La plupart des systèmes récents de résolution de coréférence utilisent des algorithmes de recherche sur des intervalles possibles afin d’identifier les mentions et de résoudre les coréférences. Nous proposons à la place un système de résolution de coréférence fondé sur un paradigme textuel à textuel (seq2seq) permettant de prédire simultanément les mentions et les liens. Nous implémentons ce système comme un système de transition et utilisons T5 multilingue comme modèle linguistique sous-jacent. Nous atteignons une précision de pointe sur les jeux de données CoNLL-2012, avec un score F1 de 83,3 pour l’anglais (soit une amélioration de 2,3 par rapport aux travaux antérieurs, Dobrovolskii, 2021), un score de 68,5 pour l’arabe (+4,1 de plus que les travaux antérieurs) et un score de 74,3 pour le chinois (+5,3). En outre, nous utilisons les jeux de données SemEval-2010 pour des expériences dans des configurations à zéro apprentissage (zero-shot), à peu d’exemples (few-shot) et supervisée, en exploitant toutes les données d’entraînement disponibles. Nous obtenons des scores F1 à zéro apprentissage nettement supérieurs pour 3 des 4 langues par rapport aux approches antérieures, et dépassons significativement les résultats d’état de l’art supervisés pour les cinq langues testées.