NOVEDADES + GUÍA PRÁCTICA
OpenAI mejora el rendimiento de sus modelos en lenguajes de programación de bajos recursos
OpenAI ha anunciado mejoras significativas en las capacidades de sus modelos para desarrollar y migrar software en lenguajes de programación de bajos recursos, fundamentales para infraestructuras críticas globales como la banca y la meteorología.
Qué cambia
OpenAI ha enfocado sus esfuerzos en resolver una de las limitaciones históricas de la inteligencia artificial: el trabajo en lenguajes con escasa documentación y volumen de código disponible, tales como COBOL, Fortran y Visual Basic. Mediante el uso de nuevos modelos como GPT-6 Astra, GPT-6 Luna y GPT-6.1 Sol, la compañía ha demostrado avances sustanciales en dos nuevas evaluaciones diseñadas específicamente para este propósito.
La primera es MultiLangBench, una prueba que mide la capacidad de construir un motor de base de datos compatible con SQLite desde cero en 20 lenguajes diferentes. En esta prueba, GPT-6 Astra alcanzó una tasa de acierto del 87.4%, superando ampliamente a versiones anteriores. La segunda evaluación se centra en la migración de programas en COBOL a otros lenguajes modernos como C++, Java, Kotlin, Python o Rust, garantizando la preservación exacta del comportamiento y la lógica de negocio.
Por qué importa
Una parte muy relevante de la infraestructura digital mundial, incluyendo más del 40 % de los sistemas bancarios online y el 95 % de las transacciones en cajeros automáticos, depende de lenguajes como COBOL. Asimismo, Fortran sigue utilizándose en la predicción meteorológica y en la seguridad de reactores nucleares.
Mantener y modernizar estos sistemas resulta complejo debido a la falta de documentación y a la escasez de desarrolladores especializados. Las mejoras anunciadas permiten a los equipos técnicos abordar tareas de mantenimiento, resolución de errores y migraciones complejas con mayor precisión y a un coste de API notablemente inferior.
Qué puedes hacer con esta novedad
Los desarrolladores interesados pueden probar los nuevos modelos a través de la API oficial de OpenAI en las tareas de codificación que utilice su equipo. Además, la compañía ha publicado la configuración de MultiLangBench y su conjunto de pruebas en GitHub.
- Acceder al repositorio oficial de MultiLangBench en GitHub para examinar los detalles de la evaluación y los resultados por lenguaje.
- Revisar el rendimiento específico en los lenguajes de programación que utiliza habitualmente el equipo de desarrollo.
- Probar los modelos más recientes a través de la API de OpenAI para evaluar su rendimiento en las tareas de codificación del proyecto.
Qué deberías obtener
Inspeccionar los resultados de rendimiento por lenguaje, revisar las pruebas de la evaluación en GitHub o probar las capacidades de los nuevos modelos mediante la API.
Antes de empezar
El uso en software de producción requiere la revisión obligatoria por parte de expertos y pruebas exhaustivas frente a las reglas de negocio y dependencias del sistema original.