GPT-6 Astra 低资源编程语言能力提升：遗留系统迁移真的可以交给 Agent 了吗？
先说结论
OpenAI 在 2026 年 10 月 19 日发布了一项针对低资源编程语言的评测与模型进展，重点覆盖 COBOL、Fortran 和 Visual Basic。官方数据显示，GPT-6 Astra 在 20 种语言上构建 SQLite 兼容数据库引擎，平均测试通过率达到 87.4%，GPT-5.6 Sol 的对应结果是 26.8%；在 COBOL 迁移评测中，GPT-6.1 Sol 在高推理强度下达到 97.9% 准确率。
我的判断是：这已经足够证明 Agent 可以成为遗留系统现代化的强力辅助工具，但还没有证明它可以独立接管迁移。真正的突破不在“模型会写 COBOL”，而在于它开始用统一的测试接口衡量跨语言开发，并把行为保持、隐藏测试和成本一起纳入评测。生产迁移仍然必须由确定性测试、领域专家和回滚方案兜底。
发生了什么
主来源是 OpenAI 官方文章《Advancing Coding in Low-Resource Programming Languages》，发布日期为 2026 年 10 月 19 日，原始 URL：https://openai.com/index/low-resource-programming-languages。
官方事实一：评测对象不只是补全代码。 OpenAI 设计了 MultiLangBench，让模型在 20 种编程语言中从零构建一个兼容 SQLite 的数据库引擎。模型需要组织代码库、管理状态、处理错误、增加功能，并在持续编码过程中保持已有功能可用。最终通过数据库文件这一共同接口检查结果，因此不同语言可以使用同一套外部测试标准。
官方事实二：Astra 在低资源语言上的提升尤其明显。 GPT-6 Astra 平均通过率从 GPT-5.6 Sol 的 26.8% 提升到 87.4%。其中 COBOL 从 10.9% 提升到 72.1%，OCaml 从 25.6% 提升到 85.8%，Fortran 从 21.4% 提升到 83.5%，Visual Basic 从 27.5% 提升到 89.4%。官方称，20 种语言中的 19 种达到 83% 以上，COBOL 仍然是最难的一种。
官方事实三：低成本模型也有进步。 GPT-6 Luna 在最高推理强度下平均通过率达到 40.3%，估算每个样本成本约 0.77 美元；GPT-5.6 Sol 的对应成本约为 3.48 美元，前者低约 78%。这说明低资源语言的能力提升并不只属于最昂贵的模型。
官方事实四：评测设置公开。 OpenAI 同步发布了 MultiLangBench 的评测配置和测试套件，开发者可以查看每种语言的测试内容、结果和缺口。后文对 Agent 迁移流程的建议属于我的工程判断，不是官方对生产效果的承诺。
技术细节
1. 用共同外部接口解决跨语言比较
MultiLangBench 的关键设计，是不直接比较不同语言的代码长短或风格，而是让候选程序读取初始数据库和 SQL 查询，再输出修改后的数据库文件，之后用参考 SQLite 实现检查结果是否正确。这样，COBOL、Fortran、Visual Basic、Python 等语言都被放进同一条功能验收链路。
这个思路对 Agent 工程很重要。模型生成代码时，真正需要优化的不是“看起来像不像人写的”，而是能否通过可执行的外部契约。数据库文件在这里就是契约；在其他系统里，契约可以是 API 响应、文件格式、账务对账结果或一组回放测试。
2. 迁移评测检查的是行为，不是语法
第二项评测要求模型把 COBOL 程序迁移到 C++、Java、Kotlin、Python 或 Rust，同时保持原程序行为。OpenAI 特别强调，隐藏测试要求可观察输出做到字节级一致，只有全部通过才算迁移成功。
这比把旧语法翻译成新语法严格得多。以 COBOL 的定点算术为例，超出精度的小数位可能会被直接截断，除非程序明确要求四舍五入。如果迁移后的代码默认采用另一种舍入规则，即使编译通过、单元测试也通过，财务结果仍可能改变。遗留系统里真正难复制的，往往正是这些写在旧代码和历史数据里的业务规则。
3. 推理强度和成本必须一起看
GPT-6.1 Sol 在低推理强度下已经达到 86.6%，GPT-5.6 Sol 只有 5.4%，且官方称 API 成本约为后者的 61%。当推理强度提高后，GPT-6.1 Sol 达到 97.9%，接近评测饱和。
这给 Agent 设计提出了一个现实问题：不是所有迁移任务都应该默认使用最高推理强度。简单的格式转换、测试补全和局部重构可以先用低强度；涉及跨模块业务规则、金额计算、异常路径和隐式状态时，再把高强度推理用在少数关键步骤。路由器应该根据风险和失败信号升级，而不是一开始把所有任务都按最高档运行。
4. 低资源不等于低风险
官方把 COBOL、Fortran 和 Visual Basic 称为低资源语言，是因为可供模型学习的代码和文档更少；但这些语言承载的系统并不低价值。COBOL 仍然用于大量银行、信用卡和 ATM 业务，Fortran 也出现在天气预报和核安全分析等场景。
因此，评测分数的工程含义不是“可以自动改生产代码”，而是“模型更有可能读懂这类代码，并提出可验证的修改”。遗留系统迁移最重要的资产不是生成速度，而是完整的行为基线、领域知识和可复现的验收环境。
对 Agent / 工程的影响
第一，迁移 Agent 应该被设计成测试驱动的闭环。 它先扫描模块、依赖和入口，再提出迁移计划；每次修改后运行编译、单元测试、回归测试和业务对账；发现差异时回到具体提交，而不是继续生成更多代码。模型负责提出候选变更，确定性工具负责判断是否接受。
第二，先建立行为基线，再谈迁移。 对没有完整测试的遗留系统，可以先用历史输入、脱敏生产样本和人工确认结果构建回放集。回放集至少要覆盖金额边界、空记录、重复记录、异常退出、日期切换和批处理重跑。没有基线时，模型即使生成了“更现代”的代码，也无法证明它保留了原业务语义。
第三，跨语言迁移适合分阶段路由。 低风险的语法整理和测试补全交给成本较低的模型；跨模块设计和难以解释的行为差异升级到更强模型；涉及账务、合规、权限或不可逆数据变更时，必须加入领域专家审批。Agent 的权限也应限制在隔离仓库、临时分支和可回滚环境中。
第四，评测要加入成本和可维护性。 不能只记录最终通过率，还要记录每次任务的推理 token、工具调用次数、失败重试、人工修复量、迁移后缺陷和回滚次数。一个通过率高但需要大量人工收尾的系统，未必比通过率略低但产出清晰补丁和完整测试的系统更有价值。
第五，公开评测套件值得复用，但不能照抄结论。 MultiLangBench 覆盖的是数据库引擎构建，不等于你的核心账务、批处理或报表系统。最有效的做法是借用它的共同接口思路，为自己的业务建立不依赖实现语言的外部验收标准，再用固定回放集比较模型版本。
我的判断
这次发布真正值得跟进的是“行为保持评测 + 跨语言 Agent”，不是某一个模型的宣传分数。我的建议很明确：可以立即把低资源语言迁移 Agent 放进离线试点，优先处理有完整测试和可回滚的模块；不要把高推理强度下的 97.9% 当作生产安全线。遗留系统现代化的瓶颈已经从“模型能不能写新代码”，转向“团队有没有足够好的行为基线来证明旧规则没有被改坏”。
Q&A
Q1：来源、发布日期和原始 URL 是什么？
A：主来源是 OpenAI 官方文章《Advancing Coding in Low-Resource Programming Languages》，发布日期为 2026-10-19，原始 URL：https://openai.com/index/low-resource-programming-languages。评测套件 MultiLangBench 已在文章中链接到官方代码仓库，具体测试内容和各语言结果以仓库版本为准。
Q2：能不能复现官方结果？
A：可以从官方仓库获取 MultiLangBench 的评测设置和测试套件，先固定模型、推理强度、提示模板和工具环境，再分别运行 20 种语言的任务。复现时要同时记录测试通过率和 API 成本，不能只抄最终平均分。
Q3：这是否意味着 COBOL 可以自动迁移到 Python？
A：不意味着。官方评测证明模型在特定程序和隐藏测试上具备较强行为保持能力，但真实系统还包含外部接口、批处理依赖、数据质量、运营手册和未写入代码的业务规则。生产迁移必须由专家审查，并通过完整回归与对账。
Q4：Agent 迁移流程的最小安全边界是什么？
A：使用隔离仓库和临时分支，只提供读取源码、运行测试和生成补丁的权限；所有外部写入、数据变更和发布动作由确定性程序及人工确认控制。每个变更都应能回滚，并保存可复核的测试结果。
Q5：低成本模型适合承担什么工作？
A：适合做代码索引、局部格式整理、测试样例草拟、简单语法转换和失败日志归类。涉及跨模块业务规则、金额计算、权限逻辑和不可逆数据变更时，应升级到更强模型并增加人工审核。
来源
- OpenAI，Advancing Coding in Low-Resource Programming Languages，发布日期：2026-10-19，原始 URL：https://openai.com/index/low-resource-programming-languages
- OpenAI，MultiLangBench 评测设置与测试套件，原始链接见官方文章中的 GitHub 仓库
本文区分官方事实与作者判断；模型分数、成本和迁移效果以官方资料及目标环境复现为准。
隐私自检：未写入姓名、账号、用户输入、内部网络细节、凭据或会话标识