Cet article présente une étude appliquant des techniques de sondage d'état pour évaluer la capacité des modèles linguistiques à grande échelle (MLE) à comprendre le processus de cuisson. Les LLE sont entraînés sur de grandes quantités de texte procédural, mais faute d'observation directe des phénomènes réels, ils peinent à comprendre précisément les étapes intermédiaires des recettes de cuisine. Pour remédier à ce problème, nous construisons un nouvel ensemble de données de recettes japonaises avec des annotations claires et précises des changements d'état des ingrédients. À partir de cet ensemble de données, nous présentons trois nouvelles tâches visant à évaluer la capacité des LLE à suivre les changements d'état des ingrédients pendant la cuisson et à identifier les ingrédients présents aux étapes intermédiaires. Les résultats expérimentaux obtenus avec des LLE largement utilisés, tels que Llama3.1-70B et Qwen2.5-72B, démontrent que l'apprentissage de la connaissance de l'état des ingrédients améliore la compréhension du processus de cuisson, atteignant des performances comparables à celles des LLE commerciaux. L'ensemble de données est accessible au public sur Hugging Face.
