Ce que nous avons appris à l’EAMT 2026

Cette année, trois membres de notre équipe ont vu des communications acceptées à l’EAMT, la conférence annuelle de l’Association européenne pour la traduction automatique 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 dans l’ensemble du programme, nous avons eu une vision assez claire de la position de la recherche en MT en 2026, et de l’endroit où elle a encore beaucoup de chemin à parcourir.

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

Voici nos plus grandes leçons :

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

Personne à EAMT ne demandait plus s’il fallait utiliser des LLM pour la traduction. Cette question est réglée. La conversation a complètement changé sur la façon 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 LLM plus mémoire de traduction plus récupération. Les mémoires de traduction ne disparaîtront pas. Ils sont réutilisés comme sources de connaissances sélectionnées et vérifiées qui injectent directement des connaissances linguistiques propres 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 ajustiez ou que vous construisiez une architecture RAG.

Les approches de traduction multi-agents ont attiré l’attention, mais la conclusion honnête est qu’elles restent expérimentales. On ne sait pas si la production de type comité sera prête à être produite bientôt.

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 du contenu spécialisé de façon constante ne l’est pas.

La gestion terminologique demeure l’un des défis de production non résolus les plus importants sur le terrain. 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 revenait sans cesse comme un point de douleur partagé, sans que personne ne prétende l’avoir résolu.

Les chercheurs ont montré que les LLM ont 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 ne l’ont pas résolu. Les traducteurs humains restent dans un espace stylistique clairement distinct que les modèles modernes peuvent approcher sans atteindre complètement. Le post-montage par IA peut améliorer la conformité au style et à la terminologie, mais les modèles surmontent fréquemment et la rétroaction humaine demeure essentielle pour obtenir les résultats où ils doivent être.

L’ajustement fin est toujours important

Il n’y a pas si longtemps, il y avait beaucoup d’enthousiasme à l’idée que les incitations remplaceraient l’adaptation du modèle. Les preuves de la conférence ne le confirment pas. Plusieurs articles ont démontré des bénéfices évidents grâce à l’ajustement spécifique à chaque domaine dans les domaines juridique, biomédical, littéraire et technique. Un EuroLLM-22B adapté à la LoRA a largement surpassé Claude Sonnet sur la 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 essentielles, l’adaptation spécialisée demeure précieuse. Le prompting et la récupération sont des outils de plus en plus importants, mais ils ne remplacent pas l’expertise de 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 d’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 des questions 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 rapide n’est pas un problème résolu. La structure compte plus que la langue : un rôle complet + contexte + audience + objectif réduit constamment les erreurs de style entre les études. Les questions en langue cible étaient préférées par des linguistes experts aux questions en langue source. Et l’optimisation automatisée ne l’emporte pas toujours; Ça dépend beaucoup de la tâche.

Les langues à faibles ressources demeurent 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 demeurent 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 étant un exemple. La génération synthétique de données parallèles et la distillation de connaissances basée sur le RAG sont les approches les plus prometteuses, mais les nouveaux ensembles de données pour les langues sous-financées restent rares.

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

L’évaluation est le goulot d’étranglement discuté

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

Les métriques traditionnelles comme BLEU et TER sont de plus en plus insuffisantes pour des cas d’utilisation réels. Un mauvais choix de genre peut à peine affecter le TER, mais c’est 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 des documents. 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 vraie 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 spécialisés plus petits, déployables localement, non pas parce qu’ils sont nécessairement meilleurs que les systèmes de pointe 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 un large segment du marché.

Ce qu’on ramène avec nous

EAMT 2026 a confirmé quelque chose dont nous sommes très attachés chez Smartling : l’avenir de la traduction en production, ce n’est pas seulement de meilleurs modèles. C’est une infrastructure de traduction contrôlable, auditable, spécifique à un domaine et sécurisée, construite sur des LLM solides, basée sur la mémoire de récupération et de traduction, adaptée à des domaines spécifiques et raffinée par des humains pour un contenu à enjeux élevés. Nous sommes aussi sur la bonne voie en ce qui concerne le travail sur les problèmes ouverts, y compris l’évaluation, la terminologie, le style et les langages à faibles ressources.

Nous sommes reconnaissants envers EAMT d’avoir créé l’espace pour ces conversations, ainsi qu’envers les chercheurs et praticiens qui ont partagé leur travail si ouvertement. À l’an prochain.

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