在本项研究中，我们证明了在去噪任务与因果语言建模（Causal Language Modeling, CLM）混合数据上预训练的多语言大规模序列到序列（seq2seq）模型，在多种任务上作为少样本学习者（few-shot learners）的效率显著优于仅解码器架构的模型。具体而言，我们训练了一个参数量达200亿的多语言seq2seq模型——Alexa教师模型（AlexaTM 20B），并验证其在单样本摘要任务（1-shot summarization）中达到当前最优（SOTA）性能，超越了参数规模大得多的5400亿参数PaLM解码器模型。此外，AlexaTM 20B在单样本机器翻译任务中同样取得SOTA表现，尤其在低资源语言上优势显著，覆盖了模型支持的几乎所有语言对（阿拉伯语、英语、法语、德语、印地语、意大利语、日语、马拉地语、葡萄牙语、西班牙语、泰米尔语和泰卢固语），在Flores-101数据集上表现突出。在零样本（zero-shot）设置下，AlexaTM 20B在SuperGLUE与SQuADv2数据集上的表现优于GPT-3（1750亿参数），并在多语言任务如XNLI、XCOPA、Paws-X和XWinograd上实现了SOTA性能。总体而言，我们的研究结果有力地表明，seq2seq模型为大规模语言模型（LLM）训练提供了一种强大且极具潜力的替代方案，相较于仅解码器架构模型具有显著优势。