通过在复述识别或自然语言推理（NLI）等特定任务上微调 Sentence Transformer 模型，可以训练模型专注于与这些任务直接相关的特征，从而改进其嵌入。此过程利用标记好的任务特定数据调整模型参数，使其生成的嵌入能更好地捕获目标应用所需的语义关系。如果不进行微调，通用嵌入可能会遗漏对特定任务至关重要的细微之处，例如区分含义的微妙差异或句子之间的逻辑关系。
对于复述识别，微调训练模型识别尽管措辞或结构不同但表达相同含义的两个句子。例如，模型可能通过将“The cat sits on the mat”和“A feline is resting on the rug”映射到相似的嵌入，来学习它们是复述。这是通过在 MRPC（Microsoft Research Paraphrase Corpus）等数据集上进行训练实现的，模型使用对比损失函数或三元组损失函数。当复述在嵌入空间中距离过远以及非复述距离过近时，损失函数会惩罚模型。随着时间的推移，模型变得擅长忽略不相关的变体（例如同义词或被动语态），同时强调语义等价性，从而生成可靠反映复述关系的嵌入。
在自然语言推理（NLI）中，微调教导模型对句子之间的逻辑关系进行编码，例如蕴含、矛盾或中立。例如，给定前提“A man is eating at a table”和假设“Someone is having a meal”，模型学习将它们映射到反映蕴含关系的嵌入。在 SNLI 或 MultiNLI 等数据集上进行训练，需要优化模型，使逻辑相关的句子嵌入对齐，而矛盾的句子嵌入则分开。此过程增强了嵌入表示层次和推理关系的能力，使其对问答或摘要等下游任务更有效。通过专注于特定任务目标，微调将通用嵌入转化为针对目标用例量身定制的专用工具。