Ce que nous avons appris à l’EAMT 2026

Cette année, trois membres de notre équipe ont vu des articles acceptés à l’EAMT, la conférence annuelle de l’European Association for Machine Translation qui réunit chercheurs, praticiens et professionnels de l’industrie pour partager leurs connaissances et discuter de l’état du domaine. Entre la présentation de nos propres travaux et la participation à des sessions sur l’ensemble du programme, nous avons eu une vision assez claire de la situation de la recherche en MT en 2026, et de la progression qu’il reste encore à parcourir.

Marina Sánchez Torrón, Ph.D., ingénieure linguistique senior chez Smartling, montera sur scène à l’EAMT 2026.

Voici nos plus grandes leçons :

Le débat sur les LLM est clos. Maintenant vient la partie difficile.

Personne à EAMT ne demandait plus s’il fallait utiliser des LLM pour la traduction. Cette question est tranchée. La conversation a complètement changé sur la manière de bien les déployer, et c’est là que les choses deviennent intéressantes.

L’un des signaux les plus forts de la conférence est que les LLM autonomes sont rarement suffisants pour les environnements de production. L’architecture émergente n’est pas un « LLM au lieu de mémoire de traduction ». C’est un LLM plus une mémoire de traduction plus une récupération. Les mémoires de traduction ne disparaîtront pas. Ils sont reconvertis en sources de connaissances sélectionnées et vérifiées qui injectent directement des connaissances linguistiques spécifiques à l’entreprise dans les flux de travail des LLM. Les TM de haute qualité et propres font de plus en plus la différence, que vous soyez en train d’affiner ou de construire une architecture RAG.

Les approches de traduction multi-agents ont attiré un peu d’attention, mais la conclusion honnête est qu’elles restent encore expérimentales. Le jury est encore en suspens pour savoir si la génération de type comité est prête à être produite prochainement.

Terminologie et style : progrès, mais pas résolus

S’il y avait un thème qui traversait presque chaque session, c’était celui-ci : traduire une langue générale est en grande partie facile. Traduire régulièrement du contenu spécialisé ne l’est pas.

La gestion terminologique reste l’un des défis de production non résolus les plus importants du domaine. Une grande partie du programme technique portait sur la traduction de terminologie, le contenu biomédical, la traduction juridique et l’adaptation spécifique au domaine, et la frustration était palpable. Le respect du guide de style est revenu à plusieurs reprises comme point de douleur commun, sans que personne ne prétende l’avoir résolu.

Les chercheurs ont montré que les LLM présentent des empreintes stylistiques claires et mesurables comparées aux traducteurs humains : densité lexicale plus élevée, vocabulaire plus sophistiqué, tendance à abuser des tirets et à sous-utiliser les ellipses, ainsi que des motifs distinctifs de longueur de phrase. Les tentatives d’inciter les LLM à imiter des traducteurs littéraires spécifiques ont pour la plupart échoué, avec des effets de famille modèle (GPT vs. Claude) plus forts que le style lui-même.

Une conclusion clé : les LLM ont rendu le style mesurable, mais ils n’ont pas résolu le problème. Les traducteurs humains restent dans un espace stylistique clairement distinct que les modèles modernes peuvent approcher mais ne peuvent pas atteindre complètement. Le post-montage par IA peut améliorer la conformité au style et à la terminologie, mais les modèles surmontent fréquemment et le retour humain reste essentiel pour obtenir les résultats là où ils doivent être.

L’ajustement fin reste important

Il n’y a pas si longtemps, l’idée que l’incitation remplacerait l’adaptation du modèle était très enthousiaste. Les preuves de la conférence ne le confirment pas. De nombreux articles ont montré des bénéfices évidents grâce à un ajustement spécifique à chaque domaine dans les domaines juridique, biomédical, littéraire et technique. Un EuroLLM-22B adapté à la LoRA a surpassé Claude Sonnet de loar en matière de traduction législative de l’UE.

Le point plus large : pour les cas d’utilisation où la précision terminologique, les exigences de style ou les contraintes réglementaires sont critiques, l’adaptation spécialisée reste précieuse. Les incitations et la récupération sont des outils de plus en plus importants, mais ils ne remplacent pas l’expertise du domaine intégrée dans un modèle.

Le prompting a plus de nuances que ce que la plupart pensent

Notre article sur l’optimisation manuelle versus automatisée des prompts (DSPy et GEPA) a suscité beaucoup de curiosité lors de notre séance d’affiches. La plupart des participants n’avaient jamais entendu parler de GEPA, et beaucoup ont immédiatement vu sa pertinence face à leurs propres défis de mise à l’échelle. La conversation ne s’est pas arrêtée à l’heure et nous sommes restés là pendant la pause café. Slator a rapporté les recherches de Smartling, notant que l’optimisation automatisée réduisait l’écart avec les prompts d’experts pour la terminologie et la traduction, tandis que le jugement expert menait toujours à la détection d’erreurs LQA.

Plus largement, la conférence a renforcé que la conception prompte n’est pas un problème résolu. La structure compte plus que la langue : un rôle complet + contexte + audience + propos de but réduit systématiquement les erreurs de style entre les études. Les invites en langue cible étaient préférées par les linguistes experts aux invites en langue source. Et l’optimisation automatisée ne l’emporte pas toujours ; Cela dépend beaucoup de la tâche.

Les langages à faible ressources restent la frontière la plus difficile

Malgré des progrès significatifs dans les paires de langues à forte richesse en ressources, les langues à faible ressource et minoritaires restent un problème difficile et largement non résolu. Les LLM confondent encore les variétés minoritaires avec les standards dominants, le valencien s’effondrant dans le catalan standard comme exemple qui est apparu. La génération synthétique de données parallèles et la distillation de connaissances basée sur le RAGE sont les approches les plus prometteuses, mais les nouveaux ensembles de données pour les langues sous-financées restent rares.

NMT n’est pas mort dans ce domaine non plus. Dans les contextes institutionnels riches en données, les modèles spécialisés peuvent toujours l’emporter, principalement parce qu’ils ont accès à d’énormes données d’entraînement spécifiques à un domaine, ce qui rend l’investissement rentable.

L’évaluation est le goulot d’étranglement évoqué

Générer des traductions est devenu un problème plus facile à résoudre. Définir et mesurer de manière fiable leur qualité est là où le domaine est bloqué.

Les métriques traditionnelles comme BLEU et TER sont de plus en plus insuffisantes pour des cas d’usage réels. Un mauvais choix de genre peut à peine affecter le TER mais constituer une erreur critique dans le contexte. Les métriques automatisées, y compris les métriques traditionnelles et les approches LLM en tant que juge, ne parviennent toujours pas à capturer de manière fiable la qualité au niveau du document. Et comme l’a dit un intervenant : sans une meilleure évaluation, l’industrie risque d’optimiser dans la mauvaise direction.

Le déploiement interne devient une véritable priorité

Un autre thème majeur était l’importance stratégique croissante des LLM internes et sur site. Les flux de travail gouvernementaux, juridiques, parlementaires et d’entreprise ne peuvent souvent tout simplement pas envoyer de contenu sensible vers des API externes. Les exigences de résidence en données sont réelles, et elles ne disparaîtront pas.

Cela crée un véritable marché pour des modèles plus petits, déployables localement et spécialisés, non pas parce qu’ils sont nécessairement meilleurs que les systèmes Frontier en qualité brute, mais parce qu’ils sont contrôlables. La facilité de déploiement, le support des glossaires, la gestion des guides de style, l’intégration de la mémoire de traduction et une histoire de sécurité crédible sont de véritables différenciateurs pour une large part du marché.

Ce que nous emportons avec nous

EAMT 2026 a confirmé quelque chose dont nous sommes très attachés chez Smartling : l’avenir de la traduction en production, ce ne sont pas seulement de meilleurs modèles. C’est une infrastructure de traduction contrôlable, auditable, spécifique à un domaine et sécurisée, construite sur des LLM puissants, fondée sur une mémoire de récupération et de traduction, adaptée à des domaines spécifiques, et affinée par des humains pour des contenus à enjeux élevés. Nous sommes également sur la bonne voie en ce qui concerne les problèmes ouverts, notamment l’évaluation, la terminologie, le style et les langages à faible richesse.

Nous sommes reconnaissants à l’EAMT d’avoir créé l’espace pour ces conversations, ainsi qu’aux chercheurs et praticiens qui ont partagé leur travail si ouvertement. À l’année prochaine.

Des questions sur nos recherches ou sur la manière dont Smartling aborde ces défis ? Prenez contact avec nous.