析。这些系统文档残缺、原始开发者早已离职，重要业务规则只存在于代码里，无论是修Bug还是迁移，都必须保住原有行为，而低资源语言恰好是通用代码模型长期薄弱的环节。

MultiLangBench凭什么用SQLite当统一标尺？

评测让模型在指定语言中组织代码库、管理状态、处理错误并在保住既有功能的前提下新增特性。为了跨语言比较，候选程序接收初始数据库与SQL查询、产出修改后的数据库，再用参考SQLite实现检查结果是否正确，从而套用同一套测试，与实现语言无关。这一设计把「能不能写出跑通的代码」变成可量化的功能完成度，而不是比较代码风格。低成本版本GPT-6 Luna平均40.3%，单次样本平均API成本0.77美元，相比GPT-5.6 Sol的3.48美元下降约78%。

COBOL迁移为什么要求逐字节一致？

第二项评测要求把COBOL程序迁移到C++、Java、Kotlin、Python或Rust，并在隐藏测试中做到可观测输出逐字节一致。COBOL定点算术默认丢弃多余小数位，除非显式请求四舍五入，重写时若自行取整，程序可以无错运行却产出不同的财务结果。GPT-6.1 Sol在低推理力度下准确率86.6%，GPT-5.6 Sol同档只有5.4%，成本为其61%，高推理力度下达到97.9%，接近评测饱和。但OpenAI同时强调，生产环境仍需专家按业务规则与依赖做审查测试。

低资源语言能力提升对企业现代化意味着什么？

全球银行与大型机构积压了数十年的COBOL维护债，过去只能依赖少数资深工程师，AI若能稳定完成行为保持型迁移，可把周期从年压缩到月。更关键的是，这说明前沿模型的能力边界正在从热门语言向冷门老语言扩散，成本还在同步下降。当然，评测通过不等于生产安全，金融规则中的舍入、缺记录处理等细节，仍需要人工兜底。

信息来源与延伸阅读？

去论坛讨论

前往 silicon-agi.com 论坛 参与讨论