La recherche francophone en TAL : laboratoires, conférences et modèles de langue français
Le traitement automatique des langues (TAL) a une longue histoire en français, bien antérieure à la vague des grands modèles de langue. Une communauté scientifique organisée, des laboratoires répartis dans toute la francophonie et, depuis quelques années, des modèles conçus pour le français : voici une carte pour s'y retrouver, que l'on soit étudiant, chercheur d'une discipline voisine ou simple curieux.
Une communauté ancienne : l'ATALA, TALN et la revue TAL
L'Association pour le traitement automatique des langues (ATALA) est la société savante francophone du domaine. Fondée en 1959, à l'époque des premiers travaux de traduction automatique, elle publie la revue TAL (Traitement automatique des langues), l'une des rares revues scientifiques du domaine qui accepte des articles en français, et organise la conférence annuelle TALN (Traitement automatique des langues naturelles). TALN, qui réunit chaque année depuis le milieu des années 1990 une partie importante de la communauté francophone, est souvent associée à RECITAL, sa session destinée aux doctorants, et parfois aux Journées d'études sur la parole (JEP) pour les recherches sur l'oral.
Les actes de TALN sont en grande partie accessibles librement, notamment dans l'ACL Anthology, l'archive ouverte de l'Association for Computational Linguistics. C'est un bon point de départ pour trouver des travaux en français sur des sujets précis : morphologie, terminologie, langues régionales, analyse de textes médicaux ou juridiques.
Où se fait la recherche
En France, le TAL se pratique dans des laboratoires d'informatique, de linguistique ou de sciences cognitives, souvent rattachés au CNRS, à Inria ou aux universités. Sans prétendre à l'exhaustivité, on peut citer :
- à Paris et en Île-de-France : l'équipe ALMAnaCH d'Inria (à l'origine de CamemBERT et du corpus OSCAR), le Laboratoire interdisciplinaire des sciences du numérique (LISN, à Paris-Saclay, héritier du LIMSI, réputé pour la parole et la traduction) et le Laboratoire de linguistique formelle (LLF), qui a constitué le French Treebank ;
- à Grenoble : l'équipe GETALP du Laboratoire d'informatique de Grenoble, à l'origine de FlauBERT et du banc d'essai FLUE ;
- à Nancy : le LORIA et l'ATILF, laboratoire de lexicologie qui maintient le Trésor de la langue française informatisé (TLFi) et Frantext, diffusés notamment par le CNRTL ;
- à Marseille, Nantes, Toulouse, Avignon, Lille et ailleurs : des équipes qui travaillent sur l'analyse sémantique, le dialogue, la parole ou les textes de spécialité.
Hors de France, la francophonie compte d'autres pôles : au Québec, le RALI de l'Université de Montréal a une longue tradition en traduction automatique et en terminologie, dans un contexte où l'Office québécois de la langue française tient le Grand dictionnaire terminologique ; en Belgique, le CENTAL de l'UCLouvain ; en Suisse, l'Idiap à Martigny pour la parole, ainsi que les universités de Genève et de Zurich. Beaucoup de ces équipes publient surtout en anglais, dans les conférences internationales : le français est leur objet d'étude, pas toujours leur langue de publication.
Le calcul : le supercalculateur Jean Zay
Entraîner un modèle de langue demande une puissance de calcul que peu de laboratoires possèdent. En France, une grande partie de ces travaux s'appuie sur Jean Zay, le supercalculateur du CNRS exploité par l'IDRIS (Institut du développement et des ressources en informatique scientifique) et financé via GENCI, l'opérateur public du calcul intensif. Les chercheurs y obtiennent des heures de calcul sur dossier. FlauBERT et BLOOM ont été entraînés sur Jean Zay, comme l'indiquent leurs fiches.
Les modèles de langue conçus pour le français
Depuis 2019, plusieurs modèles ont été entraînés spécifiquement pour le français, ou avec une part importante de français. Les chiffres ci-dessous proviennent de leurs fiches publiques.
- CamemBERT (2019-2020) : un modèle de type BERT (architecture RoBERTa) pour le français, développé par Inria et Facebook AI Research et présenté à la conférence ACL 2020. Sa version de base compte 110 millions de paramètres et a été entraînée sur 138 Go de texte issu d'OSCAR. Licence MIT. C'est un modèle d'encodage : il sert à classer, étiqueter ou rechercher des textes, pas à en générer.
- FlauBERT (2020) : un modèle de la même famille, présenté à la conférence LREC 2020 par des équipes de Grenoble et de Paris, entraîné sur un corpus français varié, et publié avec FLUE, une batterie de tests pour le français. Licence MIT.
- BLOOM (2022) : un modèle génératif de 176 milliards de paramètres, issu du projet collaboratif international BigScience coordonné par Hugging Face, financé en partie par l'État français à travers l'accès au supercalculateur Jean Zay. Il a été entraîné sur 46 langues naturelles, dont le français, et diffusé sous une licence « responsable » (RAIL) qui encadre certains usages.
- CroissantLLM (2024) : un modèle génératif compact (1,3 milliard de paramètres) entraîné sur 3 000 milliards de tokens avec autant de français que d'anglais, un choix inhabituel. Ses auteurs ont publié les données d'entraînement et un banc d'essai, FrenchBench. Licence MIT.
- Lucie-7B (2025) : un modèle génératif de 7 milliards de paramètres construit par l'entreprise LINAGORA et la communauté OpenLLM-France, entraîné sur environ 3 000 milliards de tokens dont 32,4 % de français et 33,2 % d'anglais. Licence Apache 2.0, données d'entraînement documentées.
Ces modèles n'ont pas tous le même degré d'ouverture : publier les poids n'est pas publier les données ni le code d'entraînement. Notre guide en anglais What makes a language model open? détaille cette gradation. Et comparer des modèles sur le français pose ses propres difficultés, que nous examinons dans comment évaluer un modèle de langue en français.
Pourquoi des modèles « pour le français » ?
Les grands modèles multilingues lisent et écrivent le français. Pourquoi, alors, en entraîner de spécifiques ? Les équipes avancent trois raisons.
- La découpe des mots. Un découpeur (tokenizer) appris surtout sur l'anglais coupe les mots français en davantage de morceaux, ce qui allonge les textes et coûte plus cher en calcul. Un modèle conçu pour le français utilise un vocabulaire adapté ; voir notre explication en anglais de la tokenisation.
- La transparence. Quand les données d'entraînement sont documentées, on peut vérifier ce que le modèle a vu, mesurer d'éventuelles fuites des bancs d'essai et respecter le droit applicable aux textes utilisés, un sujet que nous traitons dans la fouille de textes en droit français.
- La maîtrise. Un modèle plus petit, ouvert et bien documenté peut être installé sur ses propres serveurs, ce qui compte pour des administrations, des hôpitaux ou des entreprises qui traitent des textes sensibles.
Ces arguments n'impliquent pas qu'un modèle français soit meilleur en toutes circonstances : sur beaucoup de tâches, un grand modèle multilingue reste plus performant. C'est précisément pour trancher ces questions que des données et des bancs d'essai en français sont nécessaires ; notre inventaire des jeux de données en français recense ceux qui existent.
Suivre l'actualité du domaine
- Les actes de TALN et les numéros de la revue TAL, pour les travaux publiés en français.
- L'ACL Anthology, en filtrant par langue étudiée, pour les publications internationales sur le français.
- Les fiches des modèles et des jeux de données sur le Hub de Hugging Face, en vérifiant toujours la licence et la date de mise à jour.
Sources
- Martin et al., « CamemBERT: a Tasty French Language Model », ACL 2020, ACL Anthology ; fiche du modèle almanach/camembert-base (paramètres, données, licence).
- Le et al., « FlauBERT: Unsupervised Language Model Pre-training for French », LREC 2020, ACL Anthology ; fiche du modèle flaubert/flaubert_base_cased.
- Fiches des modèles bigscience/bloom, croissantllm/CroissantLLMBase et OpenLLM-France/Lucie-7B sur le Hub de Hugging Face, consultées en novembre 2026.
TAL en françaisÉvaluer un modèle en français
FLUE, XNLI, FQuAD, PIAF, FrenchBench : ce que mesurent les bancs d'essai francophones, et les pièges des tests traduits.
Données et droitJeux de données en français
Treebanks, oral, questions-réponses, textes juridiques, web et parole : où trouver des données en français, et ce que chaque licence permet.
Données et droitFouille de textes : le droit français
Exception pour la recherche, exception générale et opt-out, règlement sur l'IA, RGPD : ce que dit le droit français sur la copie de textes pour l'IA.