你正在混合两种不同的野兽。尽管都有编码器和解码器部分，但实际使用普通前馈图像变换网络（即自动编码器）和自回归模型（即 seq2seq）的方式非常不同：

• 在普通自动编码器中完成的图像转换类型中，您输入一个图像并在输出端获得另一个图像。就是这样，无论是在训练时还是在推理时。
• 在像 seq2seq 这样的自回归模型中，您向网络提供输入和预期输出序列的初始标记（即前缀），然后获得下一个标记作为输出。在训练期间，这些初始令牌通常来自黄金数据（也称为教师强制），也就是说，您从训练数据中提供前缀真实令牌。在推理中，这些令牌是由模型本身生成的：您生成第一个令牌，然后在给定您之前生成的第一个令牌的情况下生成第二个令牌，然后根据前面生成的 2 个令牌生成第三个令牌，依此类推。