La reconnaissance de l’intention et du remplissage de slots (SLU) multi-intentions est capable de traiter plusieurs intentions dans une même utterance, ce qui suscite un intérêt croissant. Toutefois, les modèles conjoints les plus avancés s’appuient fortement sur des approches auto-régressives, entraînant deux problèmes majeurs : une vitesse d’inférence lente et une fuite d’information. Dans cet article, nous explorons un modèle non auto-régressif pour la détection conjointe de multiples intentions et le remplissage de slots, permettant d’atteindre une précision accrue et une vitesse significativement plus élevée. Plus précisément, nous proposons un réseau d’interaction graphique global-local (GL-GIN), dans lequel une couche d’interaction graphique locale sensible aux slots est conçue pour modéliser les dépendances entre slots, atténuant ainsi le problème des slots mal coordonnés, tandis qu’une couche d’interaction graphique globale entre intentions et slots est introduite pour capturer les interactions entre plusieurs intentions et tous les slots présents dans l’utterance. Les résultats expérimentaux sur deux jeux de données publics montrent que notre cadre atteint des performances de pointe tout en étant 11,5 fois plus rapide.