Neural translation and large language modelsLa traduction neuronale et les grands modèles de langue

A single network

Neural machine translation, the third generation of machine translation systems, did away with the three separate components of statistical machine translation (Figure 1figure 1). Training on a parallel corpus parallel corpuscorpus parallèle corporacorpus A corpus of texts in one language together with their translations into one or more other languages, usually aligned sentence by sentence so that each segment can be viewed next to its equivalent.Corpus de textes dans une langue accompagnés de leurs traductions vers une ou plusieurs autres langues, généralement alignés phrase par phrase de façon à afficher chaque segment en regard de son équivalent. remained central, but there is no longer a phrase table or a separate language model: a single network is trained to turn a source sentence into a target sentence, and along the way it learns its own vectors for the words of both languages (word embeddings word embeddingplongement lexical embeddingsplongements A learned numerical representation of a word as a short, dense vector, meaning a list of numbers.Représentation numérique apprise d'un mot sous la forme d'un vecteur dense et court, c'est-à-dire une liste de nombres. ). This is deep learning deep learning (DL)apprentissage profond machine learningapprentissage automatique An approach to machine learning based on neural networks with many successive layers of computing units.Approche de l'apprentissage automatique fondée sur des réseaux de neurones comportant de nombreuses couches successives d'unités de calcul. , the third of the four paradigms of language technology, applied to translation (see also the How a network learns page, in the Foundations of AI & NLP module) (voir aussi la page Comment un réseau apprend, dans le module Fondements de l'IA et du TAL).

A decoder remains, but the word now names a different thing. In a statistical system the decoder was the search that combined phrase pairs; in a neural system it is the half of the network that writes the translation. The other half, the encoder, reads the source sentence, and the design takes its name from these two halves:

An encoder-decoder model turns one sequence of words into another. Models that do this form a wider family, with a name of its own:

Translation is the typical case: the output is in another language, and often differs from the source in length and word order. Figure 2figure 2 follows one such sentence through a transformer encoder-decoder, the design of today’s translation systems (see also the Encoders and decoders page, in the Language as numbers module) (voir aussi la page Encodeurs et décodeurs, dans le module Le langage en nombres). The source has six words and the translation five, a suivi becomes the single word followed, and noir comes after chien where black comes before dog.

Click the drawing, or a line below, to build it up stage by stage. Cliquez sur le dessin, ou sur une ligne ci-dessous, pour le construire étape par étape.

1. Into the encoder: the source words become vectors, each one drawing on all the others, in both directions.
2. The decoder starts from a start signal. Its vector draws on every word of the source and becomes the first word, Jean.
3. Each word written becomes the next input: Jean leads to followed, followed to the.
4. Each position produces the word after it. The vector at the, the last word written, chooses the next word: it draws on the source, mostly on noir, and on every word already written.
5. It becomes black, the next input in turn.

• The encoder reads the whole source sentence at once and turns each word into a contextual embedding contextual embeddingplongement contextuel embeddingsplongements A numerical representation generated for a particular occurrence of a token by taking account of the other tokens available to the model.Représentation numérique générée pour une occurrence particulière d'un jeton en tenant compte des autres jetons accessibles au modèle. : a vector that depends on the words around it, so the same word gets a different vector in a different sentence. This lets the system translate an ambiguous word according to its context (see also the Contextual embeddings chapter, in the Language as numbers module) (voir aussi le chapitre Plongements contextuels, dans le module Le langage en nombres).
• The decoder starts from a start signal. To choose the first word, it draws through cross-attention cross-attentionattention croisée deep learningapprentissage profond An attention mechanism in which the queries come from one sequence or component and the keys and values come from another.Mécanisme d'attention dans lequel les requêtes proviennent d'une séquence ou d'un composant et les clés et valeurs d'un autre. on the vectors of every source word, and each of those vectors already reflects the whole sentence. Jean is therefore chosen with all of Jean a suivi le chien noir in view, not from Jean alone.
• The decoder then writes one token token²jeton textuel² language modelsmodèles de langue A unit of text that a language model processes or generates.Unité de texte qu'un modèle de langue traite ou génère. Un jeton peut correspondre à un mot entier, à une partie de mot, à un signe de ponctuation ou à une séquence plus petite de caractères ou d'octets. (a word or a piece of a word) at a time. Each token written becomes its next input, and for each new token the decoder draws on the source and, through self-attention self-attentionautoattention deep learningapprentissage profond An attention mechanism that allows each token in a sequence to assign different weights to other relevant tokens in the same sequence and combine information from them.Mécanisme d'attention qui permet à chaque jeton d'une séquence d'attribuer des poids différents aux autres jetons pertinents de la même séquence et de combiner l'information qu'ils portent. , on everything already written (Jurafsky & Martin, 2026). Each position produces the word after it: the vector at the, the last word written, is the one that chooses black, so its attention goes mostly to noir, the last word of the source. When the itself was produced, one step earlier, the attention went mostly to le. The decoder does not translate word by word: the source word it draws on most is the one behind the word being written, wherever it is in the sentence.
• A written token is not revised. Every later token is built on it, so a poor early choice affects everything written after it (see also the Errors spread through context page, in the LLM lifecycle module) (voir aussi la page Les erreurs se propagent dans le contexte, dans le module Cycle de vie des GML).
• Attention, then the transformer. The attention mechanism attention mechanismmécanisme d'attention deep learningapprentissage profond A "method in neural networks that helps a model focus on the most relevant parts of the input when producing an output. For example, when translating a sentence, it 'pays attention' to the words that matter most for the next translated word, which improves accuracy and handling of long sequences." (Stanford HAI).Méthode utilisée dans les réseaux de neurones pour aider un modèle à se concentrer sur les parties les plus pertinentes de l'entrée au moment de produire une sortie. Par exemple, lors de la traduction d'une phrase, le modèle « prête attention » aux mots qui comptent le plus pour le prochain mot traduit, ce qui améliore la précision et le traitement des longues séquences (d'après Stanford HAI, traduction libre). lets the decoder draw on any word of the source, wherever it is in the sentence. The transformer transformertransformeur deep learningapprentissage profond A neural-network architecture for processing sequences, such as text.Architecture de réseau de neurones pour le traitement des séquences, comme le texte. , the architecture of the systems built for translation today, is built on attention throughout, which lets it process all the words of a sentence at once and so train much faster (Vaswani et al., 2017; Jurafsky & Martin, 2026).Bahdanau et al. (2015) first added attention to neural translation, on recurrent networks, which read and write one word after another. The transformer of Vaswani et al. (2017) replaced the recurrent networks with attention throughout.

Subwords and a shared vocabulary

A neural system works with a vocabulary vocabularyvocabulaire language modelsmodèles de langue The fixed set of tokens that a tokenizer and language model can recognize and represent.Ensemble fixe des jetons qu'un segmenteur et un modèle de langue peuvent reconnaître et représenter. fixed in advance: a list of tokens that are pieces of words rather than whole words (see also the Tokenization chapter, in the Language as numbers module) (voir aussi le chapitre Jetonisation, dans le module Le langage en nombres). In a translation system, the source and the target share this vocabulary, which makes it easy to copy a name unchanged from one side to the other: Ndiaye is cut into the same pieces in the French and in the English of Figure 3figure 3. Because the tokens are pieces of words, the same system also handles languages written without spaces between words, such as Chinese or Thai (Jurafsky & Martin, 2026).

Choosing the words

At each step the decoder gives a probability to every token of its vocabulary, and one of them has to be chosen. The simplest method takes the most probable token at every step (greedy decoding greedy decodingdécodage glouton language modelsmodèles de langue A decoding method that selects the single most probable next token at every generation step. The selected token is added to the sequence, and the procedure repeats until generation stops.Méthode de décodage qui retient, à chaque étape de génération, l'unique jeton le plus probable. ), but that can produce a worse sentence: a token that looked best at one step may make the next steps worse. Translation systems therefore usually choose with a method called beam search:

In Figure 4figure 4, greedy decoding is stuck with the literal have, while beam search also keeps am and finds I am hungry.

Click the drawing, or a line below, to build it up stage by stage. Cliquez sur le dessin, ou sur une ligne ci-dessous, pour le construire étape par étape.

1. After I, the most probable next word is have, the literal translation of ai. Greedy decoding takes it.
2. After have, the best continuation is hunger, at 0.40; after am, hungry is almost certain, at 0.95.
3. Over the whole sentence, I am hungry is more probable. Beam search, which kept both have and am, finds it.

Translation systems typically keep 5 to 10 candidate sentences open at once (the beam width) and extend them in parallel (Jurafsky & Martin, 2026), so the token that looked best at the first step can still lose to a candidate that began with a less probable one. Beam search does not guarantee the best sentence either: a candidate dropped early cannot come back.

Large language models 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. are usually decoded differently. Beam search suits a constrained task such as translation, where the output has to correspond closely to one source text. For open-ended writing, always taking the most probable text makes the output generic and repetitive, so large language models usually draw the next token at random, with the more probable tokens more likely to be drawn: this is called sampling samplingéchantillonnage language modelsmodèles de langue A decoding method that uses an element of randomness to select the next token generated by a language model.Méthode de décodage qui introduit une part de hasard dans le choix du prochain jeton généré par un modèle de langue. (Jurafsky & Martin, 2026). Sampling is one reason the same translation request to a chatbot can produce different translations (see also the LLMs are non-deterministic page, in the LLM lifecycle module) (voir aussi la page Les GML ne sont pas déterministes, dans le module Cycle de vie des GML).

Sources

• Bahdanau, D., Cho, K., & Bengio, Y. (2015). Neural Machine Translation by Jointly Learning to Align and Translate. Third International Conference on Learning Representations (ICLR 2015), oral presentation; arXiv:1409.0473. https://arxiv.org/abs/1409.0473
• Jurafsky, D., & Martin, J. H. (2026). Speech and Language Processing: An Introduction to Natural Language Processing, Computational Linguistics, and Speech Recognition with Language Models. Online draft, 3rd edition. https://web.stanford.edu/~jurafsky/slp3/
• Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., et al. (2017). Attention Is All You Need. Advances in Neural Information Processing Systems 30 (NIPS 2017). https://papers.nips.cc/paper_files/paper/2017/hash/3f5ee243547dee91fbd053c1c4a845aa-Abstract.html

Un seul réseau

La traduction automatique neuronale, troisième génération de systèmes de traduction automatique, a supprimé les trois composantes séparées de la traduction automatique statistique (Figure 1figure 1). L’entraînement sur un corpus parallèle parallel corpuscorpus parallèle corporacorpus A corpus of texts in one language together with their translations into one or more other languages, usually aligned sentence by sentence so that each segment can be viewed next to its equivalent.Corpus de textes dans une langue accompagnés de leurs traductions vers une ou plusieurs autres langues, généralement alignés phrase par phrase de façon à afficher chaque segment en regard de son équivalent. est resté central, mais il n’y a plus de table de traduction ni de modèle de langue séparé : un seul réseau est entraîné à transformer une phrase source en phrase cible, et il apprend au passage ses propres vecteurs pour les mots des deux langues (plongements lexicaux word embeddingplongement lexical embeddingsplongements A learned numerical representation of a word as a short, dense vector, meaning a list of numbers.Représentation numérique apprise d'un mot sous la forme d'un vecteur dense et court, c'est-à-dire une liste de nombres. ). C’est l’apprentissage profond deep learning (DL)apprentissage profond machine learningapprentissage automatique An approach to machine learning based on neural networks with many successive layers of computing units.Approche de l'apprentissage automatique fondée sur des réseaux de neurones comportant de nombreuses couches successives d'unités de calcul. , le troisième des quatre paradigmes des technologies langagières, appliqué à la traduction (see also the How a network learns page, in the Foundations of AI & NLP module) (voir aussi la page Comment un réseau apprend, dans le module Fondements de l'IA et du TAL).

Un décodeur demeure, mais le mot désigne maintenant autre chose. Dans un système statistique, le décodeur était la recherche qui combinait les paires de segments ; dans un système neuronal, c’est la moitié du réseau qui écrit la traduction. L’autre moitié, l’encodeur, lit la phrase source, et l’architecture tire son nom de ces deux moitiés :

Un modèle encodeur-décodeur transforme une séquence de mots en une autre. Les modèles qui font cela forment une famille plus large, qui a son propre nom :

La traduction en est le cas typique : le résultat est dans une autre langue, et diffère souvent de la source par sa longueur et l’ordre des mots. La Figure 2figure 2 suit une telle phrase à travers un encodeur-décodeur à transformeur, l’architecture des systèmes de traduction actuels (see also the Encoders and decoders page, in the Language as numbers module) (voir aussi la page Encodeurs et décodeurs, dans le module Le langage en nombres). La source compte six mots et la traduction cinq, a suivi devient le seul mot followed, et noir vient après chien alors que black vient avant dog.

Click the drawing, or a line below, to build it up stage by stage. Cliquez sur le dessin, ou sur une ligne ci-dessous, pour le construire étape par étape.

1. Dans l'encodeur : les mots sources deviennent des vecteurs, chacun puisant dans tous les autres, dans les deux sens.
2. Le décodeur part d'un signal de début. Son vecteur puise dans tous les mots de la source et devient le premier mot, Jean.
3. Chaque mot écrit devient l'entrée suivante : Jean mène à followed, followed à the.
4. Chaque position produit le mot qui la suit. Le vecteur de the, le dernier mot écrit, choisit le mot suivant : il puise dans la source, surtout dans noir, et dans tous les mots déjà écrits.
5. Il devient black, à son tour l'entrée suivante.

• L’encodeur lit toute la phrase source d’un coup et transforme chaque mot en un plongement contextuel contextual embeddingplongement contextuel embeddingsplongements A numerical representation generated for a particular occurrence of a token by taking account of the other tokens available to the model.Représentation numérique générée pour une occurrence particulière d'un jeton en tenant compte des autres jetons accessibles au modèle.  : un vecteur qui dépend des mots qui l’entourent, si bien que le même mot reçoit un vecteur différent dans une autre phrase. Cela permet au système de traduire un mot ambigu selon son contexte (see also the Contextual embeddings chapter, in the Language as numbers module) (voir aussi le chapitre Plongements contextuels, dans le module Le langage en nombres).
• Le décodeur part d’un signal de début. Pour choisir le premier mot, il puise, par l’attention croisée cross-attentionattention croisée deep learningapprentissage profond An attention mechanism in which the queries come from one sequence or component and the keys and values come from another.Mécanisme d'attention dans lequel les requêtes proviennent d'une séquence ou d'un composant et les clés et valeurs d'un autre. , dans les vecteurs de tous les mots sources, et chacun de ces vecteurs reflète déjà toute la phrase. Jean est donc choisi avec l’ensemble de Jean a suivi le chien noir en vue, et non à partir de Jean seul.
• Le décodeur écrit ensuite un jeton token²jeton textuel² language modelsmodèles de langue A unit of text that a language model processes or generates.Unité de texte qu'un modèle de langue traite ou génère. Un jeton peut correspondre à un mot entier, à une partie de mot, à un signe de ponctuation ou à une séquence plus petite de caractères ou d'octets. (un mot ou un morceau de mot) à la fois. Chaque jeton écrit devient son entrée suivante, et pour chaque nouveau jeton, le décodeur puise dans la source et, par l’autoattention self-attentionautoattention deep learningapprentissage profond An attention mechanism that allows each token in a sequence to assign different weights to other relevant tokens in the same sequence and combine information from them.Mécanisme d'attention qui permet à chaque jeton d'une séquence d'attribuer des poids différents aux autres jetons pertinents de la même séquence et de combiner l'information qu'ils portent. , dans tout ce qui est déjà écrit (Jurafsky & Martin, 2026). Chaque position produit le mot qui la suit : le vecteur de the, le dernier mot écrit, est celui qui choisit black, si bien que son attention va surtout à noir, le dernier mot de la source. Quand the a lui-même été produit, une étape plus tôt, l’attention allait surtout à le. Le décodeur ne traduit donc pas mot à mot : le mot source dans lequel il puise le plus est celui qui correspond au mot en cours d’écriture, où qu’il se trouve.
• Un jeton écrit n’est pas révisé. Tous les jetons suivants reposent sur lui, si bien qu’un mauvais choix au début se répercute sur la suite (see also the Errors spread through context page, in the LLM lifecycle module) (voir aussi la page Les erreurs se propagent dans le contexte, dans le module Cycle de vie des GML).
• L’attention, puis le transformeur. Le mécanisme d’attention attention mechanismmécanisme d'attention deep learningapprentissage profond A "method in neural networks that helps a model focus on the most relevant parts of the input when producing an output. For example, when translating a sentence, it 'pays attention' to the words that matter most for the next translated word, which improves accuracy and handling of long sequences." (Stanford HAI).Méthode utilisée dans les réseaux de neurones pour aider un modèle à se concentrer sur les parties les plus pertinentes de l'entrée au moment de produire une sortie. Par exemple, lors de la traduction d'une phrase, le modèle « prête attention » aux mots qui comptent le plus pour le prochain mot traduit, ce qui améliore la précision et le traitement des longues séquences (d'après Stanford HAI, traduction libre). permet au décodeur de puiser dans n’importe quel mot de la source, où qu’il se trouve dans la phrase. Le transformeur transformertransformeur deep learningapprentissage profond A neural-network architecture for processing sequences, such as text.Architecture de réseau de neurones pour le traitement des séquences, comme le texte. , l’architecture des systèmes conçus pour la traduction aujourd’hui, repose entièrement sur l’attention, ce qui lui permet de traiter tous les mots d’une phrase à la fois et donc d’être entraîné beaucoup plus vite (Vaswani et al., 2017 ; Jurafsky & Martin, 2026).Bahdanau et al. (2015) ont les premiers ajouté l’attention à la traduction neuronale, sur des réseaux récurrents, qui lisent et écrivent un mot après l’autre. Le transformeur de Vaswani et al. (2017) a remplacé les réseaux récurrents par l’attention partout.

Des morceaux de mots et un vocabulaire commun

Un système neuronal travaille avec un vocabulaire vocabularyvocabulaire language modelsmodèles de langue The fixed set of tokens that a tokenizer and language model can recognize and represent.Ensemble fixe des jetons qu'un segmenteur et un modèle de langue peuvent reconnaître et représenter. fixé à l’avance : une liste de jetons qui sont des morceaux de mots plutôt que des mots entiers (see also the Tokenization chapter, in the Language as numbers module) (voir aussi le chapitre Jetonisation, dans le module Le langage en nombres). Dans un système de traduction, la source et la cible partagent ce vocabulaire, ce qui permet de copier facilement un nom tel quel d’un côté à l’autre : Ndiaye est découpé de la même façon dans le français et dans l’anglais de la Figure 3figure 3. Comme les jetons sont des morceaux de mots, le même système traite aussi les langues qui s’écrivent sans espaces entre les mots, comme le chinois ou le thaï (Jurafsky & Martin, 2026).

Le choix des mots

À chaque étape, le décodeur attribue une probabilité à chaque jeton de son vocabulaire, et il faut en choisir un. La méthode la plus simple prend le jeton le plus probable à chaque étape (décodage glouton greedy decodingdécodage glouton language modelsmodèles de langue A decoding method that selects the single most probable next token at every generation step. The selected token is added to the sequence, and the procedure repeats until generation stops.Méthode de décodage qui retient, à chaque étape de génération, l'unique jeton le plus probable. ), mais elle peut produire une phrase moins bonne : un jeton qui semblait le meilleur à une étape peut dégrader les étapes suivantes. Les systèmes de traduction choisissent donc généralement avec une méthode appelée recherche en faisceau :

Dans la Figure 4figure 4, le décodage glouton reste prisonnier du littéral have, alors que la recherche en faisceau garde aussi am et trouve I am hungry.

Click the drawing, or a line below, to build it up stage by stage. Cliquez sur le dessin, ou sur une ligne ci-dessous, pour le construire étape par étape.

1. Après I, le mot suivant le plus probable est have, la traduction littérale de ai. Le décodage glouton le retient.
2. Après have, la meilleure suite est hunger, à 0,40 ; après am, hungry est presque certain, à 0,95.
3. Sur l'ensemble de la phrase, I am hungry est plus probable. La recherche en faisceau, qui a gardé à la fois have et am, le trouve.

Les systèmes de traduction gardent généralement de 5 à 10 phrases candidates ouvertes à la fois (la largeur du faisceau) et les prolongent en parallèle (Jurafsky & Martin, 2026), si bien que le jeton qui semblait le meilleur à la première étape peut perdre face à une candidate qui a commencé par un jeton moins probable. La recherche en faisceau ne garantit pas non plus la meilleure phrase : une candidate écartée tôt ne peut plus revenir.

Les grands modèles 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. sont généralement décodés autrement. La recherche en faisceau convient à une tâche contrainte comme la traduction, où le résultat doit correspondre étroitement à un texte source. Pour l’écriture libre, prendre toujours le texte le plus probable rend le résultat générique et répétitif ; les grands modèles de langue tirent donc généralement le jeton suivant au hasard, les jetons les plus probables ayant le plus de chances d’être tirés : c’est l’échantillonnage samplingéchantillonnage language modelsmodèles de langue A decoding method that uses an element of randomness to select the next token generated by a language model.Méthode de décodage qui introduit une part de hasard dans le choix du prochain jeton généré par un modèle de langue. (Jurafsky & Martin, 2026). L’échantillonnage explique en partie qu’une même demande de traduction adressée à un agent conversationnel puisse produire des traductions différentes (see also the LLMs are non-deterministic page, in the LLM lifecycle module) (voir aussi la page Les GML ne sont pas déterministes, dans le module Cycle de vie des GML).

Sources

• Bahdanau, D., Cho, K., & Bengio, Y. (2015). Neural Machine Translation by Jointly Learning to Align and Translate. Third International Conference on Learning Representations (ICLR 2015), oral presentation; arXiv:1409.0473. https://arxiv.org/abs/1409.0473
• Jurafsky, D., & Martin, J. H. (2026). Speech and Language Processing: An Introduction to Natural Language Processing, Computational Linguistics, and Speech Recognition with Language Models. Online draft, 3rd edition. https://web.stanford.edu/~jurafsky/slp3/
• Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., et al. (2017). Attention Is All You Need. Advances in Neural Information Processing Systems 30 (NIPS 2017). https://papers.nips.cc/paper_files/paper/2017/hash/3f5ee243547dee91fbd053c1c4a845aa-Abstract.html

Compared with statistical translation

A neural translation system is a single network that reads the whole source sentence and writes the translation one token token²jeton textuel² language modelsmodèles de langue A unit of text that a language model processes or generates.Unité de texte qu'un modèle de langue traite ou génère. Un jeton peut correspondre à un mot entier, à une partie de mot, à un signe de ponctuation ou à une séquence plus petite de caractères ou d'octets. at a time (see also the Neural translation page) (voir aussi la page La traduction neuronale). The table below sets out what this changed compared with statistical translation.

Strengths

Limits

Fluency and coherence. The sentence is produced as a whole and reads naturally. Context within the sentence. The system can use words far from the one it is translating, so word order and agreement improve: the gender of an adjective can be settled by a noun far from it (see also the impact on machine translation page, in the Language as numbers module) (voir aussi la page L'incidence sur la traduction automatique, dans le module Le langage en nombres). Quality. Neural systems replaced statistical ones within a few years of 2015, and the encoder-decoder transformer transformertransformeur deep learningapprentissage profond A neural-network architecture for processing sequences, such as text.Architecture de réseau de neurones pour le traitement des séquences, comme le texte. is the architecture of the systems built for translation today (Jurafsky & Martin, 2026).

A black box black boxboîte noire AIIA A system whose internal decision-making cannot be inspected: what goes in and what comes out can both be observed, and the process connecting them cannot be read.Système dont on ignore le mécanisme interne de décision : on observe ce qui y entre et ce qui en sort, sans pouvoir lire le processus qui relie les deux. . A wrong translation cannot be traced to a rule and fixed there, and a targeted improvement is hard to make. Fluent errors. A wrong word no longer announces itself, so an error is found mainly by comparing with the source. Läubli et al. (2018) found, on the neural systems of 2017, that evaluators preferred human translations more clearly when judging whole documents than isolated sentences. Ambiguity ambiguityambiguïté linguisticslinguistique The property of a stretch of language that allows more than one interpretation.Propriété d'un segment de langue qui autorise plus d'une interprétation. and bias. Ambiguous passages can still go wrong, and whatever bias is in the training translations is in the output (see also the Bias chapter, in the Critical issues with LLMs module) (voir aussi le chapitre Biais, dans le module Enjeux critiques des GML).

Training data and domain

A neural system learns from the data it was trained on, so the same system trained on different data gives different translations. The table below shows a passage of a novel, David Diop’s Frère d’âme (Figure 5figure 5), in the published translation by Anna Moschovakis and as translated by two general translation services and three versions of the European Commission’s eTranslation service: the general one and two trained for a domain.

	Text
Source (Diop)	… je sais, j’ai compris, je n’aurais pas dû. Moi, Alfa Ndiaye, fils du très vieil homme, j’ai compris, je n’aurais pas dû.
Published translation (Moschovakis)	… I know, I understand, I shouldn’t have done it. I, Alfa Ndiaye, son of the old, old man, I understand, I shouldn’t have.
Google Translate	… I know, I understood, I shouldn’t have. I, Alfa Ndiaye, son of the very old man, I understood, I shouldn’t have.
DeepL	… I know, I get it, I shouldn’t have. I, Alfa Ndiaye, son of the very old man, I get it, I shouldn’t have.
eTranslation, general	… I know, I understood, I shouldn’t have. I, Alfa Ndiaye, son of the very old man, understood, I should not have.
eTranslation, Court of Justice case law	… I understand that I should not have done so. I, Alfa Ndiaye, son of the youngest man, have understood, I should not have done so.
eTranslation, finance	… I know, I understood, I would not have had to. I, Alfa Ndiaye, a son of a man’s life, I understood, I shouldn’t have had to do so.

The passage is not hard to translate: whatever its literary qualities, it contains no rare word and no difficult structure. The three general systems all translate it well. You may prefer the published translation, which is a little less literal: the present tense (I understand), I shouldn’t have done it, and the old, old man, which repeats old where the others say very old. That is a matter of taste, though: the general systems’ versions are perfectly adequate and contain no real error. The two specialized versions of eTranslation make strange mistakes on the same phrase, fils du très vieil homme, which becomes the youngest man in one and a man’s life in the other: the prose of a novel is unlike the legal or financial text they are presumably trained on. So for a well-resourced language pair such as French and English, general systems translate ordinary text well, but the training data still has to resemble the text to translate (see also the Remaining failures page) (voir aussi la page Les échecs qui subsistent).

The sentence as the unit

Neural systems kept one habit of statistical systems: they translate one sentence at a time, each in isolation. A term translated one way in one sentence can therefore be translated another way in the next, and a pronoun is translated without the paragraph that named what it refers to. Translating with the surrounding text in view became an area of research (Voita et al., 2019; Maruf et al., 2021), but submitting a whole document at once became ordinary only with large language models 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. (see also the Machine translation in a translator's work page) (voir aussi la page La traduction automatique dans le travail du traducteur).

Sources

• Jurafsky, D., & Martin, J. H. (2026). Speech and Language Processing: An Introduction to Natural Language Processing, Computational Linguistics, and Speech Recognition with Language Models. Online draft, 3rd edition. https://web.stanford.edu/~jurafsky/slp3/
• Läubli, S., Sennrich, R., & Volk, M. (2018). Has machine translation achieved human parity? A case for document-level evaluation. Proceedings of EMNLP 2018, 4791–4796. https://aclanthology.org/D18-1512/
• Maruf, S., Saleh, F., & Haffari, G. (2021). A survey on document-level neural machine translation: Methods and evaluation. ACM Computing Surveys, 54(2), article 45. https://doi.org/10.1145/3441691
• Voita, E., Sennrich, R., & Titov, I. (2019). When a good translation is wrong in context: Context-aware machine translation improves on deixis, ellipsis, and lexical cohesion. Proceedings of the 57th Annual Meeting of the ACL, 1198–1212. https://aclanthology.org/P19-1116/

Par rapport à la traduction statistique

Un système de traduction neuronale est un réseau unique qui lit toute la phrase source et écrit la traduction un jeton token²jeton textuel² language modelsmodèles de langue A unit of text that a language model processes or generates.Unité de texte qu'un modèle de langue traite ou génère. Un jeton peut correspondre à un mot entier, à une partie de mot, à un signe de ponctuation ou à une séquence plus petite de caractères ou d'octets. à la fois (see also the Neural translation page) (voir aussi la page La traduction neuronale). Le tableau ci-dessous présente ce que cela a changé par rapport à la traduction statistique.

Forces

Limites

Fluidité et cohérence. La phrase est produite comme un tout et se lit naturellement. Le contexte dans la phrase. Le système peut s’appuyer sur des mots éloignés de celui qu’il traduit, ce qui améliore l’ordre des mots et les accords : le genre d’un adjectif peut être réglé par un nom éloigné (see also the impact on machine translation page, in the Language as numbers module) (voir aussi la page L'incidence sur la traduction automatique, dans le module Le langage en nombres). La qualité. Les systèmes neuronaux ont remplacé les systèmes statistiques en quelques années après 2015, et le transformeur transformertransformeur deep learningapprentissage profond A neural-network architecture for processing sequences, such as text.Architecture de réseau de neurones pour le traitement des séquences, comme le texte. encodeur-décodeur est l’architecture des systèmes conçus pour la traduction aujourd’hui (Jurafsky & Martin, 2026).

Une boîte noire black boxboîte noire AIIA A system whose internal decision-making cannot be inspected: what goes in and what comes out can both be observed, and the process connecting them cannot be read.Système dont on ignore le mécanisme interne de décision : on observe ce qui y entre et ce qui en sort, sans pouvoir lire le processus qui relie les deux. . Une traduction erronée ne se ramène pas à une règle que l’on corrigerait, et une amélioration ciblée est difficile. Des erreurs fluides. Un mot erroné ne se signale plus de lui-même, et une erreur se repère surtout en comparant avec la source. Läubli et al. (2018) ont constaté, sur les systèmes neuronaux de 2017, que les évaluateurs préféraient plus nettement les traductions humaines quand ils jugeaient des documents entiers que des phrases isolées. Ambiguïté ambiguityambiguïté linguisticslinguistique The property of a stretch of language that allows more than one interpretation.Propriété d'un segment de langue qui autorise plus d'une interprétation. et biais. Les passages ambigus peuvent encore être mal traduits, et les biais présents dans les traductions d’entraînement se retrouvent dans le résultat (see also the Bias chapter, in the Critical issues with LLMs module) (voir aussi le chapitre Biais, dans le module Enjeux critiques des GML).

Données d’entraînement et domaine

Un système neuronal apprend des données sur lesquelles il a été entraîné, si bien que le même système, entraîné sur d’autres données, donne d’autres traductions. Le tableau ci-dessous montre un passage d’un roman, Frère d’âme de David Diop (Figure 5figure 5), dans la traduction publiée d’Anna Moschovakis et tel que l’ont traduit deux services de traduction généraux et trois versions du service eTranslation de la Commission européenne : la version générale et deux versions entraînées pour un domaine.

	Texte
Source (Diop)	… je sais, j’ai compris, je n’aurais pas dû. Moi, Alfa Ndiaye, fils du très vieil homme, j’ai compris, je n’aurais pas dû.
Traduction publiée (Moschovakis)	… I know, I understand, I shouldn’t have done it. I, Alfa Ndiaye, son of the old, old man, I understand, I shouldn’t have.
Google Traduction	… I know, I understood, I shouldn’t have. I, Alfa Ndiaye, son of the very old man, I understood, I shouldn’t have.
DeepL	… I know, I get it, I shouldn’t have. I, Alfa Ndiaye, son of the very old man, I get it, I shouldn’t have.
eTranslation, général	… I know, I understood, I shouldn’t have. I, Alfa Ndiaye, son of the very old man, understood, I should not have.
eTranslation, jurisprudence de la Cour de justice	… I understand that I should not have done so. I, Alfa Ndiaye, son of the youngest man, have understood, I should not have done so.
eTranslation, finance	… I know, I understood, I would not have had to. I, Alfa Ndiaye, a son of a man’s life, I understood, I shouldn’t have had to do so.

Le passage n’est pas difficile à traduire : quelles que soient ses qualités littéraires, il ne contient aucun mot rare ni aucune structure difficile. Les trois systèmes généraux le traduisent tous bien. On peut préférer la traduction publiée, un peu moins littérale : le présent (I understand), I shouldn’t have done it, et the old, old man, qui répète old là où les autres disent very old. C’est toutefois une affaire de goût : les traductions des systèmes généraux sont tout à fait adéquates et ne contiennent aucune véritable erreur. Les deux versions spécialisées d’eTranslation font des erreurs étranges sur la même expression, fils du très vieil homme, qui devient the youngest man (le plus jeune) dans l’une et a man’s life (une vie d’homme) dans l’autre : la prose d’un roman ne ressemble pas aux textes juridiques ou financiers sur lesquels elles ont vraisemblablement été entraînées. Pour une paire de langues bien dotée comme le français et l’anglais, les systèmes généraux traduisent donc bien un texte ordinaire, mais les données d’entraînement doivent toujours ressembler au texte à traduire (see also the Remaining failures page) (voir aussi la page Les échecs qui subsistent).

La phrase comme unité

Les systèmes neuronaux ont gardé une habitude des systèmes statistiques : ils traduisent une phrase à la fois, chacune isolément. Un terme traduit d’une façon dans une phrase peut donc l’être autrement dans la suivante, et un pronom est traduit sans le paragraphe qui nommait son référent. Traduire en tenant compte du texte environnant est devenu un domaine de recherche (Voita et al., 2019 ; Maruf et al., 2021), mais soumettre un document entier d’un coup n’est devenu courant qu’avec les grands modèles 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. (see also the Machine translation in a translator's work page) (voir aussi la page La traduction automatique dans le travail du traducteur).

Sources

• Jurafsky, D., & Martin, J. H. (2026). Speech and Language Processing: An Introduction to Natural Language Processing, Computational Linguistics, and Speech Recognition with Language Models. Online draft, 3rd edition. https://web.stanford.edu/~jurafsky/slp3/
• Läubli, S., Sennrich, R., & Volk, M. (2018). Has machine translation achieved human parity? A case for document-level evaluation. Proceedings of EMNLP 2018, 4791–4796. https://aclanthology.org/D18-1512/
• Maruf, S., Saleh, F., & Haffari, G. (2021). A survey on document-level neural machine translation: Methods and evaluation. ACM Computing Surveys, 54(2), article 45. https://doi.org/10.1145/3441691
• Voita, E., Sennrich, R., & Titov, I. (2019). When a good translation is wrong in context: Context-aware machine translation improves on deixis, ellipsis, and lexical cohesion. Proceedings of the 57th Annual Meeting of the ACL, 1198–1212. https://aclanthology.org/P19-1116/

Translation as one task among many

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. was not built to translate. It was trained to continue text, in many languages, and a translation is the plausible continuation of a text that asks for one (Figure 6figure 6).

• One prompt. The instruction and the source go in together as one prompt promptrequête promptingrequêtes Input given to a generative AI system to specify a task, provide context, or otherwise guide its output.Entrée fournie à un système d'IA générative pour préciser une tâche, donner du contexte ou orienter la sortie. , and the most plausible continuation is a translation.
• No separate encoder encoderencodeur deep learningapprentissage profond The component of a neural network that processes an input and converts it into internal representations that can be used by another component or by a task-specific output layer.Composant d'un réseau de neurones qui traite une entrée et la convertit en représentations internes utilisables par un autre composant ou par une couche de sortie propre à la tâche. . Large language models are decoders decoderdécodeur deep learningapprentissage profond A neural-network component or architecture used to generate an output sequence.Composant ou architecture de réseau de neurones servant à générer une séquence de sortie. , which read one running text containing both languages (see also the Encoders and decoders page, in the Language as numbers module) (voir aussi la page Encodeurs et décodeurs, dans le module Le langage en nombres).
• Pretraining pre-trainingpréentraînement language modelsmodèles de langue An initial stage in which a model learns general patterns and reusable representations from a large dataset, often through self-supervised learning, before any later adaptation for particular tasks or uses.Étape initiale au cours de laquelle un modèle apprend des régularités générales et des représentations réutilisables à partir d'un grand jeu de données, souvent par apprentissage autosupervisé, avant toute adaptation ultérieure à des tâches ou à des usages particuliers. . The ability comes from the multilingual text the model was trained on, which includes translations.
• Fine-tuning fine-tuningaffinage machine learningapprentissage automatique Further training of a pretrained model on new data to adapt it for a particular task, domain, or intended behaviour.Poursuite de l'entraînement d'un modèle préentraîné sur un jeu de données généralement plus restreint et spécialisé, afin de l'adapter à une tâche ou à un domaine particulier. . Large language models built for general use can already translate well in some conditions, but a developer can specialize one further for translation by giving it more translation data, for instance parallel corpora parallel corpuscorpus parallèle corporacorpus A corpus of texts in one language together with their translations into one or more other languages, usually aligned sentence by sentence so that each segment can be viewed next to its equivalent.Corpus de textes dans une langue accompagnés de leurs traductions vers une ou plusieurs autres langues, généralement alignés phrase par phrase de façon à afficher chaque segment en regard de son équivalent. , through fine-tuning (Kocmi et al., 2025) (see also the Fine-tuning chapter, in the LLM lifecycle module) (voir aussi le chapitre Affinage, dans le module Cycle de vie des GML).
• The prompt. What it says about the text, the reader and the terms can change the continuation (see also the Prompting an LLM for translation page) (voir aussi la page Rédiger une requête de traduction pour un GML).

Three kinds of translation system

Three kinds of system translate text today: encoder-decoder systems, general large language models and specialized large language models. WMT, the Conference on Machine Translation, compared all three in the yearly shared task shared tasktâche partagée evaluationévaluation A public evaluation exercise in which every participating team is given the same task, the same data and the same scoring, so that their systems can be compared directly.Exercice d'évaluation public où toutes les équipes participantes reçoivent la même tâche, les mêmes données et la même notation, de sorte que leurs systèmes se comparent directement. of its 2025 edition (Kocmi et al., 2025) (see also the WMT shared task chapter) (voir aussi le chapitre La tâche partagée WMT).

Kind of system	What it is	Examples in the 2025 edition
Encoder-decoder neural system	a network built for translation only, trained on parallel corpora	systems such as NLLB; the online services, evaluated anonymously, do not say which kind they are
General large language model	a model built for many tasks, prompted to translate	Gemini 2.5 Pro, GPT-4.1, Claude 4
Specialized large language model	a large language model fine-tuned on translation data, sometimes with retrieved examples, a dictionary or a choice among several candidate translations	most participants’ submissions, among them the small open-weight model open-weight modelmodèle à poids ouverts AIIA An AI model whose trained parameters, commonly called weights, are made available for others to download.Modèle d'IA dont les paramètres entraînés, appelés poids, sont offerts au téléchargement. Shy-hunyuan-MT

• Most teams that took part in 2025 fine-tuned a large language model rather than building an encoder-decoder from scratch (Kocmi et al., 2025).
• Some everyday services moved the same way: DeepL describes its model as a large language model specialized for translation, and Google Translate has used Gemini for some languages since December 2025.DeepL Help Center, “About DeepL’s language model”, read 8 October 2026. Google, “Google Translate gets new Gemini AI translation models”, 12 December 2025, read 8 October 2026. Microsoft’s translation service still uses standard neural machine translation by default (Microsoft Learn, read 8 October 2026).
• A translation service and a chatbot can now differ mainly in specialization: one system built and tuned for translation alone, against a general model that you prompt.

In 2024 and 2025, the best system in WMT’s human ranking was a general model (Kocmi et al., 2024b, 2025) (see also the trend across editions page) (voir aussi la page La tendance d'une édition à l'autre), but comparing the general models with the specialized ones is harder than the ranking suggests. Most specialized systems at WMT 2025 were built on open-weight models of a few billion to a few tens of billions of parameters parameterparamètre de modèle machine learningapprentissage automatique A numerical value learned during a model's training and used in its computations.Valeur numérique apprise pendant l'entraînement d'un modèle et utilisée dans ses calculs. , and many entered the constrained track, which limits a model to 20 billion parameters with its weights weightpoids machine learningapprentissage automatique A real number attached to one input of a computing unit, learned during training, that sets how much that input counts towards the unit's output.Nombre réel attaché à une entrée d'une unité de calcul, appris pendant l'entraînement, qui détermine l'importance de cette entrée dans la sortie de l'unité. released (see also the WMT general translation task page) (voir aussi la page La tâche générale de traduction de WMT). The general models at the top of the ranking, Gemini 2.5 Pro, GPT-4.1 and Claude 4, disclose neither their size nor their training data (Kocmi et al., 2025). A specialized system ranked below them is therefore smaller as well as specialized, and with the general models’ size unknown, the effect of the specialization cannot be separated from the effect of the size.

Progress on two messages

When I present machine translation systems, I want to show where they still fail now that they have become good, and they often fail on specialized terms. So I wrote a short message of my own, full of dressage vocabulary, and I translate it again each time I update my examples. Over the years this has become a timeline of one text through several generations of systems. The first message is in Dutch, from when I worked mostly with Dutch-speaking audiences; I added an English message, to translate into French, when I started at a French-speaking university. I translated both myself as the reference.

The timeline is anecdotal: one message in each direction, a few runs of each system, judged by me. It still shows how the systems changed, and how differently each one handles text of this kind. In 2023 all three services were neural translation systems (see also the Neural translation page) (voir aussi la page La traduction neuronale). DeepL and Google Translate have since added large language models, as described above, so their later outputs, made with the free versions, may or may not come from one.DeepL, “DeepL’s next-gen LLM”, last updated 16 July 2024, read 13 October 2026: Pro users “can switch between the next-gen LLM and ‘classic’ model”. Google, “Google Translate gets new Gemini AI translation models”, 12 December 2025, read 8 October 2026. eTranslation, the European Commission’s service, was used without its AI enhancement option. It is a good system, but it is trained on the translations of the EU institutions, where dressage rarely comes up, so a message like this one is far from the text it learned from (see also the Strengths and limits of neural translation page) (voir aussi la page Forces et limites de la traduction neuronale).European Commission, “eTranslation”: “a neural machine translation tool trained on EU professional translation data”, read 13 October 2026.

Each term in the outputs is marked correct (correctcorrect), acceptable or partly right (acceptable or partly rightacceptable ou en partie juste) or wrong (wrongfaux).

Dutch into English

The Dutch message is Ik zal haar eerst aan de longe nemen om te leren lichtrijden op het buitenbeen. Zorg dat ze een tok heeft en ik doe alvast getten om. Heb jij nog een sjabrak? It contains aan de longe nemen (to lunge; here, to give a riding lesson on a horse on the lunge), lichtrijden op het buitenbeen (to post the trot on the correct diagonal), tok (a riding hat), getten (protective boots for the horse’s legs) and sjabrak (a saddle pad).

System	Date	longe	lichtrijden	op het buitenbeen	tok	getten	sjabrak
Reference		lunge	post (the trot)	on the correct diagonal	riding hat	boots	saddle pad
Google Translate	2023	take her on (acceptable or partly rightacceptable ou en partie juste) the lunge (correctcorrect)	ride light (wrongfaux)	on the outside leg (acceptable or partly rightacceptable ou en partie juste)	tok (wrongfaux)	getten (wrongfaux)	shabrack (acceptable or partly rightacceptable ou en partie juste)
	2025	lunging (correctcorrect)	ride lightly (wrongfaux)	on the outside leg (acceptable or partly rightacceptable ou en partie juste)	riding helmet (correctcorrect)	saddle pads (wrongfaux)	saddle pad (correctcorrect)
	2026‑10	lunge (correctcorrect)	rise (correctcorrect)	to the outside leg (acceptable or partly rightacceptable ou en partie juste)	helmet (correctcorrect)	brushing boots (correctcorrect)	saddle pad (correctcorrect)
DeepL	2023	take her on (acceptable or partly rightacceptable ou en partie juste) the lunge (correctcorrect)	ride lightly (wrongfaux)	on the outside leg (acceptable or partly rightacceptable ou en partie juste)	tok (wrongfaux)	getten (wrongfaux)	shawl (wrongfaux)
	2025	take her on (acceptable or partly rightacceptable ou en partie juste) the lunge (correctcorrect)	ride lightly (wrongfaux)	on the outside leg (acceptable or partly rightacceptable ou en partie juste)	bridle (wrongfaux)	stirrups (wrongfaux)	saddlecloth (correctcorrect)
	2026‑10	lunging (correctcorrect)	move lightly (wrongfaux)	on the outside leg (acceptable or partly rightacceptable ou en partie juste)	halter (wrongfaux)	girth (wrongfaux)	saddle pad (correctcorrect)
eTranslation	2023	take her to (wrongfaux) the lung (wrongfaux)	ride light (wrongfaux)	on the outside leg (acceptable or partly rightacceptable ou en partie juste)	tok (wrongfaux)	I’m going to get it (wrongfaux)	shabrak (acceptable or partly rightacceptable ou en partie juste)
	2025	take her to (wrongfaux) the lungs (wrongfaux)	ride lightly (wrongfaux)	on the outer leg (acceptable or partly rightacceptable ou en partie juste)	tok (wrongfaux)	I’ll get the hell out of here (wrongfaux)	shabrak (acceptable or partly rightacceptable ou en partie juste)
	2026‑10	take her on (acceptable or partly rightacceptable ou en partie juste) the lunge (correctcorrect)	light riding (wrongfaux)	on the outer leg (acceptable or partly rightacceptable ou en partie juste)	tok (wrongfaux)	I’ll get bitten on (wrongfaux)	shabrak (acceptable or partly rightacceptable ou en partie juste)
ChatGPT	2023‑02	take her on (acceptable or partly rightacceptable ou en partie juste) a lunge line (correctcorrect)	ride light (wrongfaux)	on the outside leg (acceptable or partly rightacceptable ou en partie juste)	martingale (wrongfaux)	getting ready (wrongfaux)	saddle pad (correctcorrect)
	2023‑03	lunge (correctcorrect)	ride with (wrongfaux)	the correct diagonal (correctcorrect) on the outside leg (acceptable or partly rightacceptable ou en partie juste)	helmet (correctcorrect)	leg wraps (correctcorrect)	saddle pad (correctcorrect)
	2023‑03 (GPT-4)	lunge (correctcorrect)	post (correctcorrect)	on the outside leg (acceptable or partly rightacceptable ou en partie juste)	cup (wrongfaux)	gaiters (wrongfaux)	saddle pad (correctcorrect)
	2024‑03	take her on (acceptable or partly rightacceptable ou en partie juste) the lunge (correctcorrect)	post (correctcorrect)	on the outside leg (acceptable or partly rightacceptable ou en partie juste)	jockstrap (wrongfaux)	gaiters (wrongfaux)	saddle pad (correctcorrect)
	2024‑05	lunge (correctcorrect)	post (correctcorrect)	on the outside leg (acceptable or partly rightacceptable ou en partie juste)	helmet (correctcorrect)	protective boots (correctcorrect)	saddle pad (correctcorrect)
	2025‑09	lunge (correctcorrect)	post (correctcorrect)	on the outside diagonal (correctcorrect)	helmet (correctcorrect)	boots (correctcorrect)	saddle pad (correctcorrect)
	2026‑01	lunge (correctcorrect)	rising trot (correctcorrect)	on the outside leg (acceptable or partly rightacceptable ou en partie juste)	riding helmet (correctcorrect)	my gaiters (wrongfaux)	saddle pad (correctcorrect)
	2026‑01, second run	lunge (correctcorrect)	rise (correctcorrect)	on the outside foreleg (acceptable or partly rightacceptable ou en partie juste)	riding hat (correctcorrect)	my half chaps (wrongfaux)	saddle pad (correctcorrect)
	2026‑10	lunge line (correctcorrect)	post (correctcorrect)	on the outside diagonal (correctcorrect)	riding helmet (correctcorrect)	brushing boots (correctcorrect)	saddle pad (correctcorrect)

The complete outputs

System	Date	Output
Source		Ik zal haar eerst aan de longe nemen om te leren lichtrijden op het buitenbeen. Zorg dat ze een tok heeft en ik doe alvast getten om. Heb jij nog een sjabrak?
Reference		I will start by teaching her on the lunge how to post (the trot) on the correct diagonal. Make sure she has a riding hat, and I will already put the boots on. Do you have another saddle pad?
Google Translate	2023	I will first take her on (acceptable or partly rightacceptable ou en partie juste) the lunge (correctcorrect) to learn how to ride light (wrongfaux) on the outside leg (acceptable or partly rightacceptable ou en partie juste). Make sure she has a tok (wrongfaux) and I’ll put on getten (wrongfaux). Do you still have a shabrack (acceptable or partly rightacceptable ou en partie juste)?
	2025	I’ll start by lunging (correctcorrect) her to learn how to ride lightly (wrongfaux) on the outside leg (acceptable or partly rightacceptable ou en partie juste). Make sure she has a riding helmet (correctcorrect), and I’ll put on the saddle pads (wrongfaux). Do you still have a saddle pad (correctcorrect)?
	2026‑10	I’ll put her on the lunge (correctcorrect) first so she can learn to rise (correctcorrect) to the outside leg (acceptable or partly rightacceptable ou en partie juste). Make sure she has a helmet (correctcorrect), and I’ll put on her brushing boots (correctcorrect). Do you have a saddle pad (correctcorrect)?
DeepL	2023	I will take her on (acceptable or partly rightacceptable ou en partie juste) the lunge (correctcorrect) first to learn to ride lightly (wrongfaux) on the outside leg (acceptable or partly rightacceptable ou en partie juste). Make sure she has a tok (wrongfaux) and I’ll put on getten (wrongfaux) in advance. Do you still have a shawl (wrongfaux)?
	2025	I will first take her on (acceptable or partly rightacceptable ou en partie juste) the lunge (correctcorrect) to teach her to ride lightly (wrongfaux) on the outside leg (acceptable or partly rightacceptable ou en partie juste). Make sure she has a bridle (wrongfaux) and I will put on the stirrups (wrongfaux). Do you have a saddlecloth (correctcorrect)?
	2026‑10	I’ll start by lunging (correctcorrect) her to teach her to move lightly (wrongfaux) on the outside leg (acceptable or partly rightacceptable ou en partie juste). Make sure she has a halter (wrongfaux) on, and I’ll go ahead and put the girth (wrongfaux) on. Do you have a saddle pad (correctcorrect)?
eTranslation	2023	I’ll take her to (wrongfaux) the lung (wrongfaux) first to learn how to ride light (wrongfaux) on the outside leg (acceptable or partly rightacceptable ou en partie juste). Make sure she’s got a tok (wrongfaux), and I’m going to get it (wrongfaux). Do you have another shabrak (acceptable or partly rightacceptable ou en partie juste)?
	2025	I’ll take her to (wrongfaux) the lungs (wrongfaux) first to learn how to ride lightly (wrongfaux) on the outer leg (acceptable or partly rightacceptable ou en partie juste). Make sure she’s got a tok (wrongfaux), and I’ll get the hell out of here (wrongfaux). Do you have another shabrak (acceptable or partly rightacceptable ou en partie juste)?
	2026‑10	I’ll take her on (acceptable or partly rightacceptable ou en partie juste) the lunge (correctcorrect) first to learn light riding (wrongfaux) on the outer leg (acceptable or partly rightacceptable ou en partie juste). Make sure she has a tok (wrongfaux) and I’ll get bitten on (wrongfaux). Do you have another shabrak (acceptable or partly rightacceptable ou en partie juste)?
ChatGPT	2023‑02	I will first take her on (acceptable or partly rightacceptable ou en partie juste) a lunge line (correctcorrect) to teach her to ride light (wrongfaux) on the outside leg (acceptable or partly rightacceptable ou en partie juste). Make sure she has a martingale (wrongfaux) and I’ll start getting ready (wrongfaux). Do you have a saddle pad (correctcorrect)?
	2023‑03	I will first lunge (correctcorrect) her to teach her how to ride with (wrongfaux) the correct diagonal (correctcorrect) on the outside leg (acceptable or partly rightacceptable ou en partie juste). Make sure she has a helmet (correctcorrect) and I will put on leg wraps (correctcorrect). Do you have a saddle pad (correctcorrect)?
	2023‑03 (GPT-4)	I will first lunge (correctcorrect) her to teach her to post (correctcorrect) on the outside leg (acceptable or partly rightacceptable ou en partie juste). Make sure she has a cup (wrongfaux), and I will put on the gaiters (wrongfaux) already. Do you have an extra saddle pad (correctcorrect)?
	2024‑03	I will first take her on (acceptable or partly rightacceptable ou en partie juste) the lunge (correctcorrect) to learn to post (correctcorrect) on the outside leg (acceptable or partly rightacceptable ou en partie juste). Make sure she has a jockstrap (wrongfaux), and I will already put on gaiters (wrongfaux). Do you have another saddle pad (correctcorrect)?
	2024‑05	I will lunge (correctcorrect) her first to teach her to post (correctcorrect) on the outside leg (acceptable or partly rightacceptable ou en partie juste). Make sure she has a helmet (correctcorrect), and I will put on the protective boots (correctcorrect). Do you still have a saddle pad (correctcorrect)?
	2025‑09	I’ll lunge (correctcorrect) her first to teach her to post on the outside diagonal (correctcorrect). Make sure she’s got a helmet (correctcorrect), and I’ll go ahead and put on the boots (correctcorrect). Do you have a saddle pad (correctcorrect)?
	2026‑01	I’ll put her on the lunge (correctcorrect) first so she can learn to ride rising trot (correctcorrect) on the outside leg (acceptable or partly rightacceptable ou en partie juste). Make sure she has a riding helmet (correctcorrect) on, and I’ll put my gaiters (wrongfaux) on already. Do you still have a saddle pad (correctcorrect)?
	2026‑01, second run	I’ll lunge (correctcorrect) her first so she can learn to rise (correctcorrect) on the outside foreleg (acceptable or partly rightacceptable ou en partie juste). Make sure she’s wearing her riding hat (correctcorrect), and I’ll put my half chaps (wrongfaux) on. Do you have a saddle pad (correctcorrect) as well?
	2026‑10	I’ll put her on the lunge line (correctcorrect) first so she can learn to post on the outside diagonal (correctcorrect). Make sure she has a riding helmet (correctcorrect), and I’ll put the brushing boots (correctcorrect) on in the meantime. Do you have another saddle pad (correctcorrect)?

• Riding words that do not belong. Several outputs replaced a term with riding vocabulary that has nothing to do with the message, as if any word from the domain would do: a martingale (ChatGPT, 2023), a bridle and stirrups (DeepL, 2025), a halter and a girth (DeepL, 2026).
• Word for word, or not at all. In 2023 all three services left tok and getten untranslated or turned them into something else (eTranslation’s I’m going to get it). Every service output but Google Translate’s of 2026 rendered lichtrijden as ride light, ride lightly, move lightly or light riding.
• The services moved apart. By 2026-10 Google Translate had almost every term right, DeepL’s output had changed without improving, and eTranslation had found only the lunge.
• ChatGPT improved, but not steadily. In 2023-02 it produced a martingale and getting ready; a month later it already had the helmet, the leg wraps and the correct diagonal, while GPT-4, released that month, gave the rider a cup. Most terms were right by 2024-05 and all of them by 2025-09. Neither output of 2026-01 had the correct diagonal, and both turned getten into something the speaker wears; in 2026-10 every term was right again. A newer system can get a term wrong that an older one got right.

English into French

The English message is I’ll start her on the lunge line to learn to post the trot on the correct diagonal. When you take her to him, make sure to explain his cribbing and to clean his feathers and treat his frogs to avoid thrush. How are your lead changes going? Are you doing flying changes yet? It has a dressage term in every clause.

System	Date	lunge line	post the trot on the correct diagonal	cribbing	feathers	frogs	thrush	flying changes
Reference		à la longe	le trot enlevé sur le bon diagonal	fait un tic à l’appui	fanons	fourchettes	pourriture de la fourchette	changements de pied en l’air
Google Translate	2025	à la longe (correctcorrect)	placer le trot sur la bonne diagonale (wrongfaux)	s’accroupit (wrongfaux)	plumes (wrongfaux)	fourchettes (correctcorrect)	grives (wrongfaux)	changements de pied en vol (wrongfaux)
	2026‑10	à la longe (correctcorrect)	trotter enlevé (correctcorrect) sur la bonne diagonale (wrongfaux)	tic d’appui (acceptable or partly rightacceptable ou en partie juste)	fanons (correctcorrect)	fourchettes (correctcorrect)	pourrissement (acceptable or partly rightacceptable ou en partie juste)	au galop (acceptable or partly rightacceptable ou en partie juste)
DeepL	2025	à la longe (correctcorrect)	prendre le trot dans la bonne diagonale (wrongfaux)	fait des crèches (wrongfaux)	plumes (wrongfaux)	grenouilles (wrongfaux)	muguet (wrongfaux)	changements en vol (wrongfaux)
	2026‑10	à la longe (correctcorrect)	se lever au trot (acceptable or partly rightacceptable ou en partie juste) sur la bonne diagonale (wrongfaux)	problème de mordillage (wrongfaux)	crins (acceptable or partly rightacceptable ou en partie juste)	sabots (acceptable or partly rightacceptable ou en partie juste)	pourriture de la fourchette (correctcorrect)	changements au galop (acceptable or partly rightacceptable ou en partie juste)
eTranslation	2026‑10	ligne de fente (wrongfaux)	poser le trot sur la bonne diagonale (wrongfaux)	cribbing (wrongfaux)	plumes (wrongfaux)	grenouilles (wrongfaux)	muguet (wrongfaux)	changements de vol (wrongfaux)
ChatGPT	2025‑01 (GPT-4o)	sur la longe (acceptable or partly rightacceptable ou en partie juste)	trotter en levée (acceptable or partly rightacceptable ou en partie juste) sur la bonne diagonale (wrongfaux)	tic à l’appui (cribbing) (correctcorrect)	fanons (correctcorrect)	fourchettes (correctcorrect)	pourriture (correctcorrect)	changements de pied au vol (wrongfaux)
	2026‑02 (GPT-5.2)	à la longe (correctcorrect)	trotter enlevé sur le bon diagonal (correctcorrect)	tic à l’appui (correctcorrect)	fanons (correctcorrect)	fourchettes (correctcorrect)	pourriture de fourchette (correctcorrect)	changements de pied (correctcorrect) au temps (wrongfaux) (en l’air (correctcorrect))
	2026‑10	à la longe (correctcorrect)	trotter enlevé sur le bon diagonal (correctcorrect)	tique à l’appui (correctcorrect)	fanons (correctcorrect)	fourchettes (correctcorrect)	pourriture de la fourchette (correctcorrect)	changements de pied en l’air (correctcorrect)

The complete outputs

System	Date	Output
Source		I’ll start her on the lunge line to learn to post the trot on the correct diagonal. When you take her to him, make sure to explain his cribbing and to clean his feathers and treat his frogs to avoid thrush. How are your lead changes going? Are you doing flying changes yet?
Reference		Je vais commencer par la travailler à la longe pour qu’elle apprenne le trot enlevé sur le bon diagonal. Quand tu l’emmèneras vers lui, n’oublie pas de préciser qu’il fait un tic à l’appui et de bien nettoyer ses fanons, puis de traiter ses fourchettes afin d’éviter la pourriture de la fourchette. Comment avancent tes changements de pied ? Est-ce que tu fais déjà des changements de pied en l’air ?
Google Translate	2025	Je vais la démarrer à la longe (correctcorrect) pour lui apprendre à placer le trot sur la bonne diagonale (wrongfaux). Lorsque vous l’amènerez chez lui, assurez-vous de lui expliquer comment il s’accroupit (wrongfaux), de nettoyer ses plumes (wrongfaux) et de traiter ses fourchettes (correctcorrect) pour éviter les grives (wrongfaux). Comment se passent vos changements de pied (correctcorrect) ? Faites-vous déjà des changements de pied en vol (wrongfaux) ?
	2026‑10	Je vais commencer à la travailler à la longe (correctcorrect) pour qu’elle apprenne à trotter enlevé (correctcorrect) sur la bonne diagonale (wrongfaux). Lorsque tu l’emmèneras vers lui, n’oublie pas d’expliquer son tic d’appui (acceptable or partly rightacceptable ou en partie juste), de nettoyer ses fanons (correctcorrect) et de soigner ses fourchettes (correctcorrect) pour éviter le pourrissement (acceptable or partly rightacceptable ou en partie juste). Comment se passent les changements de pied (correctcorrect) ? En faites-vous déjà au galop (acceptable or partly rightacceptable ou en partie juste) ?
DeepL	2025	Je la mettrai à la longe (correctcorrect) pour qu’elle apprenne à prendre le trot dans la bonne diagonale (wrongfaux). Lorsque vous l’emmènerez chez lui, n’oubliez pas de lui expliquer qu’il fait des crèches (wrongfaux), de nettoyer ses plumes (wrongfaux) et de traiter ses grenouilles (wrongfaux) pour éviter le muguet (wrongfaux). Comment se passent les changements de pied (correctcorrect) ? Faites-vous déjà des changements en vol (wrongfaux) ?
	2026‑10	Je vais commencer par la travailler à la longe (correctcorrect) pour qu’elle apprenne à se lever au trot (acceptable or partly rightacceptable ou en partie juste) sur la bonne diagonale (wrongfaux). Quand tu l’emmèneras chez lui, n’oublie pas de lui expliquer son problème de mordillage (wrongfaux), de nettoyer ses crins (acceptable or partly rightacceptable ou en partie juste) et de soigner ses sabots (acceptable or partly rightacceptable ou en partie juste) pour éviter la pourriture de la fourchette (correctcorrect). Comment se passent tes changements de pied (correctcorrect) ? Tu fais déjà des changements au galop (acceptable or partly rightacceptable ou en partie juste) ?
eTranslation	2026‑10	Je la mettrai sur la ligne de fente (wrongfaux) pour apprendre à poser le trot sur la bonne diagonale (wrongfaux). Lorsque vous l’emmenez chez lui, assurez-vous d’expliquer son cribbing (wrongfaux) et de nettoyer ses plumes (wrongfaux) et de traiter ses grenouilles (wrongfaux) pour éviter le muguet (wrongfaux). Comment vont vos changements de leads (wrongfaux) ? Êtes-vous en train de faire des changements de vol (wrongfaux) encore ?
ChatGPT	2025‑01 (GPT-4o)	Je vais commencer par la mettre sur la longe (acceptable or partly rightacceptable ou en partie juste) pour qu’elle apprenne à trotter en levée (acceptable or partly rightacceptable ou en partie juste) sur la bonne diagonale (wrongfaux). Quand tu l’emmènes chez lui, assure-toi d’expliquer son tic à l’appui (cribbing) (correctcorrect) et de nettoyer ses fanons (correctcorrect) ainsi que de traiter ses fourchettes (correctcorrect) pour éviter la pourriture (correctcorrect). Comment se passent tes changements de pied (correctcorrect) ? Fais-tu déjà des changements de pied au vol (wrongfaux) ?
	2026‑02 (GPT-5.2)	Je vais d’abord la mettre à la longe (correctcorrect) pour qu’elle apprenne à trotter enlevé sur le bon diagonal (correctcorrect). Quand tu l’emmèneras chez lui, assure-toi de lui expliquer qu’il tic à l’appui (correctcorrect) et de nettoyer ses fanons (correctcorrect), puis de soigner ses fourchettes (correctcorrect) pour éviter la pourriture de fourchette (correctcorrect). Comment vont tes changements de pied (correctcorrect) ? Tu fais déjà des changements de pied (correctcorrect) au temps (wrongfaux) (en l’air (correctcorrect)) ?
	2026‑10	Je vais commencer par la faire travailler à la longe (correctcorrect) pour qu’elle apprenne à trotter enlevé sur le bon diagonal (correctcorrect). Quand tu l’emmèneras chez lui, assure-toi de bien lui expliquer qu’il tique à l’appui (correctcorrect), de nettoyer ses fanons (correctcorrect) et de traiter ses fourchettes (correctcorrect) pour éviter la pourriture de la fourchette (correctcorrect). Comment ça se passe, tes changements de pied (correctcorrect) ? Tu fais déjà des changements de pied en l’air (correctcorrect) ?

• In 2025 the services translated the words. Both rendered post the trot word for word and flying changes as en vol. Google Translate turned feathers into plumes and thrush into grives, the bird; DeepL turned frogs into grenouilles, the animal, and thrush into muguet, the yeast infection of the human mouth that English also calls thrush.
• By 2026-10 the services had moved apart. Google Translate had most of the riding terms, apart from la bonne diagonale, where riders say le bon diagonal, and two forms close to the term without being it, tic d’appui and pourrissement. DeepL found the lunge and the thrush, but turned cribbing into mordillage, feathers into crins, horsehair in general, and frogs into sabots, the whole hoof. eTranslation still translated the words: a ligne de fente for the lunge line, plumes, grenouilles and muguet, and cribbing left as it was.
• ChatGPT had most of the riding terms without being told the domain. In 2025-01, ChatGPT-4o already had tic à l’appui, fanons and fourchettes, but not the trot or the flying changes. In 2026-02, ChatGPT-5.2 had every term right except au temps, which names a different flying change, and in 2026-10 every term was right (see also the Prompting an LLM for translation page) (voir aussi la page Rédiger une requête de traduction pour un GML).

Sources

• Jurafsky, D., & Martin, J. H. (2026). Speech and Language Processing: An Introduction to Natural Language Processing, Computational Linguistics, and Speech Recognition with Language Models. Online draft, 3rd edition. https://web.stanford.edu/~jurafsky/slp3/
• 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
• Kocmi, T., Avramidis, E., Bawden, R., Bojar, O., Dvorkovich, A., Federmann, C., et al. (2024b). Findings of the WMT24 General Machine Translation Shared Task: The LLM Era Is Here but MT Is Not Solved Yet. Proceedings of the Ninth Conference on Machine Translation (WMT 2024), 1–46. https://doi.org/10.18653/v1/2024.wmt-1.1

La traduction, une tâche parmi d’autres

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. n’a pas été conçu pour traduire. Il a été entraîné à prolonger du texte, dans de nombreuses langues, et une traduction est la suite plausible d’un texte qui en demande une (Figure 6figure 6).

• Une seule requête. La consigne et la source entrent ensemble dans une même requête promptrequête promptingrequêtes Input given to a generative AI system to specify a task, provide context, or otherwise guide its output.Entrée fournie à un système d'IA générative pour préciser une tâche, donner du contexte ou orienter la sortie. , et la suite la plus plausible est une traduction.
• Pas d’encodeur encoderencodeur deep learningapprentissage profond The component of a neural network that processes an input and converts it into internal representations that can be used by another component or by a task-specific output layer.Composant d'un réseau de neurones qui traite une entrée et la convertit en représentations internes utilisables par un autre composant ou par une couche de sortie propre à la tâche. séparé. Les grands modèles de langue sont des décodeurs decoderdécodeur deep learningapprentissage profond A neural-network component or architecture used to generate an output sequence.Composant ou architecture de réseau de neurones servant à générer une séquence de sortie. , qui lisent un seul texte courant contenant les deux langues (see also the Encoders and decoders page, in the Language as numbers module) (voir aussi la page Encodeurs et décodeurs, dans le module Le langage en nombres).
• Le préentraînement pre-trainingpréentraînement language modelsmodèles de langue An initial stage in which a model learns general patterns and reusable representations from a large dataset, often through self-supervised learning, before any later adaptation for particular tasks or uses.Étape initiale au cours de laquelle un modèle apprend des régularités générales et des représentations réutilisables à partir d'un grand jeu de données, souvent par apprentissage autosupervisé, avant toute adaptation ultérieure à des tâches ou à des usages particuliers. . La capacité vient des textes multilingues sur lesquels le modèle a été entraîné, qui comprennent des traductions.
• L’affinage fine-tuningaffinage machine learningapprentissage automatique Further training of a pretrained model on new data to adapt it for a particular task, domain, or intended behaviour.Poursuite de l'entraînement d'un modèle préentraîné sur un jeu de données généralement plus restreint et spécialisé, afin de l'adapter à une tâche ou à un domaine particulier. . Les grands modèles de langue généraux traduisent déjà bien dans certaines conditions, mais un développeur peut en spécialiser un davantage pour la traduction en lui fournissant plus de données de traduction, par exemple des corpus parallèles parallel corpuscorpus parallèle corporacorpus A corpus of texts in one language together with their translations into one or more other languages, usually aligned sentence by sentence so that each segment can be viewed next to its equivalent.Corpus de textes dans une langue accompagnés de leurs traductions vers une ou plusieurs autres langues, généralement alignés phrase par phrase de façon à afficher chaque segment en regard de son équivalent. , par affinage (Kocmi et al., 2025) (see also the Fine-tuning chapter, in the LLM lifecycle module) (voir aussi le chapitre Affinage, dans le module Cycle de vie des GML).
• La requête. Ce qu’elle dit du texte, du lecteur et des termes peut modifier la suite (see also the Prompting an LLM for translation page) (voir aussi la page Rédiger une requête de traduction pour un GML).

Trois types de systèmes de traduction

Trois types de systèmes traduisent aujourd’hui des textes : les systèmes encodeur-décodeur, les grands modèles de langue généraux et les grands modèles de langue spécialisés. WMT, la conférence sur la traduction automatique (Conference on Machine Translation), a comparé les trois dans la tâche partagée shared tasktâche partagée evaluationévaluation A public evaluation exercise in which every participating team is given the same task, the same data and the same scoring, so that their systems can be compared directly.Exercice d'évaluation public où toutes les équipes participantes reçoivent la même tâche, les mêmes données et la même notation, de sorte que leurs systèmes se comparent directement. annuelle de son édition 2025 (Kocmi et al., 2025) (see also the WMT shared task chapter) (voir aussi le chapitre La tâche partagée WMT).

Type de système	Ce que c’est	Exemples de l’édition 2025
Système neuronal encodeur-décodeur	un réseau conçu uniquement pour la traduction, entraîné sur des corpus parallèles	des systèmes comme NLLB ; les services en ligne, évalués de façon anonyme, ne disent pas de quel type ils sont
Grand modèle de langue général	un modèle conçu pour de nombreuses tâches, à qui la requête demande de traduire	Gemini 2.5 Pro, GPT-4.1, Claude 4
Grand modèle de langue spécialisé	un grand modèle de langue affiné sur des données de traduction, parfois avec des exemples retrouvés, un dictionnaire ou un choix parmi plusieurs traductions candidates	la plupart des systèmes soumis par les participants, dont le petit modèle à poids ouverts open-weight modelmodèle à poids ouverts AIIA An AI model whose trained parameters, commonly called weights, are made available for others to download.Modèle d'IA dont les paramètres entraînés, appelés poids, sont offerts au téléchargement. Shy-hunyuan-MT

• La plupart des équipes participantes de 2025 ont affiné un grand modèle de langue plutôt que de construire entièrement un système encodeur-décodeur (Kocmi et al., 2025).
• Certains services courants ont pris la même direction : DeepL décrit son modèle comme un grand modèle de langue spécialisé en traduction, et Google Traduction utilise Gemini pour certaines langues depuis décembre 2025.Centre d’aide de DeepL, « About DeepL’s language model », consulté le 8 octobre 2026. Google, « Google Translate gets new Gemini AI translation models », 12 décembre 2025, consulté le 8 octobre 2026. Le service de traduction de Microsoft utilise encore par défaut une traduction automatique neuronale classique (Microsoft Learn, consulté le 8 octobre 2026).
• Un service de traduction et un agent conversationnel peuvent donc désormais différer surtout par leur spécialisation : un système conçu et réglé pour la seule traduction, face à un modèle général à qui l’on adresse une requête.

En 2024 et en 2025, le meilleur système du classement humain de WMT était un modèle général (Kocmi et al., 2024b, 2025) (see also the trend across editions page) (voir aussi la page La tendance d'une édition à l'autre), mais comparer les modèles généraux aux modèles spécialisés est plus difficile que le classement ne le laisse croire. La plupart des systèmes spécialisés de WMT 2025 reposaient sur des modèles à poids ouverts de quelques milliards à quelques dizaines de milliards de paramètres parameterparamètre de modèle machine learningapprentissage automatique A numerical value learned during a model's training and used in its computations.Valeur numérique apprise pendant l'entraînement d'un modèle et utilisée dans ses calculs. , et beaucoup participaient à la catégorie contrainte, qui limite un modèle à 20 milliards de paramètres et exige que ses poids weightpoids machine learningapprentissage automatique A real number attached to one input of a computing unit, learned during training, that sets how much that input counts towards the unit's output.Nombre réel attaché à une entrée d'une unité de calcul, appris pendant l'entraînement, qui détermine l'importance de cette entrée dans la sortie de l'unité. soient publiés (see also the WMT general translation task page) (voir aussi la page La tâche générale de traduction de WMT). Les modèles généraux en tête du classement, Gemini 2.5 Pro, GPT-4.1 et Claude 4, ne divulguent ni leur taille ni leurs données d’entraînement (Kocmi et al., 2025). Un système spécialisé classé derrière eux est donc plus petit en plus d’être spécialisé, et comme la taille des modèles généraux est inconnue, l’effet de la spécialisation ne peut pas être distingué de celui de la taille.

Les progrès sur deux messages

Quand je présente les systèmes de traduction automatique, je veux montrer où ils échouent encore maintenant qu’ils sont devenus bons, et ils échouent souvent sur les termes spécialisés. J’ai donc écrit un court message, rempli de vocabulaire du dressage, que je fais traduire de nouveau chaque fois que je mets mes exemples à jour. Au fil des ans, cela donne une chronologie d’un même texte à travers plusieurs générations de systèmes. Le premier message est en néerlandais, de l’époque où je travaillais surtout avec un public néerlandophone ; j’ai ajouté un message en anglais, à traduire en français, quand j’ai commencé à enseigner dans une université francophone. J’ai traduit les deux moi-même pour obtenir les références.

Cette chronologie est anecdotique : un message dans chaque sens, quelques essais de chaque système, jugés par moi. Elle montre tout de même comment les systèmes ont évolué, et à quel point chacun traite différemment un texte de ce genre. En 2023, les trois services étaient des systèmes de traduction neuronale (see also the Neural translation page) (voir aussi la page La traduction neuronale). DeepL et Google Traduction ont depuis ajouté des grands modèles de langue, comme on l’a vu plus haut, si bien que leurs résultats plus récents, obtenus avec les versions gratuites, viennent peut-être d’un tel modèle, peut-être pas.DeepL, « DeepL’s next-gen LLM », dernière mise à jour le 16 juillet 2024, consulté le 13 octobre 2026 : les utilisateurs de la version Pro « can switch between the next-gen LLM and ‘classic’ model » [ma traduction : « peuvent passer du grand modèle de langue de nouvelle génération au modèle “classique” »]. Google, « Google Translate gets new Gemini AI translation models », 12 décembre 2025, consulté le 8 octobre 2026. eTranslation, le service de la Commission européenne, a été utilisé sans son option d’amélioration par IA. C’est un bon système, mais il est entraîné sur les traductions des institutions de l’UE, où il est rarement question de dressage, si bien qu’un message comme celui-ci est loin des textes dont il a appris (see also the Strengths and limits of neural translation page) (voir aussi la page Forces et limites de la traduction neuronale).Commission européenne, « eTranslation » : « a neural machine translation tool trained on EU professional translation data » [ma traduction : « un outil de traduction automatique neuronale entraîné sur des données de traduction professionnelle de l’UE »], consulté le 13 octobre 2026.

Chaque terme des résultats est marqué comme correct (correctcorrect), acceptable ou en partie juste (acceptable or partly rightacceptable ou en partie juste) ou faux (wrongfaux).

Du néerlandais vers l’anglais

Le message néerlandais est Ik zal haar eerst aan de longe nemen om te leren lichtrijden op het buitenbeen. Zorg dat ze een tok heeft en ik doe alvast getten om. Heb jij nog een sjabrak? Il contient aan de longe nemen (travailler à la longe ; ici, donner une leçon à une cavalière sur un cheval tenu à la longe), lichtrijden op het buitenbeen (trotter enlevé sur le bon diagonal), tok (une bombe d’équitation), getten (des guêtres, qui protègent les membres du cheval) et sjabrak (un tapis de selle).

Système	Date	longe	lichtrijden	op het buitenbeen	tok	getten	sjabrak
Référence		lunge	post (the trot)	on the correct diagonal	riding hat	boots	saddle pad
Google Traduction	2023	take her on (acceptable or partly rightacceptable ou en partie juste) the lunge (correctcorrect)	ride light (wrongfaux)	on the outside leg (acceptable or partly rightacceptable ou en partie juste)	tok (wrongfaux)	getten (wrongfaux)	shabrack (acceptable or partly rightacceptable ou en partie juste)
	2025	lunging (correctcorrect)	ride lightly (wrongfaux)	on the outside leg (acceptable or partly rightacceptable ou en partie juste)	riding helmet (correctcorrect)	saddle pads (wrongfaux)	saddle pad (correctcorrect)
	2026‑10	lunge (correctcorrect)	rise (correctcorrect)	to the outside leg (acceptable or partly rightacceptable ou en partie juste)	helmet (correctcorrect)	brushing boots (correctcorrect)	saddle pad (correctcorrect)
DeepL	2023	take her on (acceptable or partly rightacceptable ou en partie juste) the lunge (correctcorrect)	ride lightly (wrongfaux)	on the outside leg (acceptable or partly rightacceptable ou en partie juste)	tok (wrongfaux)	getten (wrongfaux)	shawl (wrongfaux)
	2025	take her on (acceptable or partly rightacceptable ou en partie juste) the lunge (correctcorrect)	ride lightly (wrongfaux)	on the outside leg (acceptable or partly rightacceptable ou en partie juste)	bridle (wrongfaux)	stirrups (wrongfaux)	saddlecloth (correctcorrect)
	2026‑10	lunging (correctcorrect)	move lightly (wrongfaux)	on the outside leg (acceptable or partly rightacceptable ou en partie juste)	halter (wrongfaux)	girth (wrongfaux)	saddle pad (correctcorrect)
eTranslation	2023	take her to (wrongfaux) the lung (wrongfaux)	ride light (wrongfaux)	on the outside leg (acceptable or partly rightacceptable ou en partie juste)	tok (wrongfaux)	I’m going to get it (wrongfaux)	shabrak (acceptable or partly rightacceptable ou en partie juste)
	2025	take her to (wrongfaux) the lungs (wrongfaux)	ride lightly (wrongfaux)	on the outer leg (acceptable or partly rightacceptable ou en partie juste)	tok (wrongfaux)	I’ll get the hell out of here (wrongfaux)	shabrak (acceptable or partly rightacceptable ou en partie juste)
	2026‑10	take her on (acceptable or partly rightacceptable ou en partie juste) the lunge (correctcorrect)	light riding (wrongfaux)	on the outer leg (acceptable or partly rightacceptable ou en partie juste)	tok (wrongfaux)	I’ll get bitten on (wrongfaux)	shabrak (acceptable or partly rightacceptable ou en partie juste)
ChatGPT	2023‑02	take her on (acceptable or partly rightacceptable ou en partie juste) a lunge line (correctcorrect)	ride light (wrongfaux)	on the outside leg (acceptable or partly rightacceptable ou en partie juste)	martingale (wrongfaux)	getting ready (wrongfaux)	saddle pad (correctcorrect)
	2023‑03	lunge (correctcorrect)	ride with (wrongfaux)	the correct diagonal (correctcorrect) on the outside leg (acceptable or partly rightacceptable ou en partie juste)	helmet (correctcorrect)	leg wraps (correctcorrect)	saddle pad (correctcorrect)
	2023‑03 (GPT-4)	lunge (correctcorrect)	post (correctcorrect)	on the outside leg (acceptable or partly rightacceptable ou en partie juste)	cup (wrongfaux)	gaiters (wrongfaux)	saddle pad (correctcorrect)
	2024‑03	take her on (acceptable or partly rightacceptable ou en partie juste) the lunge (correctcorrect)	post (correctcorrect)	on the outside leg (acceptable or partly rightacceptable ou en partie juste)	jockstrap (wrongfaux)	gaiters (wrongfaux)	saddle pad (correctcorrect)
	2024‑05	lunge (correctcorrect)	post (correctcorrect)	on the outside leg (acceptable or partly rightacceptable ou en partie juste)	helmet (correctcorrect)	protective boots (correctcorrect)	saddle pad (correctcorrect)
	2025‑09	lunge (correctcorrect)	post (correctcorrect)	on the outside diagonal (correctcorrect)	helmet (correctcorrect)	boots (correctcorrect)	saddle pad (correctcorrect)
	2026‑01	lunge (correctcorrect)	rising trot (correctcorrect)	on the outside leg (acceptable or partly rightacceptable ou en partie juste)	riding helmet (correctcorrect)	my gaiters (wrongfaux)	saddle pad (correctcorrect)
	2026‑01, deuxième essai	lunge (correctcorrect)	rise (correctcorrect)	on the outside foreleg (acceptable or partly rightacceptable ou en partie juste)	riding hat (correctcorrect)	my half chaps (wrongfaux)	saddle pad (correctcorrect)
	2026‑10	lunge line (correctcorrect)	post (correctcorrect)	on the outside diagonal (correctcorrect)	riding helmet (correctcorrect)	brushing boots (correctcorrect)	saddle pad (correctcorrect)

Les résultats complets

Système	Date	Résultat
Source		Ik zal haar eerst aan de longe nemen om te leren lichtrijden op het buitenbeen. Zorg dat ze een tok heeft en ik doe alvast getten om. Heb jij nog een sjabrak?
Référence		I will start by teaching her on the lunge how to post (the trot) on the correct diagonal. Make sure she has a riding hat, and I will already put the boots on. Do you have another saddle pad?
Google Traduction	2023	I will first take her on (acceptable or partly rightacceptable ou en partie juste) the lunge (correctcorrect) to learn how to ride light (wrongfaux) on the outside leg (acceptable or partly rightacceptable ou en partie juste). Make sure she has a tok (wrongfaux) and I’ll put on getten (wrongfaux). Do you still have a shabrack (acceptable or partly rightacceptable ou en partie juste)?
	2025	I’ll start by lunging (correctcorrect) her to learn how to ride lightly (wrongfaux) on the outside leg (acceptable or partly rightacceptable ou en partie juste). Make sure she has a riding helmet (correctcorrect), and I’ll put on the saddle pads (wrongfaux). Do you still have a saddle pad (correctcorrect)?
	2026‑10	I’ll put her on the lunge (correctcorrect) first so she can learn to rise (correctcorrect) to the outside leg (acceptable or partly rightacceptable ou en partie juste). Make sure she has a helmet (correctcorrect), and I’ll put on her brushing boots (correctcorrect). Do you have a saddle pad (correctcorrect)?
DeepL	2023	I will take her on (acceptable or partly rightacceptable ou en partie juste) the lunge (correctcorrect) first to learn to ride lightly (wrongfaux) on the outside leg (acceptable or partly rightacceptable ou en partie juste). Make sure she has a tok (wrongfaux) and I’ll put on getten (wrongfaux) in advance. Do you still have a shawl (wrongfaux)?
	2025	I will first take her on (acceptable or partly rightacceptable ou en partie juste) the lunge (correctcorrect) to teach her to ride lightly (wrongfaux) on the outside leg (acceptable or partly rightacceptable ou en partie juste). Make sure she has a bridle (wrongfaux) and I will put on the stirrups (wrongfaux). Do you have a saddlecloth (correctcorrect)?
	2026‑10	I’ll start by lunging (correctcorrect) her to teach her to move lightly (wrongfaux) on the outside leg (acceptable or partly rightacceptable ou en partie juste). Make sure she has a halter (wrongfaux) on, and I’ll go ahead and put the girth (wrongfaux) on. Do you have a saddle pad (correctcorrect)?
eTranslation	2023	I’ll take her to (wrongfaux) the lung (wrongfaux) first to learn how to ride light (wrongfaux) on the outside leg (acceptable or partly rightacceptable ou en partie juste). Make sure she’s got a tok (wrongfaux), and I’m going to get it (wrongfaux). Do you have another shabrak (acceptable or partly rightacceptable ou en partie juste)?
	2025	I’ll take her to (wrongfaux) the lungs (wrongfaux) first to learn how to ride lightly (wrongfaux) on the outer leg (acceptable or partly rightacceptable ou en partie juste). Make sure she’s got a tok (wrongfaux), and I’ll get the hell out of here (wrongfaux). Do you have another shabrak (acceptable or partly rightacceptable ou en partie juste)?
	2026‑10	I’ll take her on (acceptable or partly rightacceptable ou en partie juste) the lunge (correctcorrect) first to learn light riding (wrongfaux) on the outer leg (acceptable or partly rightacceptable ou en partie juste). Make sure she has a tok (wrongfaux) and I’ll get bitten on (wrongfaux). Do you have another shabrak (acceptable or partly rightacceptable ou en partie juste)?
ChatGPT	2023‑02	I will first take her on (acceptable or partly rightacceptable ou en partie juste) a lunge line (correctcorrect) to teach her to ride light (wrongfaux) on the outside leg (acceptable or partly rightacceptable ou en partie juste). Make sure she has a martingale (wrongfaux) and I’ll start getting ready (wrongfaux). Do you have a saddle pad (correctcorrect)?
	2023‑03	I will first lunge (correctcorrect) her to teach her how to ride with (wrongfaux) the correct diagonal (correctcorrect) on the outside leg (acceptable or partly rightacceptable ou en partie juste). Make sure she has a helmet (correctcorrect) and I will put on leg wraps (correctcorrect). Do you have a saddle pad (correctcorrect)?
	2023‑03 (GPT-4)	I will first lunge (correctcorrect) her to teach her to post (correctcorrect) on the outside leg (acceptable or partly rightacceptable ou en partie juste). Make sure she has a cup (wrongfaux), and I will put on the gaiters (wrongfaux) already. Do you have an extra saddle pad (correctcorrect)?
	2024‑03	I will first take her on (acceptable or partly rightacceptable ou en partie juste) the lunge (correctcorrect) to learn to post (correctcorrect) on the outside leg (acceptable or partly rightacceptable ou en partie juste). Make sure she has a jockstrap (wrongfaux), and I will already put on gaiters (wrongfaux). Do you have another saddle pad (correctcorrect)?
	2024‑05	I will lunge (correctcorrect) her first to teach her to post (correctcorrect) on the outside leg (acceptable or partly rightacceptable ou en partie juste). Make sure she has a helmet (correctcorrect), and I will put on the protective boots (correctcorrect). Do you still have a saddle pad (correctcorrect)?
	2025‑09	I’ll lunge (correctcorrect) her first to teach her to post on the outside diagonal (correctcorrect). Make sure she’s got a helmet (correctcorrect), and I’ll go ahead and put on the boots (correctcorrect). Do you have a saddle pad (correctcorrect)?
	2026‑01	I’ll put her on the lunge (correctcorrect) first so she can learn to ride rising trot (correctcorrect) on the outside leg (acceptable or partly rightacceptable ou en partie juste). Make sure she has a riding helmet (correctcorrect) on, and I’ll put my gaiters (wrongfaux) on already. Do you still have a saddle pad (correctcorrect)?
	2026‑01, deuxième essai	I’ll lunge (correctcorrect) her first so she can learn to rise (correctcorrect) on the outside foreleg (acceptable or partly rightacceptable ou en partie juste). Make sure she’s wearing her riding hat (correctcorrect), and I’ll put my half chaps (wrongfaux) on. Do you have a saddle pad (correctcorrect) as well?
	2026‑10	I’ll put her on the lunge line (correctcorrect) first so she can learn to post on the outside diagonal (correctcorrect). Make sure she has a riding helmet (correctcorrect), and I’ll put the brushing boots (correctcorrect) on in the meantime. Do you have another saddle pad (correctcorrect)?

• Des mots d’équitation hors de propos. Plusieurs résultats ont remplacé un terme par du vocabulaire d’équitation sans rapport avec le message, comme si n’importe quel mot du domaine faisait l’affaire : une martingale (ChatGPT, 2023), une bride et des étriers (DeepL, 2025), un licol et une sangle (DeepL, 2026).
• Mot à mot, ou pas du tout. En 2023, les trois services ont laissé tok et getten non traduits ou en ont fait autre chose (le I’m going to get it d’eTranslation). Tous les résultats des services, sauf celui de Google Traduction de 2026, ont rendu lichtrijden par ride light, ride lightly, move lightly ou light riding.
• Les services se sont éloignés les uns des autres. En 2026-10, Google Traduction avait presque tous les termes justes, le résultat de DeepL avait changé sans s’améliorer, et eTranslation n’avait trouvé que la longe.
• ChatGPT a progressé, mais pas de façon régulière. En 2023-02, il a produit une martingale et getting ready ; un mois plus tard, il avait déjà le casque, les bandes et le bon diagonal, tandis que GPT-4, sorti le même mois, équipait la cavalière d’une coquille (cup). La plupart des termes étaient justes en 2024-05 et tous en 2025-09. Aucun des deux résultats de 2026-01 n’avait le bon diagonal, et tous deux faisaient de getten quelque chose que porte la personne qui parle ; en 2026-10, tous les termes étaient de nouveau justes. Un système plus récent peut se tromper sur un terme qu’un système plus ancien traduisait correctement.

De l’anglais vers le français

Le message anglais est I’ll start her on the lunge line to learn to post the trot on the correct diagonal. When you take her to him, make sure to explain his cribbing and to clean his feathers and treat his frogs to avoid thrush. How are your lead changes going? Are you doing flying changes yet? Chaque proposition contient un terme d’équitation.

Système	Date	lunge line	post the trot on the correct diagonal	cribbing	feathers	frogs	thrush	flying changes
Référence		à la longe	le trot enlevé sur le bon diagonal	fait un tic à l’appui	fanons	fourchettes	pourriture de la fourchette	changements de pied en l’air
Google Traduction	2025	à la longe (correctcorrect)	placer le trot sur la bonne diagonale (wrongfaux)	s’accroupit (wrongfaux)	plumes (wrongfaux)	fourchettes (correctcorrect)	grives (wrongfaux)	changements de pied en vol (wrongfaux)
	2026‑10	à la longe (correctcorrect)	trotter enlevé (correctcorrect) sur la bonne diagonale (wrongfaux)	tic d’appui (acceptable or partly rightacceptable ou en partie juste)	fanons (correctcorrect)	fourchettes (correctcorrect)	pourrissement (acceptable or partly rightacceptable ou en partie juste)	au galop (acceptable or partly rightacceptable ou en partie juste)
DeepL	2025	à la longe (correctcorrect)	prendre le trot dans la bonne diagonale (wrongfaux)	fait des crèches (wrongfaux)	plumes (wrongfaux)	grenouilles (wrongfaux)	muguet (wrongfaux)	changements en vol (wrongfaux)
	2026‑10	à la longe (correctcorrect)	se lever au trot (acceptable or partly rightacceptable ou en partie juste) sur la bonne diagonale (wrongfaux)	problème de mordillage (wrongfaux)	crins (acceptable or partly rightacceptable ou en partie juste)	sabots (acceptable or partly rightacceptable ou en partie juste)	pourriture de la fourchette (correctcorrect)	changements au galop (acceptable or partly rightacceptable ou en partie juste)
eTranslation	2026‑10	ligne de fente (wrongfaux)	poser le trot sur la bonne diagonale (wrongfaux)	cribbing (wrongfaux)	plumes (wrongfaux)	grenouilles (wrongfaux)	muguet (wrongfaux)	changements de vol (wrongfaux)
ChatGPT	2025‑01 (GPT-4o)	sur la longe (acceptable or partly rightacceptable ou en partie juste)	trotter en levée (acceptable or partly rightacceptable ou en partie juste) sur la bonne diagonale (wrongfaux)	tic à l’appui (cribbing) (correctcorrect)	fanons (correctcorrect)	fourchettes (correctcorrect)	pourriture (correctcorrect)	changements de pied au vol (wrongfaux)
	2026‑02 (GPT-5.2)	à la longe (correctcorrect)	trotter enlevé sur le bon diagonal (correctcorrect)	tic à l’appui (correctcorrect)	fanons (correctcorrect)	fourchettes (correctcorrect)	pourriture de fourchette (correctcorrect)	changements de pied (correctcorrect) au temps (wrongfaux) (en l’air (correctcorrect))
	2026‑10	à la longe (correctcorrect)	trotter enlevé sur le bon diagonal (correctcorrect)	tique à l’appui (correctcorrect)	fanons (correctcorrect)	fourchettes (correctcorrect)	pourriture de la fourchette (correctcorrect)	changements de pied en l’air (correctcorrect)

Les résultats complets

Système	Date	Résultat
Source		I’ll start her on the lunge line to learn to post the trot on the correct diagonal. When you take her to him, make sure to explain his cribbing and to clean his feathers and treat his frogs to avoid thrush. How are your lead changes going? Are you doing flying changes yet?
Référence		Je vais commencer par la travailler à la longe pour qu’elle apprenne le trot enlevé sur le bon diagonal. Quand tu l’emmèneras vers lui, n’oublie pas de préciser qu’il fait un tic à l’appui et de bien nettoyer ses fanons, puis de traiter ses fourchettes afin d’éviter la pourriture de la fourchette. Comment avancent tes changements de pied ? Est-ce que tu fais déjà des changements de pied en l’air ?
Google Traduction	2025	Je vais la démarrer à la longe (correctcorrect) pour lui apprendre à placer le trot sur la bonne diagonale (wrongfaux). Lorsque vous l’amènerez chez lui, assurez-vous de lui expliquer comment il s’accroupit (wrongfaux), de nettoyer ses plumes (wrongfaux) et de traiter ses fourchettes (correctcorrect) pour éviter les grives (wrongfaux). Comment se passent vos changements de pied (correctcorrect) ? Faites-vous déjà des changements de pied en vol (wrongfaux) ?
	2026‑10	Je vais commencer à la travailler à la longe (correctcorrect) pour qu’elle apprenne à trotter enlevé (correctcorrect) sur la bonne diagonale (wrongfaux). Lorsque tu l’emmèneras vers lui, n’oublie pas d’expliquer son tic d’appui (acceptable or partly rightacceptable ou en partie juste), de nettoyer ses fanons (correctcorrect) et de soigner ses fourchettes (correctcorrect) pour éviter le pourrissement (acceptable or partly rightacceptable ou en partie juste). Comment se passent les changements de pied (correctcorrect) ? En faites-vous déjà au galop (acceptable or partly rightacceptable ou en partie juste) ?
DeepL	2025	Je la mettrai à la longe (correctcorrect) pour qu’elle apprenne à prendre le trot dans la bonne diagonale (wrongfaux). Lorsque vous l’emmènerez chez lui, n’oubliez pas de lui expliquer qu’il fait des crèches (wrongfaux), de nettoyer ses plumes (wrongfaux) et de traiter ses grenouilles (wrongfaux) pour éviter le muguet (wrongfaux). Comment se passent les changements de pied (correctcorrect) ? Faites-vous déjà des changements en vol (wrongfaux) ?
	2026‑10	Je vais commencer par la travailler à la longe (correctcorrect) pour qu’elle apprenne à se lever au trot (acceptable or partly rightacceptable ou en partie juste) sur la bonne diagonale (wrongfaux). Quand tu l’emmèneras chez lui, n’oublie pas de lui expliquer son problème de mordillage (wrongfaux), de nettoyer ses crins (acceptable or partly rightacceptable ou en partie juste) et de soigner ses sabots (acceptable or partly rightacceptable ou en partie juste) pour éviter la pourriture de la fourchette (correctcorrect). Comment se passent tes changements de pied (correctcorrect) ? Tu fais déjà des changements au galop (acceptable or partly rightacceptable ou en partie juste) ?
eTranslation	2026‑10	Je la mettrai sur la ligne de fente (wrongfaux) pour apprendre à poser le trot sur la bonne diagonale (wrongfaux). Lorsque vous l’emmenez chez lui, assurez-vous d’expliquer son cribbing (wrongfaux) et de nettoyer ses plumes (wrongfaux) et de traiter ses grenouilles (wrongfaux) pour éviter le muguet (wrongfaux). Comment vont vos changements de leads (wrongfaux) ? Êtes-vous en train de faire des changements de vol (wrongfaux) encore ?
ChatGPT	2025‑01 (GPT-4o)	Je vais commencer par la mettre sur la longe (acceptable or partly rightacceptable ou en partie juste) pour qu’elle apprenne à trotter en levée (acceptable or partly rightacceptable ou en partie juste) sur la bonne diagonale (wrongfaux). Quand tu l’emmènes chez lui, assure-toi d’expliquer son tic à l’appui (cribbing) (correctcorrect) et de nettoyer ses fanons (correctcorrect) ainsi que de traiter ses fourchettes (correctcorrect) pour éviter la pourriture (correctcorrect). Comment se passent tes changements de pied (correctcorrect) ? Fais-tu déjà des changements de pied au vol (wrongfaux) ?
	2026‑02 (GPT-5.2)	Je vais d’abord la mettre à la longe (correctcorrect) pour qu’elle apprenne à trotter enlevé sur le bon diagonal (correctcorrect). Quand tu l’emmèneras chez lui, assure-toi de lui expliquer qu’il tic à l’appui (correctcorrect) et de nettoyer ses fanons (correctcorrect), puis de soigner ses fourchettes (correctcorrect) pour éviter la pourriture de fourchette (correctcorrect). Comment vont tes changements de pied (correctcorrect) ? Tu fais déjà des changements de pied (correctcorrect) au temps (wrongfaux) (en l’air (correctcorrect)) ?
	2026‑10	Je vais commencer par la faire travailler à la longe (correctcorrect) pour qu’elle apprenne à trotter enlevé sur le bon diagonal (correctcorrect). Quand tu l’emmèneras chez lui, assure-toi de bien lui expliquer qu’il tique à l’appui (correctcorrect), de nettoyer ses fanons (correctcorrect) et de traiter ses fourchettes (correctcorrect) pour éviter la pourriture de la fourchette (correctcorrect). Comment ça se passe, tes changements de pied (correctcorrect) ? Tu fais déjà des changements de pied en l’air (correctcorrect) ?

• En 2025, les services ont traduit les mots. Tous deux ont rendu post the trot mot à mot et flying changes par en vol. Google Traduction a rendu feathers par plumes et thrush par grives, l’oiseau ; DeepL a rendu frogs par grenouilles, l’animal, et thrush par muguet, la candidose de la bouche que l’anglais appelle aussi thrush.
• En 2026-10, les services s’étaient éloignés les uns des autres. Google Traduction avait la plupart des termes d’équitation, sauf la bonne diagonale, là où les cavaliers disent le bon diagonal, et deux formes proches du terme sans être le terme, tic d’appui et pourrissement. DeepL trouvait la longe et la pourriture de la fourchette, mais rendait cribbing par mordillage, feathers par crins, les poils du cheval en général, et frogs par sabots, le pied entier. eTranslation traduisait toujours les mots : une ligne de fente pour la longe, des plumes, des grenouilles et le muguet, et cribbing laissé tel quel.
• ChatGPT avait la plupart des termes d’équitation sans qu’on lui indique le domaine. En 2025-01, ChatGPT-4o avait déjà tic à l’appui, fanons et fourchettes, mais ni le trot ni les changements de pied en l’air. En 2026-02, ChatGPT-5.2 avait tous les termes justes sauf au temps, qui désigne un autre changement de pied, et en 2026-10, tous les termes étaient justes (see also the Prompting an LLM for translation page) (voir aussi la page Rédiger une requête de traduction pour un GML).

Sources

• Jurafsky, D., & Martin, J. H. (2026). Speech and Language Processing: An Introduction to Natural Language Processing, Computational Linguistics, and Speech Recognition with Language Models. Online draft, 3rd edition. https://web.stanford.edu/~jurafsky/slp3/
• 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
• Kocmi, T., Avramidis, E., Bawden, R., Bojar, O., Dvorkovich, A., Federmann, C., et al. (2024b). Findings of the WMT24 General Machine Translation Shared Task: The LLM Era Is Here but MT Is Not Solved Yet. Proceedings of the Ninth Conference on Machine Translation (WMT 2024), 1–46. https://doi.org/10.18653/v1/2024.wmt-1.1

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.

Element	Example	Effect
The audience, the purpose and the domain	a user manual for the technicians who install industrial pumps	for 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 variety	French for a Quebec readership	fixes 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 translations	earlier translations of similar sentences, from a translation memory	steered 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)
Terms	the client’s term list	for 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

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.

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

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.

Élément	Exemple	Effet
Le public, le but et le domaine	un manuel d’utilisation destiné aux techniciens qui installent des pompes industrielles	pour 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 variété	du français pour un lectorat québécois	fixe 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 exemple	des traductions antérieures de phrases semblables, tirées d’une mémoire de traduction	a 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 termes	la liste de termes du client	pour 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

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.

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

The weaknesses found at WMT

WMT, the yearly comparison of machine translation systems held at the Conference on Machine Translation, reports specific weaknesses even in the best systems (Kocmi et al., 2024b, 2025) (see also the trend across editions page) (voir aussi la page La tendance d'une édition à l'autre):

• speech input, the hardest domain two years running, most likely because the systems translate an automatic transcription and inherit its errors;
• low-resource languages, where the human evaluation of 2025 showed weaknesses in all the models tested, in Egyptian Arabic and in Maasai;
• specific phenomena tested by targeted test suites: non-standard input, complex syntax, domain terminology, the choice and agreement of gender.

By contrast, in the domains tested in 2024, the best systems’ translations from English into Spanish were close to the human references.

The Last Translation Benchmark

Standard test sets test setjeu de données de test machine learningapprentissage automatique A portion of a dataset held back from both model training and model selection and used to evaluate the final model.Portion d'un jeu de données tenue à l'écart tant de l'entraînement que de la sélection du modèle et servant à évaluer le modèle final. Son but est d'estimer la performance du modèle achevé sur de nouvelles données issues de la tâche ou de la population visée. are close to saturation: the best systems score so high on them that the tests barely tell them apart and no longer show where they fail (Zouhar et al., 2026). The Last Translation Benchmark benchmarktest de performances evaluationévaluation A standardized evaluation used to measure and compare how AI systems perform on particular tasks or capabilities.Évaluation normalisée servant à mesurer et à comparer la performance de systèmes d'IA sur des tâches ou des capacités données. was built the other way round, from examples that the leading systems get wrong (Figure 7figure 7).

• The contributors. 260 contributors from 177 institutions, each submitting sentences, images, audio or video that they knew to be hard, with a correct translation of their own; every submission is reviewed by another contributor. The first version, LTBv1, contains 3 456 examples in 109 languages (Zouhar et al., 2026).
• The admission test. An example is accepted only if most of the systems shown to the contributor fail it and the human translation passes: the benchmark contains hard cases by construction, and says nothing about the quality of a typical translation.
• The scoring. Each example comes with one or more verification rules describing the failure to look for (“the word for nurse must not be feminine”). A model checks each translation against each rule, and a translation passes only if it satisfies them all. The score of a system is the share of examples it passes.

System	Examples passed
Human translations (the contributors’)	99.8 %
Gemini 3.1 Pro	41.9 %
GPT-5.6 Sol	31.8 %
GPT-5.6 Luna	19.3 %
Claude Sonnet 4.5	6.0 %
NLLB 3.3B, an encoder-decoder system	2.0 %
Google Translate	1.6 %

• Ordinary metrics did not flag the failures. On the same translations, ordinary metrics and a large language model used as judge gave scores in the range the authors label “good”, while the share of examples passed stayed low. A judge given the rule detected the error; a judge asked only to rate the translation usually did not (Zouhar et al., 2026) (see also the A large language model as judge page, in the Evaluating language technology module) (voir aussi la page Un grand modèle de langue comme juge, dans le module L'évaluation des technologies langagières).
• Told the rule, the models mostly passed. Given the verification rules in the prompt promptrequête promptingrequêtes Input given to a generative AI system to specify a task, provide context, or otherwise guide its output.Entrée fournie à un système d'IA générative pour préciser une tâche, donner du contexte ou orienter la sortie. , the models’ pass rate rose to about 90 %: they satisfy the requirement once it is stated, but they do not apply it unprompted.

Sources of difficulty

From the examples collected, the authors built a taxonomy of the sources of difficulty, drawn in Figure 8figure 8. The largest groups are the classic difficulties of translation: polysemy polysemypolysémie linguisticslinguistique The property of a word or lemma having two or more related senses.Propriété d'un mot ou d'un lemme qui possède deux sens apparentés ou plus. , metaphor, cultural knowledge and the specifics of a language variety.

Difficulty	Example	Result
Polysemy in a domain	English paper, meaning an article, into German	most models wrote Papier, the material, where Artikel or the loanword Paper was needed
Internet culture and slang	French mon pain for my crush, with a borrowed whippin	several models kept bread
A false friend	Hausa marka, heavy rain, which looks like English mark	one service wrote this monsoon is marked
Meta-reasoning	Italian Come si dice formaggio in inglese?	most models translated formaggio too, producing a question that answers itself

Languages with little data

The results of WMT and of the Last Translation Benchmark mostly concern well-resourced language pairs. For most of the world’s languages there is no large parallel corpus parallel corpuscorpus parallèle corporacorpus A corpus of texts in one language together with their translations into one or more other languages, usually aligned sentence by sentence so that each segment can be viewed next to its equivalent.Corpus de textes dans une langue accompagnés de leurs traductions vers une ou plusieurs autres langues, généralement alignés phrase par phrase de façon à afficher chaque segment en regard de son équivalent. . A well-resourced language has the same problem in a domain with little translated text.

• Remedies. Two remedies are backtranslation, where a system trained for the opposite direction turns monolingual target text into synthetic parallel data, and multilingual models, which draw on a related language that has more data (Jurafsky & Martin, 2026).
• Data quality. In a manual audit of large parallel corpora, many had fewer than half of their sentences of acceptable quality, for instance repeated web text or wrong translations. This suggests that speakers of the languages concerned were not involved enough in building them (Jurafsky & Martin, 2026).
• Benchmarks. The benchmarks themselves lean toward well-resourced languages: the Last Translation Benchmark’s examples skew toward English, with 73 % translating into it (Zouhar et al., 2026) (see also the Linguistic hegemony page, in the Critical issues with LLMs module) (voir aussi la page L'hégémonie linguistique, dans le module Enjeux critiques des GML).

Sources

• Jurafsky, D., & Martin, J. H. (2026). Speech and Language Processing: An Introduction to Natural Language Processing, Computational Linguistics, and Speech Recognition with Language Models. Online draft, 3rd edition. https://web.stanford.edu/~jurafsky/slp3/
• 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
• Kocmi, T., Avramidis, E., Bawden, R., Bojar, O., Dvorkovich, A., Federmann, C., et al. (2024b). Findings of the WMT24 General Machine Translation Shared Task: The LLM Era Is Here but MT Is Not Solved Yet. Proceedings of the Ninth Conference on Machine Translation (WMT 2024), 1–46. https://doi.org/10.18653/v1/2024.wmt-1.1
• Zouhar, V., Bafna, N., Choudhary, M., Züfle, M., Rajaee, S., Chen, P., et al. (2026). Last Translation Benchmark. Preprint, arXiv:2609.04173. http://arxiv.org/abs/2609.04173

Les faiblesses relevées à WMT

WMT, la comparaison annuelle des systèmes de traduction automatique tenue lors de la conférence sur la traduction automatique (Conference on Machine Translation), relève des faiblesses précises même chez les meilleurs systèmes (Kocmi et al., 2024b, 2025) (see also the trend across editions page) (voir aussi la page La tendance d'une édition à l'autre) :

• l’entrée orale, le domaine le plus difficile deux années de suite, très probablement parce que les systèmes traduisent une transcription automatique et en héritent les erreurs ;
• les langues peu dotées, où l’évaluation humaine de 2025 a montré des faiblesses dans tous les modèles testés, en arabe égyptien et en maasaï ;
• des phénomènes précis examinés par des séries de tests ciblées : les entrées non standard, la syntaxe complexe, la terminologie d’un domaine, le choix et l’accord du genre.

Par contraste, dans les domaines testés en 2024, les traductions de l’anglais vers l’espagnol des meilleurs systèmes étaient proches des références humaines.

Le Last Translation Benchmark

Les jeux de données de test test setjeu de données de test machine learningapprentissage automatique A portion of a dataset held back from both model training and model selection and used to evaluate the final model.Portion d'un jeu de données tenue à l'écart tant de l'entraînement que de la sélection du modèle et servant à évaluer le modèle final. Son but est d'estimer la performance du modèle achevé sur de nouvelles données issues de la tâche ou de la population visée. habituels approchent de la saturation : les meilleurs systèmes y obtiennent des scores si élevés que ces tests les départagent à peine et ne montrent plus où ils échouent (Zouhar et al., 2026). Le Last Translation Benchmark, un test de performances benchmarktest de performances evaluationévaluation A standardized evaluation used to measure and compare how AI systems perform on particular tasks or capabilities.Évaluation normalisée servant à mesurer et à comparer la performance de systèmes d'IA sur des tâches ou des capacités données. , a été construit dans l’autre sens, à partir d’exemples que les principaux systèmes traduisent mal (Figure 7figure 7).

• Les contributeurs. 260 contributeurs de 177 établissements ont chacun soumis des phrases, des images, des fichiers audio ou des vidéos qu’ils savaient difficiles, avec leur propre traduction correcte ; chaque soumission est révisée par un autre contributeur. La première version, LTBv1, contient 3 456 exemples dans 109 langues (Zouhar et al., 2026).
• Le critère d’admission. Un exemple n’est accepté que si la plupart des systèmes montrés au contributeur échouent et que la traduction humaine réussit : le test ne contient que des cas difficiles par construction, et ne dit rien de la qualité d’une traduction ordinaire.
• La notation. Chaque exemple est accompagné d’une ou de plusieurs règles de vérification qui décrivent l’échec à rechercher (« le mot pour nurse ne doit pas être au féminin »). Un modèle vérifie chaque traduction au regard de chaque règle, et une traduction ne réussit que si elle les respecte toutes. Le score d’un système est la proportion d’exemples qu’il réussit.

Système	Exemples réussis
Traductions humaines (celles des contributeurs)	99,8 %
Gemini 3.1 Pro	41,9 %
GPT-5.6 Sol	31,8 %
GPT-5.6 Luna	19,3 %
Claude Sonnet 4.5	6,0 %
NLLB 3.3B, un système encodeur-décodeur	2,0 %
Google Traduction	1,6 %

• Les mesures habituelles n’ont pas signalé les échecs. Sur les mêmes traductions, les mesures habituelles et un grand modèle de langue employé comme juge ont donné des scores dans la plage que les auteurs qualifient de « bonne », alors que la proportion d’exemples réussis restait faible. Un juge à qui l’on donnait la règle détectait l’erreur ; un juge à qui l’on demandait seulement d’évaluer la traduction ne la détectait généralement pas (Zouhar et al., 2026) (see also the A large language model as judge page, in the Evaluating language technology module) (voir aussi la page Un grand modèle de langue comme juge, dans le module L'évaluation des technologies langagières).
• Une fois la règle donnée, les modèles ont surtout réussi. Avec les règles de vérification dans la requête promptrequête promptingrequêtes Input given to a generative AI system to specify a task, provide context, or otherwise guide its output.Entrée fournie à un système d'IA générative pour préciser une tâche, donner du contexte ou orienter la sortie. , le taux de réussite des modèles a atteint environ 90 % : ils respectent l’exigence une fois qu’elle est énoncée, mais ne l’appliquent pas d’eux-mêmes.

Les sources de difficulté

À partir des exemples recueillis, les auteurs ont établi une taxinomie des sources de difficulté, présentée dans la Figure 8figure 8. Les groupes les plus nombreux sont les difficultés classiques de la traduction : la polysémie polysemypolysémie linguisticslinguistique The property of a word or lemma having two or more related senses.Propriété d'un mot ou d'un lemme qui possède deux sens apparentés ou plus. , la métaphore, les connaissances culturelles et les particularités d’une variété de langue.

Difficulté	Exemple	Résultat
Polysémie dans un domaine	l’anglais paper, au sens d’article, vers l’allemand	la plupart des modèles ont écrit Papier, la matière, là où il fallait Artikel ou l’emprunt Paper
Culture Internet et argot	le français mon pain au sens de my crush, avec l’emprunt whippin	plusieurs modèles ont gardé bread
Un faux ami	le haoussa marka, forte pluie, qui ressemble à l’anglais mark	un service a écrit this monsoon is marked
Métaraisonnement	l’italien Come si dice formaggio in inglese?	la plupart des modèles ont aussi traduit formaggio, ce qui donne une question qui contient sa réponse

Les langues peu dotées

Les résultats de WMT et du Last Translation Benchmark portent surtout sur des paires de langues bien dotées. Pour la plupart des langues du monde, il n’existe pas de grand corpus parallèle parallel corpuscorpus parallèle corporacorpus A corpus of texts in one language together with their translations into one or more other languages, usually aligned sentence by sentence so that each segment can be viewed next to its equivalent.Corpus de textes dans une langue accompagnés de leurs traductions vers une ou plusieurs autres langues, généralement alignés phrase par phrase de façon à afficher chaque segment en regard de son équivalent. . Une langue bien dotée connaît le même problème dans un domaine où il existe peu de textes traduits.

• Les solutions. Deux solutions sont la rétrotraduction, où un système entraîné pour la direction inverse transforme des textes monolingues de la langue cible en données parallèles synthétiques, et les modèles multilingues, qui s’appuient sur une langue apparentée disposant de plus de données (Jurafsky & Martin, 2026).
• La qualité des données. Dans un audit manuel de grands corpus parallèles, beaucoup comptaient moins de la moitié de phrases de qualité acceptable, par exemple du texte Web répété ou des traductions erronées. Cela laisse penser que les locuteurs des langues concernées n’ont pas été assez associés à leur constitution (Jurafsky & Martin, 2026).
• Les tests de performances. Les tests de performances eux-mêmes penchent vers les langues bien dotées : 73 % des exemples du Last Translation Benchmark se traduisent vers l’anglais (Zouhar et al., 2026) (see also the Linguistic hegemony page, in the Critical issues with LLMs module) (voir aussi la page L'hégémonie linguistique, dans le module Enjeux critiques des GML).

Sources

• Jurafsky, D., & Martin, J. H. (2026). Speech and Language Processing: An Introduction to Natural Language Processing, Computational Linguistics, and Speech Recognition with Language Models. Online draft, 3rd edition. https://web.stanford.edu/~jurafsky/slp3/
• 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
• Kocmi, T., Avramidis, E., Bawden, R., Bojar, O., Dvorkovich, A., Federmann, C., et al. (2024b). Findings of the WMT24 General Machine Translation Shared Task: The LLM Era Is Here but MT Is Not Solved Yet. Proceedings of the Ninth Conference on Machine Translation (WMT 2024), 1–46. https://doi.org/10.18653/v1/2024.wmt-1.1
• Zouhar, V., Bafna, N., Choudhary, M., Züfle, M., Rajaee, S., Chen, P., et al. (2026). Last Translation Benchmark. Preprint, arXiv:2609.04173. http://arxiv.org/abs/2609.04173