En sémantique lexicale, la segmentation de phrases complètes et l’étiquetage des segments correspondants sont généralement traités de manière séparée, malgré leur interdépendance. Nous proposons que la reconnaissance unifiée du sens lexicale constitue une approche efficace pour encapsuler des styles d’annotation auparavant disparates, notamment l’identification et la classification des expressions multi-mots ainsi que l’étiquetage supersens. En utilisant le corpus STREUSLE, nous entraînons un taggeur de séquence basé sur un CRF neuronal et évaluons ses performances selon divers axes d’annotation. Étant donné que l’ensemble d’étiquettes généralise celui des tâches antérieures (PARSEME, DiMSUM), nous évaluons également la capacité du modèle à se généraliser sur ces jeux de test, constatant qu’il atteint ou dépasse les modèles existants malgré un entraînement uniquement sur STREUSLE. Ce travail établit également des modèles de référence et des métriques d’évaluation pour une modélisation intégrée et précise de la sémantique lexicale, facilitant ainsi les recherches futures dans ce domaine.