封面：大数字海报 + 深海蓝。「87.4%」是 GPT-6 Astra 在 MultiLangBench 上 20 种语言的平均测试通过率（官方，最大推理力度）；柱条与右侧 COBOL 迁移数字据官方数据绘制，非 OpenAI 官方图。
银行还在跑 COBOL：OpenAI 为什么现在才专门写这篇
全球不少网上银行系统，后台仍是 COBOL。OpenAI 2026-10-19 这篇博客一开篇就甩出一组行业数字：COBOL 支撑超过 40% 的网上银行系统、80% 的面对面信用卡交易、95% 的 ATM 交易；Fortran 还用在天气预报和核反应堆安全分析里。
这组「40% / 80% / 95%」不是 OpenAI 自己测出来的，博客是引用行业背景；IBM Think 的《What Is COBOL》一文用的是同一口径，可作交叉核对。
博客要讲的不是「老语言该不该死」，而是另一件事：这些语言公开代码和文档远少于 Python、JavaScript，模型学得少，企业客户却反复反馈------修 bug、迁语言时，模型经常在这儿翻车。文档不全、原作者离职、业务规则只活在代码里，这是维护现场的常态。
OpenAI 为此做了两套互补评测：
- MultiLangBench：能不能在指定语言里，从零写出一套 SQLite 兼容的数据库引擎。
- COBOL 迁移评测：能不能把既有 COBOL 程序迁到另一种语言，并且行为不变。
官方图 博客页 SEO 配图，标题旁标出 COBOL、OCaml、Fortran、Visual Basic。图源：OpenAI 官方博客 Advancing coding in low-resource programming languages
原文：Advancing coding in low-resource programming languages，作者 OpenAI，2026-10-19。本文是要点解读加编者注，观点归原作者；文中评测数字以官方博客原文为准，本号未重跑评测。
下面先摆两张对比表，再讲成本，最后看官方自己划的边界。
一张表：20 种语言从零写 SQLite，平均通过率从 26.8% 到 87.4%
MultiLangBench 的任务很硬：给定一种编程语言，模型要组织代码库、管状态、处理错误、在保住已有功能的前提下加新功能，最终交出一个 SQLite 兼容引擎。
为了让 20 种语言能比，评测用数据库文件 当公共接口：候选程序拿到初始库和一条 SQL，吐出改过的库；再用参考版 SQLite 检查内容对不对。测试改编自 SQLite 既有测试套件。报告的是测试通过率和 API 成本。
最大推理力度下，官方数字是：
| 指标 | GPT-5.6 Sol | GPT-6 Astra | GPT-6 Luna |
|---|---|---|---|
| 20 语平均通过率 | 26.8% | 87.4% | 40.3% |
| COBOL | 10.9% | 72.1% | 17.1% |
| OCaml | 25.6% | 85.8% | 34.1% |
| Fortran | 21.4% | 83.5% | 31.4% |
| Visual Basic | 27.5% | 89.4% | 41.6% |
Astra 在 20 种语言里有 19 种高于 83%；COBOL 仍是最难的那一个，约 72%。博客写明：每种被测语言都有提升。
框架示意 据 OpenAI 博客 §1 整理；口径为最大推理力度下的测试通过率。本图由本号用 HTML 排版绘制。
口径别混：
- 87.4% = GPT-6 Astra、MultiLangBench、20 种语言平均测试通过率、最大推理力度。
- 不是 「随便写点 COBOL 就有八成把握上线」，也不是 COBOL 单语分数（COBOL 是 72.1%）。
- 对照基线是 GPT-5.6 Sol 的 26.8%，不是别家报道里偶见的其它模型名。
评测设置和测试套件已开源到 GitHub 仓库 openai/MultiLangBench（Apache-2.0）。README 写明目标是实现 SQLite 3.40.1 ；完整转换测试约 2.4 万条，常规评测建议只用以 00/01/02 开头的 272 条。
另一张表：把 COBOL 迁走，低推理档就从 5.4% 到 86.6%
第二套评测更贴银行、保险里的真实活：把 COBOL 程序迁到 C++、Java、Kotlin、Python 或 Rust ，且保住原程序做什么。
博客举了定点运算的例子：COBOL 默认丢掉多余小数位，除非你显式要求舍入。改写如果擅自四舍五入，程序可能「跑得通」，账却对不上。
所以他们用隐藏测试卡可观察输出的逐字节一致；全部通过才算迁成功。
官方数字：
| 档位 | 模型 | 准确率 | 成本口径 |
|---|---|---|---|
| 低推理力度 | GPT-5.6 Sol | 5.4% | 对照基线 |
| 低推理力度 | GPT-6.1 Sol | 86.6% | 约为旧模型 API 成本的 61% （摘要写作便宜约 39%） |
| 更高推理力度 | GPT-6.1 Sol | 97.9% | 官方称接近评测饱和 |
「39% less」和「61% of the API cost」是同一件事的两种写法，都来自官方博客。
框架示意 据 OpenAI 博客 §2；准确率 = 全部隐藏测试通过。本图由本号用 HTML 排版绘制。
97.9% 的口径： GPT-6.1 Sol、更高推理力度、该 COBOL 迁移评测上的准确率。它几乎顶到评测天花板，不等于「迁完就能切生产流量」。
博客接着写了一句硬边界：这类行为保持能力对维护和现代化有用，但应用到生产软件，仍需专家审查，并对照该系统的业务规则与依赖做测试。
花钱更少也能涨：GPT-6 Luna 大约便宜 78%，适合谁先试
不是每家都要一上来就打满推理、打满 Astra。博客给了低成本档 GPT-6 Luna 的数：
- MultiLangBench 平均通过率 40.3%（仍高于 Sol 的 26.8%，且每种语言都有提升）
- 估计平均 API 成本约 0.77 / sample** ，对照 Sol 约 **3.48 ，大约低 78%
- 低资源语种上 Luna 的涨幅更「温和」：COBOL 10.9%→17.1%，Fortran 21.4%→31.4%，Visual Basic 27.5%→41.6%
框架示意 据 OpenAI 博客 §1 的估计 API 成本与通过率。本图由本号用 HTML 排版绘制。
读法可以很朴素：先用 Luna 在非核心路径上试「读懂仓库、改小补丁、出迁移草稿」；关键账务路径再加推理力度，或换更强档，并留下人工复核闸门。
评测不等于上生产：官方自己强调要专家复核业务规则
两张表看完，更重要的是分寸。我们把博客说了什么 和没说什么摊开：
框架示意 对照 OpenAI 博客全文与 openai/MultiLangBench README；「没说」一项亦对照 AiLookout 跟进报道。本图由本号整理。
说了：
- 两套评测的任务定义、主要数字、成本对比
- MultiLangBench 开源，方便外人核对测什么、每种语言差在哪
- 上生产要专家审查 + 对照业务规则与依赖测试
没说（至少这篇里没有）：
- COBOL 迁移集有多少程序、多长、从哪来
- 有没有开源该迁移评测集（目前只见 MultiLangBench 开源）
- 任何银行核心 / ATM 上线案例
- 「一键替换」核心账务系统这类承诺
- 评测分能不能直接当验收标准
所以这篇更适合当成「能力曲线往上走了」的证据，而不是「下周切掉主机」的施工图。
编者注
1. 数字要带尺子。 对外转述时建议写成：「MultiLangBench 上，GPT-6 Astra 在最大推理力度下，20 种语言平均测试通过率 87.4%（对照 GPT-5.6 Sol 26.8%）」；COBOL 单语写 72.1%；迁移写清「低推理 86.6% / 高推理 97.9%，模型是 GPT-6.1 Sol」。少一个限定词，意思就飘。
2. 评测任务 ≠ 银行核心改造任务。 MultiLangBench 考的是从零实现 SQLite 兼容引擎；迁移评测考的是隐藏测试上的输出对齐。真实核心系统还有联机事务、批处理窗口、监管报表、周边组装语言与中间件。分数高，只说明「在这些尺子上变强了」。
3. 定点运算那条提醒，值得贴在迁移检查单上。 博客用 COBOL 舍入规则举例：表面跑通、财务结果不同。企业侧至少要单列：金额舍入、缺省记录、编码页、日期与假期日历、对账差额处理。
4. 开源的是尺子，不是迁移题库。 openai/MultiLangBench 可复现「从零写库」这条线；COBOL 迁移集的规模与样本未公布。跟进报道 AiLookout 也指出这一点。拿第三方复现分数对比时，先确认是不是同一套测试。
5. 国内团队怎么落地，这篇没写，但边界清楚。 能立刻做的是：用开源 MultiLangBench 看自家模型/代理在遗留语言上的短板；把「AI 出草稿 → 资深 COBOL/Fortran 工程师审 → 对照业务用例与对账」写成流程。不能做的是：把 97.9% 写进立项材料当成「可免人工验收」。
6. 行业 40%/80%/95% 是背景，不是 OpenAI 的实验结果。 引用时写「行业常用口径 / IBM 等来源复述」，别写成「OpenAI 测出来银行有 40% 跑 COBOL」。
维护老系统的团队可以看什么、创业团队可以先跳过（适合谁 / 不适合谁）
适合读、适合拿去内部对齐的人：
- 银行、保险、清算、政务里还在养 COBOL / 主机应用的架构与工程负责人：用两张表对齐「模型进步了多少」，用「专家复核」原话对齐风险话术。
- 做遗留现代化、代码迁移工具的团队：关注逐字节对齐与定点运算这类易踩坑点。
- 科学计算 / 气象 / 能源里还在写 Fortran 的小组：看 MultiLangBench 里 Fortran 从 21.4% 到 83.5% 的相对进步，再决定要不要开内部试点。
不适合 / 先别用这篇当行动令的场合：
- 不适合把 87.4% 或 97.9% 理解成「可以一键替换核心银行系统」。
- 不建议创业团队若当前栈全是 Python/TypeScript、也没有遗留包袱，就为这篇专门立项------优先级更低，扫一眼数字即可。
- 先别用公开评测分替代你们自己的业务验收集；官方也没把评测当成生产验收。
使用建议
- 对内汇报先写口径表：平均分 / 单语分 / 迁移低档 / 迁移高档 / 成本，五列分开，避免标题党式合并。
- 试点选非核心路径：只读分析、文档回填、测试生成、迁移草稿，比直接改联机账务更合适。
- 保留人工闸门：金额、舍入、对账、监管字段，必须有懂业务规则的人签字。
- 想核对尺子：去看 openai/MultiLangBench 的测试说明与推荐的 272 条子集；迁移题库未开源就不要假装能复现 97.9%。