OpenAI 于 10 月 20 日发布研究报告，称已显著增强 GPT-6 Astra 等模型在 COBOL、Fortran、Visual Basic 这类"低资源编程语言"上的构建与迁移能力。这些语言公开的代码与文档稀少，却是银行、ATM、天气预报乃至核安全分析等关键系统的骨架——平日没人碰、一旦出事却牵动全局。
为量化实力，OpenAI 设下两套考题：MultiLangBench 要求模型用 20 种语言从零搭出兼容 SQLite 的数据库引擎；另一项则要求把 COBOL 程序迁往 C++、Java、Python、Rust，且必须原封不动保住原有的业务行为。成绩单相当亮眼：GPT-6 Astra 在 20 种语言上的平均测试通过率达 87.4%，较上代 GPT-5.6 Sol 的 26.8% 翻了三倍有余；单看冷门语种，COBOL 从 10.9% 跃至 72.1%，Fortran 从 21.4% 升到 83.5%，Visual Basic 从 27.5% 冲到 89.4%。
便宜梯队也能打，迁移逼近评测天花板
更讨喜的是成本侧。便宜些的 GPT-6 Luna 平均通过率 40.3%，但 API 开销较 GPT-5.6 Sol 压低约 78%。而在 COBOL 专项迁移里，GPT-6.1 Sol 即便在低推理强度下，准确率也达 86.6%，远甩 GPT-5.6 Sol 的 5.4%，成本还降了 39%；切到更高推理强度，准确率直接摸到 97.9%，几乎贴着评测上限——这意味着把一段跑了几十年的银行核心代码换成现代语言，机器已能交出近乎可用的答卷。
OpenAI 点明，这套进展能帮企业维护老旧系统、修补缺陷、推进软件现代化。但公司也留了清醒注脚：把 AI 迁移结果搬进生产环境，仍需专家审查，并结合具体业务规则与依赖关系做测试。毕竟那些支撑 ATM 与核电站的代码，容不得一句"差不多"——模型能大幅缩短从读懂到改写的距离，却还远未到替人类拍板的那一步。
