大语言模型存在多种架构类型，不同架构适用于不同任务场景。下列关于大语言模型架构与对应适用场景、代表模型的匹配，正确的是（）A. 编码器-解码器架构 —— 适合长文生成任务 —— GPT-3模型B. 因果解码器架构 —— 适合序列转换任务（如中英翻译）—— T5模型C. 前缀解码器架构 —— 支持双向注意力与单向注意力结合 —— U-PaLM 模型D. 编码器架构 —— 仅用于文本分类任务 —— GLM-130B模型

本题考查大语言模型架构、适用场景及代表模型的匹配知识。解题思路是对每个选项所涉及的架构、适用场景和代表模型进行逐一分析，判断其匹配是否正确。

• A选项：
  • 编码器 - 解码器架构（Encoder - Decoder），典型代表是T5模型，它在很多序列到序列的任务中表现出色。
  • 而GPT - 3模型采用的是因果解码器架构（Causal Decoder），并非编码器 - 解码器架构。所以A选项匹配错误。
• B选项：
  • 因果解码器架构（Causal Decoder），也称为自回归架构，它按照顺序生成文本，每次生成一个词，并且只能依赖前面已经生成的词。
  • 序列转换任务（如中英翻译）需要根据输入序列生成输出序列，因果解码器架构适合这种任务，T5模型就是基于编码器 - 解码器架构，可用于序列转换任务，这里说因果解码器架构适合序列转换任务，T5模型是序列转换任务的典型代表，该选项匹配正确。
• C选项：
  • 前缀解码器架构（Prefix Decoder）主要是为了在生成过程中引入额外的信息，如上下文提示等。
  • U - PaLM模型采用的是前缀解码器架构，但它主要是为了提升大语言模型在复杂任务中的性能，并非是因为支持双向注意力与单向注意力结合。所以C选项匹配错误。
• D选项：
  • 编码器架构（Encoder）可以用于多种任务，如文本分类、信息检索等，并非仅用于文本分类任务。
  • GLM - 130B模型采用的是通用语言模型架构（General Language Model），不是编码器架构。所以D选项匹配错误。