Des travaux récents ont proposé plusieurs modèles neuronaux génératifs pour l'analyse en constituants qui atteignent des résultats de pointe. Comme la recherche directe dans ces modèles génératifs est difficile, ils ont principalement été utilisés pour réévaluer les sorties candidates provenant des analyseurs de base, où le déchiffrement est plus simple. Nous présentons d'abord un algorithme permettant une recherche directe dans ces modèles génératifs. Nous montrons ensuite que les résultats de réévaluation sont au moins partiellement dus à une combinaison implicite des modèles plutôt qu'à des effets de reclassification. Enfin, nous démontrons que la combinaison explicite des modèles peut encore améliorer les performances, aboutissant à de nouveaux chiffres de pointe sur le Penn Treebank (PTB) : 94,25 F1 lors de l'entraînement uniquement sur des données d'or et 94,66 F1 lorsque des données externes sont utilisées.