COBOL 迁移准确率 97.9%：OpenAI 让 GPT-6 Astra 啃下「老古董」语言

银行的核心账务系统、航空公司的订票后台、气象部门的预报模型，很多至今仍跑在 COBOL、Fortran、Visual Basic 这些「上了年纪」的语言上。它们公开代码少、文档散、懂的人越来越少，却支撑着不能出错的业务。10 月 20 日，OpenAI 发布研究报告，称已经显著增强 GPT-6 Astra 等模型构建和迁移这类低资源编程语言的能力。

一分钟速览

• OpenAI 推出 MultiLangBench，要求模型用 20 种语言从零构建兼容 SQLite 的数据库引擎。
• GPT-6 Astra 在 20 种语言上的平均测试通过率达到 87.4%，GPT-5.6 Sol 为 26.8%。
• COBOL 单项从 10.9% 提升到 72.1%，Fortran 从 21.4% 提升到 83.5%，Visual Basic 从 27.5% 提升到 89.4%。
• COBOL 迁移评测中，GPT-6.1 Sol 在高推理强度下准确率达到 97.9%。
• OpenAI 强调，迁移结果进入生产环境仍需专家审查和业务规则测试。

为什么偏偏是这些「冷门语言」

低资源语言的问题不在于语法难，而在于语料少。Python、JavaScript 在互联网上留下了海量代码、教程和报错记录，模型可以从中学习常见写法；COBOL 的多数代码则躺在企业的私有主机里，既不上 GitHub，也很少出现在技术社区。模型没见过足够多的真实样本，就很容易写出「语法正确但业务含义错误」的代码。

这些系统偏偏又最不能推倒重来。一套运行了三十年的账务程序，里面可能藏着几百条没有写进文档的业务规则、临时补丁和历史遗留的字段约定。企业想迁移，不是因为旧语言优雅，而是因为维护成本、人才供给和安全风险已经压到了临界点。

两项评测，测的不是同一件事

OpenAI 设计了两项评测。MultiLangBench 要求模型用 20 种语言从零构建一个兼容 SQLite 的数据库引擎，考的是在缺乏参考资料时，能否把语言特性、内存管理、文件格式和错误处理拼成一套可运行的系统。另一项评测则要求模型在保持原有业务行为不变的前提下，把 COBOL 程序迁移到 C++、Java、Python、Rust 等语言，考的是「读懂旧逻辑，再用新语言等价表达」。

结果差距很大。GPT-6 Astra 在 MultiLangBench 的二十种语言上平均通过率 87.4%，上一代 GPT-5.6 Sol 只有 26.8%。单项上，COBOL 从 10.9% 升到 72.1%，Fortran 从 21.4% 升到 83.5%，Visual Basic 从 27.5% 升到 89.4%。成本更低的 GPT-6 Luna 平均通过率 40.3%，估算 API 成本比 GPT-5.6 Sol 低约 78%。

迁移评测的数字更直观：GPT-6.1 Sol 在低推理强度下准确率 86.6%，而 GPT-5.6 Sol 只有 5.4%，成本还降低了 39%；把推理强度调高后，准确率达到 97.9%，接近评测上限。换句话说，模型不是「稍微好一点」，而是在这类任务上跨过了一个可用的门槛。

97.9% 离生产还有多远

这个数字很漂亮，但 OpenAI 自己留了余地：迁移结果用于生产环境仍需专家审查，并结合具体业务规则和依赖关系进行测试。原因不复杂。评测里的 COBOL 程序有明确的输入输出和测试用例，真实系统却可能依赖隐式的文件布局、批处理时序、异常码含义，甚至某台上世纪留下的打印机。模型能把代码翻译对，不等于能把业务翻译对。

更现实的落地方式，可能是「人机分工」：模型负责第一轮批量翻译、生成测试用例、标出高风险段落；资深工程师把精力放在业务规则核对和边界条件上。过去一个迁移项目里，大量时间花在阅读和机械改写，现在这部分可以被压缩，人的判断反而更值钱。

老系统现代化，正在变成模型的新战场

企业软件市场长期被「维护旧系统」占据大头，而不是「开发新系统」。大模型厂商过去两年主要争夺写新代码的场景，如今开始往存量系统里走。这个方向的商业价值很直接：客户不是创业公司，而是银行、保险、航空、政府机构，预算稳定，迁移周期长，付费意愿强。

竞争也不会只在模型层。谁能提供代码库理解、依赖分析、测试生成、灰度迁移和审计追踪的完整工具链，谁才可能拿到企业订单。单点跑分可以证明能力，真正决定成败的是迁移之后的责任边界：出了账务差错，谁来兜底。

趋势洞察

低资源语言的突破，说明大模型的能力增长正在从「堆通用语料」转向「针对高价值、低数据场景做专项增强」。这条路一旦跑通，类似的机会还很多：工业控制脚本、老旧 ERP 的定制语言、科研领域的专用格式，都具备「语料少、替换成本高、出错代价大」的特征。

对开发者来说，值得关注的不是 97.9% 这个数字本身，而是它背后的工作方式变化。未来评估一个模型，可能不再只问「它会不会写代码」，而要问「它能不能在看不懂的旧系统里，先建立一张可靠的依赖图，再动手」。这比多背几种语法难得多，也更接近企业真正愿意付钱的那部分工作。