La représentation de connaissances incertaines est un problème important dans le domaine de l'intelligence artificielle. Les réseaux bayésiens proposent une solution intéressante pour de nombreuses raisons tant théoriques que pratiques, mais ont le désavantage d'être difficiles à créer autant qu'à maintenir. En réponse à ces problématiques, de nouveaux formalismes ont émergés, tels les Probablistic Relational Models. Ces nouveaux modèles sont tous aptes à utiliser les algorithmes d'inférence développés pour les réseaux bayesiens. Cependant ils permettent un passage à l'échelle rendant leurs utilisations très coûteuses et sous-optimales en regard de l'exploitation des informations structurelles de ces modèles. Dans cet article, nous proposons de tirer profit de notre cadre logiciel dans lequel coexistent plusieurs algorithmes d'inférence dédiés ou non aux PRMs afin de mener une comparaison expérimentale du comportement de ces différents algorithmes.