Support multilingue
Claude excelle dans les tâches impliquant plusieurs langues, maintenant de solides performances interlinguistiques par rapport à l’anglais.
Aperçu
Claude démontre de solides capacités multilingues, avec des performances particulièrement fortes dans les tâches sans exemple préalable (zero-shot) à travers différentes langues. Le modèle maintient des performances relatives constantes aussi bien dans les langues largement parlées que dans celles disposant de moins de ressources, ce qui en fait un choix fiable pour les applications multilingues.
Notez que Claude est capable de traiter de nombreuses langues au-delà de celles évaluées ci-dessous. Nous vous encourageons à tester avec toutes les langues pertinentes pour vos cas d’utilisation spécifiques.
Données de performance
Ci-dessous se trouvent les scores d’évaluation zero-shot chain-of-thought pour Claude 4, Claude 3.7 Sonnet et les modèles Claude 3.5 dans différentes langues, présentés en pourcentage relatif aux performances en anglais (100%) :
| Langue | Claude Opus 41 | Claude Sonnet 41 | Claude Sonnet 3.71 | Claude Sonnet 3.5 v2 | Claude Haiku 3.5 |
|---|---|---|---|---|---|
| Anglais (référence, fixé à 100%) | 100% | 100% | 100% | 100% | 100% |
| Espagnol | 98,0% | 97,5% | 97,6% | 96,9% | 94,6% |
| Portugais (Brésil) | 97,3% | 97,2% | 97,3% | 96,0% | 94,6% |
| Italien | 97,5% | 97,3% | 97,2% | 95,6% | 95,0% |
| Français | 97,7% | 97,1% | 96,9% | 96,2% | 95,3% |
| Indonésien | 97,2% | 96,2% | 96,3% | 94,0% | 91,2% |
| Allemand | 97,1% | 94,7% | 96,2% | 94,0% | 92,5% |
| Arabe | 96,9% | 96,1% | 95,4% | 92,5% | 84,7% |
| Chinois (simplifié) | 96,7% | 95,9% | 95,3% | 92,8% | 90,9% |
| Coréen | 96,4% | 95,9% | 95,2% | 92,8% | 89,1% |
| Japonais | 96,2% | 95,6% | 95,0% | 92,7% | 90,8% |
| Hindi | 96,7% | 95,8% | 94,2% | 89,3% | 80,1% |
| Bengali | 95,2% | 94,4% | 92,4% | 85,9% | 72,9% |
| Swahili | 89,5% | 87,1% | 89,2% | 83,9% | 64,7% |
| Yoruba | 78,9% | 76,4% | 76,7% | 64,9% | 46,1% |
1 Avec réflexion étendue.
Ces métriques sont basées sur les ensembles de tests anglais MMLU (Massive Multitask Language Understanding) qui ont été traduits dans 14 langues supplémentaires par des traducteurs professionnels, comme documenté dans le dépôt simple-evals d’OpenAI. L’utilisation de traducteurs humains pour cette évaluation garantit des traductions de haute qualité, ce qui est particulièrement important pour les langues disposant de moins de ressources numériques.
Meilleures pratiques
Lorsque vous travaillez avec du contenu multilingue :
- Fournissez un contexte linguistique clair : Bien que Claude puisse détecter automatiquement la langue cible, indiquer explicitement la langue d’entrée/sortie souhaitée améliore la fiabilité. Pour une meilleure fluidité, vous pouvez demander à Claude d’utiliser “un langage idiomatique comme s’il était un locuteur natif.”
- Utilisez les scripts natifs : Soumettez le texte dans son script natif plutôt qu’en translittération pour des résultats optimaux
- Tenez compte du contexte culturel : Une communication efficace nécessite souvent une sensibilité culturelle et régionale au-delà de la simple traduction
Nous vous suggérons également de suivre nos directives générales d’ingénierie des prompts pour améliorer les performances de Claude.
Considérations sur la prise en charge des langues
- Claude traite les entrées et génère des sorties dans la plupart des langues mondiales utilisant des caractères Unicode standard
- Les performances varient selon la langue, avec des capacités particulièrement fortes dans les langues largement parlées
- Même dans les langues disposant de moins de ressources numériques, Claude maintient des capacités significatives