OpenAI优化低资源语言编码：COBOL迁移
Learn how OpenAI is improving ChatGPT across low-resource programming languages, with new evaluations for software engineering, SQLite, and COBOL migration.
Full article body is primarily in Chinese for SEO depth; key points above are localized. Use the language switcher and deep links for global navigation.
OpenAI优化低资源语言编码：COBOL迁移
OpenAI在2026年10月发布的最新模型更新，显著提升了ChatGPT在低资源编程语言上的编码能力，特别是COBOL迁移任务。COBOL作为遗留系统中的关键语言，支撑全球40%以上在线银行系统、80%信用卡交易和95%ATM交易，但其代码与文档资源极度稀缺。这项进展直接适用于希望在这些语言上进行软件开发或迁移的企业团队。
谁适合？核心团队包括系统维护者、需要保持COBOL行为一致性的企业，以及处理SQLite兼容数据库引擎构建的开发者。决策时，优先考虑模型在COBOL迁移准确率、成本效率和全语言平均通过率上的表现，同时结合API定价与算力需求。
方法决策：通过MultiLangBench与COBOL迁移评估指标对比OpenAI模型（GPT-6系列）与前代版本，结合实际任务复杂度与预算，选择最优模型版本。
低资源编程语言的核心挑战
低资源语言指训练数据远少于Python或JavaScript的语言，如COBOL、Fortran、Visual Basic和OCaml。这些语言支撑全球关键基础设施，但代码量与文档有限，导致模型理解与生成难度大。
OpenAI官方评价显示，COBOL程序常涉及金融事务处理与业务规则（如固定点算术与舍入逻辑），若迁移后行为不一致可能引发系统故障。开发者反馈指出，遗留系统维护常因原始文档缺失、原开发者离职而困难。
OpenAI新评估框架
为量化进展，OpenAI设计了两个互补评估：
- MultiLangBench：要求模型从零构建SQLite兼容数据库引擎，覆盖20种编程语言（含COBOL、OCaml、Fortran、Visual Basic）。测试需组织代码库、处理状态与错误，同时用数据库文件作为共享接口验证输出。
- COBOL迁移评估：测试模型将COBOL程序迁移至C++、Java、Kotlin、Python或Rust，同时保持可观察输出一致性。重点评估对业务规则的理解，避免行为漂移。
这些评估聚焦实际软件工程技能：理解仓库、规划改动、运行测试与调试。
MultiLangBench评估结果
在最大推理努力下，GPT-6 Astra平均通过率达87.4%，较GPT-5.6 Sol的26.8%大幅提升，覆盖所有测试语言。COBOL通过率从10.9%提升至72.1%，Fortran升至83.5%，Visual Basic升至89.4%。
GPT-6 Luna提供更低成本方案，平均通过率40.3%，但COBOL提升至17.1%，API成本约78%更低（$0.77 vs $3.48）。
OpenAI已将MultiLangBench测试套件开源在GitHub，开发者可直接复用验证自身语言任务。
| 语言 | GPT-6 Astra (Max Effort) | GPT-5.6 Sol (Max Effort) | 提升幅度 |
|---|---|---|---|
| COBOL | 72.1% | 10.9% | +61.2% |
| OCaml | 85.8% | 25.6% | +60.2% |
| Fortran | 83.5% | 21.4% | +62.1% |
| Visual Basic | 89.4% | 27.5% | +61.9% |
| 平均 | 87.4% | 26.8% | +60.6% |
（数据基于OpenAI官方2026-10-19发布；实际应用以当天API定价为准）
COBOL迁移评估亮点
GPT-6.1 Sol在低推理努力下准确率达86.6%，较GPT-5.6 Sol的5.4%提升39%成本更低。在高推理努力下，准确率达97.9%，接近评估饱和。
迁移成功标准为：对所有隐藏测试通过，同时字节级输出一致。这直接对应企业维护遗留COBOL系统的需求。
实际应用建议与边界
- 选择模型：预算敏感选GPT-6 Luna，精度优先选GPT-6 Astra或GPT-6.1 Sol。
- 任务流程：先用评估工具复现COBOL迁移，再接入生产环境前进行全面测试。
- 局限性：评估仅为模拟，生产环境仍需人工审核业务规则。
风险与边界
本文内容仅供参考，非法律意见。实际COBOL迁移可能因业务规则复杂而面临不可预见风险。请勿将模型输出直接用于生产环境，否则可能导致系统故障或数据不一致。
延伸阅读
English summary
OpenAI announced on October 19, 2026, major advances in its models for low-resource programming languages, with standout gains on COBOL migration tasks. These languages support essential global infrastructure but have far fewer training examples than Python or JavaScript. The update focuses on two new benchmarks: MultiLangBench for building SQLite-compatible database engines across 20 languages, and a behavior-preserving COBOL migration test to C++, Java, Python and others.
Results show GPT-6 Astra reaching 87.4% average pass rate on MultiLangBench (up from 26.8%), with COBOL specifically jumping from 10.9% to 72.1%. GPT-6.1 Sol hits 97.9% accuracy on COBOL migration at higher reasoning effort, at lower cost. OpenAI has open-sourced the full evaluation suite on GitHub for developers to inspect and adapt.
This directly benefits enterprise teams maintaining legacy COBOL systems or performing database migrations. For GrokCode users, the improvements highlight the value of using high-efficiency API transit layers to keep inference costs manageable while leveraging cutting-edge models.
The enhancements underscore why strategic API routing and local testing remain critical for production coding workflows involving niche languages.
适用于 GrokCode 倍率榜。信息仅供参考，不构成购买、投资或法律意见。