Encoder-Decoder 是一种两段式的神经网络架构。**编码器（Encoder）** 负责读取输入（一段文字、一张图片、一段语音），把它压缩成内部表示——通常是一串能捕捉语义的向量。**解码器（Decoder）** 再根据这个表示，一步一步生成输出，输出形式或语言往往与输入不同。 这个架构几乎是所有"序列到序列（seq2seq）"任务的标配。最早的代表应用是机器翻译：编码器读英文句子，解码器写出法文。同样的模式也用在摘要（长文进、短文出）、语音识别（音频进、文字出）、图像描述（像素进、句子出）。2017 年 Transformer 原始论文《Attention Is All You Need》就是 encoder-decoder 设计，T5 与 BART 也沿用至今。 可以这样理解：一位口译员先把整段话听懂（编码），然后把原文放一边，用另一种语言重新讲出来（解码）。中间那份"听懂"就是传给解码器的中间表示。 但现在主流大模型不一定两半都用。**Encoder-only** 模型（如 BERT）擅长分类和生成嵌入向量，只理解不生成；**Decoder-only** 模型（如 GPT、Claude）以自回归方式生成文本，已经成为通用 LLM 的主流，因为大多数任务都能改写成"续写文本"。当输入输出明显不同时（比如翻译），encoder-decoder 仍然有优势。 延伸阅读：Transformer、注意力机制、seq2seq、BERT、T5、自回归生成。