OpenAI modelleri eski yazılımları modernize etmede 97,9% doğruluğa ulaştı

Eski kod, yeni modeller

OpenAI, kodlama modellerinin onlarca yıllık yazılımları başka dillere taşıma yeteneğinde belirgin bir sıçrama kaydettiğini duyurdu. Şirketin COBOL taşıma testinde GPT-6.1 Sol, yüksek akıl yürütme ayarında 97,9% doğruluğa ulaştı. Aynı testte düşük ayarda 86,6% alan model, GPT-5.6 Sol'un 5,4%'lük sonucunu geride bıraktı; OpenAI bu ayarda API maliyetlerinde 39% düşüş de bildirdi.

Neden COBOL ve Fortran?

COBOL, bankacılık altyapısında hâlâ yaygın. Metinde aktarılan IBM tahminine göre çevrim içi bankacılık sistemlerinin 40%'tan fazlası, yüz yüze kredi kartı işlemlerinin 80%'i ve ATM işlemlerinin 95%'i bu dil üzerinde çalışıyor. Fortran ise hava tahmini ve nükleer reaktör güvenlik analizi gibi bilimsel hesaplamalarda önemini koruyor. İki dil de Python ve JavaScript'e kıyasla daha az eğitim verisine sahip.

Asıl risk: davranışın değişmesi

OpenAI'ye göre geliştiriciler, bu dillerde kodlama modellerinden güvenilir sonuç almakta zorlanıyordu. Belgeler eksik olabiliyor, kritik iş kuralları yalnızca özgün kodda yaşayabiliyor. Bu da taşıma sırasında sorun yaratıyor: Yeniden yazılan program hatasız çalışabilir ama farklı sonuç üretebilir. Örneğin COBOL, program açıkça yuvarlama istemedikçe fazla ondalık basamakları atabiliyor; bu davranışın değişmesi finansal hesaplamaları etkileyebiliyor.

Çok dilli test sonuçları

OpenAI, modellerini SQLite uyumlu bir veritabanı motorunu 20 programlama dilinde kurma becerisini ölçen MultiLangBench üzerinde de denedi. GPT-6 Astra ortalama test geçme oranını 26,8%'den 87,4%'e çıkardı; Fortran skoru 21,4%'ten 83,5%'e, Visual Basic skoru 27,5%'ten 89,4%'e yükseldi. En zorlu dil COBOL oldu; Astra burada 10,9%'dan 72,1%'e çıktı. GPT-6 Luna ise 40,3% ortalamada kaldı ama örnek başına maliyeti GPT-5.6 Sol'a göre yaklaşık 78% daha düşüktü (ortalama 0,77 dolara karşı 3,48 dolar).

Sonuç

OpenAI, bu rakamların kendi test setindeki performansı yansıttığını, hatasız taşıma garantisi olmadığını vurguluyor. Geliştiricilerin yeniden yazılan uygulamaları gerçek iş yükleri ve belgelenmemiş bağımlılıklarla doğrulaması gerekiyor. Yine de sonuçlar, kritik operasyonları eski yazılımlara emanet eden ekipler için umut verici bir ilerleme olarak öne çıkıyor.