用途 sentence-transformers 是一个 Python 框架，用于生成句子和文本的嵌入（embeddings），底层基于 PyTorch 与 Transformers。它提供 5000 多个预训练模型，可用于语义相似度、聚类、分类和检索等任务，也支持图像嵌入。官方资料显示项目在 GitHub 有 15,700+ stars，支持 100+ 种语言。
主要能力
- 生成句子和文本向量，用于计算语义相似度（余弦相似度、点积）。
- 语义搜索：先把语料编码为向量，再对查询编码并检索最相似条目。
- 文本聚类与分类。
- 多语言嵌入，覆盖 100+ 种语言。
- 支持本地运行，无需调用 API，可作为部分商业嵌入 API 的低成本替代。
- 支持批量编码与模型微调。
使用方式 安装：pip install sentence-transformers
基础用法包括加载模型、encode 生成向量，再用 util.cos_sim 或 util.dot_score 计算相似度；语义搜索可用 util.semantic_search 指定 top_k；批量编码可设置 batch_size、show_progress_bar 和 convert_to_tensor。微调时可使用 InputExample 构造训练数据、DataLoader 装载数据，配合 CosineSimilarityLoss 等损失函数调用 model.fit，并用 model.save 保存模型。此外提供与 LangChain（HuggingFaceEmbeddings、Chroma）和 LlamaIndex（HuggingFaceEmbedding、VectorStoreIndex）的集成示例。
常用模型
- 通用：all-MiniLM-L6-v2（384 维，快）、all-mpnet-base-v2（768 维，质量更好）、all-roberta-large-v1（1024 维，质量最好但更慢）。
- 多语言：paraphrase-multilingual-MiniLM-L12-v2（50+ 语言）、paraphrase-multilingual-mpnet-base-v2（100+ 语言）。
- 领域专用：法律（nlpaueb/legal-bert-base-uncased）、科学论文（allenai/specter）、代码（microsoft/codebert-base）。
适用场景 需要高质量嵌入的 RAG、语义相似度与搜索、文本聚类与分类、多语言嵌入、本地离线运行嵌入，以及希望控制成本、不依赖 API 的场景。
限制与注意事项 官方建议可先以 all-MiniLM-L6-v2 作为基线；对嵌入做归一化有利于余弦相似度；有 GPU 时可显著加速编码；嵌入计算开销较大，建议缓存结果；针对领域数据微调可提升质量；不同模型在任务上的效果存在差异，需要测试；大模型占用更多内存。资料给出 MiniLM 约 120MB、MPNet 约 420MB、RoBERTa 约 1.3GB 的内存占用参考。项目采用 Apache 2.0 许可。官方资料称，如果确实需要通过 API 获得最高质量，或者需要托管服务，也可以考虑 OpenAI Embeddings、Instructor、Cohere Embed 等替代方案。关于收费与价格，资料暂未提供。