ကျွန်ုပ်တို့၏ နောက်ဆုံးပေါ်မော်ဒယ် တိုးတက်မှုများကြောင့် COBOL၊ Fortran နှင့် Visual Basic ကဲ့သို့ လေ့လာစရာအရင်းအမြစ်နည်းသော ပရိုဂရမ်းမင်းဘာသာစကားများဖြင့် ဆော့ဖ်ဝဲတည်ဆောက်ခြင်းနှင့် ပြောင်းရွှေ့ခြင်းတို့ကို ပိုမိုကောင်းမွန်စွာ လုပ်ဆောင်နိုင်လာပါသည်။ ဤဘာသာစကားများတွင် Python နှင့် JavaScript တို့ထက် မော်ဒယ်များ လေ့လာနိုင်သည့် ကုဒ်နှင့် ရှင်းလင်းစာတမ်း နည်းပါးသော်လည်း ကမ္ဘာတစ်ဝန်းရှိ အရေးပါသော အခြေခံအဆောက်အအုံများနှင့် မရှိမဖြစ်ဝန်ဆောင်မှုများကို ပံ့ပိုးပေးနေပါသည်။ အွန်လိုင်းဘဏ်စနစ်များ၏ 40% ကျော်၊ လူကိုယ်တိုင် ခရက်ဒစ်ကတ်ဖြင့် ငွေပေးချေမှုများ၏ 80% နှင့် ATM ငွေအလွှဲအပြောင်းများ၏ 95% ကို COBOL က ပံ့ပိုးပေးနေပြီး(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) Fortran ကိုလည်း မိုးလေဝသခန့်မှန်းခြင်း(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်)နှင့် နျူကလီးယားဓာတ်ပေါင်းဖို ဘေးကင်းရေးဆန်းစစ်ခြင်း(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်)တို့တွင် အသုံးပြုနေပါသည်။ ဤဘာသာစကားများဖြင့် AI ၏ လုပ်ဆောင်နိုင်စွမ်းကို မြှင့်တင်ခြင်းက မရှိမဖြစ်ဝန်ဆောင်မှုများ မှီခိုနေရသော ဆော့ဖ်ဝဲများကို ထိန်းသိမ်းပြီး ခေတ်မီအောင်ပြုပြင်ရာတွင် အဖွဲ့များကို အထောက်အကူပြုနိုင်ပါသည်။
ကုဒ်ရေးမော်ဒယ်များသည် ဤဘာသာစကားများကို ကိုင်တွယ်ရာတွင် မကြာခဏ အခက်တွေ့ကြောင်း developer များနှင့် လုပ်ငန်းဖောက်သည်များထံမှ ရရှိသည့် အကြံပြုချက်များကို အခြေခံ၍ ဤလုပ်ငန်းကို ဆောင်ရွက်ထားပါသည်။ ဤဆော့ဖ်ဝဲများကို ထိန်းသိမ်းပြီး ခေတ်မီအောင်ပြုပြင်ရန် ခက်ခဲနိုင်ပါသည်။ ရှင်းလင်းစာတမ်းများ မပြည့်စုံခြင်း၊ မူလရေးသားသူများ ကုမ္ပဏီမှ ထွက်ခွာသွားခြင်း၊ အရေးကြီးသော လုပ်ငန်းစည်းမျဉ်းများကို ကုဒ်ထဲတွင်သာ မှတ်တမ်းတင်ထားခြင်းတို့ ရှိနိုင်ပါသည်။ အဖွဲ့များအနေဖြင့် ချို့ယွင်းချက်များကို ပြင်ဆင်သည်ဖြစ်စေ၊ အခြားဘာသာစကားသို့ ပြောင်းရွှေ့သည်ဖြစ်စေ၊ မိမိတို့စနစ်များ မှီခိုနေရသည့် လုပ်ဆောင်ပုံကို မပျက်မယွင်း ထိန်းထားရန် လိုအပ်ပါသည်။
တိုးတက်မှုကို တိုင်းတာရန် အကဲဖြတ်စမ်းသပ်မှု နှစ်ခုကို ဖန်တီးခဲ့ပါသည်။ MultiLangBench သည် မော်ဒယ်တစ်ခုက ပရိုဂရမ်းမင်းဘာသာစကား 20 ဖြင့် SQLite နှင့် တွဲဖက်အသုံးပြုနိုင်သော ဒေတာဘေ့စ်အင်ဂျင်ကို အစမှ တည်ဆောက်နိုင်ခြင်းရှိမရှိ စမ်းသပ်ပါသည်။ ကျွန်ုပ်တို့၏ COBOL ပြောင်းရွှေ့ရေး အကဲဖြတ်မှုသည် မော်ဒယ်တစ်ခုက ရှိပြီးသားပရိုဂရမ်များကို ၎င်းတို့၏ လုပ်ဆောင်ပုံ မပြောင်းလဲဘဲ အခြားဘာသာစကားသို့ ပြောင်းရွှေ့နိုင်ခြင်းရှိမရှိ စမ်းသပ်ပါသည်။ ဤနှစ်ခုက အပြန်အလှန် ဖြည့်ဆည်းပေးသော ကျွမ်းကျင်မှုနှစ်ရပ်ဖြစ်သည့် ဆော့ဖ်ဝဲအသစ် တည်ဆောက်ခြင်းနှင့် ရှိပြီးသားဆော့ဖ်ဝဲ၏ လုပ်ဆောင်ပုံကို ထိန်းသိမ်းခြင်းတို့ကို စမ်းသပ်ပါသည်။
ကျွန်ုပ်တို့၏ နောက်ဆုံးပေါ်မော်ဒယ်များသည် အကဲဖြတ်မှုနှစ်ခုလုံးတွင် သိသိသာသာ တိုးတက်လာပြီး ကုန်ကျစရိတ် ပိုနည်းကာ တိကျမှန်ကန်မှု များစွာပိုမြင့်လာပါသည်။
MultiLangBench တွင် GPT‑6 Astra သည် ပရိုဂရမ်းမင်းဘာသာစကား 20 အတွက် ပျမ်းမျှစမ်းသပ်မှု အောင်မြင်နှုန်း 87.4% ရရှိပြီး GPT‑5.6 Sol ၏ 26.8% ထက် မြင့်တက်လာကာ စမ်းသပ်ထားသည့် ဘာသာစကားအားလုံးတွင် တိုးတက်မှုရှိပါသည်။ GPT‑6 Luna သည်လည်း GPT‑5.6 Sol ထက် သာလွန်ပြီး အောင်မြင်နှုန်း 40.3% ရရှိကာ ခန့်မှန်း API ကုန်ကျစရိတ်မှာ 78% ခန့် ပိုနည်းပါသည်။
COBOL ပြောင်းရွှေ့ရေး အကဲဖြတ်မှုတွင် GPT‑6.1 Sol သည် ကျိုးကြောင်းသင့်လျော်စွာ စဉ််းစားပေးသော အားထုတ်မှုပမာဏ အနိမ့်၌ တိကျမှန်ကန်မှု ၈၆.၆% ရရှိပြီး GPT‑5.6 Sol မှာ ၅.၄% သာ ရရှိပါသည်။ ကုန်ကျစရိတ်လည်း ၃၉% ပိုနည်းပါသည်။ ကျိုးကြောင်းသင့်လျော်စွာ စဉ်းစားပေးသော အားထုတ်မှုပမာဏကို မြှင့်လိုက်သည့်အခါ တိကျမှန်ကန်မှု ၉၇.၉% ရရှိပြီး အကဲဖြတ်မှု၏ အမြင့်ဆုံးရမှတ်နီးပါးသို့ ရောက်ရှိပါသည်။
ဤရလဒ်များအရ ကျွန်ုပ်တို့၏ မော်ဒယ်များသည် ပရိုဂရမ်းမင်းဘာသာစကား အမျိုးမျိုးကို ကိုင်တွယ်ရာတွင် သိသိသာသာ ပိုကောင်းလာသလို ကုန်ကျစရိတ်လည်း ပိုသက်သာလာကြောင်း တွေ့ရပါသည်။
MultiLangBench သည် သတ်မှတ်ထားသော ပရိုဂရမ်းမင်းဘာသာစကားဖြင့် SQLite နှင့် တွဲဖက်အသုံးပြုနိုင်သည့် ဒေတာဘေ့စ်အင်ဂျင်ကို တည်ဆောက်ရန် မော်ဒယ်ကို ခိုင်းစေပါသည်။ မော်ဒယ်သည် ကုဒ်အစုအဝေးကို စနစ်တကျဖွဲ့စည်းခြင်း၊ အခြေအနေအချက်အလက်ကို စီမံခြင်း၊ အမှားများကို ကိုင်တွယ်ခြင်းနှင့် ရှိပြီးသားလုပ်ဆောင်ချက်များ မပျက်စေဘဲ လုပ်ဆောင်ချက်အသစ်များ ထည့်သွင်းခြင်းတို့ကို လုပ်ဆောင်ရပါသည်။
ဘာသာစကားအမျိုးမျိုးဖြင့် ရေးသားထားသော ပရိုဂရမ်များကို နှိုင်းယှဉ်နိုင်ရန် ဒေတာဘေ့စ်ဖိုင်များကို ဘုံချိတ်ဆက်မှုအဖြစ် အသုံးပြုပါသည်။ စမ်းသပ်ခံပရိုဂရမ်သည် မူလဒေတာဘေ့စ်နှင့် SQL မေးမြန်းချက်တစ်ခုကို လက်ခံပြီး ပြုပြင်ပြီးသားဒေတာဘေ့စ်ကို ထုတ်ပေးပါသည်။ ထွက်လာသော ဒေတာဘေ့စ်တွင် မျှော်မှန်းထားသည့် အကြောင်းအရာများ ပါရှိမရှိကို စံအဖြစ်သုံးထားသော SQLite ပရိုဂရမ်ဖြင့် စစ်ဆေးပါသည်။ ထို့ကြောင့် အင်ဂျင်ကို မည်သည့်ဘာသာစကားဖြင့် တည်ဆောက်ထားသည်ဖြစ်စေ တူညီသော စမ်းသပ်မှုများကို အသုံးပြုနိုင်ပါသည်။
SQLite ၏ ရှိပြီးသား စမ်းသပ်မှုအစုမှ စမ်းသပ်မှုများကို ဤပုံစံနှင့် ကိုက်ညီအောင် ပြင်ဆင်ထားပါသည်။ ဤအကဲဖြတ်မှုသည် အချိန်ကြာမြင့်စွာ ကုဒ်ရေးသားစဉ် မော်ဒယ်တစ်ခုက အလုပ်ဖြစ်သော လုပ်ဆောင်ချက် မည်မျှတည်ဆောက်နိုင်ကြောင်း တိုင်းတာပြီး စမ်းသပ်မှု အောင်မြင်နှုန်းနှင့် API ကုန်ကျစရိတ် နှစ်ခုလုံးကို ဖော်ပြပါသည်။
ကျိုးကြောင်းသင့်လျော်စွာ စဉ််းစားပေးသော အားထုတ်မှုပမာဏ အမြင့်ဆုံး၌ GPT‑6 Astra သည် ဘာသာစကား ၂၀ အတွက် ပျမ်းမျှစမ်းသပ်မှု အောင်မြင်နှုန်း ၈၇.၄% ရရှိပြီး GPT‑5.6 Sol ၏ ၂၆.၈% ထက် မြင့်တက်လာပါသည်။ COBOL (၁၀.၉% မှ ၇၂.၁%)၊ OCaml (၂၅.၆% မှ ၈၅.၈%)၊ Fortran (၂၁.၄% မှ ၈၃.၅%) နှင့် Visual Basic (၂၇.၅% မှ ၈၉.၄%) အပါအဝင် စမ်းသပ်ထားသော ဘာသာစကားအားလုံးတွင် တိုးတက်မှုရှိပါသည်။ Astra သည် ဘာသာစကား ၂၀ အနက် ၁၉ ခုတွင် ၈၃% ကျော် ရရှိပြီး COBOL မှာ ၇၂% ဖြင့် အခက်ခဲဆုံးအဖြစ် ကျန်ရှိနေပါသည်။
GPT‑6 Luna သည် ကုန်ကျစရိတ် ပိုနည်းသော ရွေးချယ်စရာတစ်ခုဖြစ်ပြီး စမ်းသပ်ထားသည့် ဘာသာစကားအားလုံးတွင် GPT‑5.6 Sol ထက်လည်း ပိုကောင်းပါသည်။ ကျိုးကြောင်းသင့်လျော်စွာ စဉ််းစားပေးသော အားထုတ်မှုပမာဏ အမြင့်ဆုံး၌ ပျမ်းမျှစမ်းသပ်မှု အောင်မြင်နှုန်း ၄၀.၃% ရရှိပါသည်။ တိုးတက်မှုများတွင် COBOL (၁၀.၉% မှ ၁၇.၁%)၊ OCaml (၂၅.၆% မှ ၃၄.၁%)၊ Fortran (၂၁.၄% မှ ၃၁.၄%) နှင့် Visual Basic (၂၇.၅% မှ ၄၁.၆%) တို့ ပါဝင်ပါသည်။ ဤတိုးတက်မှုများအတွက် နမူနာတစ်ခုလျှင် ခန့်မှန်းပျမ်းမျှ API ကုန်ကျစရိတ်မှာ ၀.၇၇ ဒေါ်လာဖြစ်ပြီး GPT‑5.6 Sol ၏ ၃.၄၈ ဒေါ်လာထက် ၇၈% ခန့် ပိုနည်းပါသည်။
MultiLangBench အကဲဖြတ်မှု ပြင်ဆင်သတ်မှတ်ချက်များနှင့် စမ်းသပ်မှုအစုကို ဘာသာစကားတစ်ခုချင်းစီ၏ ရလဒ်များနှင့်အတူ GitHub(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) တွင် ထုတ်ပြန်ထားပါသည်။ Developer များသည် အကဲဖြတ်မှုက မည်သည့်အရာများကို စမ်းသပ်ကြောင်း စစ်ဆေးနိုင်ပြီး မိမိတို့အသုံးပြုသော ဘာသာစကားများ၏ စွမ်းဆောင်ရည်ကို သုံးသပ်ကာ မိမိတို့အလုပ်အတွက် အရေးပါသည့် လိုအပ်ချက်များကို ဖော်ထုတ်နိုင်ပါသည်။
ကျွန်ုပ်တို့၏ ဒုတိယအကဲဖြတ်မှုသည် COBOL ပရိုဂရမ်များကို ၎င်းတို့၏ လုပ်ဆောင်ပုံ မပြောင်းလဲဘဲ C++၊ Java၊ Kotlin၊ Python သို့မဟုတ် Rust သို့ ပြောင်းရွှေ့ရန် မော်ဒယ်များကို ခိုင်းစေပါသည်။
အောင်မြင်စွာ ပြောင်းရွှေ့နိုင်ရန် ပရိုဂရမ်၏ လုပ်ငန်းဆိုင်ရာ ယုတ္တိစည်းမျဉ်းများနှင့် COBOL ဘာသာစကား၏ သီးခြားလုပ်ဆောင်ပုံ နှစ်ခုလုံးကို နားလည်ရန် လိုအပ်ပါသည်။ COBOL ပရိုဂရမ်များသည် ငွေကြေးအလွှဲအပြောင်းများနှင့် လုပ်ငန်းမှတ်တမ်းများကို ကိုင်တွယ်လေ့ရှိပါသည်။ ထိုနေရာတွင် ကိန်းဂဏန်းများကို အနီးစပ်ဆုံးကိန်းသို့ ပြောင်းသည့်စည်းမျဉ်းများ၊ မတွေ့ရှိသော မှတ်တမ်းများကို ကိုင်တွယ်ပုံတို့ကဲ့သို့ အသေးစိတ်အချက်များသည် လုပ်ငန်းလိုအပ်ချက်များနှင့် ဆက်စပ်နေပါသည်။ ဥပမာ၊ COBOL ၏ ဒဿမနေရာပုံသေ ဂဏန်းတွက်နည်းသည် အနီးစပ်ဆုံးကိန်းသို့ ပြောင်းရန် အတိအလင်း မညွှန်ကြားထားလျှင် ပိုနေသော ဒဿမဂဏန်းများကို ဖြတ်ပစ်ပါသည်။ အသစ်ပြန်ရေးထားသော ကုဒ်က ထိုတန်ဖိုးများကို အနီးစပ်ဆုံးကိန်းသို့ ပြောင်းလိုက်ပါက အမှားမပြဘဲ အလုပ်လုပ်နိုင်သော်လည်း ငွေကြေးရလဒ်များ ကွာခြားသွားနိုင်ပါသည်။
ဤလုပ်ဆောင်ပုံများကို မပျက်မယွင်း ထိန်းထားနိုင်ခြင်းရှိမရှိ စစ်ဆေးရန် မြင်တွေ့နိုင်သော အထွက်ရလဒ်များ၌ ဘိုက်တစ်ခုချင်းစီ တိတိကျကျ တူညီရမည့် လျှို့ဝှက်စမ်းသပ်မှုများဖြင့် မော်ဒယ်များကို အကဲဖြတ်ပါသည်။ စမ်းသပ်မှုအားလုံး အောင်မြင်မှသာ ပြောင်းရွှေ့မှု အောင်မြင်သည်ဟု သတ်မှတ်ပါသည်။ ဤကဲ့သို့ လုပ်ဆောင်ပုံကို မပျက်မယွင်း ထိန်းထားနိုင်သည့် စွမ်းရည်များသည် စနစ်ဟောင်းများကို ထိန်းသိမ်းပြီး ခေတ်မီအောင်ပြုပြင်နေသော အဖွဲ့များအတွက် အသုံးဝင်ပါသည်။ သို့သော် လက်တွေ့အသုံးပြုနေသော ဆော့ဖ်ဝဲတွင် သုံးရန် ကျွမ်းကျင်သူ၏ သုံးသပ်မှုနှင့် စနစ်၏ လုပ်ငန်းစည်းမျဉ်းများ၊ မှီခိုအသုံးပြုသော အစိတ်အပိုင်းများနှင့် ကိုက်ညီမှုရှိမရှိ စမ်းသပ်မှုတို့ လိုအပ်နေဆဲဖြစ်ပါသည်။
ဤအကဲဖြတ်မှုတွင် ကျိုးကြောင်းသင့်လျော်စွာ စဉ််းစားပေးသော အားထုတ်မှုပမာဏ အနိမ့်၌ GPT‑6.1 Sol သည် တိကျမှန်ကန်မှု ၈၆.၆% ရရှိပါသည်။ တူညီသော အဆင့်၌ GPT‑5.6 Sol က ၅.၄% သာ ရရှိပြီး GPT‑6.1 Sol ၏ API ကုန်ကျစရိတ်မှာ GPT‑5.6 Sol ၏ ၆၁% သာ ရှိပါသည်။ ကျိုးကြောင်းသင့်လျော်စွာ စဉ််းစားပေးသော အားထုတ်မှုပမာဏကို မြှင့်လိုက်သည့်အခါ တိကျမှန်ကန်မှု ၉၇.၉% ရရှိပြီး အကဲဖြတ်မှု၏ အမြင့်ဆုံးရမှတ်နီးပါးသို့ ရောက်ရှိပါသည်။ ဤအကဲဖြတ်ရလဒ်များသည် လုပ်ငန်းများ မှီခိုနေရသော ဆော့ဖ်ဝဲများကို ခေတ်မီအောင်ပြုပြင်နေသည့် အဖွဲ့များအတွက် ကုဒ်ပြောင်းရွှေ့မှုကို ပိုမိုတိကျပြီး စရိတ်သက်သာစွာ လုပ်ဆောင်နိုင်ရေး၌ တိုးတက်လာကြောင်း ပြသပါသည်။
ဤအကဲဖြတ်မှုများနှင့် developer များ၊ လုပ်ငန်းသုံးစွဲသူများထံမှ တိုက်ရိုက်ရရှိသည့် အကြံပြုချက်များက ကျွန်ုပ်တို့၏ မော်ဒယ်များ မည်သည့်နေရာတွင် တိုးတက်လာပြီး မည်သည့်နေရာတွင် လိုအပ်ချက်များ ရှိနေသေးကြောင်း သိမြင်စေပါသည်။
ကျွန်ုပ်တို့၏ ရည်မှန်းချက်မှာ မော်ဒယ်များက ပိုမိုများပြားသော ဘာသာစကားများတွင် ဆော့ဖ်ဝဲအင်ဂျင်နီယာ ကျွမ်းကျင်မှုများကို အသုံးချနိုင်ရန် ဖြစ်ပါသည်။ ယင်းတို့တွင် မရင်းနှီးသော ကုဒ်သိမ်းဆည်းရန်နေရာများကို နားလည်ခြင်း၊ အပြောင်းအလဲများ စီစဉ်ခြင်း၊ တည်ဆောက်ရေးကိရိယာများ သုံးခြင်း၊ စမ်းသပ်မှုများ လုပ်ဆောင်ခြင်းနှင့် ချို့ယွင်းချက်များ ရှာဖွေပြင်ဆင်ခြင်းတို့ ပါဝင်ပါသည်။
သင့်အဖွဲ့အသုံးပြုသော ဘာသာစကားများဖြင့် ကုဒ်ရေးသားရာတွင် ကျွန်ုပ်တို့၏ နောက်ဆုံးပေါ်မော်ဒယ်များကို API မှတစ်ဆင့် စမ်းသုံးနိုင်ပါသည်။ မည်သည်တို့ အလုပ်ဖြစ်ကြောင်း၊ မော်ဒယ်များ မည်သည့်နေရာတွင် အခက်တွေ့ကြောင်းနှင့် နောက်တစ်ဆင့်၌ မည်သည့်ဘာသာစကားများ သို့မဟုတ် လုပ်ငန်းစဉ်များကို အလေးထားသင့်ကြောင်း သင့်အကြံပြုချက်များက သင်မှီခိုနေရသော ဆော့ဖ်ဝဲကို ပိုမိုကောင်းမွန်စွာ ပံ့ပိုးနိုင်ရန် မော်ဒယ်များကို လေ့ကျင့်၊ အကဲဖြတ်သည့်နည်းလမ်းများအား ပုံဖော်ရာတွင် အထောက်အကူပြုပါသည်။
