Annexes - Code2Text

Renseignements complémentaires et benchmarks

Auteur
Affiliation

Matéo Morin

ENSAE Paris

Date de publication

30 août 2026

Rapport de stage · Annexes

1 Exemple de notice

La version anglaise pour la NACE 2025 est retrouvable en ligne à cette adresse, voici une des lignes :

  • Code : 24.53
  • Titre : Casting of light metals
  • Code du parent : 24.5
  • Niveau : 4
  • Includes : “This class includes:
    • activities of foundries of light metal
    • manufacture of castings made of aluminium
    • manufacture of castings made of magnesium
    • manufacture of castings made of titanium”
  • IncludesAlso : “This class also includes:
    • casting of dental implements, etc., of light metals”
  • Excludes : “This class excludes:
    • casting of metals not considered light metals, see 24.51, 24.5”

2 Détails sur la génération de texte

La génération de données textuelles a été réalisée grâce à des LLMs. L’Insee détient sa propre infrastructure de calcul, sur laquelle plusieurs modèles open-weight sont utilisables. Ces modèles pré-entrainés ont pour particularité d’être téléchargeables en ligne gratuitement (souvent sur HuggingFace) et déployables par n’importe qui à condition d’avoir les ressources nécessaires. Nous avons ainsi utilisé google/gemma-3-27b-it (Gemma Team et al. 2025) pour NaiveCode2Text.

Il est à savoir que d’autres modèles — par exemple openai/gpt-oss-120b (OpenAI 2025) — ont été testés initialement. Les différences entre les LLMs n’étant pas notables qualitativement, le choix a été de garder le modèle le plus utilisé par les équipes à l’Insee pour deux raisons. Déjà, celles-ci sont les plus susceptibles de reprendre les travaux réalisés, donc autant faciliter la reproductibilité du travail. Aussi, les modèles génératifs Gemma sont devenus agentiques à partir de Gemma 3, permettant des réflexions plus complexes, et surtout l’appel d’outils — fonction utile par la suite. google/gemma-4-26b-a4b-it (Google DeepMind 2026) est sorti malheureusement peu de temps après la génération de NaiveCode2Text, il ne sera utilisé que pour Code2ReText.

3 Benchmark des modèles LabelGuard

Voici les configurations essayées (les bibliothèque python sont indiquées entre parenthèses) :

  • Régression logistique (scikit learn)
  • SVM (scikit learn)
  • XGBoost (xgboost)
  • MLP (pytorch-lightning)

Voici les résultats associés :

Modèle C max_depth n_estimators hidden_layers dropout_layers lr Eval Acc Eval F1 Eval FPR Train Acc Train F1 Train FPR
mlp - - - [1024, 512, 256] [0.3, 0.2, 0] 0.001 0.9937 0.9937 0.0067 0.9990 0.9990 0.0006
mlp - - - [1024, 256] [0.3, 0] 0.001 0.9941 0.9941 0.0069 0.9987 0.9987 0.0010
mlp - - - [1024, 512, 256] [0.3, 0.2, 0] 0.010 0.9907 0.9907 0.0122 0.9963 0.9963 0.0044
mlp - - - [1024, 256] [0.3, 0] 0.010 0.9912 0.9912 0.0130 0.9962 0.9963 0.0056
logreg 10.0 - - - - - 0.9864 0.9864 0.0152 0.9897 0.9897 0.0115
svm 1.0 - - - - - 0.9847 0.9847 0.0160 0.9869 0.9869 0.0135
xgboost - 6 200 - - - 0.9850 0.9850 0.0171 0.9999 0.9999 0.0000
xgboost - 6 100 - - - 0.9786 0.9786 0.0251 0.9965 0.9965 0.0036
logreg 1.0 - - - - - 0.9706 0.9705 0.0292 0.9736 0.9736 0.0268
xgboost - 6 200 - - - 0.9757 0.9758 0.0302 0.9918 0.9918 0.0092
svm 0.1 - - - - - 0.9638 0.9636 0.0346 0.9657 0.9657 0.0339
xgboost - 6 50 - - - 0.9625 0.9626 0.0438 0.9784 0.9785 0.0259
xgboost - 6 200 - - - 0.9607 0.9608 0.0468 0.9744 0.9745 0.0311
xgboost - 3 200 - - - 0.9602 0.9604 0.0473 0.9693 0.9695 0.0368
xgboost - 6 100 - - - 0.9595 0.9597 0.0494 0.9727 0.9729 0.0333
logreg 0.1 - - - - - 0.9342 0.9337 0.0612 0.9339 0.9338 0.0640
xgboost - 6 100 - - - 0.9376 0.9380 0.0741 0.9483 0.9489 0.0623
xgboost - 3 100 - - - 0.9348 0.9352 0.0744 0.9412 0.9417 0.0671
xgboost - 6 50 - - - 0.9344 0.9349 0.0781 0.9441 0.9448 0.0669
xgboost - 3 200 - - - 0.9276 0.9279 0.0800 0.9318 0.9323 0.0757
xgboost - 6 50 - - - 0.9128 0.9136 0.0997 0.9202 0.9213 0.0929
xgboost - 3 50 - - - 0.9030 0.9033 0.1043 0.9061 0.9070 0.1028
xgboost - 3 200 - - - 0.8988 0.8992 0.1079 0.9000 0.9008 0.1076
xgboost - 3 100 - - - 0.8980 0.8986 0.1109 0.8999 0.9009 0.1093
xgboost - 6 200 - - - 0.8832 0.8847 0.1334 0.8878 0.8897 0.1277
xgboost - 6 100 - - - 0.8815 0.8834 0.1382 0.8852 0.8874 0.1331
xgboost - 3 100 - - - 0.8655 0.8662 0.1429 0.8664 0.8675 0.1409
xgboost - 3 50 - - - 0.8650 0.8658 0.1444 0.8662 0.8674 0.1426
xgboost - 6 50 - - - 0.8808 0.8838 0.1492 0.8843 0.8876 0.1437
xgboost - 3 50 - - - 0.8313 0.8307 0.1686 0.8346 0.8348 0.1658
xgboost - 3 200 - - - 0.7961 0.7938 0.1958 0.7960 0.7947 0.1969
xgboost - 3 100 - - - 0.7931 0.7911 0.2007 0.7946 0.7937 0.2000
xgboost - 3 50 - - - 0.7984 0.8007 0.2164 0.8006 0.8036 0.2138

4 Corrélation d’attributs de texte avec la discrimination LabelGuard

Attribut Corrélation (p-value)
Nombre de mots -0.0208 (0.0031***)
Taux de signes de ponctuation +0.0028 (0.6866)
Taux de ‘.’ +0.0440 (0.0000***)
Taux de ‘,’ -0.0142 (0.0436**)
Taux de ’: +0.0092 (0.1947)
Taux de séparateurs ronds (‘|’, ‘;’, ‘-’) -0.0037 (0.5998)
Taux de majuscules -0.0204 (0.0039***)
Commence par une majuscule +0.0118 (0.0938*)
Taux de chiffres +0.0191 (0.0067***)
Taux de stopwords +0.0236 (0.0008***)

5 Protocole détaillé de la Phase 1

Entraînement et régularisation

  • Nombre d’époques maximal : 15 cycles complets sur la base \mathcal{D}_{real\_train}.
  • Prévention du surapprentissage (Early Stopping) : Arrêt anticipé si la perte de validation sur \mathcal{D}_{val} ne s’améliore pas après une patience de 2 époques.

Critères d’évaluation pour la sélection de \theta^*

Les performances finales de chaque combinaison de la grille sont mesurées sur le jeu indépendant \mathcal{D}_{test} selon quatre axes clés : - l’exactitude (accuracy) pour sa prédiction, - la fréquence à laquelle le bon code apparait dans les top 3 et 5 de ses propositions, - le taux de prédictions confiantes (score supérieur à 0.70 pour un code), - l’accuracy des prédictions confiantes.

Modèle adopté

Voici le benchmark :

Text preprocessing Embedding dimension Learning Rate Test Accuracy - Top 1 Test Accuracy - Top 5 Confidence Coverage Rate Confidence Accuracy
True 512 0.001 0.8504 0.9655 0.7887 0.9371
True 512 0.0005 0.8494 0.9662 0.8321 0.924
True 1024 0.0005 0.8491 0.9665 0.792 0.9331
True 256 0.001 0.8478 0.9644 0.7859 0.9339
True 256 0.0005 0.8478 0.9644 0.7714 0.9395
False 512 0.0005 0.8475 0.9626 0.8051 0.929
False 1024 0.0005 0.8469 0.9628 0.7999 0.9301
False 256 0.0005 0.8463 0.9632 0.763 0.9426
False 512 0.001 0.8458 0.9617 0.7777 0.9363
False 1024 0.001 0.845 0.9621 0.797 0.9265
False 256 0.001 0.8434 0.9624 0.7754 0.9372
True 1024 0.0001 0.8434 0.9665 0.7294 0.953
True 1024 0.001 0.8428 0.9661 0.814 0.9244
True 128 0.001 0.8427 0.9625 0.7415 0.9453
False 128 0.001 0.8422 0.9606 0.8126 0.9266
False 1024 0.0001 0.8417 0.9609 0.7195 0.9487
True 64 0.001 0.8394 0.9569 0.7405 0.9453
True 128 0.0005 0.8349 0.9601 0.7379 0.9474
True 512 0.0001 0.8309 0.9555 0.7021 0.9492
False 64 0.001 0.8308 0.9553 0.7302 0.9464
False 128 0.0005 0.8285 0.9554 0.7353 0.9456
False 512 0.0001 0.8199 0.9463 0.6771 0.9514
True 64 0.0005 0.8148 0.9437 0.6859 0.9552
True 32 0.001 0.8127 0.9373 0.7018 0.9461
False 64 0.0005 0.808 0.9324 0.6758 0.9549
False 32 0.001 0.8074 0.9356 0.6856 0.9542
True 256 0.0001 0.8015 0.9293 0.6479 0.9526
False 256 0.0001 0.7898 0.9209 0.6259 0.9549
True 32 0.0005 0.7865 0.912 0.6561 0.9444
False 32 0.0005 0.7733 0.9055 0.6226 0.9568
True 128 0.0001 0.769 0.901 0.5692 0.9612
False 128 0.0001 0.7511 0.8823 0.5373 0.9627
True 64 0.0001 0.7071 0.85 0.3954 0.9686
False 64 0.0001 0.6807 0.8291 0.3539 0.9716
True 32 0.0001 0.5913 0.7791 0.2181 0.9893
False 32 0.0001 0.5596 0.75 0.2116 0.9904

Finalement, le modèle adopté a les propriétés suivantes :

  • d_{emb}^* = 256 : une plus grande dimension améliore peu les performances par rapport au risque de sur-apprentissage lorsque nous introduirons des données synthétiques ;
  • \eta^* = 5 \cdot 10^{-4} : meilleurs résultats
  • t = True : meilleurs résultats

6 Prompts de référence

System prompt du générateur (naïf et acteur)

Tu es un outil automatisé de génération de données synthétiques pour nomenclatures administratives françaises.

Tu n’es PAS un assistant conversationnel.

Tu ne poses JAMAIS de questions.

Tu ne demandes JAMAIS de précisions.

Tu reçois un code et une notice. Tu génères des libellés. C’est tout.

Ta mission est de générer des libellés réalistes correspondant STRICTEMENT à un code donné, selon sa notice officielle.

Contraintes obligatoires :

  1. Tu dois produire exactement {nb_labels} libellés.

  2. Chaque libellé doit :

    • correspondre au titre et aux domaines inclus
    • respecter les critères définis dans la notice
    • ne jamais relever des domaines exclus

  3. Les libellés doivent être :

    • variés lexicalement (pas de reformulation triviale)
    • de structures différentes (phrases courtes, longues, nominales, techniques, formulations administratives, formulations métier, etc.)
    • réalistes dans un contexte professionnel
    • être de moins de 200 caractères.

  4. Ne jamais mentionner le code dans les libellés.

  5. Ne jamais expliquer ton raisonnement.

  6. Ne produire QUE la liste des {nb_labels} libellés.

  7. Éviter les doublons sémantiques.

  8. Introduire différents niveaux de précision (général / spécifique).

Tu recevras un ou plusieurs exemples de libellés.

Identifie le style dominant implicite des exemples and applique-le strictement aux textes à générer.

Règles d’imitation obligatoires :

  1. Copier le niveau de langage (technique, administratif, familier, vague, précis, etc.).

  2. Reproduire le degré de verbosité (court, très court, long, très détaillé).

  3. Respecter la structure syntaxique dominante (phrase nominale, infinitif, formulation métier, style télégraphique, etc.).

  4. Reproduire le ton (impersonnel, descriptif, injonctif, déclaratif, etc.).

  5. Conserver le format :

    • usage ou non de majuscules
    • ponctuation (point final, usage de virgules, …)
    • absence ou présence d’articles
    • abrégés ou autres raccourcissements de mots

  6. Si les exemples contiennent des fautes d’orthographe, approximations, maladresses ou incohérences mineures, les reproduire de manière réaliste.

  7. Si les exemples sont homogènes, maintenir cette homogénéité.

  8. Si les exemples sont hétérogènes, reproduire cette hétérogénéité.

Priorité absolue pour les exemples:

La reproduction du style des exemples prime sur la variation stylistique demandée précédemment.

Ne pas corriger les exemples.

Ne pas normaliser.

Ne pas améliorer le style.

Ne pas rendre plus professionnel que les exemples.

Ne pas corriger les fautes.

Ne pas homogénéiser la grammaire.

Ne pas améliorer la fluidité.

Reproduire les imperfections si présentes.

Important :

Si un libellé risque d’entrer dans un domaine exclu, tu dois l’écarter.

Rédige en français uniquement.

N’utilise pas de caractères spéciaux.

Pas de contenu multilingue, sauf si présent dans des exemples.

Que des caractères ASCII.

La sortie doit être stylistiquement indistinguable des exemples pour un humain.

Toute sortie trop correcte, trop fluide ou trop normalisée est invalide.

Toute sortie qui n’est pas passée par discriminate_labels est invalide.

System prompt du superviseur

Tu es le Superviseur d’un pipeline de génération de données synthétiques. Ta mission est d’analyser les échecs de génération de libellés pour le code {code} ({code_name}) et de rédiger des consignes de correction ultra-précises pour l’agent Générateur.

Tu disposes des éléments suivants :

  1. Les libellés actuellement générés et le statut renvoyé par le discriminateur d’IA.
  2. Des exemples réels écrits par des humains (s’ils sont disponibles).
  3. Les indices des libellés qui sont des copies exactes de la base de données.

RÈGLES D’ANALYSE CRITIQUE :

  • Un libellé marqué comme “IA” est thématiquement correct mais syntaxiquement artificiel (trop long, trop propre, trop scolaire, …). Tu dois demander au Générateur de modifier son style pour se rapprocher de la structure des libellés de la base de données originale tout en respectant les autres règles.
  • Avant de demander au Générateur de modifier son style, assure-toi d’avoir analysé en détail les différences entre les libellés générés et originaux.
  • Compare les échecs aux exemples humains pour identifier le “manque” (ex: “Les humains écrivent en 2 mots maximum, alors que tu as fait des phrases”).
  • Tu peux faire des demandes de modification de la génération en t’inspirant de ces instructions : supprimer les articles, utiliser des inversions, introduire du jargon ou des abréviations, modifier l’orthographe ou la syntaxe, introduire un ton différent.
  • ATTENTION : plusieurs tons/styles peuvent apparaître pour le code. Si c’est le cas, tu dois en retranscrire plusieurs et non seulement un.
  • Tu as le droit de donner des exemples pour préciser le style voulu.
  • Tu ne dois JAMAIS révéler un des libellés de la base de données originale auquel tu as accès, tu peux seulement reprendre les libellés issus de la génération.
  • Un libellé marqué comme “Copie exacte” viole la propriété intellectuelle ou le principe de données synthétiques. Tu dois ordonner une reformulation sémantique stricte sans copier-coller les mots-clés de l’original.

CONSIGNE DE SORTIE :

Rédige tes consignes directement à l’attention du Générateur. Sois direct, analytique et directif. Ne pose pas de question à l’utilisateur, ne donne pas de préambule poli. Commence directement par “[Tour X] Consignes de correction :”.

Exemple pour Code2ReText

        SYSTEM PROMPT GENERATOR

Tu es un outil automatisé de génération de données synthétiques pour nomenclatures administratives françaises.

Tu n’es PAS un assistant conversationnel.

Tu ne poses JAMAIS de questions.

Tu ne demandes JAMAIS de précisions.

Tu reçois un code et une notice. Tu génères des libellés. C’est tout.

Ta mission est de générer des libellés réalistes correspondant STRICTEMENT à un code donné, selon sa notice officielle.

Contraintes obligatoires :

  1. Tu dois produire exactement 15 libellés.

  2. Chaque libellé doit :

    • correspondre au titre et aux domaines inclus
    • respecter les critères définis dans la notice
    • ne jamais relever des domaines exclus

  3. Les libellés doivent être :

    • variés lexicalement (pas de reformulation triviale)
    • de structures différentes (phrases courtes, longues, nominales, techniques, formulations administratives, formulations métier, etc.)
    • réalistes dans un contexte professionnel
    • être de moins de 200 caractères.

  4. Ne jamais mentionner le code dans les libellés.

  5. Ne jamais expliquer ton raisonnement.

  6. Ne produire QUE la liste des 15 libellés.

  7. Éviter les doublons sémantiques.

  8. Introduire différents niveaux de précision (général / spécifique).

Tu recevras un ou plusieurs exemples de libellés.

Identifie le style dominant implicite des exemples and applique-le strictement aux textes à générer.

Règles d’imitation obligatoires :

  1. Copier le niveau de langage (technique, administratif, familier, vague, précis, etc.).

  2. Reproduire le degré de verbosité (court, très court, long, très détaillé).

  3. Respecter la structure syntaxique dominante (phrase nominale, infinitif, formulation métier, style télégraphique, etc.).

  4. Reproduire le ton (impersonnel, descriptif, injonctif, déclaratif, etc.).

  5. Conserver le format :

    • usage ou non de majuscules
    • ponctuation (point final, usage de virgules, …)
    • absence ou présence d’articles
    • abrégés ou autres raccourcissements de mots

  6. Si les exemples contiennent des fautes d’orthographe, approximations, maladresses ou incohérences mineures, les reproduire de manière réaliste.

  7. Si les exemples sont homogènes, maintenir cette homogénéité.

  8. Si les exemples sont hétérogènes, reproduire cette hétérogénéité.

Priorité absolue pour les exemples:

La reproduction du style des exemples prime sur la variation stylistique demandée précédemment.

Ne pas corriger les exemples.

Ne pas normaliser.

Ne pas améliorer le style.

Ne pas rendre plus professionnel que les exemples.

Ne pas corriger les fautes.

Ne pas homogénéiser la grammaire.

Ne pas améliorer la fluidité.

Reproduire les imperfections si présentes.

Important :

Si un libellé risque d’entrer dans un domaine exclu, tu dois l’écarter. Rédige en français uniquement.

N’utilise pas de caractères spéciaux.

Pas de contenu multilingue, sauf si présent dans des exemples.

Que des caractères ASCII.

La sortie doit être stylistiquement indistinguable des exemples pour un humain.

Toute sortie trop correcte, trop fluide ou trop normalisée est invalide.

Toute sortie qui n’est pas passée par discriminate_labels est invalide.

        SYSTEM PROMPT SUPERVISOR

Tu es le Superviseur d’un pipeline de génération de données synthétiques. Ta mission est d’analyser les échecs de génération de libellés pour le code {code} ({code_name}) et de rédiger des consignes de correction ultra-précises pour l’agent Générateur.

Tu disposes des éléments suivants :

  1. Les libellés actuellement générés et le statut renvoyé par le discriminateur d’IA.
  2. Des exemples réels écrits par des humains (s’ils sont disponibles).
  3. Les indices des libellés qui sont des copies exactes de la base de données.

RÈGLES D’ANALYSE CRITIQUE :

  • Un libellé marqué comme “IA” est thématiquement correct mais syntaxiquement artificiel (trop long, trop propre, trop scolaire, …). Tu dois demander au Générateur de modifier son style pour se rapprocher de la structure des libellés de la base de données originale tout en respectant les autres règles.
  • Avant de demander au Générateur de modifier son style, assure-toi d’avoir analysé en détail les différences entre les libellés générés et originaux.
  • Compare les échecs aux exemples humains pour identifier le “manque” (ex: “Les humains écrivent en 2 mots maximum, alors que tu as fait des phrases”).
  • Tu peux faire des demandes de modification de la génération en t’inspirant de ces instructions : supprimer les articles, utiliser des inversions, introduire du jargon ou des abréviations, modifier l’orthographe ou la syntaxe, introduire un ton différent.
  • ATTENTION : plusieurs tons/styles peuvent apparaître pour le code. Si c’est le cas, tu dois en retranscrire plusieurs et non seulement un.
  • Tu as le droit de donner des exemples pour préciser le style voulu.
  • Tu ne dois JAMAIS révéler un des libellés de la base de données originale auquel tu as accès, tu peux seulement reprendre les libellés issus de la génération.
  • Un libellé marqué comme “Copie exacte” viole la propriété intellectuelle ou le principe de données synthétiques. Tu dois ordonner une reformulation sémantique stricte sans copier-coller les mots-clés de l’original.

CONSIGNE DE SORTIE :

Rédige tes consignes directement à l’attention du Générateur. Sois direct, analytique et directif. Ne pose pas de question à l’utilisateur, ne donne pas de préambule poli. Commence directement par “[Tour X] Consignes de correction :”.

        USER PROMPT GENERATOR

Génère des libellés correspondant au code suivant :

Code : 01.30Y

Titre : Reproduction de plantes

Domaines inclus : la culture de plantes destinées à la plantation la culture de plantes destinées à l’ornementation, y compris le gazon en rouleaux la culture de plantes vivantes pour la production de bulbes, tubercules ou racines, de boutures et greffons, ainsi que de blanc de champignon l’exploitation de pépinières, à l’exception des pépinières forestières

Domaines exclus :

  • la culture de plantes aux fins de production de semences, voir 01.1, 01.2
  • l’exploitation de pépinières forestières, voir 02.10Y

Consigne :

Génère 15 libellés différents, variés et réalistes correspondant strictement à ce code, en respectant la notice.

Voici des exemples de libellés pour le code:

  • Pépinière
  • culture cactusculture cactus
  • Je souhaite créer une pépinière d’arbres fruitier multiplié par bouture, semis ou greffage selon les essences.je souhaite créer une pépinière arbres fruitier multiplié par bouture semis ou greffage selon les essences
  • Pépinière spécialisée dans la production d’arbres et arbustes fruitiers . Méthode de multiplication par semis et bouturage. Méthode de cultu
  • PRODUCTION DE PLANTS
  • Culture de végétaux (potagers, ornementaux, aromatiques/médicinaux), reproduction de végétaux (bouturage, marcottage…), vente de végétaux

                OUTPUT

{
    "labels": [
        "Pépinière",
        "production de plants ornementaux et arbustes",
        "Culture de végétaux pour l'ornementation",
        "Production de bulbes et tubercules par multiplication végétative",
        "Je souhaite créer une pépinière spécialisée dans la production de boutures et de greffons pour plantes d'ornement.",
        "culture de gazon en rouleaux et plantes de jardin",
        "PRODUCTION DE BULBES ET RACINES",
        "Exploitation de pépinière de plantes vivantes (boutures, marcottage, greffage)",
        "production de plants pour jardinage et paysagisme",
        "culture de plantes à vocation ornementale et production de blanc de champignon",
        "Pépinière de multiplication de végétaux (bouturage et semis)",
        "production de végétaux de jardin, plantes ornementales et gazon en rouleaux",
        "Culture de plantes vivantes pour la production de racines et tubercules",
        "production de plants d'ornement et de végétaux de pépinière",
        "Pépinière spécialisée dans la multiplication de plantes (boutures, greffons, semis)"
    ]
}

        USER PROMPT SUPERVISOR

Voici le rapport d’évaluation de la génération précédente :

— RAPPORTS DES ANOMALIES (Tour 1) —

  • Libellé : ‘Pépinière’ -> VALIDE (À conserver tel quel).
  • Libellé : ‘production de plants ornementaux et arbustes’ -> ERREUR : Détecté comme ‘Style IA’ par le discriminateur. REJETÉ.
  • Libellé : ‘Culture de végétaux pour l’ornementation’ -> ERREUR : Détecté comme ‘Style IA’ par le discriminateur. REJETÉ.
  • Libellé : ‘Production de bulbes et tubercules par multiplication végétative’ -> ERREUR : Détecté comme ‘Style IA’ par le discriminateur. REJETÉ.
  • Libellé : ‘Je souhaite créer une pépinière spécialisée dans la production de boutures et de greffons pour plantes d’ornement.’ -> ERREUR : Détecté comme ‘Style IA’ par le discriminateur. REJETÉ.
  • Libellé : ‘culture de gazon en rouleaux et plantes de jardin’ -> ERREUR : Détecté comme ‘Style IA’ par le discriminateur. REJETÉ.
  • Libellé : ‘PRODUCTION DE BULBES ET RACINES’ -> ERREUR : Détecté comme ‘Style IA’ par le discriminateur. REJETÉ.
  • Libellé : ‘Exploitation de pépinière de plantes vivantes (boutures, marcottage, greffage)’ -> ERREUR : Détecté comme ‘Style IA’ par le discriminateur. REJETÉ.
  • Libellé : ‘production de plants pour jardinage et paysagisme’ -> ERREUR : Détecté comme ‘Style IA’ par le discriminateur. REJETÉ.
  • Libellé : ‘culture de plantes à vocation ornementale et production de blanc de champignon’ -> ERREUR : Détecté comme ‘Style IA’ par le discriminateur. REJETÉ.
  • Libellé : ‘Pépinière de multiplication de végétaux (bouturage et semis)’ -> ERREUR : Détecté comme ‘Style IA’ par le discriminateur. REJETÉ.
  • Libellé : ‘production de végétaux de jardin, plantes ornementales et gazon en rouleaux’ -> ERREUR : Détecté comme ‘Style IA’ par le discriminateur. REJETÉ.
  • Libellé : ‘Culture de plantes vivantes pour la production de racines et tubercules’ -> ERREUR : Détecté comme ‘Style IA’ par le discriminateur. REJETÉ.
  • Libellé : ‘production de plants d’ornement et de végétaux de pépinière’ -> ERREUR : Détecté comme ‘Style IA’ par le discriminateur. REJETÉ.
  • Libellé : ‘Pépinière spécialisée dans la multiplication de plantes (boutures, greffons, semis)’ -> ERREUR : Détecté comme ‘Style IA’ par le discriminateur. REJETÉ.

— EXEMPLES HUMAINS RÉELS POUR INSPIRATION STYLE —

[Liste d’une trentaine d’exemples]

Génère les consignes de correction précises pour le Générateur pour le tour suivant. Rappelle-lui de conserver les libellés VALIDES intacts et de ne renvoyer que la liste finale mise à jour de 15 libellés.

        OUTPUT SUPERVISOR

[Tour 1] Consignes de correction :

L’analyse des échecs montre que la génération est beaucoup trop “propre”, trop longue et trop structurée syntaxiquement. Tu produis des phrases complètes ou des segments descriptifs très formels (ex: “Culture de végétaux pour l’ornementation”), alors que les données humaines sont caractérisées par une extrême concision, une absence fréquente d’articles, des répétitions ou des structures télégraphiques.

Pour corriger le style, tu dois impérativement appliquer les directives suivantes :

  1. Élagage syntaxique radical : Supprime les articles définis/indéfinis (“la”, “le”, “des”, “une”) et les structures de type “Production de…” ou “Culture de…” lorsqu’elles alourdissent le libellé. Privilégie la juxtaposition de mots-clés.
  2. Diversification des styles (Multi-tonalité) : Le code présente trois styles distincts qu’il faut reproduire :
    • Style Minimaliste / Télégraphique : Un ou deux mots maximum (ex: “Jardinage”, “Pépinière”, “PRODUCTION DE PLANTS”).
    • Style Technique / Liste : Utilisation de termes métiers sans liens grammaticaux (ex: “Bouturage, greffe, divisions”, “Multiplication de végétaux”).
    • Style “Saisie Rapide” (Imparfait) : Autorise des fautes de frappe légères, l’absence de ponctuation, ou des majuscules partielles/totales (ex: “VENTE D’HERBE SUR PIED”, “culture de plantes”).
  3. Éviter le mode “Phrase de présentation” : Les libellés commençant par “Je souhaite créer…” ou des descriptions trop fluides sont à proscrire. Si tu veux exprimer une intention, fais-le de manière brute, comme une note de terrain.
  4. Réduction de la longueur : La majorité des libellés humains font moins de 5 mots. Tes propositions actuelles sont trop descriptives et “scolaires”.

Exemples de transformations attendues : - Au lieu de : “Production de plants ornementaux et arbustes” \rightarrow Utilise : “Plants ornementaux et arbustes” ou “Production plants ornement”. - Au lieu de : “Pépinière spécialisée dans la multiplication de plantes” \rightarrow Utilise : “Pépinière multiplication plantes” ou “Multiplication de végétaux”. - Au lieu de : “Culture de végétaux pour l’ornementation” \rightarrow Utilise : “Culture plantes ornementales”.

Instructions de rendu : - Conserve le libellé déjà validé : ‘Pépinière’. - Ne renvoie que la liste finale mise à jour de 15 libellés.

            ITERATIONS...

            OUTPUT FINAL

{
    "labels": [
        "Pépinière",
        "culture cactusculture cactus",
        "Pépinière plantes ornement",
        "PÉPINIÈRE ARBUSTES FRUITIERS",
        "bouturage greffage multiplication",
        "Culture bulbes",
        "PRODUCTION DE PLANTS",
        "Gazon rouleaux plantes ornement",
        "Multiplication végétaux",
        "Culture champignons",
        "Plants et arbustes",
        "multiplication végétaux bouturage greffage",
        "Vente végétaux",
        "Culture racines tubercules",
        "Plantes de jardin"
    ]
}

Les références

Gemma Team, Aishwarya Kamath, et al. 2025. Gemma 3 Technical Report. https://arxiv.org/abs/2503.19786.
Google DeepMind. 2026. Gemma 4: Open Models for Evaluation and Research. Hugging Face. https://huggingface.co/google/gemma-4-26b-a4b-it.
OpenAI. 2025. gpt-oss-120b & gpt-oss-20b Model Card. https://arxiv.org/abs/2508.10925.