Dans cet article, nous étudions la tâche de résumé de phrase, qui consiste à produire un résumé à partir d'une phrase source. Les modèles séquentiels neuronaux ont connu un succès considérable pour cette tâche, mais la plupart des approches existantes se concentrent uniquement sur l'amélioration de l'information contenue dans le résumé, tout en ignorant la correction — c'est-à-dire que le résumé ne devrait pas inclure d'informations étrangères par rapport à la phrase source. Nous soutenons que la correction constitue une exigence essentielle pour les systèmes de résumé. Étant donné qu'un résumé correct est sémantiquement impliqué par la phrase source, nous intégrons des connaissances sur l'implication sémantique dans les modèles de résumé abstrait. Nous proposons un encodeur sensible à l'implication dans un cadre multi-tâches (à savoir, génération de résumé et reconnaissance d'implication), ainsi qu'un décodeur sensible à l'implication basé sur une méthode d'entraînement par récompense augmentée de maximum de vraisemblance (RAML). Les résultats expérimentaux démontrent que nos modèles surpassent significativement les modèles de référence tant sur le plan de l'information que de la correction.