事件概要
OpenAI 於 2026 年 10 月 19 日發布最新模型進展,重點提升在 COBOL、Fortran 等低資源編程語言上的能力。這些語言雖學習資料較少,但支撐全球超過 40% 的線上銀行系統及 95% 的 ATM 交易。新模型在自研的 MultiLangBench 與 COBOL 遷移評估中,準確率顯著提升且 API 成本降低。
前因與轉變
開發者與企業客戶反饋顯示,現有編程模型在處理這些語言時常遇困難。這類軟體維護困難在於文件不完整、原始開發者離職,且關鍵商業邏輯僅存在於代碼中。團隊在修復錯誤或遷移語言時,必須嚴格保留系統依賴的原有行為,這成為舊有模型的痛點。
實務應用
開發者可透過 API 在團隊使用的語言上嘗試最新模型。OpenAI 已將 MultiLangBench 評估設定與測試套件發布在 GitHub,開發者可檢視評估內容、查看特定語言的表現數據,並識別對自身工作重要的差距。原文沒有提供具體的 API 調用代碼範例,但建議用戶根據團隊使用的語言進行測試並提供反饋。
同類比較
原文主要比較了 OpenAI 自家不同版本模型的表現。在 MultiLangBench 中,GPT-6 Astra 平均通過率 87.4%,遠高於 GPT-5.6 Sol 的 26.8%。在 COBOL 遷移評估中,GPT-6.1 Sol 在低推理努力下準確率 86.6%,而 GPT-5.6 Sol 僅 5.4%。GPT-6 Luna 作為低成本選項,平均通過率 40.3%,API 成本較 GPT-5.6 Sol 低約 78%。
編輯觀察
銀行與金融業的 IT 團隊將直接受益,COBOL 遷移準確率接近飽和意味著現代化成本可能大幅下降。企業應關注 GPT-6 Luna 的成本效益,適合預算有限但需處理多語言代碼的場景。接下來應觀察 OpenAI 是否針對其他低資源語言發布更多優化,以及開源測試套件能否成為業界評估 AI 編程能力的標準。