Sentence Transformers (SBERT) 是一个构建在 Hugging Face Transformers 库之上的专门库，旨在简化和优化句子或文本嵌入的创建。Hugging Face Transformers 提供了一个通用的框架，用于处理 BERT、GPT 或 RoBERTa 等 Transformer 模型，而 SBERT 则专注于生成句子或短文本的密集向量表示。SBERT 通过添加针对语义相似性任务量身定制的自定义层和训练技术，扩展了 Hugging Face 的功能，使得更轻松地生成能有效捕捉句子级别意义的嵌入。
两个库之间的技术关系是直接的：SBERT 底层使用了 Hugging Face Transformers 作为基础。例如，当你创建一个 Sentence Transformers 模型时，它通常会初始化一个来自 Hugging Face 的预训练 Transformer 模型（如 bert-base-uncased），并在其顶部添加一个池化层，将 token 级别的输出转换为固定长度的句子嵌入。SBERT 还提供了针对语义文本相似性、聚类或检索等任务优化数据集上微调过的预训练模型。这种微调过程通常涉及 Siamese 或 Triplet 网络架构，这在 Hugging Face 的默认训练设置中并不原生强调。实际上，这意味着开发者可以使用 Hugging Face 访问原始 Transformer 模型，而 SBERT 则提供了一条简化路径，可以轻松地将这些模型转化为有效的嵌入生成器，而无需手动实现池化或训练逻辑。
从实践角度来看，这两个库是互补的。Hugging Face Transformers 非常适用于文本分类、问答或 token 级别预测等任务，而 SBERT 则擅长需要进行句子比较的场景，例如语义搜索或释义检测。举例来说，使用 Hugging Face，你可能对 BERT 进行微调以进行情感分析；而使用 SBERT，你可以为产品描述生成嵌入，并计算余弦相似度以构建推荐系统。开发者通常会结合使用这两个库：利用 Hugging Face 进行模型定制，并使用 SBERT 进行嵌入相关的优化。这种分工协作允许团队利用 Hugging Face 丰富的模型库，同时受益于 SBERT 面向性能的嵌入任务工具，从而减少冗余代码和复杂性。