OpenAI zpřístupnila MultiLangBench, testovací prostředí pro porovnávání programovacích schopností modelů napříč dvaceti jazyky. Úkolem je vytvořit databázový engine kompatibilní se SQLite. Místo odlišných rozhraní pro každý jazyk slouží jako společný základ databázové soubory: systém dostane počáteční databázi a dotaz a musí vrátit správně změněný výsledek.
Testy vycházejí z existující sady SQLite a výsledky kontrolují vůči referenční implementaci. Hodnotí tak nejen krátkou odpověď, ale i schopnost postupně organizovat kód a přidávat funkce bez rozbití dosavadního chování. Zveřejněny jsou testy i výsledky jednotlivých jazyků. Jde o hodnocení konkrétního typu programovací práce, nikoli důkaz obecné bezchybnosti modelů nebo bezpečnosti migrace skutečných podnikových systémů bez odborné kontroly.
