深度解读 · 约 4 分钟阅读
OpenAI 公布低资源编程语言评测进展
新评测关注 SQLite 实现与保持行为一致的 COBOL 迁移，结果来自 OpenAI 官方报告。
- 原文发布
- 本站发布
- 核实时间
OpenAI 于10月19日公布编程评测，重点是训练材料相对较少的 COBOL、Fortran、Visual Basic 等语言。这是特定工程任务的测试结果，并不意味着旧系统已经可以无人工参与地自动迁移。
听读资讯
朗读当前文章，或连续收听资讯。
正在准备听读…
设备语音
朗读由浏览器或设备处理，AISubHub 不向音频 API 发送文本。可用语音及锁屏播放能力因设备而异。
继续播放时可能重复一小段。
一分钟速览
- MultiLangBench 要求模型用20种语言构建兼容 SQLite 的数据库引擎。OpenAI 报告：最大推理强度下，GPT-6 Astra 平均测试通过率为87.4%，GPT-5.6 Sol 为26.8%。
- 另一项 COBOL 迁移评测检查改写后的程序是否保持可观察行为；只有全部隐藏测试通过，才计为迁移成功。
两类评测各测什么
10月19日的公告把两种常被混在一起的编程能力分开：MultiLangBench考察模型能从零实现多少数据库功能，COBOL迁移则检查改写后是否保留原程序行为。本站认为，这一区分比单一高分更重要。能生成像样代码，不代表功能正确，更不代表旧业务规则完整保留。维护旧系统的团队应先确定项目究竟需要“新建实现”还是“保持行为的迁移”，并说明什么证据能够在部署前暴露失败。
数据库测试如何判分
MultiLangBench给候选程序初始数据库和SQL请求，再用真实SQLite检查修改后的数据库。公开README指定SQLite 3.40.1，测试包含初始数据库、候选查询、参考验证查询三个环节。约5.1万项TCL测试中有2.4万项转换成功，默认评测子集为272项；改跑大套测试应披露。本站解读：它提供跨语言的功能检验接口，但总分不能被理解成覆盖全部SQLite原始测试。
分数成本需要同看
OpenAI报告，最大推理强度下GPT-6 Astra平均通过率87.4%，GPT-5.6 Sol为26.8%；COBOL从10.9%升至72.1%，仍是较难语言。GPT-6 Luna平均40.3%，每样本估算API费用0.77美元，旧Sol为3.48美元。它们体现不同正确率与成本取舍，不能互当同款。本站建议比较每个最终合格结果的成本，并纳入失败重试和人工复核；单次调用便宜，不等于迁移项目总价更低。
迁移成功为何更严格
另一项评测把COBOL迁往C++、Java、Kotlin、Python或Rust，隐藏测试要求可观察输出逐字节一致，全部通过才算成功。公告举例：COBOL定点数默认丢弃多余小数位，明确要求时才舍入；新代码若自行四舍五入，虽然能运行，财务结果却可能改变。OpenAI报告低推理强度GPT-6.1 Sol正确率86.6%，同设置旧Sol为5.4%，API成本低39%；更高强度达到97.9%。
复现必须守住条件
公开仓库要求从模型环境移除已有SQLite实现，禁止联网；使用错误语言或混合语言的方案不合格，结果不符、崩溃、单项超时60秒也判失败。这些约束用于避免把调用现成数据库误当自行实现。本站本轮只查阅文档，没有执行基准。团队如复现，应记录具体模型、推理强度、测试子集、环境和费用，不能更换条件后仍把结果当成同一个实验。
落地先做边界试点
本站建议从非关键模块做小范围试点，先留存代表性输入和预期输出，再请求改写。加入舍入、缺失记录和该模块真实依赖等测试，由业务负责人审查差异并保留回滚能力；这是本站实施建议，不是本次公告公布的实测案例。官方建议通过API尝试自身任务，不代表购买ChatGPT会员就新增API额度。基准提升值得跟进，但不能取代生产验收标准或专家责任。
有什么影响
维护旧软件的团队可以先查看公开评测设置，再用自身业务规则建立测试。选型时应同时考虑覆盖范围、推理设置与实际 API 成本，而不是只看总分。
限制与可用性
这些是厂商报告，AISubHub 未独立复现。基准通过不代表生产安全；专家审查、业务规则及依赖测试仍不可省略。
来源与证据
原文发布: 2026年10月19日 · 核实时间: 2026年10月20日
补充阅读
核实时间: 2026年10月20日
AI 辅助采编，依据所列一手来源核实。厂商自报结论注明归属，收录不代表背书。