PrismML et les langues non latines : peu de preuves à ce stade

Ce qui est réellement confirmé

Je ne dirais pas encore que le problème des langues non latines est résolu. Au 19 septembre 2026, la page de téléchargement des modèles PrismML mentionne une variante Bonsai/ternary g128 pour l'inférence textuelle et multimodale, mais cette formulation ne renseigne en rien sur la qualité selon les langues ou les systèmes d'écriture.

La fiche de l'ancien système Prism NMT sur Hugging Face apporte davantage de précisions. Elle annonce la prise en charge de 39 langues, dont l'arabe, le bengali, le chinois, le grec, l'hébreu, le japonais, le kazakh, le russe et l'ukrainien. Toutefois, figurer dans une liste de langues prises en charge ne garantit ni une précision, ni une robustesse, ni une qualité de génération identiques.

Le signal le plus utile se trouve dans le dépôt de comparaison PrismML-Bonsai-vs-Qwen3.5. Pour le persan, le score passe de 79,8 % à 66,7 %, puis à 45,2 % à mesure que les variantes deviennent plus compactes. Les auteurs décrivent le persan comme la capacité la plus sensible à la profondeur de bits, et c'est là que le constat devient intéressant : la compression touche non seulement la métrique globale, mais aussi une capacité linguistique précise.

Les documents de lancement de Ternary Bonsai font état d'améliorations sur un large ensemble de tests et d'une dégradation moindre par rapport aux modèles en pleine précision. Les données accessibles ne proposent toutefois pas de ventilation distincte pour les écritures non latines. La plainte d'un utilisateur sur les faibles performances d'une version précédente hors anglais paraît plausible, mais elle reste une observation, et non une comparaison contrôlée.

Pourquoi une liste de langues ne garantit rien

La conclusion principale est simple : prendre en charge plusieurs langues ne signifie pas disposer d'un modèle multilingue stable. C'est particulièrement vrai lorsqu'une compression forte dégrade de façon disproportionnée une langue donnée, comme le suggère le résultat en persan.

Pour des cas d'usage en russe, ukrainien, arabe et langues asiatiques, je regarderais d'abord les tests par écriture plutôt qu'un score moyen final. Il faut des tâches identiques en anglais et dans les langues non latines, une comparaison des configurations en pleine précision et compressées, ainsi que des vérifications de la tokenisation, du texte mixte et du maintien du format de réponse.

Tant que ces données n'existent pas, il est impossible d'affirmer que les nouvelles variantes ont corrigé la faiblesse de la version précédente. Les 39 langues annoncées montrent l'étendue de la couverture, mais la chute à 45,2 % rappelle le coût de cette étendue. La vraie question n'est plus de savoir si une langue est prise en charge, mais ce qu'il en reste après compression.

Nous avons déjà analysé comment les homoglyphes Unicode et les caractères non latins visuellement proches peuvent induire les agents d'IA en erreur. Cet aspect est particulièrement important pour évaluer les limites de PrismML face aux entrées multilingues.