要使用 Sentence Transformers 库利用 Hugging Face 的预训练模型，您可以使用 SentenceTransformer 类直接通过 Hugging Face 模型名称加载模型。首先，通过 pip install sentence-transformers 安装该库。然后，通过将模型标识符（例如 sentence-transformers/all-MiniLM-L6-v2）传递给 SentenceTransformer() 来初始化模型。该库会处理模型的下载、将其配置用于句子嵌入，并应用均值池化等最佳实践。例如，model = SentenceTransformer('sentence-transformers/all-MiniLM-L6-v2') 会加载一个针对通用文本嵌入优化的轻量级模型。这种方法无需手动进行分词和架构设置，让您可以专注于生成嵌入。
Sentence Transformers 通过预先打包 Hugging Face 模型，简化了嵌入任务的使用。与使用基础的 transformers 库（需要手动将模型与分词和池化层结合）不同，Sentence Transformers 提供了一个统一的接口。例如，像 all-mpnet-base-v2 这样的模型已预先配置为输出稠密向量表示，无需额外代码。该库还支持社区模型，即使它们并未明确为嵌入任务进行优化。例如，您可以直接加载 bert-base-uncased，尽管其性能可能与微调过的模型有所不同。这种灵活性使开发者能够快速进行实验，通过更改标识符来切换模型，同时保持一致的文本编码 API。
具体的使用场景取决于模型的设计。像 multi-qa-mpnet-base-dot-v1 这样的模型擅长语义搜索，而 paraphrase-MiniLM-L6-v2 则针对释义检测进行了微调。像 paraphrase-multilingual-MiniLM-L12-v2 这样的多语言模型支持 50 多种语言。加载模型后，使用 model.encode("Your text here") 对文本进行编码，以获取用于聚类或相似度计算等任务的嵌入。例如，使用余弦相似度比较 all-MiniLM-L6-v2 的嵌入可以驱动推荐系统。该库与 Hugging Face Hub 的集成确保了对更新模型的访问，同时保持向后兼容性，使其适用于生产管线。