في تحليل النص إلى AMR، تعتمد أحدث النماذج البارزة في المعالجة الدلالية على سلاسل معقدة تتضمن عدة وحدات أو مكونات مختلفة، وتعتمد على إعادة تصنيف الرسوم البيانية، أي مجموعة من القواعد التقديرية المخصصة للمحتوى التي تم تطويرها بناءً على مجموعة التدريب. ومع ذلك، فإن قابلية تعميم إعادة تصنيف الرسوم البيانية في سياقات خارج التوزيع المدروس تبقى غير واضحة. على النقيض من ذلك، تعتمد أحدث النماذج في إنشاء النص من AMR، والتي يمكن اعتبارها العكسية لتحليل النص، على نموذج بسيط من نوع seq2seq. في هذه الورقة، نُعدّل مسألة تحليل النص إلى AMR وإنشاء النص من AMR كمهمة تحوّل متماثلة، ونُظهر أنه من خلال تصميم تعميم دقيق للرسم البياني وتوسيع نموذج مشغل مُدرّب مسبقًا (encoder-decoder)، يمكن تحقيق أداء متميز في كلا المهمتين باستخدام نفس النهج seq2seq، أي نموذج SPRING (acl{spring}). لا يتطلب نموذجنا سلاسل معقدة، ولا قواعد تقديرية مبنية على افتراضات ثقيلة. في الواقع، نُلغي الحاجة إلى إعادة تصنيف الرسوم البيانية، ونُظهر أن هذه التقنية قد تكون ضارة خارج إطار المعايير القياسية القياسية. أخيرًا، نتفوّق على الأداء السابق في أفضل النماذج على مجموعة بيانات AMR الإنجليزية 2.0 بفارق كبير: في مهمة تحليل النص إلى AMR، نحقق تحسنًا قدره 3.6 نقطة في مقياس Smatch، بينما في مهمة إنشاء النص من AMR، نتفوّق على الأداء الأفضل السابق بفارق 11.2 نقطة في مقياس BLEU. نُطلق البرنامج على GitHub عبر الرابط: github.com/SapienzaNLP/spring.