当编码器-解码器LSTM模型的损失和预测结果为"nan"时，可能是由于梯度爆炸或梯度消失导致的数值不稳定的问题。以下是一些可能的解决方法：

1. 梯度剪裁（Gradient Clipping）：在训练过程中，限制梯度的最大值，以防止梯度爆炸问题。可以使用torch.nn.utils.clip_grad_norm_函数来剪裁梯度。例如：

torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm=1)

2. 使用更小的学习率（Learning Rate）：减小学习率可以帮助避免梯度爆炸或梯度消失问题。可以尝试减小学习率的大小，例如将学习率从0.01降低到0.001。

3. 使用稳定的激活函数：激活函数的选择可能会影响到模型的数值稳定性。使用稳定的激活函数，如ReLU，可以减少数值不稳定性的问题。

4. 使用更小的网络层数或隐藏单元数量：过深或过宽的网络可能会导致数值不稳定性的问题。可以尝试减少网络的层数或隐藏单元的数量，以减轻模型的复杂度。

5. 检查输入数据和标签：检查输入数据和标签的范围和分布是否合理，确保数据的数值范围在模型能够处理的范围内。

6. 使用其他优化器：尝试使用其他优化器，如Adam或RMSprop，以便更好地处理梯度问题。

7. 增加训练数据量：增加训练数据量可以帮助模型更好地学习数据的分布，减少梯度问题的发生。

需要注意的是，以上方法并非一定适用于所有情况，需要根据具体情况进行尝试和调整。