Ayla's learning materials Matériel pédagogique d'Ayla
Public

Prompting an LLM for translationRédiger une requête de traduction pour un GML

TRA6008 To read for S7À lire pour la S7

What a translator would need

A large language model large language model (LLM)grand modèle de langue (GML) language modelsmodèles de langue A neural-network language model, usually based on the transformer architecture, that is trained on very large amounts of text and contains many learned parameters.Modèle de langue à réseau de neurones, habituellement fondé sur l'architecture des transformeurs, entraîné sur de très grandes quantités de texte et comptant de très nombreux paramètres appris. translates from what it is given. Part of what a translator needs is not in the source text at all: who the translation is for and what it will be used for, which variety of the language it should be in, and which terms the client imposes. No model can work these out from the source, so unless the prompt states them, the translation follows the most plausible choice, which may not fit the actual situation. The table below sets out these elements and what is known about their effect.

ElementExampleEffect
The audience, the purpose and the domaina user manual for the technicians who install industrial pumpsfor the 2023 models tested, stating the task and the domain improved the translations, most on specialized and less-resourced pairs (Peng et al., 2023); with GPT-5.2, on four newspaper editorials, human evaluators preferred the translations from a prompt giving a translation brief (audience, publication context, register) to those from a bare request (Lai & Li, 2026)
The varietyFrench for a Quebec readershipfixes choices that would otherwise follow the model’s defaults, which for French lean toward France (see also the Steering toward a culture page, in the Critical issues with LLMs module) (voir aussi la page Orienter les réponses vers une culture, dans le module Enjeux critiques des GML)
Example translationsearlier translations of similar sentences, from a translation memorysteered the output of the 2023 models tested toward the required terminology and style, without any change to the model (Moslem et al., 2023); for Gemini 1.5 Pro, retrieved example translations of similar sentences improved domain translation (Li et al., 2025c)
Termsthe client’s term listfor Gemini 1.5 Pro, a term list barely improved domain translation, where example translations did (Li et al., 2025c). With a glossary in the prompt, the four open models tested by Dahan et al. (2026) used the glossary’s terms much more often, but also varied their terms less than human translators do, for instance alternating a term with a shorter form or a synonym, as French scientific writing tends to
What a translation prompt has to state.

The tool you translate in decides who writes the prompt. In a chat app, you write it, so this context is yours to give. Some CAT tools now offer translation with a large language model, and there the tool writes the prompt: depending on the tool and its settings, it may add matches from the translation memory and entries from the termbase, but the audience and the purpose reach the model only if the tool lets you add them, and tools differ in what they send.memoQ’s documentation for version 12.5 says its AGT feature sends translation memory matches above a match rate the user sets, and that “Term base matches are always sent” (Translate with AGT, read 13 October 2026). Trados describes its AI Assistant as putting “an LLM to work alongside your terminology and translation memories” (What is AI Assistant in Trados Studio?, read 13 October 2026).

Translating a whole file is a separate question: many chat apps can now return a translated file, but whether its formatting and tags survive has to be checked (see also the Working with long documents page, in the Using LLMs module) (voir aussi la page Travailler avec de longs documents, dans le module Utiliser les GML).

What is not settled

Beyond that context, research on how to write a translation prompt has produced few findings that apply from one model to the next. Each study tests one or a few models, and several results have changed with newer ones:

  • Stating the domain improved the translations of ChatGPT in 2023 (Peng et al., 2023). For a reasoning model of 2025, DeepSeek-R1, one study found that it changed the scores very little, in either direction; that study has remained a preprint (Ye et al., 2025).
  • The wording and the format of the prompt made a large difference for older and smaller models: GPT-3.5’s results varied widely with the format, GPT-4’s much less, and larger models are generally less sensitive to how a prompt is worded (He et al., 2024; Zhuo et al., 2024) (see also the Structure the prompt page, in the Using LLMs module) (voir aussi la page Structurer la requête, dans le module Utiliser les GML). For translation, imperfect English in the prompt mostly lowered how well the instructions were followed, but the translation quality itself was barely affected (Schmidtová et al., 2026).
  • The language of the prompt made a difference in one study and not in another. With GPT-5.1 translating between Spanish and Italian, experts preferred the translations from prompts written in the target language to those from English prompts (Bove et al., 2026); with GPT-5.2 translating Spanish newspaper editorials into Chinese, the prompt’s language made no difference (Lai & Li, 2026). Both studies are small, with one language pair each (see also the language of the prompt page, in the Using LLMs module) (voir aussi la page La langue de la requête, dans le module Utiliser les GML).
  • Working through a translator’s steps (research, draft, revision) did not improve the translation of sentences: asking a model simply to translate again and refine its own draft worked as well or better (Wu et al., 2025b). For long texts, a four-step workflow did beat a single prompt with Gemini 1.5 Pro (Briakou et al., 2024) (see also the Split the task page, in the Using LLMs module) (voir aussi la page Découper la tâche, dans le module Utiliser les GML).
  • Reasoning before translating gained little. When a model’s reasoning was switched on or given more time, its translations of sentences changed little, levelled off quickly or got slightly worse (Zebaze et al., 2025; Li et al., 2026; Rajaee et al., 2026). Reasoning models still translate very well: the best system at WMT 2025, Gemini 2.5 Pro, ran with its reasoning on (Kocmi et al., 2025). Extra reasoning helped more when the model reviewed and corrected a translation than when it produced one (Li et al., 2026) (see also the Reasoning step by step page, in the LLM lifecycle module) (voir aussi la page Raisonner étape par étape, dans le module Cycle de vie des GML).

Advice to translators

Given how quickly the models change and how limited the research is, my best advice to translators is to experiment, and to do so regularly. Studies can give you ideas, but they will never quite match your own situation, and you are best placed to find out what works for you and for the models you prefer. You may prefer a very simple prompt and put your effort into post-editing post-editingpostédition machine translationtraduction automatique The human correction of raw machine translation output; the counterpart, for machine translation, of revision in human translation.Correction humaine de la sortie brute d'une traduction automatique ; l'équivalent, pour la traduction automatique, de l'étape de révision en traduction humaine. , or build a whole pipeline with saved instructions, glossaries and other personalization. Only working with the models, regularly, gives you a real sense of how to use them in a way that suits you.

Written in English. The French version was automatically generated and I have not revised it. Rédigé en anglais. La version française a été générée automatiquement et je ne l'ai pas révisée. Updated 14 October 2026

Ce dont un traducteur aurait besoin

Un grand modèle de langue large language model (LLM)grand modèle de langue (GML) language modelsmodèles de langue A neural-network language model, usually based on the transformer architecture, that is trained on very large amounts of text and contains many learned parameters.Modèle de langue à réseau de neurones, habituellement fondé sur l'architecture des transformeurs, entraîné sur de très grandes quantités de texte et comptant de très nombreux paramètres appris. traduit à partir de ce qu’on lui donne. Une partie de ce dont un traducteur a besoin ne figure pas du tout dans le texte source : à qui s’adresse la traduction et à quoi elle servira, dans quelle variété de la langue elle doit être rédigée, et quels termes le client impose. Aucun modèle ne peut le déduire du texte source, si bien que, si la requête ne le précise pas, la traduction suit le choix le plus plausible, qui ne correspond pas forcément à la situation réelle. Le tableau ci-dessous présente ces éléments et ce que l’on sait de leur effet.

ÉlémentExempleEffet
Le public, le but et le domaineun manuel d’utilisation destiné aux techniciens qui installent des pompes industriellespour les modèles de 2023 testés, préciser la tâche et le domaine a amélioré les traductions, surtout pour les paires spécialisées et moins dotées (Peng et al., 2023) ; avec GPT-5.2, sur quatre éditoriaux de presse, des évaluateurs humains ont préféré les traductions obtenues avec une requête donnant un cahier des charges de traduction (public, contexte de publication, registre) à celles obtenues avec une simple demande (Lai & Li, 2026)
La variétédu français pour un lectorat québécoisfixe des choix qui suivraient sinon les réglages par défaut du modèle, qui, pour le français, penchent vers la France (see also the Steering toward a culture page, in the Critical issues with LLMs module) (voir aussi la page Orienter les réponses vers une culture, dans le module Enjeux critiques des GML)
Des traductions données en exempledes traductions antérieures de phrases semblables, tirées d’une mémoire de traductiona orienté le résultat des modèles de 2023 testés vers la terminologie et le style voulus, sans aucune modification du modèle (Moslem et al., 2023) ; pour Gemini 1.5 Pro, des traductions de phrases semblables retrouvées et données en exemple ont amélioré la traduction spécialisée (Li et al., 2025c)
Des termesla liste de termes du clientpour Gemini 1.5 Pro, une liste de termes n’a presque rien changé à la traduction spécialisée, là où des traductions données en exemple l’ont améliorée (Li et al., 2025c). Avec un glossaire dans la requête, les quatre modèles ouverts testés par Dahan et al. (2026) employaient bien plus souvent les termes du glossaire, mais variaient aussi moins leurs termes que les traducteurs humains, qui alternent par exemple un terme avec une forme abrégée ou un synonyme, comme le fait volontiers l’écriture scientifique en français
Ce qu'une requête de traduction doit préciser.

L’outil dans lequel on traduit détermine qui rédige la requête. Dans une application conversationnelle, c’est vous, si bien que ce contexte est à vous de le donner. Certains outils de TAO proposent désormais la traduction par un grand modèle de langue, et c’est alors l’outil qui rédige la requête : selon l’outil et ses réglages, il peut y ajouter des correspondances de la mémoire de traduction et des entrées de la base terminologique, mais le public et le but ne parviennent au modèle que si l’outil permet de les ajouter, et les outils diffèrent dans ce qu’ils envoient.La documentation de memoQ pour la version 12.5 indique que sa fonction AGT envoie les correspondances de la mémoire de traduction au-delà d’un taux de correspondance fixé par l’utilisateur, et que « Term base matches are always sent » [ma traduction : « les correspondances de la base terminologique sont toujours envoyées »] (Translate with AGT, consulté le 13 octobre 2026). Trados décrit son AI Assistant comme un outil qui « puts an LLM to work alongside your terminology and translation memories » [ma traduction : « fait travailler un grand modèle de langue avec votre terminologie et vos mémoires de traduction »] (What is AI Assistant in Trados Studio?, consulté le 13 octobre 2026).

Traduire un fichier entier est une autre question : beaucoup d’applications conversationnelles peuvent désormais rendre un fichier traduit, mais il faut vérifier si sa mise en forme et ses balises ont été conservées (see also the Working with long documents page, in the Using LLMs module) (voir aussi la page Travailler avec de longs documents, dans le module Utiliser les GML).

Ce qui n’est pas établi

Au-delà de ce contexte, la recherche sur la rédaction des requêtes de traduction a produit peu de résultats qui valent d’un modèle à l’autre. Chaque étude teste un modèle ou quelques-uns, et plusieurs résultats ont changé avec les modèles plus récents :

  • Préciser le domaine a amélioré les traductions de ChatGPT en 2023 (Peng et al., 2023). Pour un modèle de raisonnement de 2025, DeepSeek-R1, une étude a constaté que cela changeait très peu les scores, dans un sens comme dans l’autre ; cette étude est restée une prépublication (Ye et al., 2025).
  • La formulation et le format de la requête comptaient beaucoup pour les modèles plus anciens et plus petits : les résultats de GPT-3.5 variaient fortement selon le format, ceux de GPT-4 beaucoup moins, et les modèles plus grands sont en général moins sensibles à la formulation d’une requête (He et al., 2024 ; Zhuo et al., 2024) (see also the Structure the prompt page, in the Using LLMs module) (voir aussi la page Structurer la requête, dans le module Utiliser les GML). Pour la traduction, un anglais imparfait dans la requête a surtout diminué la façon dont le modèle suivait les consignes, mais la qualité de la traduction elle-même n’en a presque pas souffert (Schmidtová et al., 2026).
  • La langue de la requête a compté dans une étude et pas dans l’autre. Avec GPT-5.1 traduisant entre l’espagnol et l’italien, des experts ont préféré les traductions obtenues avec des requêtes rédigées dans la langue cible à celles obtenues avec des requêtes en anglais (Bove et al., 2026) ; avec GPT-5.2 traduisant des éditoriaux de presse espagnols en chinois, la langue de la requête n’a rien changé (Lai & Li, 2026). Les deux études sont petites et ne portent chacune que sur une paire de langues (see also the language of the prompt page, in the Using LLMs module) (voir aussi la page La langue de la requête, dans le module Utiliser les GML).
  • Faire passer le modèle par les étapes d’un traducteur (recherche, ébauche, révision) n’a pas amélioré la traduction de phrases : demander simplement au modèle de traduire à nouveau et d’affiner sa propre ébauche a donné d’aussi bons résultats, voire meilleurs (Wu et al., 2025b). Pour des textes longs, un flux de travail en quatre étapes a battu une requête unique avec Gemini 1.5 Pro (Briakou et al., 2024) (see also the Split the task page, in the Using LLMs module) (voir aussi la page Découper la tâche, dans le module Utiliser les GML).
  • Raisonner avant de traduire a peu apporté. Quand le raisonnement d’un modèle était activé ou disposait de plus de temps, ses traductions de phrases changeaient peu, plafonnaient vite ou se dégradaient légèrement (Zebaze et al., 2025 ; Li et al., 2026 ; Rajaee et al., 2026). Les modèles de raisonnement traduisent pourtant très bien : le meilleur système de WMT 2025, Gemini 2.5 Pro, fonctionnait avec son raisonnement activé (Kocmi et al., 2025). Un raisonnement plus long a davantage aidé quand le modèle révisait et corrigeait une traduction que quand il la produisait (Li et al., 2026) (see also the Reasoning step by step page, in the LLM lifecycle module) (voir aussi la page Raisonner étape par étape, dans le module Cycle de vie des GML).

Conseils aux traducteurs

Les modèles évoluent vite et la recherche reste limitée : mon meilleur conseil aux traducteurs est donc d’expérimenter, et de le faire régulièrement. Les études peuvent donner des idées, mais elles ne correspondront jamais tout à fait à votre situation, et vous êtes la personne la mieux placée pour découvrir ce qui fonctionne pour vous et pour les modèles que vous préférez. Vous pouvez préférer une requête très simple et consacrer vos efforts à la postédition post-editingpostédition machine translationtraduction automatique The human correction of raw machine translation output; the counterpart, for machine translation, of revision in human translation.Correction humaine de la sortie brute d'une traduction automatique ; l'équivalent, pour la traduction automatique, de l'étape de révision en traduction humaine. , ou construire toute une chaîne de travail avec des instructions enregistrées, des glossaires et d’autres formes de personnalisation. Seul un travail régulier avec les modèles permet de savoir vraiment comment les utiliser à votre façon.

Written in English. The French version was automatically generated and I have not revised it. Rédigé en anglais. La version française a été générée automatiquement et je ne l'ai pas révisée. Mise à jour 14 octobre 2026

Sources

  • Bove, A., Di Cataldo, P., & Maestroni, D. (2026). Evaluating the Effect of Prompt Language on LLM-based Translation: Evidence from Spanish<>Italian Translation. Proceedings of the 26th Annual Conference of the European Association for Machine Translation (Volume 1), 800–812. https://aclanthology.org/2026.eamt-1.51/
  • Briakou, E., Luo, J., Cherry, C., & Freitag, M. (2024). Translating Step-by-Step: Decomposing the Translation Process for Improved Translation Quality of Long-Form Texts. Proceedings of the Ninth Conference on Machine Translation (WMT 2024), 1301–1317. https://doi.org/10.18653/v1/2024.wmt-1.123
  • Dahan, N., Peng, Z., Yvon, F., & Bawden, R. (2026). Improving Term Evaluation in Machine Translation: Variation Matters. Proceedings of the 17th Conference of the Association for Machine Translation in the Americas (Research Track). https://aclanthology.org/2026.amta-research.7/
  • He, J., Rungta, M., Koleczek, D., Sekhon, A., Wang, F. X., & Hasan, S. (2024). Does Prompt Formatting Have Any Impact on LLM Performance?. Preprint, arXiv:2411.10541. https://arxiv.org/abs/2411.10541
  • Kocmi, T., Artemova, E., Avramidis, E., Bawden, R., Bojar, O., Dranch, K., et al. (2025). Findings of the WMT25 General Machine Translation Shared Task: Time to Stop Evaluating on Easy Test Sets. Proceedings of the Tenth Conference on Machine Translation (WMT 2025), Volume 2: Shared Task Papers, 355–413. https://doi.org/10.18653/v1/2025.wmt-1.22
  • Lai, H., & Li, W. (2026). The Role of Prompt Language and Translation-Theory-Driven Prompts in Large Language Models: A Case Study on Spanish–Chinese Journalistic Translation. Proceedings of the 26th Annual Conference of the European Association for Machine Translation (Volume 1), 883–901. https://aclanthology.org/2026.eamt-1.57/
  • Li, B., Luo, J., Briakou, E., & Cherry, C. (2025c). Leveraging Domain Knowledge at Inference Time for LLM Translation: Retrieval versus Generation. Proceedings of the 4th International Workshop on Knowledge-Augmented Methods for Natural Language Processing (KnowledgeNLP 2025), 91–106. https://doi.org/10.18653/v1/2025.knowledgenlp-1.7
  • Li, Z., Ji, S., & Tiedemann, J. (2026). Test-Time Scaling of Reasoning Models for Machine Translation. Proceedings of the 19th Conference of the European Chapter of the Association for Computational Linguistics (Volume 1: Long Papers), 2902–2917. https://doi.org/10.18653/v1/2026.eacl-long.133
  • Moslem, Y., Haque, R., Kelleher, J. D., & Way, A. (2023). Adaptive Machine Translation with Large Language Models. Proceedings of the 24th Annual Conference of the European Association for Machine Translation (EAMT 2023), 227–237. https://aclanthology.org/2023.eamt-1.22/
  • Peng, K., Ding, L., Zhong, Q., Shen, L., Liu, X., Zhang, M., et al. (2023). Towards Making the Most of ChatGPT for Machine Translation. Findings of the Association for Computational Linguistics: EMNLP 2023, 5622–5633. https://doi.org/10.18653/v1/2023.findings-emnlp.373
  • Rajaee, S., Vincent, S., Berard, A., Fadaee, M., Marchisio, K., & Kocmi, T. (2026). Unlocking Reasoning Capability on Machine Translation in Large Language Models. Preprint, arXiv:2602.14763. https://arxiv.org/abs/2602.14763
  • Schmidtová, P., Bafna, N., Aycock, S., Vico, G., Kamzela, W., Hämmerl, K., & Zouhar, V. (2026). How Important is 'Perfect' English for Machine Translation Prompts?. Findings of the Association for Computational Linguistics: EACL 2026, 760–777. https://doi.org/10.18653/v1/2026.findings-eacl.38
  • Wu, D., Aycock, S., & Monz, C. (2025b). Please Translate Again: Two Simple Experiments on Whether Human-Like Reasoning Helps Translation. Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing (EMNLP 2025), 20424–20440. https://doi.org/10.18653/v1/2025.emnlp-main.1031
  • Ye, Y., Fu, B., Huang, C., Chen, Y., & Shi, X. (2025). How Well Do Large Reasoning Models Translate? A Comprehensive Evaluation for Multi-Domain Machine Translation. Preprint, arXiv:2505.19987. https://arxiv.org/abs/2505.19987
  • Zebaze, A., Bawden, R., & Sagot, B. (2025). LLM Reasoning for Machine Translation: Synthetic Data Generation over Thinking Tokens. Preprint, arXiv:2510.11919. https://arxiv.org/abs/2510.11919
  • Zhuo, J., Zhang, S., Fang, X., Duan, H., Lin, D., & Chen, K. (2024). ProSA: Assessing and Understanding the Prompt Sensitivity of LLMs. Findings of the Association for Computational Linguistics: EMNLP 2024, 1950–1976. https://doi.org/10.18653/v1/2024.findings-emnlp.108

Sources

  • Bove, A., Di Cataldo, P., & Maestroni, D. (2026). Evaluating the Effect of Prompt Language on LLM-based Translation: Evidence from Spanish<>Italian Translation. Proceedings of the 26th Annual Conference of the European Association for Machine Translation (Volume 1), 800–812. https://aclanthology.org/2026.eamt-1.51/
  • Briakou, E., Luo, J., Cherry, C., & Freitag, M. (2024). Translating Step-by-Step: Decomposing the Translation Process for Improved Translation Quality of Long-Form Texts. Proceedings of the Ninth Conference on Machine Translation (WMT 2024), 1301–1317. https://doi.org/10.18653/v1/2024.wmt-1.123
  • Dahan, N., Peng, Z., Yvon, F., & Bawden, R. (2026). Improving Term Evaluation in Machine Translation: Variation Matters. Proceedings of the 17th Conference of the Association for Machine Translation in the Americas (Research Track). https://aclanthology.org/2026.amta-research.7/
  • He, J., Rungta, M., Koleczek, D., Sekhon, A., Wang, F. X., & Hasan, S. (2024). Does Prompt Formatting Have Any Impact on LLM Performance?. Preprint, arXiv:2411.10541. https://arxiv.org/abs/2411.10541
  • Kocmi, T., Artemova, E., Avramidis, E., Bawden, R., Bojar, O., Dranch, K., et al. (2025). Findings of the WMT25 General Machine Translation Shared Task: Time to Stop Evaluating on Easy Test Sets. Proceedings of the Tenth Conference on Machine Translation (WMT 2025), Volume 2: Shared Task Papers, 355–413. https://doi.org/10.18653/v1/2025.wmt-1.22
  • Lai, H., & Li, W. (2026). The Role of Prompt Language and Translation-Theory-Driven Prompts in Large Language Models: A Case Study on Spanish–Chinese Journalistic Translation. Proceedings of the 26th Annual Conference of the European Association for Machine Translation (Volume 1), 883–901. https://aclanthology.org/2026.eamt-1.57/
  • Li, B., Luo, J., Briakou, E., & Cherry, C. (2025c). Leveraging Domain Knowledge at Inference Time for LLM Translation: Retrieval versus Generation. Proceedings of the 4th International Workshop on Knowledge-Augmented Methods for Natural Language Processing (KnowledgeNLP 2025), 91–106. https://doi.org/10.18653/v1/2025.knowledgenlp-1.7
  • Li, Z., Ji, S., & Tiedemann, J. (2026). Test-Time Scaling of Reasoning Models for Machine Translation. Proceedings of the 19th Conference of the European Chapter of the Association for Computational Linguistics (Volume 1: Long Papers), 2902–2917. https://doi.org/10.18653/v1/2026.eacl-long.133
  • Moslem, Y., Haque, R., Kelleher, J. D., & Way, A. (2023). Adaptive Machine Translation with Large Language Models. Proceedings of the 24th Annual Conference of the European Association for Machine Translation (EAMT 2023), 227–237. https://aclanthology.org/2023.eamt-1.22/
  • Peng, K., Ding, L., Zhong, Q., Shen, L., Liu, X., Zhang, M., et al. (2023). Towards Making the Most of ChatGPT for Machine Translation. Findings of the Association for Computational Linguistics: EMNLP 2023, 5622–5633. https://doi.org/10.18653/v1/2023.findings-emnlp.373
  • Rajaee, S., Vincent, S., Berard, A., Fadaee, M., Marchisio, K., & Kocmi, T. (2026). Unlocking Reasoning Capability on Machine Translation in Large Language Models. Preprint, arXiv:2602.14763. https://arxiv.org/abs/2602.14763
  • Schmidtová, P., Bafna, N., Aycock, S., Vico, G., Kamzela, W., Hämmerl, K., & Zouhar, V. (2026). How Important is 'Perfect' English for Machine Translation Prompts?. Findings of the Association for Computational Linguistics: EACL 2026, 760–777. https://doi.org/10.18653/v1/2026.findings-eacl.38
  • Wu, D., Aycock, S., & Monz, C. (2025b). Please Translate Again: Two Simple Experiments on Whether Human-Like Reasoning Helps Translation. Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing (EMNLP 2025), 20424–20440. https://doi.org/10.18653/v1/2025.emnlp-main.1031
  • Ye, Y., Fu, B., Huang, C., Chen, Y., & Shi, X. (2025). How Well Do Large Reasoning Models Translate? A Comprehensive Evaluation for Multi-Domain Machine Translation. Preprint, arXiv:2505.19987. https://arxiv.org/abs/2505.19987
  • Zebaze, A., Bawden, R., & Sagot, B. (2025). LLM Reasoning for Machine Translation: Synthetic Data Generation over Thinking Tokens. Preprint, arXiv:2510.11919. https://arxiv.org/abs/2510.11919
  • Zhuo, J., Zhang, S., Fang, X., Duan, H., Lin, D., & Chen, K. (2024). ProSA: Assessing and Understanding the Prompt Sensitivity of LLMs. Findings of the Association for Computational Linguistics: EMNLP 2024, 1950–1976. https://doi.org/10.18653/v1/2024.findings-emnlp.108

Spotted an error? Une erreur ?

Language, content, a broken link: e-mail me what you saw and I will fix it. Langue, contenu, lien brisé : écrivez-moi ce que vous avez vu et je corrige.

ayla.rigouts.terryn@umontreal.ca

Please mention the page: Mentionnez la page :