自回归模型是一类序列生成模型，其生成的输出依赖于先前的输出。换句话说，模型在生成序列的过程中，每个时间步生成的值都依赖于前面时间步生成的值。这种模型通常用于处理序列数据，如文本、音频、时间序列等。
在自然语言处理中，自回归模型经常用于语言建模和生成任务。典型的例子包括循环神经网络（RNN）、长短期记忆网络（LSTM）、门控循环单元（GRU）等。这些模型在每个时间步接受一个输入（通常是前一个时间步的输出或隐藏状态），然后产生一个输出和一个新的隐藏状态，该隐藏状态会传递到下一个时间步。
例如，在文本生成任务中，自回归模型会逐词地生成文本，每个词的生成都基于前面已生成的词。这样的模型可以生成连贯的文本，因为每个词都是基于前文的上下文信息生成的。
自回归模型的一个重要特性是，由于其依赖于先前的输出，因此在训练时通常需要使用教师强制（teacher forcing）技术，即将真实的目标序列作为输入提供给模型，以便引导模型学习正确的输出序列。在推理阶段，模型则根据自身先前生成的输出作为输入来生成序列，直到达到指定的终止条件为止。
