OpenAI于10月20日发布研究报告，披露其GPT-6系列模型在COBOL、Fortran、Visual Basic等低资源编程语言上的能力进展。这类语言公开代码与文档相对匮乏，却长期支撑银行核心系统、ATM网络、天气预报及核安全分析等关键基础设施，其维护与迁移一直是企业软件现代化进程中的难点。
为量化模型能力，OpenAI推出两项评测。MultiLangBench要求模型使用20种编程语言从零构建兼容SQLite的数据库引擎；另一项评测则要求在保持原有业务行为不变的前提下，将COBOL程序迁移至C++、Java、Python、Rust等主流语言。评测结果显示，GPT-6 Astra在MultiLangBench的20种语言中平均测试通过率达到87.4％，较GPT-5.6 Sol的26.8％有明显提升。分语言看，COBOL通过率从10.9％升至72.1％，Fortran从21.4％升至83.5％，Visual Basic从27.5％升至89.4％。
成本更低的GPT-6 Luna在MultiLangBench中平均通过率为40.3％，OpenAI估算其API成本较GPT-5.6 Sol降低约78％。在COBOL迁移评测中，GPT-6.1 Sol在低推理强度下准确率为86.6％，远高于GPT-5.6 Sol的5.4％，同时成本降低39％；在更高推理强度下，准确率达到97.9％，接近该评测的上限水平。
COBOL诞生于20世纪50年代末，至今仍大量运行于金融、保险、政府与航空系统的后台。随着掌握该语言的工程师逐步退休，老旧系统的维护、缺陷修复与现代化改造成为企业IT部门的长期负担。此前已有IBM、AWS等厂商推出针对大型机工作负载的迁移工具与AI辅助方案，OpenAI此次公布的评测数据，为通用大模型参与此类任务提供了可比较的能力基准。
OpenAI在报告中表示，上述进展有助于企业维护老旧系统、修复缺陷并推进软件现代化。同时公司强调，将AI迁移结果直接用于生产环境仍需专家审查，并结合具体业务规则与依赖关系进行测试。这一提示指向企业落地的核心问题：低资源语言场景下，模型输出的正确性验证与合规审计仍是迁移流程中不可省略的环节。
从行业影响看，若此类能力在真实企业环境中得到验证，长期受制于人才断层的老旧系统改造市场可能迎来新的工具供给，具备领域知识的服务商与平台厂商的协作模式也将随之调整。但评测成绩与生产可用之间仍存在距离，企业在采用相关能力时，需在效率提升与风险控制之间建立明确的评估流程。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
