Оглавление

Компания OpenAI значительно повысила эффективность своих новых моделей в работе с «низкоресурсными» языками программирования, такими как COBOL, Fortran и Visual Basic. Как сообщает издание The Decoder, эти технологии, несмотря на свой возраст, остаются фундаментом мировой критической инфраструктуры, включая банковский сектор и государственные системы.

Проблема старого кода часто упирается в дефицит обучающих данных: в открытом доступе гораздо меньше качественных примеров на COBOL, чем на Python. Однако актуальность вопроса подтверждается данными IBM, согласно которым этот язык до сих пор обеспечивает работу более 40% банковских онлайн-систем и 95% транзакций в банкоматах по всему миру.

Результаты тестирования на MultiLangBench

Для оценки прогресса разработчики использовали бенчмарк MultiLangBench, в рамках которого нейросети должны с нуля создать движок базы данных, совместимый с SQLite. Флагманская модель GPT-6 Astra при активации максимальных мощностей рассуждения показала впечатляющий результат — 87,4% успешно пройденных тестов на 20 языках.

Для сравнения, предыдущее поколение в лице GPT-5.6 Terra справлялось лишь в 38% случаев. Примечательно, что более доступная модель GPT-6 Luna показала результат в 40,3%, что лишь незначительно превосходит показатели предшественника, но обходится пользователям существенно дешевле в эксплуатации.

Способность моделей эффективно переводить COBOL в современный стек — это не просто технический курьез, а попытка решить проблему дефицита кадров, знающих, как работают системы полувековой давности. Однако полагаться на автоматическую миграцию без глубокого аудита опасно: малейшая логическая ошибка в коде, управляющем миллиардными транзакциями, превращает «успешный бенчмарк» в финансовую катастрофу. OpenAI создала отличный инструмент для чтения «цифровых иероглифов», но ответственность за нажатие кнопки Compile все еще лежит на человеке, и это главная точка риска.

Автоматизация миграции legacy-систем

Особое внимание уделено задаче миграции кода с COBOL на современные языки, такие как C++, Java, Kotlin, Python и Rust. В этом сценарии модель GPT-6.1 Sol продемонстрировала колоссальный скачок производительности, достигнув точности в 86,6% даже при низких затратах на вычисления.

При использовании расширенных алгоритмов рассуждения (reasoning effort) точность выполнения задач по миграции возрастает до 97,9%. В контексте огромного массива унаследованного кода, который десятилетиями копился в недрах финансовых корпораций, такие показатели могут стать сигналом к началу масштабной технологической трансформации индустрии.

Несмотря на оптимистичные цифры, эксперты призывают сохранять осторожность. Работа с legacy-системами требует не только синтаксической точности, но и понимания бизнес-логики, которая зачастую не задокументирована и существует только в виде работающего десятилетиями бинарного кода.