हमारे नवीनतम मॉडल सुधारों से COBOL, Fortran और Visual Basic जैसी कम-संसाधन प्रोग्रामिंग भाषाओं में सॉफ़्टवेयर बनाने और माइग्रेट करने की क्षमता बढ़ी है। इन भाषाओं में मॉडलों के सीखने के लिए Python और JavaScript जैसी भाषाओं की तुलना में कम कोड और दस्तावेज़ीकरण उपलब्ध है, फिर भी ये दुनिया भर में महत्वपूर्ण बुनियादी ढांचे को सहारा देती हैं। COBOL 40% से अधिक ऑनलाइन बैंकिंग सिस्टम, 80% इन-पर्सन क्रेडिट कार्ड लेनदेन और 95% ATM लेनदेन को सहारा देता है, जबकि Fortran का उपयोग मौसम पूर्वानुमान और परमाणु रिएक्टर सुरक्षा विश्लेषण में होता है। इन भाषाओं में AI की क्षमता बढ़ाने से टीमों को उस सॉफ़्टवेयर को बनाए रखने और आधुनिक बनाने में मदद मिल सकती है, जिस पर आवश्यक सेवाएं निर्भर हैं।
इस सॉफ़्टवेयर का रखरखाव कठिन है। दस्तावेज़ीकरण अधूरा हो सकता है, मूल डेवलपर कंपनी छोड़ चुके हो सकते हैं, और महत्वपूर्ण व्यावसायिक नियम केवल कोड में मौजूद हो सकते हैं। बग ठीक करने या किसी दूसरी भाषा में माइग्रेट करने वाली टीमों को वह व्यवहार बनाए रखना होता है जिस पर उनके सिस्टम निर्भर हैं। प्रगति मापने के लिए डेवलपर्स ने दो मूल्यांकन बनाए। Multi Lang Bench जांचता है कि क्या कोई मॉडल 20 प्रोग्रामिंग भाषाओं में शून्य से SQLite-संगत डेटाबेस इंजन बना सकता है। COBOL माइग्रेशन मूल्यांकन जांचता है कि क्या कोई मॉडल मौजूदा प्रोग्रामों को दूसरी भाषा में उनके व्यवहार को बनाए रखते हुए माइग्रेट कर सकता है।
नवीनतम मॉडलों में काफ़ी सुधार दिखता है। Multi Lang Bench पर GPT-6 Astra का औसत टेस्ट पास रेट 87.4% है, जो GPT-5.6 Sol के 26.8% से अधिक है, और परीक्षण की गई हर भाषा में सुधार हुआ है। GPT-6 Luna भी GPT-5.6 Sol से बेहतर प्रदर्शन करता है, 40.3% तक पहुंचता है और उसकी अनुमानित API लागत लगभग 78% कम है। COBOL माइग्रेशन मूल्यांकन पर GPT-6.1 Sol कम reasoning effort में 86.6% सटीकता तक पहुंचता है, जबकि GPT-5.6 Sol की सटीकता केवल 5.4% है, और इसकी लागत 39% कम है। अधिक reasoning effort पर सटीकता 97.9% तक पहुंचती है।
कुल मिलाकर, परिणाम दिखाते हैं कि मॉडल विभिन्न प्रकार की प्रोग्रामिंग भाषाओं में काम करने में काफ़ी बेहतर हो रहे हैं और साथ ही लागत-कुशल भी बन रहे हैं।
स्रोत: Hacker News · HeadlinesBriefing द्वारा सारांशित