심층적인 자연어 이해 (Natural Language Understanding)를 달성하기 위해, 구구조 구문 분석 (Syntactic Constituent Parsing)은 중요한 역할을 하며 텍스트와 음성을 모두 처리하는 많은 인공지능 시스템에서 널리 요구됩니다. 최근의 접근 방식은 전통적인 작업 특화형 파서 (Task-specific Parsers)에서 벗어나, 표준 시퀀스 투 시퀀스 (Sequence-to-Sequence) 모델을 사용하여 구구조 구문 분석을 기계 번역 문제로 다루는 것을 포함합니다. 이러한 모델들은 일반적으로 BERT 또는 RoBERTa와 같은 사전 학습된 Encoder-only 언어 모델로 초기화됩니다. 그러나 구구조 구문 분석을 위해 사전 학습된 Encoder-Decoder 언어 모델을 사용하는 것은 철저히 탐구되지 않았습니다. 이러한 격차를 해소하기 위해, 우리는 BART, mBART, T5를 포함한 사전 학습된 Encoder-Decoder 아키텍처를 기반으로 구축된 파서를 조사함으로써 시퀀스 투 시퀀스 프레임워크를 확장합니다. 우리는 이 모델들을 선형화된 구문 트리 (Linearized Parse Trees)를 생성하도록 미세 조정 (Fine-tuning)하고, 연속적인 트리뱅크 (Continuous Treebanks)와 더 복잡한 불연속 벤치마크 (Discontinuous Benchmarks) 모두에서 다양한 선형화 전략을 통해 광범위하게 평가합니다. 우리의 결과는 우리의 접근 방식이 모든 이전의 시퀀스 투 시퀀스 모델보다 성능이 뛰어나며, 연속 구구조 구문 분석 (Continuous Constituent Parsing)에서 선도적인 작업 특화형 구구조 파서들과 경쟁력 있는 성능을 보여준다는 것을 입증합니다.