产品
用于生成文本嵌入的开源库。
已跟踪 3 条高相关材料
最近变化
2026-05-25 · TF-IDF结合手工特征提供了透明的排名系统。
为什么值得关注
Sentence Transformers 被反复提及时，通常意味着它正在影响产品路线、开发者工作流或 AI 产业判断。这个页面把分散材料合并成一个可持续更新的观察入口。
From TF-IDF to Transformers: Implementing Four Generations of Semantic Search
Towards Data Science · 8.5 分
从TF-IDF到Transformer，文章通过四个阶段展示了语义搜索的演变过程，揭示了现代系统如何从手动设计特征转向直接从数据学习抽象意义。
Building Context-Aware Search in Python with LLM Embeddings + Metadata
Machine Learning Mastery · 8.2 分
本文介绍如何结合LLM嵌入和元数据过滤，在Python中构建上下文感知的语义搜索引擎。
Introducing the Ettin Reranker Family
Hugging Face Blog · 8 分
Hugging Face发布基于ModernBERT编码器的Ettin Reranker系列，包含17M到1B参数六个CrossEncoder模型，采用蒸馏训练方法，在MTEB检索基准上达到同类最优性能，为检索增强生成(RAG)系统提供高效重排序方案。
已收录 3 条与 Sentence Transformers 相关的内容，按评分排序。
从TF-IDF到Transformer，文章通过四个阶段展示了语义搜索的演变过程，揭示了现代系统如何从手动设计特征转向直接从数据学习抽象意义。
入选理由：TF-IDF结合手工特征提供了透明的排名系统。
This article explains how to build a context-aware semantic search engine in Python using LLM embeddings combined with metadata filtering.
入选理由：使用本地预训练模型生成384维向量，无需API密钥即可实现语义搜索。
Hugging Face releases the Ettin Reranker Family, six CrossEncoder models ranging from 17M to 1B parameters built on ModernBERT encoders, using distillation training to achieve state-of-the-art performance on MTEB retrieval benchmarks for RAG systems.
入选理由：发布6个CrossEncoder reranker模型（17M/32M/68M/150M/400M/1B参数），基于Ettin ModernBERT架构
