OpenAI 的模型現時喺協助銀行業同舊有編程語言嘅軟件遷移方面變得更有實效，尤其係 COBOL、Fortran 同 Visual Basic 呢啲仍廣泛使用嘅系統。全球銀行其中 40% 仍靠 COBOL 作核心，若要轉用新語言，成本可能高達上百萬美元，且時間成本同風險非常高。隨著 COBOL 程式設計師逐步退休，未來幾年內完成遷移成為迫切任務。OpenAI 表示，改善模型喺 COBOL 能力方面嘅工作，係根據開發人員同企業客戶嘅反饋嚟引導；而喺實際應用上，將程式行為與數值運算嘅邊界條件嚟到倖存，係確保遷移後系統行為一致嘅核心。以上藍圖顯示，喺現有嘅自動化工具之上，AI 模型需要長期嘅測試同審核，先能喺生產環境中可靠運作。
模型喺舊語言嘅行為保留同遷移能力嘅測試進展，成績亮點同侷限性
OpenAI 透過 MultiLangBench 評估套件，測試模型喺指定語言下建立 SQLite 兼容嘅資料庫引擎等任務嘅表現。GPT‑6 Astra 在 20 條語言平均通過率達到 87.4%，比起早一代 GPT‑5.6 Sol 嘅 26.8% 有顯著提升。至於 COBOL 呢個最難突破嘅語言，Astra 嘅通過率仍然只有 72%。呢啲數字顯示，雖然整體表現提升，但要喺銀行業高度嚴格嘅需求之下連同現有數據結構、財務規則同容錯機制保留嘅同時，仍有相當距離要克服。
跨語言遷移嘅準確性與行為保留嘅極限，生產適用性正受到審核
OpenAI 亦評估過把 COBOL 程序遷移到 C++、Java、Kotlin、Python 或 Rust 等現代語言，同時維持原有行為。呢啲測試指出，成功遷移嘅前提唔只係「代碼通過測試」，仲要保留模組對數值四捨五入、缺失記錄嘅處理等關鍵商業規則。GPT-6.1 Sol 在高推理力度下，準確度最高可達 97.9%，低推理力度則有 86.6%。OpenAI 指出，要真正達到生產級遷移，全部測試都要及格，否則就需要額外嘅專家審核同系統性測試。呢啲結果顯示，AI 輔助遷移喺風險敏感嘅金融應用中，仍需跟現場業務邏輯嚴格對接。
背景資料指出，當前模型喺舊語言嘅適用性，受限於對邏輯推理同資料結構嘅理解深度。相對於一般軟件開發，銀行核心系統更需要可預測嘅輸出與嚴格嘅合規性，呢啲都唔能夠單靠自動化生成模型解決。OpenAI 表示，喺推動現代化遷移嘅路上，仍然需要與客戶現場嘅測試流程、業務規則引擎同資料治理架構整合同驗證，才能保證「測試全部通過」但實際運作無風險。
綜合嚟講，呢輪研究顯示 AI 技術喺舊語言遷移方面確實有顯著進展，特別喺多語言環境下嘅表現提升同通過率，但 COBOL 仍然係最大嘅挑戰。政府同金融機構若要把現有 COBOL 系統平滑過渡到現代架構，唔單只要依靠模型嘅自動化能力，仲需要配套嘅人力審核、現有規則定義同長期嘅監控體系。OpenAI 指出，行為保留能力對團隊喺維護同現代化舊系統方面具備實際價值，但要投放生產環境，仍需經過嚴格嘅測試同評估，確保同業務規則同依賴關係相容。
