挑戰冷門語言與老舊系統維護

企業內部仍有大量運作數十年的COBOL或Fortran系統，常因原始開發人員離職或文件缺失而難以維護。OpenAI推出的MultiLangBench旨在檢驗AI在這些「低資源」語言上的表現，測試要求模型僅憑文件，從頭編寫出能處理資料庫操作的程式，並與原版SQLite結果比對。這不僅是技術展示，更直指企業數位轉型中「跨語言移植」的痛點，確保AI改寫後不會改變原本的業務邏輯與計算精度。

數據說話：Astra模型表現驚人

在最高推理強度下，GPT-6 Astra在20種語言的平均測試通過率達到87.4%，相較於GPT-5.6 Sol僅有26.8%的成績，進步幅度顯著。值得注意的是，即便是表現最弱的COBOL項目，Astra仍取得了72.1%的通過率，顯示其處理古老程式碼的能力已趨成熟。而在專門針對COBOL轉譯為C++、Java等現代語言的評測中，GPT-6.1 Sol以較低算力成本達到86.6%的準確率，證明AI在嚴格驗證輸出一致性上已具備實用價值。

開發者如何應用此基準？

MultiLangBench已在GitHub公開測試設定與資料，讓開發者能自行檢查模型在不同語言上的強弱項。對於需要維護遺留系統（Legacy System）的團隊來說，這提供了一個量化指標來評估AI輔助工具的可靠性。雖然目前尚未提及台灣市場的特定導入時程，但隨著企業對自動化程式重構需求增加，這類高準確率的跨語言能力將成為選型關鍵。