低资源编程语言长期是企业遗留系统的底座，却因训练语料稀缺成为大模型的能力洼地。OpenAI 官方博客披露了针对 COBOL、Fortran、Visual Basic 等语言的最新评测与模型进展，并同步在 GitHub 开源 MultiLangBench 评测设置与测试套件。对开发者而言，比分数更值得关注的是两项评测的设计思路：一项测“从零构建”，一项测“行为保持”。

为什么低资源语言值得单独评测

官方资料给出了这些语言的现实权重：COBOL 支撑超过 40% 的在线银行系统、80% 的线下信用卡交易和 95% 的 ATM 交易；Fortran 用于天气预报和核反应堆安全分析。这些系统面临的共同困境是文档可能不完整、原始开发者可能已离职、关键业务规则只存在于代码中。无论修 bug 还是迁移语言，团队都需要保留系统依赖的行为。

OpenAI 表示，这项工作是依据开发者和企业客户的反馈推进的——编码模型在这些语言上经常表现不佳。因此评测目标不是通用编程能力，而是两个互补技能：构建新软件，以及保留现有软件的行为。

MultiLangBench：用数据库文件做跨语言统一接口

MultiLangBench 要求模型在指定编程语言中构建一个与 SQLite 兼容的数据库引擎。模型需要组织代码库、管理状态、处理错误，并在保留已有功能的前提下添加新特性。

其评测设计的关键在于共享接口：候选程序接收一个初始数据库文件和一条 SQL 查询，输出修改后的数据库；再用参考 SQLite 实现检查结果数据库内容是否符合预期。这样无论引擎用什么语言编写，都能套用同一套测试。测试用例改编自 SQLite 现有测试套件，评测同时报告测试通过率和 API 成本，衡量模型在长编码会话中能构建出多少可用功能。

官方公布的数据（最大推理努力下）：

  • GPT-6 Astra 在 20 种语言上平均测试通过率 87.4%，GPT-5.6 Sol 为 26.8%；
  • Astra 在 19/20 种语言上超过 83%，COBOL 仍是最难的，为 72%；
  • 分语言看，COBOL 从 10.9% 提升到 72.1%，OCaml 从 25.6% 到 85.8%，Fortran 从 21.4% 到 83.5%，Visual Basic 从 27.5% 到 89.4%；
  • GPT-6 Luna 平均通过率 40.3%，每样本估计 API 成本 0.77 美元，相比 GPT-5.6 Sol 的 3.48 美元降低约 78%，且在每种测试语言上均优于 GPT-5.6 Sol。

这组数据的工程含义是：低资源语言并非不可用，但语言间差距仍然显著。COBOL 在 Astra 上仍落后平均线约 15 个百分点，说明语料稀缺带来的难度并未被完全抹平。

COBOL 迁移评测：逐字节一致才算通过

第二项评测要求模型把 COBOL 程序迁移到 C++、Java、Kotlin、Python 或 Rust，同时保留程序行为。官方指出，成功迁移需要同时理解业务逻辑和 COBOL 的语言特性。

一个被明确点名的陷阱是定点算术：COBOL 的定点运算默认丢弃多余小数位，除非显式要求舍入。如果重写时改为四舍五入，程序可以无错误运行，却会产生不同的财务结果。这类差异不会以崩溃形式暴露，只会以错误数字的形式出现。

因此评测使用隐藏测试，要求可观察输出逐字节一致，全部测试通过才算迁移成功。官方同时给出边界：这类行为保持能力对维护和现代化旧系统有用，但应用到生产软件仍需专家评审，并针对系统业务规则和依赖进行测试。

数据方面：GPT-6.1 Sol 在低推理努力下达到 86.6% 准确率，GPT-5.6 Sol 同设置下仅 5.4%，且成本为后者的 61%；提高推理努力后准确率达到 97.9%，接近评测饱和。

对迁移实践的启示

结合官方评测设计，可以提炼出几条可执行建议（属于工程分析，非官方结论）：

第一，把“行为一致”作为迁移验收的第一指标，而非编译通过或运行无异常。COBOL 迁移的失败模式往往是静默的数值偏差，应建立以输入输出对为单位的回归基线，覆盖舍入、缺失记录处理等边界。

第二，优先选择可自动比对的共享接口。MultiLangBench 用数据库文件隔离语言差异，迁移项目同样可以为待迁移模块定义稳定的输入输出契约，让模型生成的代码和原系统在同一契约下对比。

第三，按语言和任务分别评估成本。官方数据显示 Luna 以约 78% 的成本降幅换取 40.3% 的平均通过率，Astra 则以更高成本换取 87.4%。对遗留系统迁移这类高风险任务，低推理努力下的高准确率（86.6%）比单纯追求最高分更具性价比，但关键模块仍应叠加专家评审。

第四，利用公开评测定位差距。MultiLangBench 的评测设置、测试套件和各语言结果已在 GitHub 发布，团队可以查看评测实际测什么、所用语言的表现如何，再判断哪些缺口与自身工作相关。

OpenAI 在文末说明，其目标是让模型在更多语言上应用软件工程技能：理解陌生仓库、规划变更、使用构建工具、运行测试、调试失败。对企业的现实建议是，把模型放进已有的构建与测试流水线中验证，而不是仅凭基准分数决定迁移策略。