低资源编程语言迎来AI拐点：COBOL、Fortran现代化改造的技术突破与产业影响

为什么低资源语言突然成了AI编程的焦点

在AI编程助手几乎成为Python和JavaScript开发者标配的今天，一个被长期忽视的问题正在浮出水面：那些支撑全球关键基础设施的"老语言"，恰恰是AI最不擅长的领域。根据行业统计，COBOL至今仍承载着超过40%的网上银行系统、80%的线下信用卡交易以及95%的ATM交易；Fortran则深度嵌入天气预报与核反应堆安全分析等高风险场景。这些系统一旦出现维护断层，后果远超普通应用软件的迭代延迟。

OpenAI News 近期披露的研究进展，正是对这一痛点的正面回应。其最新模型在COBOL、Fortran、Visual Basic、OCaml等低资源语言上的表现出现跃升，这不仅是benchmark数字的变化，更意味着企业级遗留系统的现代化改造可能迎来新的技术路径。

两个评估维度：从"能写"到"能改"

要理解这次进步的分量，需要先看清评估体系的设计逻辑。研究团队构建了两套互补的测试：

MultiLangBench 要求模型用20种不同编程语言从零构建一个兼容SQLite的数据库引擎。这个任务模拟的是真实工程场景——模型需要组织代码库、管理状态、处理错误，并在保持既有功能的前提下扩展新特性。测试以数据库文件作为跨语言的统一接口，用参考版SQLite校验输出结果，从而实现对不同语言实现的公平比较。

COBOL迁移评估 则聚焦另一个方向：将现有COBOL程序迁移到C++、Java、Kotlin、Python或Rust，同时保持程序行为完全一致。这项测试的难点在于COBOL特有的语义细节——比如定点运算默认截断多余小数位而非四舍五入，一个看似无害的改写可能在无报错的情况下产出不同的财务结果。评估采用隐藏测试，要求可观测输出达到字节级一致，全部通过才算迁移成功。

两套评估合在一起，覆盖了软件生命周期中两个关键能力：新建与保真迁移。

数据背后的能力跃迁

从公开的评估结果看，进步幅度相当显著。在MultiLangBench上，GPT‑6 Astra在20种语言中的平均测试通过率达到87.4%，而上一代GPT‑5.6 Sol仅为26.8%，且每一种语言都有提升。具体到低资源语言：COBOL从10.9%升至72.1%，OCaml从25.6%升至85.8%，Fortran从21.4%升至83.5%，Visual Basic从27.5%升至89.4%。Astra在20种语言中有19种超过83%通过率，COBOL仍是其中最难的，停留在72%左右。

成本侧同样值得关注。GPT‑6 Luna在保持对GPT‑5.6 Sol全面超越的同时，平均API成本约为每样本0.77美元，相比后者的3.48美元下降约78%。这种"更强且更便宜"的组合，对需要大规模处理遗留代码的企业而言意义重大。

在COBOL迁移评估中，GPT‑6.1 Sol在低推理强度下达到86.6%准确率，而GPT‑5.6 Sol在同一设置下仅5.4%，且新模型的API成本还低39%。提高推理强度后，准确率攀升至97.9%，接近该评估的饱和点。

研究团队已将MultiLangBench的评估设置与测试套件发布在GitHub上，开发者可以自行查看各语言的具体表现，定位与自身工作相关的短板。

对企业的现实含义

这些结果指向一个务实的结论：AI在低资源语言上的可用性正在从"勉强能补全"迈向"可以承担实质性工程任务"。对于仍在运行COBOL核心系统的银行、保险和公共部门而言，这意味着现代化改造的选项增加了——但需要清醒认识的是，行为保真迁移仍然需要专家复核，并针对具体业务规则和系统依赖做充分测试。模型能力的提升降低的是人力密集度，而非消除工程责任。

从更宏观的视角看，COBOL和Fortran这类语言的共同困境是：文档可能不完整，原始开发者早已离职，关键业务规则只存在于代码本身。AI如果能在理解这些代码语义上取得突破，其价值就不只是写代码，而是帮助组织重新"读懂"自己的系统。

国内视角：同类能力正在追赶

把视线拉回国内，低资源语言编程能力的竞争同样在升温。DeepSeek系列模型在代码生成与跨语言迁移任务上持续迭代，其开源策略让企业可以在私有环境中处理敏感遗留代码；通义千问和文心一言则在企业服务场景中强化了对老旧系统代码理解与重构的支持；智谱GLM、Kimi等模型也在长上下文代码分析上发力，这对动辄数十万行的COBOL代码库尤为重要。差异在于，海外厂商更强调benchmark体系的公开与可复现，而国内厂商的优势往往体现在与本土企业IT环境的深度适配和部署灵活性上。对国内金融、电信等仍大量使用遗留系统的行业来说，可私有化部署的模型方案可能比单纯的跑分更具吸引力。

常见问题

低资源编程语言为什么对AI模型更难？

因为这类语言在公开代码库和文档中的语料量远少于Python、JavaScript等主流语言，模型可学习的样本有限，同时其语法和语义细节（如COBOL的定点运算规则）与主流语言差异较大。

MultiLangBench评估的是什么能力？

它要求模型用20种编程语言从零构建兼容SQLite的数据库引擎，考察代码组织、状态管理、错误处理和功能扩展等综合工程能力，以数据库文件为统一接口进行跨语言比较。

COBOL迁移评估如何判定成功？

评估使用隐藏测试，要求迁移后的程序在可观测输出上与原始COBOL程序达到字节级一致，全部测试通过才算成功，以此确保业务行为不被改变。

这些进展是否意味着企业可以完全自动迁移遗留系统？

不是。模型能力提升可以显著降低迁移工作量，但生产环境应用仍需专家复核，并针对具体业务规则和系统依赖进行充分测试。

国内模型在低资源语言编程上有哪些进展？

DeepSeek、通义千问、文心一言、智谱GLM、Kimi等均在代码理解与跨语言迁移方向持续投入，部分模型支持私有化部署，更适合处理金融、电信等行业的敏感遗留代码。

关于 Bingdada

Bingdada 是一个专注 SEO、GEO（生成式引擎优化）与 AEO（答案引擎优化）的内容平台，由资深内容编辑、SEO 技术工程师与 AI 研究专家组成的团队持续运营。我们追踪搜索引擎与生成式 AI 的最新动态，为读者提供准确、实用、可落地的方法论与行业洞察。

编辑团队：内容策划 · 技术编辑 · AI 研究组
网站：bingdada.com

© 2026 Bingdada. 保留所有权利。