#

النقاط الرئيسية

• نشرت OpenAI تقييمات جديدة لنماذج البرمجة في لغات برمجة منخفضة الموارد.

• يركز التقرير على COBOL وFortran وVisual Basic، من بين لغات أخرى.

• يختبر MultiLangBench ما إذا كان النموذج يستطيع بناء محرك قاعدة بيانات متوافق مع SQLite عبر 20 لغة.

• أنشأت OpenAI أيضًا تقييمًا لترحيل COBOL يتحقق من الحفاظ على السلوك.

• النتائج هي نتائج OpenAI الخاصة في الاختبارات المعيارية، وليست دليلاً مستقلاً على كل نظام قديم.

ما الذي نشرته OpenAI

نشرت OpenAI تقييمات جديدة لنماذج البرمجة في لغات برمجة منخفضة الموارد في 19 أكتوبر 2026. ويذكر التقرير أن لغات مثل COBOL وFortran وVisual Basic تتوفر لها بيانات تدريب ووثائق أقل من Python أو JavaScript. كما يشير إلى أن هذه اللغات لا تزال تظهر في أنظمة أساسية.

وتقول الشركة إنها طورت MultiLangBench لاختبار مهمة برمجية محددة عبر 20 لغة. تتمثل المهمة في بناء محرك قاعدة بيانات متوافق مع SQLite. وتقول OpenAI إن الاختبار يبدأ بقاعدة بيانات أولية واستعلام SQL. ثم يقارن قاعدة البيانات المعدلة بمخرجات SQLite المرجعية.

كما طورت OpenAI تقييمًا منفصلاً لترحيل COBOL. ويختبر هذا التقييم ما إذا كان البرنامج المعاد كتابته يحافظ على السلوك. وهذا مهم لأن المشكلة العملية لا تقتصر على إعادة كتابة الشفرة. بل تشمل أيضًا الحفاظ على قواعد العمل والسلوك القائمين أثناء الصيانة أو الترحيل.

نتائج الاختبارات المعلنة

أعلنت OpenAI عن نتائج لعدة نماذج في MultiLangBench. حقق GPT-6 Astra متوسط معدل نجاح في الاختبار بلغ 87.4% عند أقصى جهد استدلالي. وتقول OpenAI إن GPT-5.6 Sol حقق 26.8% في الاختبار نفسه. وحقق GPT-6 Luna نسبة 40.3%. كما قدرت OpenAI متوسط تكلفة واجهة برمجة التطبيقات لكل عينة بـ 0.77 دولارًا لـ GPT-6 Luna، مقارنة بـ 3.48 دولارًا لـ GPT-5.6 Sol.

في تقييم ترحيل COBOL المنفصل، تفيد OpenAI بأن GPT-6.1 Sol وصل إلى دقة 86.6% عند جهد استدلالي منخفض. وتقول OpenAI إن GPT-5.6 Sol وصل إلى 5.4% في هذا الإعداد. وبلغ GPT-6.1 Sol نسبة 97.9% عند جهد أعلى.

هذه الأرقام مأخوذة من مواد الاختبار المعياري الخاصة بـ OpenAI. وهي مفيدة لمقارنة النماذج داخل التقرير. لكنها ليست دليلاً مستقلاً على الأداء في كل تطبيق قديم. وهذا التمييز مهم لأن الأنظمة الحقيقية قد تختلف عن مهام الاختبار المعياري.

لماذا يهم تصميم الاختبار

يركز تصميم الاختبار على السلوك، وليس على الصياغة فقط. وهذا اختيار مفيد في أعمال البرمجيات القديمة. قد يبدو البرنامج صحيحًا بعد إعادة كتابته، لكنه يتصرف بشكل مختلف. ويحاول تقييم ترحيل COBOL من OpenAI قياس هذا الخطر مباشرة.

كما يستخدم MultiLangBench تحققًا ملموسًا من المخرجات. يجب على النموذج تعديل قاعدة بيانات بطريقة تطابق مخرجات SQLite المرجعية. وهذا يجعل المهمة أكثر تحديدًا من مجرد طلب برمجي عام. كما يوفر إشارة أوضح للنجاح أو الفشل.

يشير التقرير إلى أن اللغات منخفضة الموارد تحتاج إلى طرق تقييم مختلفة عن اللغات السائدة. وتطرح OpenAI هذا في إطار نقص بيانات التدريب والوثائق. وقد نُشرت مواد الاختبار المعياري إلى جانب التقرير، مما يتيح للقراء فرصة مراجعة الإعداد.

الصلة بالمغرب

لا يورد المصدر أي حقيقة خاصة بالمغرب. وبالنسبة للقراء في المغرب، فإن الدرس العالمي مشروط: إذا كنت تعمل على شفرة قديمة، فيجب أن يختبر تصميم الاختبار الحفاظ على السلوك، وليس فقط توليد الشفرة.

الخلاصة

يضيف تقرير OpenAI نظرة مركزة على نماذج البرمجة في اللغات التي يتوفر لها قدر أقل من مواد التدريب. كما يفصل بين مشكلتين مترابطتين: بناء الشفرة في اللغات منخفضة الموارد والحفاظ على السلوك أثناء الترحيل. النتائج المعلنة قوية داخل اختبارات OpenAI نفسها، لكنها يجب أن تُقرأ على أنها نتائج اختبار معياري، لا ضمانات شاملة.

بالنسبة للفرق التي تقيم أدوات مماثلة، فإن الخلاصة الأساسية بسيطة: قِس المهمة التي تهمك. إذا كان الهدف هو الترحيل، فتحقق مما إذا كان البرنامج المعاد كتابته لا يزال يتصرف بالطريقة نفسها. وإذا كان الهدف هو توليد الشفرة، فاستخدم اختبارًا معياريًا يعكس اللغة المستهدفة والمخرجات المستهدفة.