Encoder-Decoder 是一種兩段式的神經網路架構。**編碼器（Encoder）** 負責讀取輸入（一段文字、一張圖片、一段語音），把它壓縮成內部表示——通常是一串能捕捉語意的向量。**解碼器（Decoder）** 再根據這個表示，一步一步生成輸出，輸出形式或語言往往跟輸入不同。 這個架構幾乎是所有「序列對序列（seq2seq）」任務的標配。最早的代表應用是機器翻譯：編碼器讀英文句子，解碼器寫出法文。同樣的模式也用在摘要（長文進、短文出）、語音辨識（音訊進、文字出）、圖像描述（像素進、句子出）。2017 年 Transformer 原始論文《Attention Is All You Need》就是 encoder-decoder 設計，T5 與 BART 也沿用至今。 可以這樣想：一位口譯員先把整段話聽懂（編碼），然後把原文放一邊，用另一種語言重新講出來（解碼）。中間那份「聽懂」就是傳遞給解碼器的中間表示。 但現在的主流大模型不一定兩半都用。**Encoder-only** 模型（如 BERT）擅長分類與生成嵌入向量，只理解不生成；**Decoder-only** 模型（如 GPT、Claude）以自迴歸方式生成文字，已經成為通用 LLM 的主流，因為大多數任務都能改寫成「續寫文字」。當輸入輸出明顯不同時（例如翻譯），encoder-decoder 仍然有優勢。 延伸閱讀：Transformer、注意力機制、seq2seq、BERT、T5、自迴歸生成。