Choisir un modèle d’embeddings pour du texte français est une décision que l’on traite souvent trop vite, en prenant le modèle le plus cité ou celui que propose par défaut la plateforme. C’est une erreur, parce que la qualité d’un embedding varie fortement selon la langue, et qu’un modèle excellent en anglais peut être médiocre sur des documents français. Cette différence se répercute directement sur la qualité de votre recherche sémantique.
Un modèle d’embeddings transforme un texte en un vecteur de nombres, de façon que les textes proches par le sens aient des vecteurs proches. La façon dont cette proximité est apprise dépend des données d’entraînement. Un modèle entraîné massivement sur l’anglais a une représentation du français moins fine, et ses classements deviennent approximatifs sur des textes courts ou techniques.
Cet article fait le point sur les options disponibles pour le français, les critères de choix, et la méthode pour trancher sur vos propres données. L’objectif est de vous éviter de sélectionner un modèle sur une réputation, puis de découvrir après coup que vos requêtes passent à côté des bons documents.
Multilingue ou spécialisé : le premier arbitrage
La première décision oppose deux familles. Les modèles multilingues, comme les variantes de BGE-M3, E5-multilingual ou les modèles d’OpenAI, couvrent de nombreuses langues dont le français, et permettent de traiter des corpus mixtes avec un seul modèle. Les modèles spécialisés français, entraînés ou affinés sur du texte français, offrent souvent une meilleure précision sur cette langue, mais imposent une langue unique.
Le choix dépend de votre corpus. Si vos documents sont exclusivement en français et que vos requêtes le sont aussi, un modèle spécialisé français mérite d’être testé en priorité, car il a généralement un avantage mesurable sur les benchmarks francophones. Si votre corpus mélange les langues, ou si vos utilisateurs posent des questions dans une langue différente de celle des documents, le multilingue s’impose.
Il faut aussi considérer la maintenance : un modèle multilingue unique simplifie la chaîne, là où un modèle par langue multiplie les composants à gérer. Cet argument logistique pèse dans les environnements où la simplicité d’exploitation est une contrainte.
Les benchmarks donnent une direction, pas une réponse
Les classements publics, comme le MTEB et ses déclinaisons francophones, sont un bon point de départ pour écarter les modèles visiblement faibles. Ils comparent les modèles sur des tâches de similarité, de classification et de recherche, et donnent une idée de leur niveau général sur le français.
Leur limite est qu’ils mesurent des performances sur des corpus de référence, pas sur le vôtre. Un modèle bien classé sur du texte général peut se comporter différemment sur un corpus juridique, comptable ou technique, où le vocabulaire et les formulations diffèrent fortement de la moyenne. Le benchmark oriente, il ne décide pas.
La règle pratique est donc d’utiliser le benchmark pour établir une liste courte de trois ou quatre candidats crédibles, puis de passer à l’évaluation sur vos propres données. Ce qui compte, c’est la performance sur vos documents, pas le score publié.
Les dimensions, le coût et la latence
Au-delà de la langue, trois critères techniques entrent en jeu. La dimension du vecteur, d’abord : les modèles vont de quelques centaines à plusieurs milliers de dimensions, et cette taille conditionne l’espace de stockage et la vitesse de recherche. Un modèle plus grand n’est pas forcément meilleur, il est surtout plus coûteux à servir.
Le coût de génération ensuite : selon que vous générez les embeddings via une API payante ou en local sur vos propres serveurs, le prix par document varie considérablement. Pour un corpus de quelques milliers de documents, la différence est négligeable. Pour des millions, elle devient un poste budgétaire.
La latence enfin, qui compte surtout si vous générez des embeddings à la volée, sur chaque requête entrante. Dans la plupart des systèmes, on génère les embeddings des documents une fois, hors ligne, et seul celui de la requête est calculé en ligne. La latence pèse alors peu, et la qualité prime sur la vitesse.
La mesure sur vos données : la seule qui tranche
La méthode fiable consiste à constituer un jeu d’évaluation : une cinquantaine de requêtes réelles, avec pour chacune le ou les documents attendus. On génère les embeddings du corpus avec chaque modèle candidat, on lance les requêtes, et l’on mesure le taux de réussite, c’est-à-dire la proportion de requêtes pour lesquelles le bon document ressort dans les premiers résultats.
Cette mesure est rapide à mettre en place et donne un verdict clair. Elle révèle souvent des écarts que les benchmarks ne montraient pas : un modèle peut être excellent sur du français général et décevant sur vos documents, ou l’inverse. C’est exactement ce que vous devez savoir avant de vous engager.
Le jeu d’évaluation devient ensuite un actif durable : à chaque changement de modèle ou de paramètre, vous relancez la mesure et vous voyez si vous avez gagné. C’est la différence entre choisir un modèle une fois pour toutes et gérer sa recherche comme un système qu’on améliore en continu.
Le reclassement, le correctif qui vaut plus qu’un meilleur modèle
Une observation revient dans la pratique : changer de modèle d’embeddings apporte des gains limités une fois passé un certain niveau, alors qu’ajouter une étape de reclassement apporte souvent plus. Le reclassement consiste à repasser les candidats récupérés par un modèle spécialisé qui relit la requête et chaque passage, et réordonne finement.
Ce modèle de reclassement, souvent multilingue lui aussi, rattrape une partie des erreurs que l’embedding laisse passer, parce qu’il compare la requête et le document directement, sans passer par la distance entre vecteurs. Pour du français technique, c’est là que se gagne la précision sur les cas difficiles.
Concrètement, une chaîne efficace pour le français combine un embedding multilingue correct pour la récupération large, et un reclassement multilingue pour affiner le haut du classement. C’est plus robuste que de courir après le modèle d’embeddings le plus récent.
L’accompagnement Agenticiel pour vos embeddings français
Choisir et évaluer un modèle d’embeddings sur un corpus français demande une méthode que peu d’équipes appliquent faute de temps. Agenticiel vous aide à constituer le jeu d’évaluation, à tester les modèles candidats et à mettre en place la chaîne de récupération la plus adaptée à vos documents.
Nous construisons le pipeline complet, de la génération des vecteurs au reclassement, avec une mesure de qualité sur vos requêtes réelles plutôt que sur des scores publiés. Le développement est assuré par une équipe offshore francophone, basée à Madagascar, qui travaille dans votre langue et sur votre fuseau horaire. La sous-traitance de développement vous permet de mettre ce système en place sans constituer une équipe interne spécialisée en traitement du langage.
Notre approche consiste à mesurer sur vos données avant de choisir : nous testons les modèles candidats sur vos propres requêtes, et nous ne retenons que celui qui gagne chez vous, pas celui qui gagne dans les classements.