La désambiguïsation d'entités (ED), qui lie les mentions d'entités ambiguës à leurs entités de référence dans une base de connaissances, constitue un élément central du lien d'entités (EL). Les approches génératives existantes montrent une précision améliorée par rapport aux approches de classification selon le benchmark standardisé ZELDA. Cependant, les approches génératives souffrent du besoin d'un pré-entraînement à grande échelle et d'une génération inefficace. Plus important encore, les descriptions d'entités, qui peuvent contenir des informations cruciales pour distinguer des entités similaires les unes des autres, sont souvent négligées. Nous proposons un modèle encodeur-décodeur pour désambiguïser les entités avec des descriptions plus détaillées. Étant donné un texte et des entités candidates, l'encodeur apprend les interactions entre le texte et chaque entité candidate, produisant des représentations pour chaque candidat. Le décodeur fusionne ensuite ces représentations ensemble et sélectionne l'entité correcte. Nos expériences, menées sur divers benchmarks de désambiguïsation d'entités, démontrent les performances solides et robustes de ce modèle, en particulier une amélioration de +1,5% dans le benchmark ZELDA par rapport à GENRE. De plus, nous intégrons cette approche au cadre de recherche/lecteur et observons une amélioration de +1,5% dans le lien d'entités de bout en bout selon le benchmark GERBIL par rapport à EntQA.