Traduction Évolutionnaire / Basée sur la Recherche

L'idée : Générer plusieurs traductions candidates, les évaluer par rapport à une fonction d'adaptation (chrF++, acceptation FST, cohérence aller-retour), muter les meilleurs performants, et répéter. Sélection naturelle pour les traductions — les plus aptes survivent.

:::info Ceci est un recueil de recettes, non une implémentation finalisée Ceci est l'approche la plus expérimentale de la série de recueils. Elle n'a pas été éprouvée pour la TA à grande échelle, mais l'architecture est solide et le harnais évaluera volontiers tout ce qu'elle produit. :::

Quand l'Utiliser

• Vous disposez d'une bonne fonction d'évaluation mais aucun modèle unique ne produit des résultats cohérents
• Vous souhaitez explorer l'espace des solutions plus largement qu'une génération gloutonne unique
• Vous avez un budget de calcul pour de nombreuses générations parallèles (des dizaines de candidates par entrée)
• Vous êtes intéressé par la recherche novatrice — cette approche est peu explorée pour la TA en ressources limitées

Comment Cela Fonctionne

[Generation 0]    Generate N candidates (different models, temperatures, prompts)
       │
       ▼
[Score]           Evaluate each candidate: chrF++, FST acceptance, fluency
       │
       ▼
[Select]          Keep top K performers
       │
       ▼
[Mutate]          Prompt an LLM: "improve this translation, fix these issues"
       │
       ▼
[Generation 1]    Score again. Repeat for G generations.
       │
       ▼
[Output]          Best-scoring candidate from final generation

Squelette

async def evolutionary_translate(source, reference=None, generations=3, pop_size=8):
    # Generation 0: diverse candidates
    population = []
    for model in ["gemini-2.5-pro", "gpt-4o", "claude-sonnet-4-6"]:
        for temp in [0.3, 0.7, 1.0]:
            candidate = await translate(source, model=model, temperature=temp)
            population.append(candidate)
    
    for gen in range(generations):
        # Score each candidate
        scored = [(c, score(c, reference)) for c in population]
        scored.sort(key=lambda x: x[1], reverse=True)
        
        # Select top K
        survivors = [c for c, s in scored[:pop_size // 2]]
        
        # Mutate: ask LLM to improve each survivor
        mutants = []
        for survivor in survivors:
            mutant = await improve(source, survivor, feedback=scored[0])
            mutants.append(mutant)
        
        population = survivors + mutants
    
    return max(population, key=lambda c: score(c, reference))

Conception de la Fonction d'Adaptation

La fonction d'adaptation est essentielle. Options :

Métrique	Ce qu'elle Mesure	Automatisée ?
chrF++ par rapport à la référence	Similarité au niveau des caractères avec l'or	✅ Oui
Taux d'acceptation FST	Validité morphologique	✅ Oui (si FST disponible)
Cohérence aller-retour	La rétrotraduction récupère-t-elle la source ?	✅ Oui
LLM-as-judge	Un autre LLM évalue la fluidité/exactitude	✅ Oui (mais bruyant)
Présence de termes du dictionnaire	Les termes connus apparaissent-ils correctement ?	✅ Oui

:::tip Combinez plusieurs signaux Une combinaison pondérée de métriques crée une fonction d'adaptation plus robuste qu'une seule métrique. Cela reflète le score composite du harnais lui-même. :::

Avantages et Inconvénients

✅ Explore des solutions diverses	❌ Coûteux en calcul (N × G appels API)
✅ Peut découvrir des approches qu'aucun modèle unique ne trouve	❌ Nécessite une bonne fonction d'adaptation
✅ Parallélisable	❌ Lent — plusieurs générations par traduction
✅ Agnostique au modèle	❌ Rendements décroissants après quelques générations

S'Associe Bien Avec

• Modèles Chaînés — l'étape de mutation est une forme de chaînage
• Pipeline Contrôlé par FST — acceptation FST comme signal d'adaptation
• LLM Augmenté par Dictionnaire — présence de termes du dictionnaire comme signal d'adaptation

Voir Aussi

• Spécification de Carte d'Exécution — le coût et la latence sont enregistrés par entrée
• Harnais d'Évaluation — le harnais évalue votre résultat final, non votre processus
• Supporter une Langue en Ressources Limitées