تتيح أحدث تطورات نماذجنا قدرات أقوى لبناء البرمجيات ونقلها في لغات البرمجة قليلة الموارد مثل COBOL وFortran وVisual Basic. تتوفر لهذه اللغات شيفرة وتوثيق أقل لتتعلم منها النماذج مقارنة بلغات مثل Python وJavaScript، ومع ذلك فهي تدعم بنية تحتية حيوية حول العالم. تدعم COBOL أكثر من 40% من أنظمة الخدمات المصرفية عبر الإنترنت، و80% من معاملات بطاقات الائتمان الحضورية، و95% من معاملات أجهزة الصراف الآلي، في حين تُستخدم Fortran في التنبؤ بالطقس وتحليل سلامة المفاعلات النووية. ويمكن أن يساعد تحسين قدرة الذكاء الاصطناعي على العمل بهذه اللغات الفرق على صيانة البرمجيات التي تعتمد عليها الخدمات الأساسية وتحديثها.
صيانة هذه البرمجيات صعبة. فقد يكون التوثيق غير مكتمل، وقد يكون المطورون الأصليون قد غادروا الشركة، وقد توجد قواعد العمل المهمة داخل الشيفرة فقط. ويجب على الفرق التي تصلح الأخطاء أو تنقل البرمجيات إلى لغة أخرى الحفاظ على السلوك الذي تعتمد عليه أنظمتها. ولقياس التقدم، أنشأ المطورون تقييمين. يختبر Multi Lang Bench ما إذا كان النموذج قادرًا على بناء محرك قاعدة بيانات متوافق مع SQLite من الصفر عبر 20 لغة برمجة. أما تقييم نقل COBOL فيختبر ما إذا كان النموذج قادرًا على نقل البرامج الحالية إلى لغة أخرى مع الحفاظ على سلوكها.
تُظهر أحدث النماذج تحسنًا كبيرًا. ففي Multi Lang Bench، يحقق GPT-6 Astra متوسط نسبة نجاح في الاختبارات بلغ 87.4%، مقارنةً بـ 26.8% لـ GPT-5.6 Sol، مع تحسينات في كل لغة تم اختبارها. كما يتفوق GPT-6 Luna على GPT-5.6 Sol، إذ يصل إلى 40.3% بتكلفة API مقدرة أقل بنحو 78%. وفي تقييم نقل COBOL، يصل GPT-6.1 Sol إلى دقة بلغت 86.6% بجهد استدلال منخفض، مقارنةً بـ 5.4% فقط لـ GPT-5.6 Sol، مع تكلفة أقل بنسبة 39%. وعند جهد استدلال أعلى، تصل الدقة إلى 97.9%.
وتُظهر النتائج مجتمعةً أن النماذج أصبحت أفضل بشكل ملحوظ في العمل عبر طيف واسع من لغات البرمجة، مع تحسن كفاءتها من حيث التكلفة.
المصدر: Hacker News · لخّصه HeadlinesBriefing