Sentence Transformers 中的 bi-encoder（双编码器）指的是一种模型架构，该架构独立地将两个输入句子编码成固定维度的向量表示，然后比较这些向量以确定它们的相似性。 这种方法使用两个独立的神经网络（或同一网络的两个实例）来单独处理每个句子。 生成的嵌入捕获语义意义，语义搜索或聚类等任务依赖于测量这些向量之间的距离（例如，余弦相似度）。 例如，在问答系统中，bi-encoder 可能会分别编码用户的查询和答案数据库，然后根据答案与查询嵌入的相似性对答案进行排序。
bi-encoder 的主要优点是效率。 由于每个句子都是独立编码的，因此可以预先计算和存储大型数据集（如产品描述或支持文章）的嵌入。 这使得检索任务在推理时速度很快，因为比较简化为简单的向量运算。 例如，使用 bi-encoder 的搜索引擎可以预先计算数百万个文档的嵌入，从而实现实时的相似性搜索。 像 all-MiniLM-L6-v2 这样的流行模型针对此目的进行了优化，从而平衡了速度和准确性。 此外，bi-encoder 更容易扩展，因为编码和比较步骤是分离的，允许分布式系统分别处理每个阶段。
但是，bi-encoder 会牺牲一些准确性来换取速度。 由于两个句子是分开处理的，因此该模型无法捕获配对句子中单词之间的细粒度交互。 对于需要深度上下文分析的任务（例如，释义检测），cross-encoder（交叉编码器，它一起处理两个句子）通常表现更好，但速度较慢。 当延迟和可扩展性至关重要时，开发人员会选择 bi-encoder。 例如，推荐系统可以使用 bi-encoder 将用户配置文件与产品进行匹配，同时保留 cross-encoder 用于重新排序排名靠前的候选者。 这种选择取决于在性能需求和计算约束之间取得平衡。