Les modèles d’avant-garde pour la résolution de coreférence reposent sur des décisions indépendantes par paires de mentions. Nous proposons une approche modélisant la coreférence au niveau du document entier et prenant des décisions globales. À cette fin, nous représentons les liens de coreférence sous forme de graphe, où les nœuds correspondent aux tokens du texte et les arêtes aux relations entre eux. Notre modèle prédit le graphe de manière non-autorégressive, puis le raffine itérativement à partir des prédictions précédentes, permettant ainsi des dépendances globales entre les décisions. Les résultats expérimentaux montrent une amélioration par rapport à diverses méthodes de référence, renforçant l’hypothèse selon laquelle l’information au niveau du document améliore la résolution de coreférence.