标签:

• 句子转换器
• 句子相似度
• 特征提取
• 检索增强生成 基础模型: sentence-transformers/all-MiniLM-L6-v2 流水线标签: 句子相似度 库名称: sentence-transformers 许可证: apache-2.0 语言:
• 英文

最快的文本嵌入模型：tabularisai/all-MiniLM-L2-v2

该模型是从sentence-transformers/all-MiniLM-L12-v2蒸馏而来，与最小的all-MiniLM-L6-v2模型相比，推理速度提升近2倍，同时在CPU和GPU上保持较高的准确度。

使用方法

检索增强生成（RAG）示例

在RAG流程中使用该模型作为检索器：

from sentence_transformers import SentenceTransformer, util
import faiss
import numpy as np

# 加载嵌入模型
model = SentenceTransformer("tabularisai/all-MiniLM-L2-v2")

# 5个简单文档
documents = [
    "可再生能源来自自然资源。",
    "太阳能板将阳光转化为电能。",
    "风力涡轮机利用风能发电。",
    "化石燃料是不可再生能源。",
    "水力发电利用水能产生电力。"
]

# 文档嵌入
doc_embeddings = model.encode(documents, convert_to_numpy=True)

# 创建FAISS索引
dim = doc_embeddings.shape[1]
index = faiss.IndexFlatL2(dim)
index.add(doc_embeddings)

# 查询
query = "可再生能源有哪些好处？"
query_embedding = model.encode([query], convert_to_numpy=True)

# 搜索最相似的3个文档
D, I = index.search(query_embedding, k=3)

# 打印结果
print("查询:", query)
print("\n最相似的3个文档:")
for rank, idx in enumerate(I[0]):
    print(f"{rank+1}. {documents[idx]} (得分: {D[0][rank]:.4f})")

句子嵌入示例

安装库：

pip install -U sentence-transformers

加载模型并编码句子：

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("tabularisai/all-MiniLM-L2-v2")

sentences = [
    "今天天气真好。",
    "外面阳光明媚！",
    "他开车去了体育场。",
]

embeddings = model.encode(sentences)
print(embeddings.shape)  # [3, 384]

similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)  # [3, 3]