句子 Transformer 可以通过生成捕获语义的密集向量表示（embeddings）来协助文本摘要任务。这些向量表示使算法能够识别文档中最好地代表其整体内容的关键句子或短语。例如，在抽取式摘要中，可以将原文中的每个句子进行向量化（embedding），然后选择最接近文档平均向量表示（或其他标准，如多样性）的句子来形成摘要。在生成式摘要中，向量表示可以引导生成模型产生与原文语义一致的摘要，确保连贯性和相关性。
为了评估摘要与原文之间的相似度，句子 Transformer 计算两者各自的向量表示，并测量它们在向量空间中的接近程度。余弦相似度或曼哈顿距离等指标量化了摘要捕获源文本含义的程度。例如，摘要的向量表示与原文的向量表示之间的高余弦相似度表明强烈的语义重叠。此外，交叉编码器模型（Sentence Transformer 的一种）可以直接通过一起处理文本对来比较它们，提供细粒度的相似度得分。这对于检测事实一致性很有用，例如验证摘要中的特定主张是否与原文一致。
实际实现可能涉及使用预训练模型，例如 all-MiniLM-L6-v2，以高效提取向量表示。对于抽取式摘要，开发人员可以将原文分割成句子，对它们进行向量化，计算文档的平均向量表示，并选择与此平均值相似度最高的句子。要评估摘要，可以使用 sentence-transformers 等库通过余弦相似度比较摘要和原文的向量表示。为了进行更深入的分析，交叉编码器模型可以检查摘要中的个体主张是否与原文一致，并标记不匹配之处。这些方法提供了可衡量、可扩展的方式来自动化摘要和质量评估，而无需依赖人工评估。