chore: Update README.md with Encoder-Decoder PLM details

README.md

@@ -44,13 +44,13 @@
       - （3）针对下游任务微调
     - 3.1.2 RoBERTa
     - 3.1.3 ALBERT
-    - 3.1.4 XLNet
   - 3.2 Encoder-Decoder PLM 志学
     - 3.2.1 T5
       - （1）模型架构：Encoder-Decoder
       - （2）预训练任务
       - （3）大一统思想
     - 3.2.2 BART
+    - 3.2.3 XLNet
   - 3.3 Decoder-Only PLM
     - 3.3.1 GPT
       - （1）模型架构：Decoder Only

docs/chapter3/3.2 Eocoder-Decoder.md

@@ -0,0 +1,15 @@
+# 3.2 Encoder-Decoder PLM
+
+在上一节，我们学习了 Encoder-Only 结构的模型，主要介绍了 BERT 的模型架构、预训练任务和下游任务微调。BERT 是一个基于 Transformer 的 Encoder-Only 模型，通过预训练任务 MLM 和 NSP 来学习文本的双向语义关系，从而在下游任务中取得了优异的性能。但是，BERT 也存在一些问题，例如 MLM 任务和下游任务微调的不一致性，以及无法处理超过模型训练长度的输入等问题。为了解决这些问题，研究者们提出了 Encoder-Decoder 模型，通过引入 Decoder 部分来解决这些问题，同时也为 NLP 领域带来了新的思路和方法。
+
+在本节中，我们将学习 Encoder-Decoder 结构的模型，主要介绍 T5 的模型架构和预训练任务，以及 T5 模型首次提出的 NLP 大一统思想。
+
+## 3.2.1 T5 
+
+T5（Text-To-Text Transfer Transformer）是由 Google 提出的一种预训练语言模型，通过将所有 NLP 任务统一表示为文本到文本的转换问题，大大简化了模型设计和任务处理。T5 基于 Transformer 架构，包含编码器和解码器两个部分，使用自注意力机制和多头注意力捕捉全局依赖关系，利用相对位置编码处理长序列中的位置信息，并在每层中包含前馈神经网络进一步处理特征。
+
+T5 的大一统思想将不同的 NLP 任务如文本分类、问答、翻译等统一表示为输入文本到输出文本的转换，这种方法简化了模型设计、参数共享和训练过程，提高了模型的泛化能力和效率。通过这种统一处理方式，T5不仅减少了任务特定的模型调试工作，还能够使用相同的数据处理和训练框架，极大地提升了多任务学习的性能和应用的便捷性。
+
+![alt text](./figures/2-0.png)
+
+### （1）模型结构：Encoder-Decoder