直接回答 Sentence Transformer 模型可能对释义句子的相似度评分较低，这主要归因于以下三个因素：训练数据限制、语义重点差异以及分词/上下文处理。 这些模型经过训练可以捕获语义含义，但其性能在很大程度上取决于它们针对其优化的特定数据和目标。 如果训练数据没有包含足够的释义示例，或者强调了其他任务（例如聚类不同的句子），则该模型可能会优先考虑与人类关于释义相似性的直觉不一致的特征。 例如，在问答对上训练的模型可能会优先考虑意图而不是表面相似性，从而导致释义显得不太相关。
训练和语义细微差别 模型的训练目标起着至关重要的作用。 如果模型针对自然语言推理 (NLI) 等任务进行了微调，该任务将句子分类为“蕴含”、“中性”或“矛盾”，则它可能侧重于区分细微差异而不是衡量相似性。 例如，“The event was canceled due to rain”和“Heavy rainfall led to the event’s cancellation”是释义，但模型可能会强调上下文线索（例如，“due to”与“led to”）或句法结构，从而降低相似度得分。 此外，如果训练数据缺乏多样化的释义，模型可能无法很好地泛化到未见过的措辞变化，尤其是在释义涉及稀有同义词或复杂的重新排序时。
分词和上下文敏感性 Sentence Transformers 使用将文本拆分为子词或单词的分词器，措辞上的微小差异可能会导致不同的分词模式。 例如，“quickly running”与“running fast”可能会使用不同的标记序列，导致模型将它们视为不太相似，尽管它们的含义相同。 此外，这些模型会整体分析整个句子，因此单词顺序或强调方式的细微变化（例如，“She primarily works remotely”与“She works remotely most of the time”）会改变上下文嵌入。 为了提高结果，请考虑在释义数据集（例如，PAWS 或 MRPC）上微调模型，或者使用以相似性为中心的objective 例如余弦相似度损失，这会明确地训练模型以在嵌入空间中更接近地映射释义。