Traduction automatique

La traduction automatique est un logiciel qui traduit du texte, de la parole ou du texte présent dans des images d'une langue vers une autre. Les modèles ouverts d'aujourd'hui partent généralement d'un modèle général, ensuite entraîné uniquement à traduire.

  • Les bases
  • Mis à jour le

Les anciens systèmes de traduction étaient bâtis pour ce travail dès le départ. Les modèles de traduction ouverts de ce catalogue partent d'un modèle de langage général et ajoutent un entraînement à la traduction. TranslateGemma part de Gemma 3, Index-Translate de Qwen3.5 et PLaMo 3 Translate de PLaMo 3 NICT. TranslateGemma a été ajusté sur des traductions humaines et des traductions rédigées par Gemini, puis entraîné par apprentissage par renforcement contre des modèles de récompense qui notent la qualité de la traduction. PLaMo 3 Translate a utilisé des traductions synthétisées avec Gemma 4, suivies de deux tours d'optimisation par préférences.

Quelques termes reviennent sur chaque model card. La langue source et la langue cible forment la paire à traduire, et un modèle est généralement meilleur sur certaines paires que sur d'autres. TranslateGemma a été évalué sur 55 langues, Hy-MT2 en liste 33, PLaMo 3 Translate 53 et Index-Translate 150. Les langues à faibles ressources disposent de peu de texte d'entraînement et sont les plus difficiles. Une sortie hors cible signifie que le modèle a répondu dans une autre langue que celle demandée. La plupart de ces modèles ne font que traduire : servez-vous d'un modèle général pour tout le reste. Les textes plus longs que l'entrée du modèle doivent être découpés, comme avec les 2K tokens de TranslateGemma ou les 32 768 tokens de PLaMo pour l'entrée et la sortie réunies. Un modèle peut aussi ajouter ou omettre du contenu : faites donc relire par un humain tout ce qui compte.

Termes associés

  • Métriques de traduction Les métriques de traduction sont les scores que les fiches de modèles utilisent pour noter une traduction. Les unes comptent le chevauchement avec une référence humaine, les autres utilisent un modèle entraîné ou des relecteurs humains, et leurs échelles ne sont pas comparables.
  • Fine-tuning (ajustement fin) Le fine-tuning poursuit l'entraînement d'un modèle pré-entraîné sur vos propres exemples pour qu'il se comporte mieux sur une tâche, un style ou un domaine précis.
  • Apprentissage par renforcement (RL) L'apprentissage par renforcement entraîne un modèle en récompensant les bons résultats, comme une réponse correcte ou des tests réussis, au lieu de copier un texte d'exemple.
  • Fenêtre de contexte La fenêtre de contexte est la quantité maximale de texte, mesurée en tokens, qu'un modèle peut prendre en compte à la fois, y compris votre prompt et sa propre réponse.

Tous les termes