Support multilingue

Claude excelle dans les tâches multilingues, maintenant une performance cross-linguale solide par rapport à l'anglais.

Aperçu

Claude démontre des capacités multilingues robustes, avec une performance particulièrement forte dans les tâches zero-shot dans plusieurs langues. Le modèle maintient une performance relative cohérente dans les langues largement parlées et les langues à ressources limitées, ce qui en fait un choix fiable pour les applications multilingues.

Notez que Claude est capable dans de nombreuses langues au-delà de celles évaluées ci-dessous. Envisagez de tester avec toute langue pertinente pour vos cas d'usage spécifiques.

Données de performance

Ci-dessous se trouvent les scores d'évaluation zero-shot chain-of-thought pour les modèles Claude dans différentes langues, affichés en pourcentage relatif à la performance en anglais (100%) :

Langue	Claude Opus 4.1¹	Claude Opus 4 (deprecated)¹	Claude Sonnet 4.5¹	Claude Sonnet 4 (deprecated)¹	Claude Haiku 4.5¹
Anglais (baseline, fixé à 100%)	100%	100%	100%	100%	100%
Espagnol	98.1%	98.0%	98.2%	97.5%	96.4%
Portugais (Brésil)	97.8%	97.3%	97.8%	97.2%	96.1%
Italien	97.7%	97.5%	97.9%	97.3%	96.0%
Français	97.9%	97.7%	97.5%	97.1%	95.7%
Indonésien	97.3%	97.2%	97.3%	96.2%	94.2%
Allemand	97.7%	97.1%	97.0%	94.7%	94.3%
Arabe	97.1%	96.9%	97.2%	96.1%	92.5%
Chinois (Simplifié)	97.1%	96.7%	96.9%	95.9%	94.2%
Coréen	96.6%	96.4%	96.7%	95.9%	93.3%
Japonais	96.9%	96.2%	96.8%	95.6%	93.5%
Hindi	96.8%	96.7%	96.7%	95.8%	92.4%
Bengali	95.7%	95.2%	95.4%	94.4%	90.4%
Swahili	89.8%	89.5%	91.1%	87.1%	78.3%
Yoruba	80.3%	78.9%	79.7%	76.4%	52.7%

¹ Avec extended thinking.

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 humains professionnels, comme documenté dans le référentiel simple-evals d'OpenAI. L'utilisation de traducteurs humains pour cette évaluation garantit des traductions de haute qualité, particulièrement importante pour les langues disposant de moins de ressources numériques.

Bonnes pratiques

Lorsque vous travaillez avec du contenu multilingue :

Fournissez un contexte linguistique clair : Bien que Claude puisse détecter automatiquement la langue cible, énoncer explicitement la langue d'entrée/sortie souhaitée améliore la fiabilité. Pour une fluidité améliorée, vous pouvez inviter Claude à utiliser « un langage idiomatique comme s'il était un locuteur natif ».
Utilisez des scripts natifs : Soumettez le texte dans son script natif plutôt que sa translittération pour des résultats optimaux
Considérez le contexte culturel : Une communication efficace nécessite souvent une sensibilité culturelle et régionale au-delà de la simple traduction

Suivez également les directives générales d'ingénierie des invites pour mieux améliorer la performance de Claude.

Considérations relatives au support linguistique

Claude traite l'entrée et génère la sortie dans la plupart des langues mondiales qui utilisent des caractères Unicode standard
La performance varie 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

Guide d'ingénierie des invites

Maîtrisez l'art de la rédaction d'invites pour tirer le meilleur parti de Claude.

Was this page helpful?

ConstruireCapacités du modèle