大模型写代码的竞争，正在从 Python 转向那些没人愿意碰的老语言。
发生了什么
OpenAI 表示，其最新模型针对 COBOL、Fortran、Visual Basic 等"低资源"编程语言做了专门改进。在新推出的基准 MultiLangBench 上，GPT-6 Astra 在 20 种语言中的测试通过率达到 87.4%，而 GPT-5.6 Terra 约为 38%。在更具体的 COBOL 迁移任务上，GPT-6.1 Sol 的准确率最高可达 97.9%。
需要说明的是，这些数字来自 OpenAI 自述与自建基准，尚未经过第三方独立复现，横向比较时应保留余地。但方向本身值得注意：低资源语言被单独拿出来做基准和优化，说明它已从"顺带支持"变成明确的产品目标。
为什么重要
主流代码模型的能力分布长期严重偏斜。Python、JavaScript、TypeScript 有海量公开代码可供训练，而 COBOL 的语料大多锁在银行、保险、航空和政府系统的私有代码库里，Fortran 则集中在科学计算与工程仿真领域。结果是模型在这些语言上表现不稳，而恰恰是这些系统最难替换——它们承载着核心账务、清算和工业计算逻辑，重写成本高、风险大。
这也解释了为什么"COBOL 迁移"被单独强调。真正有价值的不是让模型写新的 COBOL，而是读懂存量代码、生成文档、辅助翻译到现代技术栈，并在迁移过程中做等价性验证。这是一条长期被外包和咨询公司占据的赛道，现在开始被模型直接切入。
影响与看点
对金融机构和大型企业而言，短期变化不在"用 AI 重写核心系统"，而在于理解和盘点存量资产的门槛下降：代码解释、影响面分析、测试用例生成这类工作会先被加速。对开发者来说，老语言工程师的稀缺性不会立刻消失，但"能读懂但写不动"的中间层价值会被压缩。
值得关注的三个点：一是 MultiLangBench 是否会公开、能否被独立验证；二是 97.9% 这类准确率在真实遗留代码库上能否保持，毕竟基准任务通常比生产环境干净得多；三是迁移场景的失败代价极高，模型输出必须配套严格的验证流程，否则准确率的最后几个百分点就是全部风险所在。
一个独立判断：低资源语言很可能成为下一阶段模型差异化的实用切口——它不炫技，但直接对应预算和合规压力，比通用编程榜单更能说服企业买单。
