# Templates de rendu narratif — français.
#
# Chaque clé correspond à une valeur de ``FactType``. La valeur est un template
# Python ``.format()`` qui consomme les champs du ``Fact.payload``.
#
# Règle anti-hallucination : n'introduire aucune valeur numérique ou nom
# d'entité qui ne soit pas dans le ``payload``. Les tests parsent la synthèse
# rendue et vérifient la traçabilité.

global_leader_cer: >-
  Sur ce corpus de {n_docs} documents, {engine} obtient le CER moyen le plus
  bas ({cer_pct} %).

statistical_tie: >-
  Les moteurs {engines_list} ne sont pas statistiquement distinguables
  (Friedman-Nemenyi, α = {alpha}, n = {n_blocks} documents, CD = {critical_distance}).

significant_gap: >-
  L'écart entre {leader} et {runner_up} est statistiquement significatif
  (Wilcoxon, p = {p_value:.4f}, Δ CER = {delta_cer_pct} points sur {n_pairs} paires).

stratum_winner: >-
  Sur la strate « {stratum} » ({n_docs_stratum} documents), {engine} domine
  nettement avec un CER de {cer_pct} % contre {second_cer_pct} % pour {second_engine}.

stratum_collapse: >-
  {engine} est globalement compétitif ({global_cer_pct} %) mais s'effondre sur
  la strate « {stratum} » ({local_cer_pct} % sur {n_docs_stratum} documents,
  soit {delta_cer_pct} points au-dessus de sa moyenne).

error_profile_outlier: >-
  Le profil d'erreurs de {engine} est atypique : {proportion_pct} % de la
  classe « {error_class} », contre une médiane de {median_proportion_pct} %
  sur les autres moteurs (ratio ×{ratio_to_median}).

llm_hallucination_flag: >-
  Signal d'hallucination sur {engine} ({reasons_list}) —
  {hallucinating_rate_pct} % de documents au-dessus des seuils d'alerte.

robustness_fragile: >-
  {engine} est fragile à la dégradation « {degradation} » : son CER passe de
  {cer_baseline_pct} % à {cer_degraded_pct} % au niveau maximal (ratio ×{ratio}).

speed_winner: >-
  {engine} est le plus rapide ({mean_duration} s / doc, ×{speedup} plus vite
  que la médiane) pour un CER comparable ({cer_pct} %).

confidence_warning: >-
  Classement fragile : l'intervalle de confiance à {confidence_level} % de {engine} s'étend
  sur {ci_width_pct} points de CER, à comparer à l'écart de {gap_to_runner_up_pct} points avec le second.

pareto_alternative: >-
  À coût sensiblement inférieur, {engine} offre un compromis intéressant
  ({cer_pct} % de CER pour {cost} €/{cost_unit_pages} pages, contre {leader_cer_pct} % /
  {leader_cost} € pour {leader}, soit ×{cost_saving_ratio} moins cher).

cost_outlier: >-
  Coût disproportionné pour {engine} ({cost} €/{cost_unit_pages} pages, ×{ratio_to_median}
  la médiane) sans avantage de qualité compensatoire (CER {cer_pct} %).

ensemble_opportunity: >-
  Les moteurs {pair_a} et {pair_b} ont des profils d'erreurs divergents
  ({divergence_metric}={divergence}). Sur ce corpus de {doc_count} documents,
  {best_engine} préserve {best_recall_pct} % des tokens ; un voting majoritaire
  entre les moteurs en préserverait {oracle_recall_pct} %, soit
  {absolute_gap_pct} points récupérables ({relative_gap_pct} % des erreurs
  du meilleur moteur).

median_mean_gap_warning: >-
  Distribution asymétrique pour {engine} : médiane CER {median_cer_pct} %
  vs moyenne {mean_cer_pct} % sur {n_docs} documents (écart relatif
  {relative_gap_pct} %). La moyenne est tirée par quelques documents
  catastrophiques — la médiane (utilisée pour le tri par défaut) est
  plus représentative.

stratification_recommended: >-
  Corpus hétérogène ({n_strata} strates) : {leader} performe très
  différemment selon le type de document — médiane CER
  {min_stratum_cer_pct} % sur « {min_stratum} » contre
  {max_stratum_cer_pct} % sur « {max_stratum} », soit {gap_pct} points
  d'écart. Le classement global masque cette disparité ; consulter la
  vue stratifiée.

engine_off_baseline: >-
  {engine} a obtenu {cer_current_pct} % CER ici, vs {cer_historical_mean_pct} %
  en moyenne sur les {n_runs} runs précédents de votre institution sur
  ce même corpus (écart relatif {relative_delta_pct} %). Ce corpus lui
  est plus difficile que d'habitude.

engine_unstable: >-
  Sur {n_runs} runs successifs, {engine} produit des sorties variables
  (CV CER {cer_cv_pct} %, paires de runs identiques {identical_run_rate_pct} %).
  La reproductibilité est limitée — interpréter le CER moyen avec prudence.

regression_in_history: >-
  Sur les {n_runs} runs historiques pour {engine}, le CER moyen
  est passé de {first_cer_pct} % à {last_cer_pct} %
  (variation cumulée {absolute_delta_pct} points). Vérifier ce qui
  a changé dans le pipeline ou les modèles.