Bei der Text-zu-AMR-Parsing-Aufgabe verwenden derzeitige state-of-the-art-semantische Parser umständliche Pipelines, die mehrere unterschiedliche Module oder Komponenten integrieren, und setzen zudem auf Graph-Recategorisierung, also eine Reihe von inhaltsbezogener Heuristiken, die auf der Grundlage des Trainingsdatensatzes entwickelt wurden. Die Verallgemeinerbarkeit der Graph-Recategorisierung in Out-of-Distribution-Szenarien ist jedoch unklar. Im Gegensatz dazu basiert der state-of-the-art-AMR-zu-Text-Generierungsansatz, der als Umkehrung des Parsings angesehen werden kann, auf einfacheren seq2seq-Modellen. In diesem Paper formulieren wir die Aufgaben Text-zu-AMR und AMR-zu-Text als symmetrisches Transduktionsproblem und zeigen, dass es durch eine sorgfältige Graph-Linearisierung und die Erweiterung eines vortrainierten Encoder-Decoder-Modells möglich ist, state-of-the-art-Leistungen in beiden Aufgaben mit exakt demselben seq2seq-Ansatz zu erzielen – nämlich SPRING (acl{spring}). Unser Modell erfordert weder komplexe Pipelines noch Heuristiken, die auf starken Annahmen beruhen. Tatsächlich entfallen wir die Notwendigkeit der Graph-Recategorisierung und zeigen, dass diese Technik außerhalb des standardisierten Benchmarks tatsächlich schädlich ist. Schließlich erreichen wir auf dem englischen AMR-2.0-Datensatz eine deutliche Verbesserung gegenüber dem vorherigen State of the Art: Bei Text-zu-AMR erzielen wir eine Steigerung um 3,6 Smatch-Punkte, während wir bei AMR-zu-Text den State of the Art um 11,2 BLEU-Punkte übertreffen. Die Software stellen wir unter github.com/SapienzaNLP/spring zur Verfügung.