OpenAI 新模型 GPT-6.1 Sol 将 COBOL 代码迁移准确率提升至 97.9%

一句话结论

OpenAI 发布的 GPT-6.1 Sol 模型使 COBOL 代码迁移准确率飙升至 97.9%，显著降低了遗留系统现代化改造的初步分析成本，但尚未替代生产环境中的专家审查与全量验证体系。

关键要点

• GPT-6.1 Sol 在低推理强度下将 COBOL 迁移准确率从上一代 GPT-5.6 Sol 的 5.4% 提升至 86.6%，高推理强度下达到 97.9%。
• GPT-6 Astra 在 MultiLangBench 20 种语言测试中平均通过率为 87.4%，其中 OCaml 从 25.6% 升至 85.8%，Fortran 从 21.4% 升至 83.5%。
• COBOL 迁移评测采用隐藏测试，要求迁移前后程序的可观察输出逐字节一致，并估算 API 成本降低 39%。
• 摩根士丹利 2025 年 6 月使用基于 GPT 模型的 DevGen.AI 审查约 900 万行遗留代码，节省约 28 万小时工作量，主要用于生成自然语言业务规范。
• 97.9% 的准确率仅在特定评测任务下成立，生产环境应用仍需专家审查及针对业务规则与系统依赖的完整测试。

背景与事实

2024 年 10 月 19 日，OpenAI 发布了一项针对“低资源编程语言”的研究，重点评估最新一代模型在遗留系统代码迁移方面的能力。这些语言包括 COBOL、Fortran、Visual Basic 和 OCaml，它们虽诞生于数十年前的早期计算时代，但至今仍在金融交易、大型机系统、天气预报及核反应堆分析等关键领域运行。研究核心关注点在于模型能否准确将旧代码迁移至现代语言（如 C++、Java、Kotlin、Python 或 Rust），同时保持原始行为的一致性。

在 COBOL 迁移的特定测试中，评测标准极为严格：采用隐藏测试机制，要求迁移后的程序在可观察输出上与原始程序逐字节一致。数据显示，上一代模型 GPT-5.6 Sol 在低推理强度下的准确率仅为 5.4%，表明旧模型在处理复杂遗留代码时存在显著短板。最新发布的 GPT-6.1 Sol 在相同低推理强度下将准确率提升至 86.6%，并在提高推理强度后进一步达到 97.9%。与此同时，OpenAI 估算该模型的 API 成本较前代降低 39%，这在大规模代码处理场景中具有直接的经济意义。

另一项名为 MultiLangBench 的评测要求模型从零开始实现兼容 SQLite 数据库引擎的代码，涵盖 20 种编程语言。在此测试中，GPT-6 Astra 模型的平均测试通过率为 87.4%，远超上一代 GPT-5.6 Sol 的 26.8%。分语言数据显示，OCaml 的通过率从 25.6% 跃升至 85.8%，Fortran 从 21.4% 升至 83.5%，Visual Basic 从 27.5% 升至 89.4%，而 COBOL 则从 10.9% 提升至 72.1%。OpenAI 已公开 MultiLangBench 的评测代码与测试套件，以便第三方复现和验证结果。

行业实践方面，摩根士丹利在 2025 年 6 月部署了内部工具 DevGen.AI，该工具基于 GPT 模型运行。它审查了约 900 万行遗留代码，节省了约 28 万小时的工作量。值得注意的是，该应用的主要用途是将遗留代码转换为自然语言业务规范，帮助工程师理解历史逻辑，而非直接执行代码迁移。这表明当前 AI 在遗留系统改造中更多扮演“分析辅助”角色，直接“代码重写”仍需谨慎推进。

影响分析

对中文开发者与企业而言，这一进展意味着遗留系统现代化改造的门槛可能显著降低。过去，面对数以百万行计的 COBOL 或 Fortran 代码，工程团队往往因招聘难度大、业务逻辑晦涩而陷入停滞。现在，GPT-6.1 Sol 的高准确率使得初步的代码解析和结构映射可由 AI 自动完成，工程师可将精力集中在核心业务规则验证与架构重构上。然而，必须清醒认识到，97.9% 的评测准确率不等于生产环境的可靠性。遗留系统往往包含大量隐性依赖、并发控制和故障恢复逻辑，AI 生成的代码在这些边缘场景下可能表现差异。因此，国内企业在采用此类技术时，不能直接信任 AI 输出，必须建立包含代码分析、测试基线建立、隔离模块迁移、并行比对及人工审查的完整工程验证体系。

此外，成本的降低也影响了企业决策。API 成本降低 39% 意味着对资源有限的中小型企业，尝试使用 AI 进行部分代码迁移成为可行选项。但“可行”不等于“安全”。对于涉及金融交易或基础设施等关键场景，AI 更多是作为“加速器”而非“替代者”。企业需重新评估数据安全控制，确保在将数百万行核心代码输入大模型 API 时，合规要求得到满足。最终，软件工程的重点将从“手写代码”转向“定义测试用例与验证 AI 输出”，这对开发者的技能栈提出了新的要求。

适用边界

本文结论的适用性存在明确边界。首先，97.9% 的准确率仅针对“保留原行为”的特定迁移任务成立，且基于 OpenAI 定义的评测数据集，不代表在任意复杂度的大型真实生产系统中都能达到同等效果。其次，对于代码库中大量未被文档化、依赖特定硬件环境或包含严重历史技术债的场景，AI 的迁移结果可能引入难以察觉的逻辑偏差。最后，该研究主要关注语言间的代码转换，对于需要重构数据模型、升级事务处理机制或改变部署架构的系统，单纯的代码迁移无法解决根本问题。因此，对于非功能性需求（如性能、安全性、可维护性）有高要求的场景，不能仅依赖 AI 生成的迁移代码。

孤本观察

本稿件认为，OpenAI 此次发布的核心价值不在于“AI 能完美替代人类迁移代码”，而在于它证明了大模型已具备理解“低资源、高复杂度”遗留逻辑的能力，这将迫使行业重新审视“测试左移”在遗留系统改造中的优先级。同时，摩根士丹利案例中“生成规范”而非“直接迁移”的实践，暗示了当前阶段 AI 在遗留系统领域最稳健的落地路径是“知识提取”而非“代码重写”。

来源：InfoQ 中文 AI