Análisis en profundidad · Unos 4 min de lectura
OpenAI presenta avances al programar en lenguajes menos comunes
Las nuevas evaluaciones estudian implementaciones de SQLite y migraciones de COBOL que conservan el comportamiento.
- Fecha de la fuente
- Publicado aquí
- Fuente revisada
OpenAI publicó el 19 de octubre nuevas evaluaciones de programación centradas en lenguajes con menos material de entrenamiento, como COBOL, Fortran y Visual Basic. El anuncio describe tareas de ingeniería concretas, sin garantizar la migración automática de sistemas antiguos.
Escucha las noticias
Escucha este artículo o continúa con las noticias.
Preparando la lectura…
Voz del dispositivo
El navegador o dispositivo procesa la voz. AISubHub no envía el texto a una API de audio. Las voces y la reproducción con pantalla bloqueada dependen del dispositivo.
Al continuar puede repetirse una frase breve.
Resumen
- MultiLangBench pide construir motores compatibles con SQLite en 20 lenguajes. OpenAI comunica una tasa media de pruebas superadas del 87,4% para GPT-6 Astra con esfuerzo de razonamiento máximo, frente al 26,8% de GPT-5.6 Sol.
- Otra evaluación de migración de COBOL comprueba que el programa reescrito conserve su comportamiento observable. Solo se considera correcto si supera todas las pruebas ocultas.
Qué miden realmente las dos evaluaciones
La publicación del 19 de octubre separa dos problemas que suelen mezclarse en las promesas de programación con IA. MultiLangBench mide cuánta funcionalidad de base de datos nueva puede implementar un modelo; la tarea de COBOL comprueba si una reescritura conserva el comportamiento previo. A nuestro juicio, esta diferencia importa más que un porcentaje destacado. Generar código convincente no garantiza superar ninguna de las dos pruebas. Un equipo que moderniza software debe decidir qué capacidad necesita y qué evidencia revelaría un fallo antes del despliegue.
Cómo se comprueba la implementación de SQLite
En MultiLangBench, el candidato recibe una base de datos y una solicitud SQL, modifica la base y se valida con SQLite real. El README publicado especifica SQLite 3.40.1 y tres elementos: base inicial, consulta del candidato y consulta de validación de referencia. Informa de unas 24.000 pruebas convertidas de las 51.000 pruebas TCL de SQLite, con un subconjunto predeterminado de 272. Usar la suite mayor debe declararse. Nuestra lectura es que permite comparar funcionalidad observable entre lenguajes, sin demostrar cobertura de todas las pruebas originales.
Interpretar resultados y costes con su configuración
OpenAI comunica un 87,4% de pruebas superadas de media para GPT-6 Astra con razonamiento máximo, frente al 26,8% de GPT-5.6 Sol. COBOL pasa del 10,9% al 72,1% y sigue siendo más difícil que los demás lenguajes evaluados. GPT-6 Luna promedia un 40,3%, con gasto estimado de API de 0,77 dólares por muestra frente a 3,48 de GPT-5.6 Sol. Son equilibrios distintos de precisión y coste. Recomendamos calcular el coste por resultado aceptado, con reintentos y revisión, en vez de equiparar una muestra barata con una migración barata.
Por qué la reescritura debe conservar el comportamiento
La evaluación de migración traduce COBOL a C++, Java, Kotlin, Python o Rust. Exige igualdad byte a byte en las salidas observables y superar todas las pruebas ocultas. El anuncio señala un riesgo concreto: la aritmética de punto fijo de COBOL descarta decimales sobrantes salvo que se solicite redondeo. Una reescritura que redondee puede ejecutarse y cambiar resultados financieros. OpenAI informa de un 86,6% para GPT-6.1 Sol con razonamiento bajo, frente al 5,4% de GPT-5.6 Sol con el mismo esfuerzo y un 39% menos de coste de API; con mayor esfuerzo alcanza el 97,9%.
Qué requiere una reproducción significativa
El repositorio público pide eliminar las implementaciones existentes de SQLite del entorno del modelo y prohíbe internet. Una solución en otro lenguaje o con mezcla de lenguajes falla; también fallan resultados distintos, bloqueos y pruebas de más de 60 segundos. Estas reglas evitan confundir construir un motor con reutilizar uno instalado. Examinamos la documentación, sin ejecutar el benchmark. Una reproducción debe registrar modelo exacto, razonamiento, subconjunto, entorno y coste, para no presentar una configuración modificada como si fuera el mismo experimento.
Del benchmark a una migración controlada
Nuestra recomendación es un piloto acotado sobre un módulo no crítico, guardando entradas representativas y salidas esperadas antes de pedir la reescritura. Conviene añadir redondeo, registros ausentes y dependencias propias del módulo: son consejos de evaluación, no resultados de este anuncio. Los responsables del negocio deben revisar diferencias y mantener una reversión posible. El anuncio invita a experimentar mediante API, pero no concede presupuesto API adicional por tener ChatGPT. El progreso justifica investigar, sin sustituir criterios de aceptación ni responsabilidad experta.
Por qué importa
Los equipos pueden revisar el entorno de evaluación publicado y probar reglas representativas de su negocio. Conviene comparar cobertura, ajustes de razonamiento y coste real de la API antes de elegir.
Límites y disponibilidad
Son resultados del proveedor, no una reproducción de AISubHub. Superar un benchmark no acredita seguridad en producción: siguen siendo necesarias la revisión experta y las pruebas de reglas y dependencias.
Fuentes y pruebas
Fecha de la fuente: 19 oct 2026 · Fuente revisada: 20 oct 2026
Lecturas complementarias
Fuente revisada: 20 oct 2026
Contenido editorial asistido por IA y contrastado con fuentes primarias. Las afirmaciones del proveedor se atribuyen; la inclusión no implica recomendación.