OpenAI mejoró sus modelos de IA más recientes para los lenguajes de programación de "bajos recursos", como COBOL, Fortran y Visual Basic, informó The Decoder el 20 de octubre de 2026.
Para estos lenguajes existe mucho menos código disponible para entrenar que para algo como Python. Según OpenAI, sostienen infraestructura crítica en todo el mundo. IBM estima que COBOL mueve más del 40% de los sistemas de banca en línea y el 95% de las transacciones en cajeros automáticos.
¿Cómo midió OpenAI el avance?
La empresa armó dos evaluaciones para medir el progreso.
La primera es MultiLangBench, publicada en GitHub, que le pide a cada modelo construir desde cero un motor de base de datos compatible con SQLite. Con el máximo esfuerzo de razonamiento, GPT-6 Astra logra una tasa promedio de 87,4% de tests aprobados en 20 lenguajes. GPT-5.6 Terra se quedaba en torno a 38%.
GPT-6 Luna marca 40,3%. Apenas supera a GPT-5.6 Terra (37,9%), aunque lo hace con un costo mucho menor.
En el gráfico que publicó OpenAI con la tasa promedio en los 20 lenguajes, GPT-6 Astra y GPT-6.1 Sol quedan los dos cerca de 87%, mientras los modelos anteriores como GPT-5.6 Terra tocan techo alrededor de 38%.
| Modelo | Tests aprobados en MultiLangBench |
|---|---|
| GPT-6 Astra | 87,4% |
| GPT-6 Luna | 40,3% |
| GPT-5.6 Terra | 37,9% |
¿Qué pasa al traducir COBOL a otros lenguajes?
La segunda prueba es de migración. Toma programas en COBOL y los traduce a C++, Java, Kotlin, Python o Rust.
Con un esfuerzo de razonamiento bajo, GPT-6.1 Sol llega a 86,6% de precisión. GPT-5.6 Sol marcaba 5,4% en la misma prueba. Al subir el esfuerzo de razonamiento, la precisión de GPT-6.1 Sol sube a 97,9%.
