COBOL 遷移準確率 97.9%：OpenAI 把 AI 帶到企業最不敢動的程式面前

從上一代的 5.4% 到 97.9%，GPT-6.1 Sol 在高推理強度下逼近評測上限；OpenAI 同步強調生產環境仍需專家審查，這句但書決定數字能兌換成多少生意。

同一份 COBOL 遷移評測，GPT-5.6 Sol 的準確率是 5.4%，幾乎等於把題目交給運氣；換上 GPT-6.1 Sol 並調高推理強度，數字跳到 97.9%，接近評測上限。10 月 20 日，OpenAI 發布研究報告，宣稱強化後的 GPT-6 系列模型已能建構與遷移 COBOL、Fortran、Visual Basic 這類「低資源程式語言」：它們在公開網路上的程式碼與文件稀少，卻支撐著銀行、ATM、天氣預報與核能安全分析等關鍵系統。

對一般開發者，這則消息像又一次例行的模型升級；對每年編列大筆預算供養老系統的銀行、保險與政府機構，這是一張可能重寫報價單的成績單。數字與 OpenAI 自己附上的但書之間，才是這件事真正的模樣。

「低資源」：網路上幾乎學不到的語言

「低資源語言」原本是自然語言處理領域的用語，用來形容教材稀少的人類語言；OpenAI 把它借來形容程式語言，意思相通：模型在訓練時幾乎沒看過足夠的範例。

COBOL 誕生於 1959 年，Fortran 更早，兩者都比網際網路老上幾十歲。它們最重要的一批程式，幾十年來躺在銀行與政府機構的大型主機裡，受層層權限保護，從未被放上原始碼託管平臺，技術討論區的熱門話題也輪不到它們。以公開網路資料訓練的模型面對這些語言，處境類似一個只讀過三本課本的學生去考精通級檢定：文法大致記得，實戰細節全靠猜。

這正是上一代模型成績難看的原因。GPT-5.6 Sol 在 MultiLangBench 二十種語言的平均測試通過率只有 26.8%，COBOL 單項 10.9%。模型並非不會寫程式；問題在於，在這些沒見過足夠範例的語言上，寫出來的東西過不了測試。

兩項評測，分別考「從零建構」與「原樣搬家」

為了量化這件事，OpenAI 設計了兩項評測，各自對應企業的一種需求。

第一項 MultiLangBench 考從零建構：要求模型用二十種語言，各自寫出一個與 SQLite 相容的資料庫引擎，以測試通過率計分。這考的是完整工程能力，模型要掌握該語言的語法與慣例，把一個有模有樣的系統拼出來，而不只是補完幾行函式。

第二項專考搬家：給定 COBOL 程式，要求模型在保持原有業務行為不變的前提下，遷移到 C++、Java、Python 或 Rust。這一項更貼近企業的真實痛點，也更深：遷移的難度向來超過把程式碼換一種寫法，連行為都得一模一樣。COBOL 的十進位定點運算、檔案與交易處理方式，換到其他語言時都有精度與語意對映的問題。過去幾十年，這正是各種自動遷移工具始終停在輔助階段的主因。

成績單：能力、成本與檔次

GPT-6 Astra 在 MultiLangBench 交出的平均成績是 87.4%，較 GPT-5.6 Sol 的 26.8% 大幅推進。個別語言裡，Visual Basic 從 27.5% 升到 89.4%，Fortran 從 21.4% 升到 83.5%，COBOL 從 10.9% 升到 72.1%。就算是最弱的 COBOL，也從接近隨機的層級，進到實務上可以拿出來討論的區間。

成本是第二個看點。較低價的 GPT-6 Luna 平均通過率 40.3%，估算 API 成本比 GPT-5.6 Sol 低約 78%。用便宜一個量級的價格，就能買到比上一代旗艦更好的平均表現；對需要跑大量程式碼的遷移場景，這是計價方式的直接改變。

第三個看點落在遷移評測本身。GPT-6.1 Sol 在低推理強度下準確率 86.6%，比 GPT-5.6 Sol 的 5.4% 高出一個量級，成本還降低 39%；把推理強度拉高，準確率達到 97.9%，接近評測上限。對企業來說，這代表準確率與花費之間出現了可調的階梯：大量例行轉換交給低強度，關鍵模組用高強度驗算。

這門生意的由來：COBOL 的維修帳

OpenAI 為什麼要費心考一門多數工程師沒寫過的語言？因為老系統的維修帳，是大型機構最硬的一筆支出。

COBOL 系統往往運轉數十年，業務規則層層沉積在程式裡；當年寫程式的人陸續退休，文件散佚，年輕工程師也不願把一門逐漸失去市場的語言寫進履歷。機構手上的選項長年只有兩個：出高價請少數還懂的人繼續修，或者發動大規模遷移專案，把系統重寫進現代語言與架構。後者的風險人盡皆知：行為等價性難以驗證，時程與預算經常失控。

大型主機陣營近年已陸續推出 COBOL 轉 Java 的生成式輔助工具，把遷移視為企業 AI 的下一個戰場。OpenAI 這份報告進的是同一個市場，報告明言，這項進展有助於企業維護老舊系統、修復缺陷並推進軟體現代化。模型能力的競賽，正從主流語言的程式補全，延伸到最冷門、也最值錢的那批程式碼。

但書比數字重要

報告裡最值得抄下來的一句，是提醒：將 AI 遷移結果用於生產環境，仍需專家審查，並結合具體業務規則與依賴關係進行測試。

評測題目是封閉世界，行為可以被完整比對；真實系統動輒百萬行，纏著資料格式、硬體相依，以及沒寫進文件的行為。AI 的輸出再準，最後一哩都在人這邊：誰來證明新程式與舊程式在每一種情境下行為一致？這句但書實際上指出了瓶頸的位置移動。過去卡在沒有人翻得動，未來卡在驗收的能量：等價測試、業務規則梳理與審查人力，會變成遷移專案新的成本中心。

對技術決策者，這與我們先前整理過的模型升級前的五項檢查是同一套紀律：任何帳面成績，都要先換算成自家系統上的實測數字，再談導入。

帳單記在誰頭上

遷移若真的變便宜，受力最直接的是靠人力搬遷舊程式的系統整合與顧問生意，計價基礎會被改寫。還在維護 COBOL 的資深工程師，角色會從翻譯者移向審查者，稀缺性未必下降，工作內容則明顯不同。

費用歸屬也是繞不開的現實問題。API 成本降 78% 聽起來便宜，但遷移專案的大頭向來在驗證與測試，模型費用的降幅要放進整本帳衡量。這與我們先前分析過的管 AI 用量之前，先回答費用歸誰是同一題：AI 帳單記在資訊部門、業務單位還是專案別，往往決定一件事推不推得動。

接下來可依序核對的訊號

第一，第三方覆核。MultiLangBench 是否被獨立機構或學界採用、其他模型在同一份題目上的成績如何，決定 87.4% 是產業座標，還是自家廣告。

第二，企業實績。接下來幾季，有沒有銀行或政府機構願意具名試用、專案實際時程與花費多少，會比評測分數更有說服力。

第三，驗收工具。等價測試與行為比對若有標準化的工具或服務跟上，這條路才算打通；工具沒跟上，97.9% 就停在實驗室裡。

第四，競爭者的動作。其他模型廠是否跟進推出同類評測或遷移服務，會透露這是不是一個被共同認定的市場。

手上還有舊系統的讀者，這份報告最實際的用法很簡單：挑一段自家系統裡的 COBOL 程式，讓模型跑一輪遷移，親自驗收行為等價性。評測分數是 OpenAI 的，驗收能力才是自己要留下的。