Prise en charge multilingue
Claude excelle dans les tâches dans de nombreuses langues, en maintenant de solides performances interlinguistiques par rapport à l'anglais.
Aperçu
Claude démontre de solides capacités multilingues, avec des performances particulièrement élevées dans les tâches « zero-shot » (sans exemple) dans toutes les langues. Le modèle maintient des performances relatives constantes aussi bien dans les langues largement parlées que dans les langues disposant de moins de ressources, ce qui en fait un choix fiable pour les applications multilingues.
Claude est compétent dans de nombreuses langues au-delà de celles évaluées dans le tableau suivant. Testez avec toutes les langues pertinentes pour vos cas d'utilisation spécifiques.
Données de performance
Le tableau suivant présente les scores d'évaluation « zero-shot chain-of-thought » (chaîne de raisonnement sans exemple) des modèles Claude dans différentes langues, exprimés en pourcentage par rapport aux performances en anglais (100 %) :
| Langue | Claude Sonnet 4.51 | Claude Haiku 4.51 |
|---|---|---|
| Anglais (référence, fixée à 100 %) | 100 % | 100 % |
| Espagnol | 98,2 % | 96,4 % |
| Portugais (Brésil) | 97,8 % | 96,1 % |
| Italien | 97,9 % | 96,0 % |
| Français | 97,5 % | 95,7 % |
| Indonésien | 97,3 % | 94,2 % |
| Allemand | 97,0 % | 94,3 % |
| Arabe | 97,2 % | 92,5 % |
| Chinois (simplifié) | 96,9 % | 94,2 % |
| Coréen | 96,7 % | 93,3 % |
| Japonais | 96,8 % | 93,5 % |
| Hindi | 96,7 % | 92,4 % |
| Bengali | 95,4 % | 90,4 % |
| Swahili | 91,1 % | 78,3 % |
| Yoruba | 79,7 % | 52,7 % |
1 Avec la réflexion étendue (« extended thinking »).
Définir la langue de réponse
Claude déduit la langue de réponse à partir de la conversation, mais pour les applications en production, vous devriez indiquer explicitement la langue cible. L'endroit le plus fiable pour le faire est le « system prompt » (invite système), qui maintient l'instruction stable à chaque tour d'une conversation.
client = anthropic.Anthropic()
message = client.messages.create(
model="claude-opus-5",
max_tokens=1024,
system="Always respond in French, regardless of the language the user writes in.",
messages=[{"role": "user", "content": "How do I reset my password?"}],
)
print(message.content)Si votre application permet aux utilisateurs de choisir une langue au moment de l'exécution, insérez ce choix dans l'invite système plutôt que de compter sur Claude pour le déduire du message de l'utilisateur. Pour traduire entre deux langues spécifiques, nommez les deux : Translate the user's message from German to Korean. Respond with only the translation.
Bonnes pratiques
Lorsque vous travaillez avec du contenu multilingue :
- Fournissez un contexte linguistique clair : bien que Claude puisse détecter automatiquement la langue cible, indiquer explicitement les langues d'entrée et de sortie souhaitées 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 écritures natives : soumettez le texte dans son écriture native plutôt qu'en translittération pour des résultats optimaux.
- Tenez compte du contexte culturel : une communication efficace nécessite souvent une sensibilité culturelle et régionale qui va au-delà de la simple traduction.
Suivez également les recommandations générales de l'aperçu de l'ingénierie de prompts pour améliorer davantage la qualité des résultats.
Considérations relatives à la prise en charge des langues
- Claude traite les entrées et génère des sorties dans la plupart des langues du monde qui utilisent des caractères Unicode standard.
- Les performances varient selon la langue, avec des capacités particulièrement élevées dans les langues largement parlées.
- Même dans les langues disposant de moins de ressources numériques, Claude conserve des capacités significatives.
Prochaines étapes
Appliquez des techniques générales de prompting pour améliorer la qualité des résultats multilingues.
Créez un chatbot de support localisé à l'aide d'une invite système contrainte à une langue.
Comparez les niveaux de modèles pour équilibrer la qualité multilingue par rapport au coût et à la latence.
Évaluez la qualité de la traduction et de la localisation avant la mise en production.
Was this page helpful?