# AlphaEdge AI publie un modèle d’embeddings textuels sparse en français

> AlphaEdge AI a publié Sparseup-fr, une adaptation française de la méthode open source de Linkup, avec un benchmark NanoBEIR-fr nettoyé.

- URL canonique: https://newsverum.com/fr/news/alphaedge-releases-french-sparse-embedding-model-october-2026
- Éditeur: Newsverum
- Rubrique: Technologie
- Publié: 2026-10-15T19:00:44+00:00
- Mis à jour: 2026-10-15T19:00:44+00:00
- Période de l’événement / des données: 2026-10-12
- Autres éditions: [Türkçe](https://newsverum.com/tr/news/alphaedge-releases-french-sparse-embedding-model-october-2026.md), [English](https://newsverum.com/en/news/alphaedge-releases-french-sparse-embedding-model-october-2026.md), [العربية](https://newsverum.com/ar/news/alphaedge-releases-french-sparse-embedding-model-october-2026.md), [Español](https://newsverum.com/es/news/alphaedge-releases-french-sparse-embedding-model-october-2026.md), [Deutsch](https://newsverum.com/de/news/alphaedge-releases-french-sparse-embedding-model-october-2026.md), [Português](https://newsverum.com/pt/news/alphaedge-releases-french-sparse-embedding-model-october-2026.md)

AlphaEdge AI a publié sur Hugging Face Sparseup-fr, une reproduction en français de l’approche d’embeddings textuels sparse de Linkup. L’équipe indique avoir utilisé la base multilingue mLateOn-unsupervised et une tête de modèle de langue masqué mmBERT-base réduite à un vocabulaire français ; l’entraînement a duré environ 55 heures sur un seul GPU RTX 6000 Pro.

Sur le benchmark NanoBEIR-fr nettoyé de 13 jeux de données, Sparseup-fr arrive en tête sur huit, le modèle sparse multilingue comparé d’OpenSearch sur trois et SPLADE CamemBERT sur deux. L’équipe dit avoir recherché d’éventuelles fuites entre données d’entraînement et benchmark et supprimé des lignes suspectes, sans examiner les possibles problèmes d’annotation. La publication comprend le modèle et le benchmark nettoyé ; les résultats sont l’évaluation des auteurs du modèle.

## Données

### Modèles épars en tête sur NanoBEIR-fr

Nombre de jeux de données où chaque modèle arrive en tête sur le benchmark français NanoBEIR nettoyé, qui compte 13 jeux.

Méthodologie: Les nombres sont comptés dans le tableau NanoBEIR-fr nettoyé publié par AlphaEdge AI le 12 octobre 2026. Les auteurs disent avoir retiré les fuites de données et les lignes suspectes, sans examiner d’éventuels problèmes d’annotation. Il ne s’agit pas d’une évaluation indépendante.

| label | value | unit | period | basis |
|---|---|---|---|---|
| Jeux de données en tête pour Sparseup-fr | 8 | count | 2026-10-12 | observed |
| Jeux de données en tête pour le modèle sparse multilingue d’OpenSearch | 3 | count | 2026-10-12 | observed |
| Jeux de données en tête pour le modèle SPLADE CamemBERT | 2 | count | 2026-10-12 | observed |

Sources: <https://huggingface.co/blog/alphaedge-ai/french-sparseup> · Télécharger les données: [JSON](https://newsverum.com/api/v1/articles/alphaedge-releases-french-sparse-embedding-model-october-2026/data/nanobeir-fr-sparse-model-leads?lang=fr&format=json) · [CSV](https://newsverum.com/api/v1/articles/alphaedge-releases-french-sparse-embedding-model-october-2026/data/nanobeir-fr-sparse-model-leads?lang=fr&format=csv)

## Sources

- [AlphaEdge AI](<https://huggingface.co/blog/alphaedge-ai/french-sparseup>) (Source vérifiée: 2026-10-15; Publié: 2026-10-12)

---

Citez l’URL canonique ci-dessus. [Principes éditoriaux et corrections](https://newsverum.com/fr/editorial)