L'extraction de triplets d'aspect-sentiment (ASTE) vise à extraire simultanément les triplets d'aspect-sentiment dans un corpus donné. Les approches existantes dans le paradigme pré-entraînement-affinage tendent soit à élaborer minutieusement des schémas d'étiquetage complexes et des têtes de classification, soit à intégrer une augmentation sémantique externe pour améliorer les performances. Dans cette étude, nous réévaluons pour la première fois la redondance des schémas d'étiquetage et l'amélioration interne des représentations pré-entraînées. Nous proposons une méthode visant à améliorer et à utiliser les représentations pré-entraînées en intégrant un schéma d'étiquetage minimaliste et une nouvelle stratégie d'apprentissage par contraste au niveau du jeton (token-level contrastive learning). L'approche proposée montre des performances comparables ou supérieures aux techniques de pointe actuelles tout en présentant une conception plus compacte et une charge de calcul réduite. De plus, nous sommes les premiers à évaluer formellement les performances de GPT-4 dans des scénarios d'apprentissage à partir de peu d'exemples (few-shot learning) et de raisonnement en chaîne (Chain-of-Thought) pour cette tâche. Les résultats démontrent que le paradigme pré-entraînement-affinage reste très efficace même dans l'ère des grands modèles linguistiques.