எங்கள் சமீபத்திய மாடல் முன்னேற்றங்கள், கற்றல் வளங்கள் குறைந்த COBOL, Fortran, Visual Basic போன்ற நிரலாக்க மொழிகளில் மென்பொருள் உருவாக்கவும், மென்பொருளை வேறு மொழிக்கு மாற்றவும் திறனை மேம்படுத்துகின்றன. Python, JavaScript போன்ற மொழிகளுடன் ஒப்பிடும்போது, மாடல்கள் கற்றுக்கொள்ள இந்த மொழிகளில் நிரல் மற்றும் ஆவணங்கள் குறைவாகவே கிடைக்கின்றன. இருப்பினும், உலகெங்கும் முக்கிய உள்கட்டமைப்புகளும் அத்தியாவசியச் சேவைகளும் இவற்றைச் சார்ந்துள்ளன. இணைய வங்கி முறைமைகளில் 40%-க்கும் மேற்பட்டவை, நேரடி கடன் அட்டைப் பரிவர்த்தனைகளில் 80%, ATM பரிவர்த்தனைகளில் 95% ஆகியவற்றுக்கு COBOL ஆதாரமாக உள்ளது(புதிய சாளரத்தில் திறக்கும்). Fortran, வானிலை முன்னறிவிப்பிலும்(புதிய சாளரத்தில் திறக்கும்) அணு உலைப் பாதுகாப்புப் பகுப்பாய்விலும்(புதிய சாளரத்தில் திறக்கும்) பயன்படுகிறது. இந்த மொழிகளில் பணியாற்றும் செயற்கை நுண்ணறிவின் திறனை மேம்படுத்துவது, அத்தியாவசியச் சேவைகள் சார்ந்துள்ள மென்பொருளைப் பராமரிக்கவும் நவீனப்படுத்தவும் குழுக்களுக்கு உதவக்கூடும்.
நிரலாக்க மாடல்கள் இந்த மொழிகளில் அடிக்கடி தடுமாறுவதாக மென்பொருள் உருவாக்குநர்களும் பெருநிறுவன வாடிக்கையாளர்களும் எங்களிடம் தெரிவித்துள்ளனர். அவர்களின் கருத்துகளே இந்தப் பணிக்கு வழிகாட்டுகின்றன. இந்த மென்பொருளைப் பராமரிப்பதும் நவீனப்படுத்துவதும் கடினமாக இருக்கலாம்: ஆவணங்கள் முழுமையாக இல்லாமல் இருக்கலாம், முதலில் உருவாக்கியவர்கள் நிறுவனத்தை விட்டு விலகியிருக்கலாம், நிரலில் மட்டுமே முக்கிய வணிக விதிகள் இருக்கலாம். பிழைகளைச் சரிசெய்தாலும் வேறு மொழிக்கு மாற்றினாலும், தங்கள் முறைமைகள் சார்ந்துள்ள செயல்பாட்டு முறையை குழுக்கள் மாற்றாமல் காக்க வேண்டும்.
முன்னேற்றத்தை அளவிட, இரண்டு மதிப்பீடுகளை உருவாக்கினோம். 20 வெவ்வேறு நிரலாக்க மொழிகளில், SQLite உடன் இணக்கமான தரவுத்தள இயந்திரத்தை ஒரு மாடல் புதிதாக உருவாக்க முடியுமா என்பதை MultiLangBench சோதிக்கிறது. ஏற்கெனவே உள்ள நிரல்களின் செயல்பாட்டு முறையை மாற்றாமல் வேறு மொழிக்கு ஒரு மாடலால் மாற்ற முடியுமா என்பதை எங்கள் COBOL மொழிமாற்ற மதிப்பீடு சோதிக்கிறது. புதிய மென்பொருள் உருவாக்குவது, ஏற்கெனவே உள்ள மென்பொருளின் செயல்பாட்டைத் தக்கவைப்பது ஆகிய ஒன்றுக்கொன்று துணையான இரு திறன்களை இவை சோதிக்கின்றன.
எங்கள் சமீபத்திய மாடல்கள் இரு மதிப்பீடுகளிலும் கணிசமான முன்னேற்றத்தைக் காட்டுகின்றன. குறைந்த செலவில் மிக அதிகத் துல்லியத்தை வழங்குகின்றன.
MultiLangBench-இல், 20 நிரலாக்க மொழிகளில் GPT‑6 Astra சராசரியாக 87.4% சோதனைத் தேர்ச்சி விகிதத்தை அடைகிறது. GPT‑5.6 Sol-இன் விகிதம் 26.8%. சோதிக்கப்பட்ட ஒவ்வொரு மொழியிலும் முன்னேற்றம் உள்ளது. GPT‑6 Luna-உம் GPT‑5.6 Sol-ஐ விஞ்சி, மதிப்பிடப்பட்ட API செலவு சுமார் 78% குறைவாக உள்ள நிலையில் 40.3% தேர்ச்சியை அடைகிறது.
எங்கள் COBOL மொழிமாற்ற மதிப்பீட்டில், குறைந்த ரீஸனிங் முயற்சியில் 86.6% துல்லியத்தை GPT‑6.1 Sol அடைகிறது. GPT‑5.6 Sol-இன் துல்லியம் வெறும் 5.4%. செலவும் 39% குறைகிறது. அதிக ரீஸனிங் முயற்சியில், துல்லியம் 97.9%-ஐ எட்டி, மதிப்பீட்டில் ஏறக்குறைய முழுத் தேர்ச்சியை அடைகிறது.
பலவிதமான நிரலாக்க மொழிகளில் பணியாற்றுவதில் எங்கள் மாடல்கள் கணிசமாக மேம்படுவதோடு, செலவுத் திறனும் அதிகரித்து வருவதை இந்த முடிவுகள் காட்டுகின்றன.
குறிப்பிட்ட நிரலாக்க மொழியில் SQLite உடன் இணக்கமான தரவுத்தள இயந்திரத்தை உருவாக்குமாறு MultiLangBench ஒரு மாடலைக் கேட்கிறது. மாடல் ஒரு நிரல் தொகுப்பை ஒழுங்கமைக்க வேண்டும், நிலையை நிர்வகிக்க வேண்டும், பிழைகளைக் கையாள வேண்டும். மேலும், ஏற்கெனவே உள்ள செயல்பாடுகளைத் தக்கவைத்தபடி புதிய அம்சங்களைச் சேர்க்க வேண்டும்.
வெவ்வேறு மொழிகளில் உருவாக்கப்பட்டவற்றை ஒப்பிட, தரவுத்தளக் கோப்புகளைப் பொதுவான இடைமுகமாகப் பயன்படுத்துகிறோம். சோதிக்கப்படும் நிரல், தொடக்கத் தரவுத்தளத்தையும் SQL வினவலையும் பெற்று, மாற்றியமைக்கப்பட்ட தரவுத்தளத்தை உருவாக்குகிறது. உருவான தரவுத்தளத்தில் எதிர்பார்த்த உள்ளடக்கம் உள்ளதா எனச் சரிபார்க்க, ஒப்பீட்டுக்கான SQLite செயலாக்கத்தைப் பயன்படுத்துகிறோம். இதனால், இயந்திரத்தை உருவாக்கப் பயன்படுத்திய மொழி எதுவாக இருந்தாலும் ஒரே சோதனைகளைப் பயன்படுத்த முடிகிறது.
SQLite-இன் தற்போதைய சோதனைத் தொகுப்பிலுள்ள சோதனைகளை இந்த வடிவத்துக்கு ஏற்றவாறு மாற்றினோம். நீண்ட நிரலாக்க அமர்வில் ஒரு மாடலால் எவ்வளவு செயல்படும் வசதிகளை உருவாக்க முடிகிறது என்பதை இந்த மதிப்பீடு அளவிடுகிறது. சோதனைத் தேர்ச்சி விகிதம், API செலவு ஆகிய இரண்டையும் தெரிவிக்கிறது.
அதிகபட்ச ரீஸனிங் முயற்சியில், 20 மொழிகளில் GPT‑6 Astra சராசரியாக 87.4% சோதனைத் தேர்ச்சி விகிதத்தை அடைகிறது. GPT‑5.6 Sol-இன் விகிதம் 26.8%. COBOL (10.9%-இலிருந்து 72.1%), OCaml (25.6%-இலிருந்து 85.8%), Fortran (21.4%-இலிருந்து 83.5%), Visual Basic (27.5%-இலிருந்து 89.4%) உட்பட சோதிக்கப்பட்ட அனைத்து மொழிகளிலும் முன்னேற்றம் உள்ளது. 20 மொழிகளில் 19-இல் Astra 83%-க்கு மேல் பெறுகிறது. 72% பெற்ற COBOL தொடர்ந்து மிகக் கடினமான மொழியாக உள்ளது.
குறைந்த செலவிலான தேர்வான GPT‑6 Luna-உம், சோதிக்கப்பட்ட ஒவ்வொரு மொழியிலும் GPT‑5.6 Sol-ஐ விட மேம்பட்டுள்ளது. அதிகபட்ச ரீஸனிங் முயற்சியில், இது சராசரியாக 40.3% சோதனைத் தேர்ச்சி விகிதத்தை அடைகிறது. COBOL (10.9%-இலிருந்து 17.1%), OCaml (25.6%-இலிருந்து 34.1%), Fortran (21.4%-இலிருந்து 31.4%), Visual Basic (27.5%-இலிருந்து 41.6%) ஆகியவற்றிலும் முன்னேற்றம் உள்ளது. இந்த முன்னேற்றங்களுக்கான மதிப்பிடப்பட்ட சராசரி API செலவு, மாதிரி ஒன்றுக்கு $0.77. GPT‑5.6 Sol-இன் $3.48 செலவை விட இது சுமார் 78% குறைவு.
MultiLangBench மதிப்பீட்டு அமைவையும் சோதனைத் தொகுப்பையும், ஒவ்வொரு மொழிக்கான முடிவுகளுடன் GitHub(புதிய சாளரத்தில் திறக்கும்)-இல் வெளியிடுகிறோம். மதிப்பீடு எவற்றைச் சோதிக்கிறது என்பதை உருவாக்குநர்கள் ஆராயலாம், தாங்கள் பயன்படுத்தும் மொழிகளின் செயல்திறனை மதிப்பாய்வு செய்யலாம், தங்கள் பணிக்கு முக்கியமான குறைபாடுகளைக் கண்டறியலாம்.
ஒவ்வொரு நிரலின் செயல்பாட்டையும் மாற்றாமல், COBOL நிரல்களை C++, Java, Kotlin, Python அல்லது Rust மொழிக்கு மாற்றுமாறு மாடல்களை எங்கள் இரண்டாவது மதிப்பீடு கேட்கிறது.
வெற்றிகரமாக மாற்றுவதற்கு, நிரலின் வணிகத் தர்க்கத்தையும் COBOL மொழிக்கே உரிய செயல்பாட்டு முறையையும் புரிந்துகொள்ள வேண்டும். COBOL நிரல்கள் பெரும்பாலும் நிதிப் பரிவர்த்தனைகளையும் வணிகப் பதிவுகளையும் செயலாக்குகின்றன. அவற்றில் எண்களை முழுமையாக்கும் விதிகள், விடுபட்ட பதிவுகளைக் கையாளும் முறை போன்ற விவரங்கள் வணிகத் தேவைகளைப் பிரதிபலிக்கின்றன. எடுத்துக்காட்டாக, எண்களை முழுமையாக்குமாறு வெளிப்படையாகக் கோராவிட்டால், COBOL-இன் நிலைப்புள்ளிக் கணிதம் கூடுதல் தசம இலக்கங்களை நீக்கிவிடும். அதற்குப் பதிலாக அந்த மதிப்புகளை முழுமையாக்கும் வகையில் மாற்றி எழுதப்பட்ட நிரல், பிழையின்றி இயங்கினாலும் வேறுபட்ட நிதி முடிவுகளை உருவாக்கக்கூடும்.
இந்தச் செயல்பாட்டு முறைகள் தக்கவைக்கப்படுகிறதா எனச் சோதிக்க, மறைக்கப்பட்ட சோதனைகளில் எங்கள் மாடல்களை மதிப்பிடுகிறோம். அவற்றில் காணக்கூடிய வெளியீடுகள் ஒவ்வொரு பைட்டிலும் ஒரே மாதிரியாக இருக்க வேண்டும். அனைத்துச் சோதனைகளிலும் தேர்ச்சி பெற்றால் மட்டுமே மொழிமாற்றம் வெற்றிகரமானதாகக் கருதப்படும். செயல்பாட்டு முறையைத் தக்கவைக்கும் இத்தகைய திறன்கள், பழைய முறைமைகளைப் பராமரித்து நவீனப்படுத்தும் குழுக்களுக்குப் பயனுள்ளவை. எனினும், நடைமுறைப் பயன்பாட்டிலுள்ள மென்பொருளில் இவற்றைப் பயன்படுத்த நிபுணர் மதிப்பாய்வும், முறைமையின் வணிக விதிகள் மற்றும் சார்புகளை அடிப்படையாகக் கொண்ட சோதனைகளும் இன்னும் தேவை.
இந்த மதிப்பீட்டில், குறைந்த ரீஸனிங் முயற்சியில் GPT‑6.1 Sol, 86.6% துல்லியத்தை அடைகிறது. அதே அமைப்பில் GPT‑5.6 Sol-இன் துல்லியம் 5.4%. அதன் API செலவில் வெறும் 61% மட்டுமே GPT‑6.1 Sol-க்குத் தேவைப்படுகிறது. அதிக ரீஸனிங் முயற்சியில், துல்லியம் 97.9%-ஐ எட்டி, மதிப்பீட்டில் முழுத் தேர்ச்சியை நெருங்குகிறது. தங்கள் வணிகங்கள் சார்ந்துள்ள மென்பொருளை நவீனப்படுத்தும் குழுக்களுக்கு, மேலும் துல்லியமான, குறைந்த செலவிலான நிரல் மொழிமாற்றத்தை வழங்குவதில் ஏற்பட்டுள்ள முன்னேற்றத்தை இந்த மதிப்பீட்டு முடிவுகள் காட்டுகின்றன.
இந்த மதிப்பீடுகளும், உருவாக்குநர்கள் மற்றும் பெருநிறுவன வாடிக்கையாளர்களின் நேரடிக் கருத்துகளும், எங்கள் மாடல்கள் எங்கு மேம்படுகின்றன, எங்கு இன்னும் குறைபாடுகள் உள்ளன என்பதை அறிய உதவுகின்றன.
அதிக மொழிகளில் மென்பொருள் பொறியியல் திறன்களை மாடல்கள் பயன்படுத்த உதவுவதே எங்கள் இலக்கு ஆகும்: அறிமுகமில்லாத ரிபாசிட்டரிகளைப் புரிந்துகொள்வது, மாற்றங்களைத் திட்டமிடுவது, கட்டமைப்புக் கருவிகளைப் பயன்படுத்துவது, சோதனைகளை இயக்குவது, செயலிழப்புகளுக்கான பிழைகளைச் சரிசெய்வது ஆகியவை இதில் அடங்கும்.
உங்கள் குழு பயன்படுத்தும் மொழிகளில் நிரலாக்கப் பணிகளைச் செய்ய, எங்கள் சமீபத்திய மாடல்களை API வழியாக முயலலாம். எவை நன்றாகச் செயல்படுகின்றன, மாடல்கள் எங்கு தடுமாறுகின்றன, அடுத்து எந்த மொழிகள் அல்லது பணிப்பாய்வுகளில் கவனம் செலுத்த வேண்டும் என்பதைக் குறித்த உங்கள் கருத்துகள் முக்கியமானவை. நீங்கள் சார்ந்துள்ள மென்பொருளுக்கு மேலும் சிறப்பாக ஆதரவளிக்க, மாடல்களைப் பயிற்றுவிக்கும் மற்றும் மதிப்பிடும் முறையை வடிவமைக்க அவை உதவுகின்றன.
