Cet article explore l'extension multilingue des processus de pensée longs (CoT), qui contribuent à l'amélioration des performances d'inférence des modèles linguistiques à grande échelle (LLM). Nous avons affiné les modèles Qwen 2.5 (7B) et Qwen 3 (8B) en utilisant deux jeux de données d'inférence basés sur l'anglais traduits en français, japonais, letton et swahili. Les expériences ont révélé que l'efficacité de l'utilisation de l'anglais comme langue de transition variait selon les langues (inefficace pour le français, efficace pour le japonais et le letton, et faible pour le swahili). De plus, un pré-entraînement multilingue approfondi dans Qwen 3 a réduit, sans toutefois éliminer complètement, l'écart de performance entre les langues. Le réglage fin sur un petit jeu de données (1 000 traces) à lui seul a amélioré les performances en swahili de plus de 30 %. Enfin, le compromis entre qualité des données et échelle variait selon les langues : l'anglais et le français bénéficiaient de jeux de données plus petits et plus raffinés, tandis que le swahili et le letton bénéficiaient de corpus plus grands et plus bruités. Ces résultats clarifient comment et pourquoi les longs CoT sont transférés entre les langues et fournissent un ensemble de données traduites pour des études d'inférence multilingue équitables.
