大模型攻克冷门编程语言：COBOL到Fortran的突破

为什么冷门语言值得关注？

在主流开发者眼中，Python 和 JavaScript 是日常首选，但全球关键基础设施的运行逻辑远不止于此。据 OpenAI 披露，COBOL 支撑着超过 40% 的在线银行系统、80% 的线下信用卡交易和 95% 的 ATM 交易；Fortran 则广泛应用于气象预报和核反应堆安全分析。这些语言虽然代码量和社区文档远不如 Python 丰富，却承载着金融、能源、气象等关键领域的核心业务逻辑。

问题在于，当企业需要维护或迁移这些遗留系统时，往往面临三大困境：原始文档缺失、原始开发者已离职、业务规则仅存在于代码本身。AI 编码模型在这些低资源语言上的表现，此前一直是短板。

两项评测：从零构建与行为保持

为了衡量模型在冷门语言上的进步，OpenAI 设计了两项互补的评测体系。

MultiLangBench：从零构建 SQLite 引擎

该评测要求模型在指定编程语言中从零实现一个兼容 SQLite 的数据库引擎。模型需要完成代码组织、状态管理、错误处理、功能扩展，同时保持已有功能不回退。

评测的关键设计在于以数据库文件作为跨语言统一接口：候选程序接收初始数据库和 SQL 查询，返回修改后的数据库文件，再用 SQLite 参考实现校验结果。这样无论用哪种语言编写，测试用例都可以复用，大幅降低了跨语言对比的难度。

COBOL 迁移评测：行为保持优先

这项评测专门针对遗留系统迁移场景，检验模型能否将现有 COBOL 程序迁移到其他语言，同时严格保持原有行为。对于金融和政务系统而言，"行为一致"比"代码优雅"重要得多——任何细微的逻辑偏差都可能导致资金损失或业务中断。

关键数据：通过率翻了数倍，成本反而下降

评测结果展现了代际级的提升：

• GPT-6 Astra 在 MultiLangBench 上 20 种语言的平均测试通过率达到 87.4%，而上一代 GPT-5.6 Sol 仅为 26.8%。其中 COBOL 从 10.9% 提升至 72.1%，Fortran 从 21.4% 提升至 83.5%，Visual Basic 从 27.5% 提升至 89.4%，OCaml 从 25.6% 提升至 85.8%。
• GPT-6 Luna 以约 78% 更低的 API 成本，将平均通过率提升至 40.3%，为预算敏感的团队提供了可行选择。
• 在 COBOL 迁移评测中，GPT-6.1 Sol 在低推理强度下达到 86.6% 准确率（对比 GPT-5.6 Sol 的 5.4%），成本降低 39%；高推理强度下准确率攀升至 97.9%，接近饱和。

对开发者的实际意义

这些进展对以下场景有直接价值：

1. 遗留系统维护：企业不再完全依赖已退休的 COBOL/Fortran 专家，AI 可以辅助理解代码逻辑、定位 bug、生成修复补丁。
2. 渐进式迁移：将 COBOL 程序逐步迁移到现代语言时，AI 可以保持业务行为一致性，降低回归风险。
3. 跨语言代码生成：MultiLangBench 的结果表明，模型已具备在冷门语言中构建复杂系统的能力，而非仅限于"补全几行代码"。

需要留意的是，COBOL 仍然是 MultiLangBench 中表现最弱的语言（72.1%），说明低资源语言的学习仍有提升空间。但对于预算有限的团队，GPT-6 Luna 在成本与效果之间的平衡值得评估。

总的来说，大模型在冷门编程语言上的能力已不再是"玩具级"，而是开始触及企业级遗留系统现代化的实际需求。