当使用 Sentence Transformer 嵌入时出现维度不匹配或形状错误，通常是因为嵌入模型的输出结构与下游工具或网络的输入期望不一致。Sentence Transformers 生成固定大小的向量（例如，384、768 或 1024 维，具体取决于模型），如果管道中的下一个组件期望不同的形状，这会导致错误。例如，如果您使用的是预训练的分类器，它假设输入是 512 维的，但您的嵌入是 768 维的，则该模型的第一层会在矩阵乘法期间抛出形状错误。始终验证您的特定 Sentence Transformer 模型的嵌入维度（例如 all-MiniLM-L6-v2 与 all-mpnet-base-v2），并相应地调整下游网络的输入层。
另一个常见问题是批处理或数据结构不匹配。Sentence Transformers 将嵌入作为二维数组返回（例如，[batch_size, embedding_dim]），但某些工具可能期望单个样本使用扁平化的一维数组，或者需要额外的轴用于通道或时间步长。例如，如果您将一批 10 个嵌入（形状为 [10, 384]）传递到专为单实例处理而设计的工具（期望 [384]），则该工具可能会失败。同样，神经网络中的卷积层通常需要 3D 输入（例如，[batch, height, width]），而嵌入本身不提供。调整嵌入的形状或调整工具的输入处理（例如添加 unsqueeze/squeeze 操作）可以解决此问题。
最后，预处理或后处理步骤可能会无意中改变嵌入形状。例如，如果您规范化嵌入（将值缩放到 0 到 1 之间）或应用降维（如 PCA），则输出维度可能会更改。假设您使用 PCA 将 768D 嵌入减少到 256D，但忘记更新下游模型的输入大小——这将导致不匹配。同样，将嵌入与其他特征连接（例如，将元数据作为额外维度添加）会更改总输入大小。始终使用 Python 中的 print(embeddings.shape) 或调试器等工具验证中间步骤后的形状，以便在将数据传递到下一阶段之前捕获意外更改。