Component Translated Unfinished Unfinished words Unfinished characters Untranslated Checks Suggestions Comments
Glossary comparIA Apache-2.0
Main Apache-2.0 89% 146 4,448 28,803 142 40

Summary

Project website comparia.beta.gouv.fr
Project maintainers3 User avatar HadrienUser avatar lucie.termignonUser avatar Axolotle
Language English
Language code en
Text direction Left to right
Case sensitivity Case-sensitive
Number of speakers 1,728,473,503
08/16/2026

String statistics

Strings percent Hosted strings Words percent Hosted words Characters percent Hosted characters
Total 1,367 39,871 267,292
Translated 89% 1,221 88% 35,423 89% 238,489
Needs editing 1% 4 1% 425 1% 2,889
Read-only 0% 0 0% 0 0% 0
Failing checks 2% 40 2% 1,037 2% 7,176
Strings with suggestions 0% 0 0% 0 0% 0
Untranslated strings 10% 142 10% 4,023 9% 25,914
Last 12 months Previous

Activity in last 12 months

0 changes 2,413 changes 0 changes 884 changes 0 changes 417 changes 0 changes 153 changes 0 changes 198 changes 0 changes 149 changes 0 changes 100 changes 0 changes 111 changes 0 changes 78 changes 0 changes 11 changes 0 changes 62 changes 0 changes 420 changes
AugSepOctNovDecJanFebMarAprMayJunJul

Quick numbers

0
Hosted words
0
Hosted strings
0%
Translated
0
Contributors
and previous 30 days

Trends of last 30 days

—
Hosted words
+4%
—
Hosted strings
+2%
—
Translated
−1%
—
Contributors
+100%
User avatar weblate:commit

Changes committed
Changes committed 07/16/2026
User avatar Libertad

Translation changed
<p>Avec 32 milliards de paramètres, ce modèle appartient à la catégorie des modèles de taille moyenne. Il peut être hébergé sur un serveur équipé d’une seule carte graphique puissante, ce qui contribue à limiter les coûts d’infrastructure.</p>
<p>Il dispose d’une fenêtre de contexte allant jusqu’à 130 000 jetons, utile pour l’analyse de documents longs.</p>
<p>With 32 billion parameters, this model falls is considerednto the mid-sized category. It can be hosted on a server equipped with a single powerful graphics card, which helps keepto limit infrastructure costs low.</p>
<p>It has a context window of up to 130,000 tokens, useful for analyzing long documents.</p>
generated.models.Aya Expanse 32B.size_desc
07/15/2026
User avatar Libertad

Translation changed
Terminer et découvrir les modèles
RevealFinish and discover the models
chatbot.revealButton
07/15/2026
User avatar Libertad

Translation changed
Continuer à discuter…
Continue the chat with the AI modelsdiscussion…
chatbot.continuePrompt
07/15/2026
User avatar Libertad

Translation added
Revenir à l’arène
Return to the arena
actions.returnArena
07/15/2026
User avatar Libertad

Translation added
Découvrir
Discover
actions.discover
07/15/2026
User avatar Libertad

Translation changed
🏆 Le classement des modèles est maintenant disponible ! Découvrir le classement.
New🏆 The models just joined the arena! rankings are now available! Discover the rankings.
header.banner
07/15/2026
User avatar Libertad

Translation changed
<p>Le modèle a été entraîné avec un mode spécifique appelé « Agent Swarm » (essaim d’agents). Dans ce mode d’orchestration, le problème n’est pas résolu de manière strictement séquentielle, mais découpé en plusieurs sous-tâches exécutées en parallèle par des sous-agents. Le modèle a appris au cours de son entraînement à agir comme un agent principal : il analyse la demande, décide combien de sous-agents lancer, leur assigne des objectifs, puis agrège leurs résultats. Cette capacité a été atteinte grâce à des méthodes d’apprentissage par renforcement multi-agent, où l’orchestrateur était récompensé lorsqu’il choisissait une bonne décomposition du problème et une coordination efficace entre agents, et pénalisé lorsqu’il adoptait un raisonnement trop linéaire ou redondant.</p>
<p>The model was trained using a specific mode called "Agent Swarm." In this orchestration mode, the problem is not solved in a strictly sequential manner, but rather broken down into several subtasks executed in parallel by sub-agents. During its training <p>the model learned to act like a master agent: it analyzes the demand, decides how many sub-agents to launch, assigns them objectives, and then aggregates their results. This capability was achieved through multi-agent reinforcement learning methods, where the orchestrator was rewarded when it chose a good decomposition of the problem and effective coordination between agents, and penalized when it adopted overly linear or reasoning.</p>
generated.models.Kimi K2.5.fyi
07/15/2026
User avatar Libertad

Translation changed
Quel modèle d’IA préférez-vous ?
Which AI model do you prefer ?
vote.title
07/15/2026
User avatar Libertad

Translation changed
Pourquoi la réponse ne convient-elle pas ?
Why did you not like the answer ?
vote.choices.negative.question
07/15/2026
Browse all changes for this language