OpenAI: דור GPT-6 משתפר משמעותית בשפות תכנות ותיקות כמו COBOL ו-Fortran

OpenAI מדווחת שדור המודלים החדש שלה, GPT-6, השתפר מאוד בכתיבת קוד בשפות תכנות ותיקות כמו COBOL, Fortran ו-Visual Basic. לפי נתוני החברה, המודל המוביל GPT-6 Astra עבר בממוצע 87.4% מהבדיקות במבחן שכולל 20 שפות תכנות. קודמו, GPT-5.6 Terra, הגיע לכ-38% בלבד. במבחן נפרד, שבודק העברה של קוד COBOL לשפות מודרניות, הגיע אחד המודלים החדשים ל-97.9% דיוק. חשוב לזכור שאלה תוצאות שפרסמה OpenAI עצמה, כפי שדווח ב-The Decoder, ושעדיין לא נבדקו באופן עצמאי.

למה דווקא שפות ישנות

OpenAI מכנה את השפות האלה "low-resource", כלומר שפות שיש בהן הרבה פחות קוד זמין לאימון מאשר בשפות פופולריות כמו Python. מודלי שפה (LLM) לומדים מכמויות עצומות של דוגמאות. לכן הם נוטים להצליח פחות בשפות שכמעט לא כותבים בהן קוד חדש ושמעט ממנו מתפרסם ברשת.

ועדיין, לפי החברה, השפות האלה מפעילות תשתיות קריטיות בכל העולם. בכתבה מצוטטת הערכה של IBM, ולפיה COBOL מפעילה יותר מ-40% ממערכות הבנקאות המקוונת ו-95% מכל עסקאות הכספומטים. COBOL פותחה בסוף שנות ה-50, ובמשך שנים ארגונים מתקשים למצוא מתכנתים שמכירים אותה. זה הופך כל כלי שעוזר לתחזק או להמיר קוד כזה לנכס בעל ערך כלכלי ברור.

מה בדיוק נמדד

OpenAI בנתה שני מבחנים כדי למדוד את ההתקדמות. הראשון, MultiLangBench, מבקש מהמודל לבנות מאפס מנוע מסד נתונים שתואם ל-SQLite. במבחן הזה הגיע GPT-6 Astra, ברמת החשיבה המרבית (reasoning effort), ל-87.4% בממוצע על פני 20 שפות. לפי הגרף שפרסמה החברה, גם GPT-6.1 Sol מגיע לכ-87%. מודלים ותיקים יותר, כמו GPT-5.6 Terra, נעצרים בסביבות 38%.

המודל הקל של המשפחה, GPT-6 Luna, השיג 40.3%, מעט יותר מ-GPT-5.6 Terra (37.9%). לפי OpenAI, הוא עושה זאת בעלות נמוכה בהרבה. המחירים לא פורטו בדיווח.

המבחן השני עוסק בהעברת קוד (migration): תרגום של קוד COBOL ל-C++, Java, Kotlin, Python או Rust. כאן הגיע GPT-6.1 Sol ל-86.6% דיוק כבר ברמת חשיבה נמוכה. המודל המקביל מהדור הקודם, GPT-5.6 Sol, הגיע ל-5.4% בלבד. כשמעלים את רמת החשיבה, הדיוק של GPT-6.1 Sol מגיע לפי החברה ל-97.9%.

מה המשמעות

אם התוצאות יחזיקו גם בשימוש אמיתי, ייתכן שמודלים כאלה יקצרו ויוזילו פרויקטים של המרת מערכות ישנות. מדובר בפרויקטים שבנקים, חברות ביטוח וגופים ממשלתיים דוחים לעתים קרובות בגלל הסיכון והעלות. עם זאת, יש כמה סייגים.

ראשית, את שני המבחנים בנתה OpenAI עצמה, והתוצאות לא אומתו על ידי גורם חיצוני. שנית, אחוז גבוה של בדיקות שעברו במבחן מבוקר אינו מבטיח שהקוד יתנהג נכון במערכת פיננסית בת עשרות שנים. במערכות כאלה, גם שגיאה בודדת עלולה להיות יקרה. ככל הנראה, ארגונים שישקלו להשתמש בכלים האלה ימשיכו להשאיר בדיקה אנושית מקיפה בכל שלב.

עוד פרט שכדאי לשים לב אליו: הפער הגדול ביותר נמדד במבחן ה-COBOL, מ-5.4% ל-86.6%. המשמעות היא שבתחום הזה הדור הקודם כמעט לא היה שימושי, ושהשיפור המדווח עשוי לפתוח לראשונה שימוש מעשי של ממש.