Les dernières avancées de nos modèles offrent de meilleures capacités pour créer et migrer des logiciels dans des langages de programmation peu dotés comme COBOL, Fortran et Visual Basic. Ces langages disposent de moins de code et de documentation pour que les modèles puissent apprendre, comparé à des langages comme Python et JavaScript, mais ils soutiennent des infrastructures critiques dans le monde entier. COBOL prend en charge plus de 40 % des systèmes de banque en ligne, 80 % des transactions par carte de crédit en personne et 95 % des transactions aux distributeurs automatiques, tandis que Fortran est utilisé pour les prévisions météorologiques et l'analyse de la sûreté des réacteurs nucléaires. Améliorer la capacité de l'IA à travailler dans ces langages pourrait aider les équipes à maintenir et moderniser les logiciels dont dépendent les services essentiels.
Maintenir ces logiciels est difficile. La documentation peut être incomplète, les développeurs d'origine peuvent avoir quitté l'entreprise, et des règles métier importantes peuvent n'exister que dans le code. Les équipes qui corrigent des bogues ou migrent vers un autre langage doivent préserver le comportement dont dépendent leurs systèmes. Pour mesurer les progrès, les développeurs ont créé deux évaluations. Multi Lang Bench vérifie si un modèle peut construire à partir de zéro un moteur de base de données compatible SQLite dans 20 langages de programmation. L'évaluation de migration COBOL vérifie si un modèle peut migrer des programmes existants vers un autre langage tout en préservant leur comportement.
Les derniers modèles affichent des gains substantiels. Sur Multi Lang Bench, GPT-6 Astra atteint un taux moyen de réussite aux tests de 87,4 %, contre 26,8 % pour GPT-5.6 Sol, avec des améliorations dans chaque langage testé. GPT-6 Luna surpasse également GPT-5.6 Sol, atteignant 40,3 % pour un coût d'API estimé inférieur d'environ 78 %. Sur l'évaluation de migration COBOL, GPT-6.1 Sol atteint une précision de 86,6 % avec un effort de raisonnement faible, contre seulement 5,4 % pour GPT-5.6 Sol, pour un coût inférieur de 39 %. Avec un effort de raisonnement plus élevé, la précision atteint 97,9 %.
Dans l'ensemble, les résultats montrent que les modèles deviennent nettement meilleurs pour travailler dans un large éventail de langages de programmation, tout en devenant plus rentables.
Source: Hacker News · Résumé par HeadlinesBriefing