TOPIC COLLECTION
OpenAI称GPT-6.1 Sol迁移COBOL准确率97.9%：MultiLangBench成绩怎么看，银行老系统能不能交给AI改
OpenAI于2026-10-19公布低资源编程语言测评：GPT-6.1 Sol在COBOL迁移测试中低推理档86.6%、高推理档97.9%；GPT-6 Astra在20种语言的MultiLangBench平均通过率87.4%，测试集已开源。本文解读数字含义，并给出老系统迁移的实际做法和坑。
资料更新：2026-10-20
依据OpenAI官方文章（2026-10-19）。成绩为OpenAI自家测试集结果，本站未复现。核查2026-10-20（新加坡时间）。
主题标签：OpenAI、COBOL、代码迁移、GPT-6、MultiLangBench
10月19日OpenAI发了一篇不太起眼、但做企业开发的人值得细看的文章：它专门测了模型在COBOL、Fortran、Visual Basic、OCaml这类「训练资料少」的语言上的表现。最抓眼的数字是：GPT-6.1 Sol把COBOL程序迁移到其他语言，在高推理档位下准确率97.9%。
听上去像是「银行核心系统可以交给AI重写了」。我的看法是：这个数字是真进步，但离「直接上生产」还差着好几道工序。下面先把数字讲清楚，再说怎么用。
两个测评分别测什么
MultiLangBench：让模型用指定语言从零写一个兼容SQLite的数据库引擎，共20种语言。评测方式挺巧妙——给程序一个初始数据库文件和一条SQL，看它输出的数据库内容是否和官方SQLite的结果一致，测试用例改编自SQLite自己的测试集。这样不管用什么语言写，都能用同一套标准打分。OpenAI已经把评测环境和测试集放到GitHub上。
COBOL迁移评测：把现成的COBOL程序迁到C++、Java、Kotlin、Python或Rust，要求隐藏测试里所有可观察输出逐字节一致，一个测试没过就算失败。
成绩表
| 测评 | 模型 | 成绩 | 对比GPT-5.6 Sol |
|---|---|---|---|
| MultiLangBench（20语言平均） | GPT-6 Astra（最高推理） | 87.4% | 26.8% |
| MultiLangBench（20语言平均） | GPT-6 Luna（最高推理） | 40.3% | 26.8%，单样本成本约0.77美元 vs 3.48美元 |
| COBOL迁移 | GPT-6.1 Sol（低推理） | 86.6% | 5.4%，API成本为其61% |
| COBOL迁移 | GPT-6.1 Sol（高推理） | 97.9% | — |
分语言看，Astra在COBOL上从10.9%涨到72.1%，Fortran从21.4%到83.5%，Visual Basic从27.5%到89.4%，OCaml从25.6%到85.8%。20种语言里19种超过83%，COBOL仍是最难的那个。
几个模型的定位区别，站内GPT-6 Astra、Luna、Sol区别有详细对比。
这些数字该怎么读
这是OpenAI自己出题自己考。测试集开源是好事，外部可以复现，但截至我核查时还没看到第三方复测结果。
另外，「从零写SQLite」和「迁移老代码」是两回事。前者考的是工程组织能力，后者考的是「别改变原来的行为」。对企业来说后者更要命，而97.9%正是后者的成绩。
再一个，测试程序和你们行里的程序不是一回事。评测用的COBOL程序再复杂，也比不过一套跑了三十年、改过几百次、文档早就丢了的批处理系统。OpenAI自己在文中也写了：用到生产系统仍需要专家评审，并针对业务规则和依赖做测试。
COBOL迁移最容易翻车的地方
OpenAI文章里举了一个例子很典型：COBOL的定点运算默认直接截掉多余小数位，除非代码里显式写了ROUNDED。迁到Java或Python时如果顺手用了四舍五入，程序跑得好好的，利息却每笔差一分钱。几百万笔交易累计下来，对账就对不上了。
按我接触过的迁移项目，下面几类问题同样常见：
- PIC字段和打包十进制（COMP-3）：字段长度、符号位、溢出时的行为都要原样保留，Python的int和float都不能直接替代，至少要用Decimal并设好精度和舍入模式。
- EBCDIC编码与排序：大型机上的字符排序和ASCII不同，迁移后SORT结果顺序可能变了。
- 文件读到末尾、记录不存在的处理：AT END、INVALID KEY分支里藏着业务规则，OpenAI文章也点到了「缺失记录处理」。
- JCL和调度：程序只是一半，另一半在作业流里。只迁代码不迁调度，等于没迁。
想试的话，可以这么做
- 先挑一个边界清晰的小程序。比如一个只读输入文件、输出报表的批处理，不碰数据库更新。
- 先做「特征测试」。在旧系统上用真实（脱敏）数据跑一遍，把输入和输出全存下来，作为黄金样本。这一步比让AI写代码更重要。
- 让模型先解释再翻译。先要求它列出程序里所有的舍入、截断、异常分支和隐含规则，人工核对这份清单，再让它出目标语言代码。
- 逐字节比对输出。照着OpenAI评测的标准来，金额、空格、换行都要一致，不一致就回到第3步。
- 并行运行一段时间。新旧系统同时跑至少一个完整账期，再考虑切换。
工具上，用API可以走OpenAI开发者平台，命令行工作流可以用Codex CLI；IDE里做小范围改写，GitHub Copilot和Cursor也行，但长任务和大仓库迁移，CLI加脚本更好控制。两种工作方式的取舍见Claude Code和Codex怎么选。
费用怎么估
官方给的只有相对数：GPT-6.1 Sol低推理档成本约为GPT-5.6 Sol的61%；MultiLangBench上Luna单样本约0.77美元，GPT-5.6 Sol约3.48美元。这里的「样本」是一次完整的长时编码任务，不是一次对话。真实项目里，迁移一个几千行的程序往往要多轮修正，建议先拿一个程序跑通，把token消耗记下来，再乘以程序数量做预算。别忘了把测试和人工评审的工时算进去，那部分通常比API费用大。
对个人开发者有什么用
如果你不碰大型机，这篇文章的意义在于：小众语言的AI辅助终于能用了。写Fortran数值代码的科研同学、维护老VB6工具的运维、学OCaml的学生，都可以重新试试。语言基础可以配合Rust官方文档、Python官方这类权威资料对照看，AI生成的写法要和官方惯用法比一下。
更多编程助手在AI编程分类和AI软件工程智能体分类，各语言官方站点在编程语言分类。
常见问题
这是新模型发布吗？
不是。这是对现有GPT-6系列和GPT-6.1 Sol的能力测评文章，模型本身之前已经上线。
测试集在哪？
官方说MultiLangBench的评测环境、测试集和各语言结果已经发布在GitHub，链接在原文里。
能保证迁移零错误吗？
不能。97.9%是在OpenAI测试集上的结果，原文明确说生产软件仍需专家评审和测试。
来源与核查日期
核查日期：2026-10-20（新加坡时间）。成绩均为OpenAI自家测评数据；COBOL迁移注意事项为本站整理的通用经验。
