从原始文本中抽取关系三元组是信息抽取领域的一项关键任务，能够支持知识库的构建与验证、事实核查以及其他下游应用。然而，传统方法通常依赖多步骤处理流程，容易产生误差传播问题，且往往仅限于少数几类关系类型。为克服上述挑战，本文提出采用自回归序列到序列（autoregressive seq2seq）模型。这类模型此前已被证明在语言生成任务以及实体链接（Entity Linking）等自然语言理解（NLU）任务中表现优异，这得益于其被成功建模为序列到序列问题。本文展示了如何通过将关系三元组表示为文本序列，从而简化关系抽取任务，并提出了REBEL——一个基于BART架构的seq2seq模型，能够实现超过200种不同关系类型的端到端关系抽取。通过在多种关系抽取与关系分类基准数据集上进行微调，我们验证了该模型的灵活性与强大泛化能力，其在多数任务中均达到了当前最优（state-of-the-art）性能。