OpenAI 把考场搬到 COBOL 和 Fortran，新模型冷门语言通过率翻了三倍

两张新考卷各考什么

据 OpenAI 官方文章与 The Decoder 等外媒报道，这次放出的是两套互补的评测：

• 多语言 SQLite 构建（外媒称 MultiLangBench）：要求模型分别用 20 种编程语言从零实现一个与 SQLite 兼容的数据库引擎，考的是在陌生语言里完成一个中等规模工程的能力。GPT-6 Astra 的平均通过率据称由 26.8% 提升到 87.4%，其中 Fortran 的旧基线仅约 21.4%。
• COBOL 迁移：要求把现有 COBOL 程序迁移到另一种语言，并保持行为一致。OpenAI 称 GPT-6.1 Sol 在低推理强度下准确率 86.6%，而 GPT-5.6 Sol 只有 5.4%，成本还低 39%；拉高推理强度后达到 97.9%。

需要说明，各家媒体引用的旧基线并不完全一致，有报道给出的是另一个约 38% 的对照数字；以上全部是 OpenAI 自测结果，尚无独立第三方复现。

为什么挑这些「没人写」的语言

低资源语言的难点在于数据。学术界常引用的一组数字是：最大的公开代码语料 The Stack v2 里，Python 约 200GB，Julia、Fortran 各只有约 2GB。模型在热门语言上的高分，很大程度来自见得多；换到语料稀薄的语言，泛化能力才真正露底。

但这些语言并不冷清。COBOL 仍跑在大量银行核心账务、保险和政府系统里，Fortran 是气象、物理模拟等高性能计算的老底座。会写这些语言的工程师在退休，系统却换不掉——这正是企业愿意掏大钱的场景。OpenAI 选在这里立新考卷，商业意图相当直白：主流语言的编码评测已经接近饱和，遗留系统现代化是还没被吃下的大单。

97.9% 离上线还有多远

一个容易被忽略的细节是，开源出来的 GitHub 仓库据报道只覆盖 SQLite 构建任务，COBOL 迁移的测试用例并未公开，外部开发者目前无法自己重跑那组最亮眼的数字。DEV 社区已有文章就此质疑「测试是藏起来的」。

OpenAI 自己也留了余地：迁移结果在投产前仍需领域专家审核，并对照业务规则和系统依赖做测试。对真实的银行项目来说，难的往往不是语法转换，而是几十年积累下来、只存在于老程序员脑子里的隐性规则——行为一致的测试用例本身就很难写全。

这一步改变了什么

以往评测模型编码能力，大家盯的是 SWE-bench 这类以 Python 为主的榜单。OpenAI 这次等于主动换了比赛项目：从「谁修 GitHub issue 更准」转向「谁能把三十年前的系统安全搬走」。如果迁移评测后续能被外部复现，它会成为企业采购时比通用榜单更有说服力的指标；如果一直只有厂商自测，97.9% 就仍然只是一个营销数字。接下来值得看的，是 Anthropic、Google 会不会在同一张考卷上交出自己的成绩。