ChatGPT در کدنویسی به زبان‌های کم‌منبع فورترن و ویژوال‌بیسیک، حرفه‌ای‌تر می‌شود

OpenAI مدعی‌ست که زبان COBOL در بیش از ۴۰ درصد سامانه‌های بانکداری آنلاین، ۸۰ درصد تراکنش‌های حضوری کارت‌های اعتباری و ۹۵ درصد تراکنش‌های دستگاه‌های خودپرداز نقش دارد. زبان Fortran نیز در پیش‌بینی وضعیت آب‌وهوا و تحلیل ایمنی راکتورهای هسته‌ای استفاده می‌شود. نگهداری و نوسازی این نرم‌افزارها با چالش‌های متعددی همراه است؛ از مستندات ناقص و خروج توسعه‌دهندگان اولیه از سازمان گرفته تا قواعد کسب‌وکاری که تنها در کدهای قدیمی ثبت شده‌اند. بنابراین، مدل‌های هوش مصنوعی هنگام اصلاح یا مهاجرت نرم‌افزارها باید بتوانند رفتار اصلی سیستم را بدون تغییر حفظ کنند.

ارزیابی توانایی مدل‌ها در ۲۰ زبان برنامه‌نویسی

OpenAI برای سنجش پیشرفت مدل‌های خود دو ارزیابی طراحی کرده است. نخستین ارزیابی به نام MultiLangBench، توانایی مدل‌ها را در ساخت یک موتور پایگاه‌داده سازگار با SQLite از صفر و در ۲۰ زبان برنامه‌نویسی بررسی می‌کند.

در این آزمون، مدل باید ساختار کد را سازمان‌دهی کند، وضعیت برنامه را مدیریت کند، خطاها را کنترل کند و قابلیت‌های جدیدی بیفزاید؛ بدون آنکه عملکردهای قبلی مختل شوند. عملکرد برنامه با اجرای کوئری‌های SQL و مقایسه خروجی با نسخه مرجع SQLite سنجیده می‌شود. نتایج نشان می‌دهد مدل GPT-6 Astra با حداکثر میزان تلاش استدلالی، به میانگین موفقیت ۸۷٫۴ درصد در ۲۰ زبان رسیده است؛ درحالی‌که این رقم برای GPT-5.6 Sol تنها ۲۶٫۸ درصد بود.

GPT-6 Astra

پیشرفت در زبان‌های مختلف نیز چشمگیر بوده است

مدل Astra در ۱۹ زبان از ۲۰ زبان بررسی‌شده، امتیازی بالاتر از ۸۳ درصد کسب کرده و COBOL با موفقیت حدود ۷۲ درصد، دشوارترین زبان باقی مانده است. مدل اقتصادی‌تر GPT-6 Luna نیز میانگین موفقیت ۴۰٫۳ درصدی ثبت کرده است. هزینه تخمینی API این مدل به‌ازای هر نمونه ۰٫۷۷ دلار بوده، درحالی‌که هزینه GPT-5.6 Sol برابر با ۳٫۴۸ دلار است؛ یعنی حدود ۷۸ درصد کاهش هزینه. OpenAI مجموعه آزمون‌ها و نتایج تفکیکی MultiLangBench را نیز درگیت‌هابمنتشر کرده است.

رونمایی OpenAI از GPT-6 Sol و GPT-6 Luna؛ هوش پیشرفته‌تر با هزینه کمتر

و حالا GPT-5.6 اینجاست

مهاجرت کدهای COBOL با حفظ رفتار نرم‌افزار

دومین ارزیابی بر مهاجرت برنامه‌های COBOL به زبان‌های C++، Java، Kotlin، Python و Rust تمرکز دارد. شرط موفقیت، حفظ دقیق رفتار برنامه اصلی است. این موضوع به‌ویژه در سامانه‌های مالی اهمیت دارد؛ زیرا تفاوت‌های ظریفی مانند قواعد گردکردن اعداد یا نحوه مدیریت سوابق ناموجود می‌توانند نتایج محاسبات را تغییر دهند. برای نمونه، محاسبات ممیز ثابت در COBOL معمولاً ارقام اعشاری اضافی را حذف می‌کند، مگر آنکه گردکردن صراحتاً درخواست شده باشد.

در این ارزیابی، خروجی برنامه مهاجرت‌یافته باید در آزمون‌های پنهان، از نظر بایت‌به‌بایت با خروجی اصلی یکسان باشد. مدل GPT-6.1 Sol با تلاش استدلالی پایین به دقت ۸۶٫۶ درصد رسیده است؛ درحالی‌که GPT-5.6 Sol تنها ۵٫۴ درصد موفقیت داشته است. هزینه API مدل جدید نیز ۳۹ درصد کمتر بوده است. با افزایش تلاش استدلالی، دقت GPT-6.1 Sol به ۹۷٫۹ درصد رسیده است.

GPT-6.1 Sol؛ نزدیک به Astra با هزینه کمتر

چشم‌انداز نوسازی نرم‌افزارهای سازمانی

OpenAI تأکید می‌کند که این پیشرفت‌ها می‌توانند به سازمان‌ها در نگهداری، اصلاح و نوسازی سامانه‌های قدیمی کمک کنند. بااین‌حال، استفاده از کدهای مهاجرت‌یافته در محیط عملیاتی همچنان به بازبینی متخصصان و آزمون دقیق قواعد کسب‌وکار و وابستگی‌های سیستم نیاز دارد. هدف نهایی، توسعه مدل‌هایی است که بتوانند در زبان‌های متنوع، مخازن کد ناآشنا را درک کنند، تغییرات را برنامه‌ریزی کنند، ابزارهای ساخت نرم‌افزار را به کار بگیرند، آزمون‌ها را اجرا کنند و خطاها را برطرف سازند.

برای ارزیابی پایداری، امنیت و نگهداری این زیرساخت، راهنمای پشتیبانی شبکه را نیز مطالعه کنید.