在 Encoder-Decoder 结构模型中，通常采用 "加噪自编码" 的预训练思路: 先对输入序列进行一定形式的 "噪声/扰动" 处理，再让模型根据这份 "带噪声的序列" 来 重构 或 还原 出原始序列。具体而言，常见做法主要有以下几种：
1 Span Corruption (文本段落损坏/填空)
这是 T5 模型最经典的做法。它不是一个字一个字地抹去，而是随机挖掉一小段话。
核心逻辑： 把原文中的一段或几段连续文字替换成特殊的符号（如 [MASK] 或 [Sentinel]）。
训练目的： 让模型学会根据上下文联想出缺失的长片段信息。
例子：
- 原文： "北京是中国的首都，它是一座拥有三千多年历史的古都。"
- Encoder 输入（加噪）： "北京是 [MASK_1] 首都，它是一座 [MASK_2] 的古都。"
- Decoder 输出（目标）： "[MASK_1] 中国的 [MASK_2] 拥有三千多年历史。"
2 Denoising Auto-Encoder (去噪自编码)
这在 BART 模型中非常常见。它对文本的破坏方式更"暴力"、更多样，目的是让模型具备极强的纠错和重组能力。
常见加噪操作：
- 词序打乱： 把句子里的词随机换位置。
- 随机删除： 随机删掉一些词。
- 词替换： 把某个词换成一个完全无关的词。
例子：
- 原文： "机器学习是人工智能的一个重要分支。"
- Encoder 输入（乱序+删除）： "重要 机器学习 人工智能 分支。"
- Decoder 输出（还原）： "机器学习是人工智能的一个重要分支。"
3 多任务多目标掩码 (Unified Text-to-Text)
这是 T5 和 Flan-T5 能够处理各种任务的秘诀。它将所有 NLP 任务都统一看作是 "文字到文字" 的变换。
核心逻辑： 在输入序列前加上一个指令（Prompt），告诉模型现在要做什么任务。
例子：
-
翻译任务：
输入："翻译成英文：我爱学习。"
输出："I love learning."
-
摘要任务：
输入："总结：[一长段关于气候变化的报道]"
输出："全球气候变暖趋势加剧。"
-
问答任务：
输入："问题：中国的首都在哪里？"
输出："北京。"
4 基于 Encoder-Decoder 架构阐述为什么要这样做的细节
1. Encoder-Decoder 架构带来的问题：我们需要打破恒等映射
2. Encoder 的职责：学习 "鲁棒" 的特征表示
3. Decoder 的职责：学习 "自回归生成" 的逻辑
根据 Encoder 提供的背景信息，一个词接一个词地生成结果。
4. Decoder 如何根据 Encoder 提供的背景信息，一个词接一个词地生成结果
需要在二者之间建立关键纽带，交叉注意力 (Cross-Attention) 的训练。
Transformer的概念学习：
https://blog.csdn.net/weixin_57128596/article/details/154795289?spm=1001.2014.3001.5501
