GPT-6 rewolucjonizuje stare języki programowania

OpenAI skierowało uwagę na języki programowania, które od dekad utrzymują globalną infrastrukturę, choć w świecie nowoczesnego oprogramowania pozostają na marginesie. COBOL, Fortran i Visual Basic – bo o nich mowa – mają znacznie mniej dostępnego kodu treningowego niż Python czy JavaScript. Mimo to, jak podkreśla OpenAI, stanowią fundament systemów, od których zależą codzienne operacje banków i instytucji publicznych.

Skala zjawiska jest większa, niż mogłoby się wydawać. Według szacunków IBM, COBOL odpowiada za funkcjonowanie ponad 40 procent systemów bankowości internetowej oraz 95 procent wszystkich transakcji realizowanych przez bankomaty. To właśnie te „niszowe” języki stały się celem najnowszej optymalizacji modeli GPT-6.

Nowe benchmarki do pomiaru postępu

Aby rzetelnie ocenić możliwości swoich modeli, OpenAI przygotowało dwa autorskie testy ewaluacyjne. Pierwszy z nich, MultiLangBench (dostępny na GitHubie), wymaga od modelu zbudowania od podstaw silnika bazy danych kompatybilnego z SQLite. Zadanie sprawdza praktyczne umiejętności wytwarzania kodu w wielu językach jednocześnie.

Drugi benchmark koncentruje się na migracji kodu COBOL do współczesnych języków, takich jak C++, Java, Kotlin, Python czy Rust. To scenariusz, z którym mierzą się dziś instytucje finansowe na całym świecie, planując modernizację swoich systemów.

Wyniki, które zmieniają perspektywę

Rezultaty okazują się znacząco lepsze niż w przypadku poprzedniej generacji modeli. W teście MultiLangBench, obejmującym 20 języków programowania, GPT-6 Astra przy maksymalnym wysiłku rozumowania osiąga średni wskaźnik zaliczonych testów na poziomie 87,4 procent. Dla porównania, GPT-5.6 Terra uzyskiwał zaledwie około 38 procent.

Co ciekawe, tańszy wariant GPT-6 Luna wypada na poziomie 40,3 procent – nieznacznie tylko przewyższając starszy model GPT-5.6 Terra (37,9 proc.), ale przy zdecydowanie niższych kosztach eksploatacji. GPT-6.1 Sol również zbliża się do granicy 87 procent, co sugeruje, że wysoka skuteczność nie jest domeną wyłącznie jednego modelu z rodziny.

Migracja COBOL – kluczowy test praktyczny

Skok z 5,4 do 97,9 procent

Najbardziej wymowny wynik pochodzi z benchmarku migracji COBOL. GPT-6.1 Sol przy niskim wysiłku rozumowania osiąga 86,6 procent dokładności w tłumaczeniu kodu na nowoczesne języki. Poprzedni model GPT-5.6 Sol w tych samych warunkach uzyskiwał zaledwie 5,4 procent.

Zwiększenie wysiłku rozumowania podnosi dokładność GPT-6.1 Sol do 97,9 procent. To poziom, który w praktyce oznacza niemal bezbłędne przekształcanie kodu legacy w nowoczesne odpowiedniki – zadanie, które tradycyjnie wymagało zespołów doświadczonych inżynierów i miesięcy pracy.

Dlaczego to ma znaczenie dla rynku

Systemy oparte na COBOL wciąż napędzają krytyczne procesy w bankowości, ubezpieczeniach i administracji publicznej. Specjaliści od tego języka odchodzą na emeryturę, a nowych praktycznie nie przybywa. Automatyzacja migracji może stać się odpowiedzią na ten narastający problem kadrowy.

Jednocześnie wysoka skuteczność modeli w tłumaczeniu kodu rodzi pytania o weryfikację wyników. Migracja systemów bankowych to operacja o wysokim ryzyku – nawet niewielki błąd może mieć poważne konsekwencje. OpenAI nie ujawnia, jak modele radzą sobie z audytem własnych rezultatów ani jak wygląda kontrola jakości w rzeczywistych wdrożeniach.

Co to oznacza dla przyszłości języków legacy

Poprawa wydajności GPT-6 w językach o ograniczonych zasobach treningowych pokazuje, że modele językowe przestają być użyteczne wyłącznie w nowoczesnych ekosystemach. To otwiera drogę do automatyzacji zadań, które do tej pory uchodziły za zbyt specjalistyczne lub zbyt ryzykowne dla AI.

Pozostaje jednak pytanie o zakres odpowiedzialności. Jeśli model generuje kod migracyjny z 97-procentową dokładnością, kto odpowiada za pozostałe 3 procent? W systemach bankowych ten margines może oznaczać realne straty. OpenAI dostarcza narzędzia, ale ciężar weryfikacji wciąż spoczywa na ludziach – przynajmniej na razie.