Les grands modèles linguistiques pré-entraînés pour les données textuelles disposent d’un espace de sortie non contraint ; à chaque étape de décodage, ils peuvent générer l’un des dizaines de milliers de tokens submotifs. Lorsqu’ils sont affinés pour des langages formels contraints, tels que SQL, ces modèles produisent fréquemment du code invalide, le rendant inutilisable. Nous proposons PICARD (code et modèles entraînés disponibles sur https://github.com/ElementAI/picard), une méthode permettant de contraindre les décodeurs auto-régressifs des modèles linguistiques par une analyse incrémentielle. PICARD permet de trouver des séquences de sortie valides en rejetant, à chaque étape de décodage, les tokens inadmissibles. Sur les défis posés par les tâches de traduction texte-SQL Spider et CoSQL, nous démontrons que PICARD transforme des modèles T5 affinés présentant des performances médiocres en solutions de pointe.