编码器-解码器架构（Encoder-Decoder，又称Seq2Seq，即Sequence-to-Sequence）是一种序列转换框架：编码器把输入序列「读进」一个中间表示，解码器再基于它逐词生成输出序列。该框架在2014年前后被确立，机器翻译是最经典的落地场景。
工作流程 1. 编码器逐词读入源语言句子，把语义压缩成上下文表示 2. 解码器接收该表示，逐个生成目标语言单词，直到生成结束符 3. 早期只有「一个固定向量」在两端之间传信息，长句子容易丢失细节；注意力机制的引入让解码器可以动态「回看」源句的各部分，翻译质量大幅提升
经典代表
- 2016年Google推出的神经机器翻译系统（GNMT）以Seq2Seq加注意力为核心，让机器翻译从统计方法全面转向深度学习
- BERT是「纯编码器」，GPT是「纯解码器」，T5则是编码器-解码器形态，它们都是Transformer对这一框架的继承与改造
- 如今的大语言模型普遍采用「纯解码器」架构，以自回归方式直接续写文本，训练更简单、通用能力更强
- 编码器-解码器仍活跃在需要「先理解再生成」的任务中，如翻译、摘要、语音转写
- 2026年，纯解码器模型通过推理时思考基本覆盖了Seq2Seq的传统领地，但「理解与生成分离」的框架思想依然深刻影响着模型设计。