Sentence Transformers - Embeddings de Última Geração

Framework Python para embeddings de sentenças e textos usando transformers.

Quando usar Sentence Transformers

Use quando:

• Precisa de embeddings de alta qualidade para RAG
• Similaridade semântica e busca
• Clustering e classificação de textos
• Embeddings multilíngues (100+ idiomas)
• Executar embeddings localmente (sem API)
• Alternativa econômica aos embeddings do OpenAI

Métricas:

• 15.700+ estrelas no GitHub
• 5000+ modelos pré-treinados
• 100+ idiomas suportados
• Baseado em PyTorch/Transformers

Use alternativas em vez disso:

• OpenAI Embeddings: Quando precisa de API, qualidade máxima
• Instructor: Instruções específicas de tarefa
• Cohere Embed: Serviço gerenciado

Início rápido

Instalação

pip install sentence-transformers

Uso básico

from sentence_transformers import SentenceTransformer

# Carregar modelo
model = SentenceTransformer('all-MiniLM-L6-v2')

# Gerar embeddings
sentences = [
    "This is an example sentence",
    "Each sentence is converted to a vector"
]

embeddings = model.encode(sentences)
print(embeddings.shape)  # (2, 384)

# Similaridade por cosseno
from sentence_transformers.util import cos_sim
similarity = cos_sim(embeddings[0], embeddings[1])
print(f"Similarity: {similarity.item():.4f}")

Modelos populares

Uso geral

# Rápido, boa qualidade (384 dim)
model = SentenceTransformer('all-MiniLM-L6-v2')

# Melhor qualidade (768 dim)
model = SentenceTransformer('all-mpnet-base-v2')

# Melhor qualidade (1024 dim, mais lento)
model = SentenceTransformer('all-roberta-large-v1')

Multilíngue

# 50+ idiomas
model = SentenceTransformer('paraphrase-multilingual-MiniLM-L12-v2')

# 100+ idiomas
model = SentenceTransformer('paraphrase-multilingual-mpnet-base-v2')

Específicos de domínio

# Domínio jurídico
model = SentenceTransformer('nlpaueb/legal-bert-base-uncased')

# Artigos científicos
model = SentenceTransformer('allenai/specter')

# Código
model = SentenceTransformer('microsoft/codebert-base')

Busca semântica

from sentence_transformers import SentenceTransformer, util

model = SentenceTransformer('all-MiniLM-L6-v2')

# Corpus
corpus = [
    "Python is a programming language",
    "Machine learning uses algorithms",
    "Neural networks are powerful"
]

# Codificar corpus
corpus_embeddings = model.encode(corpus, convert_to_tensor=True)

# Query
query = "What is Python?"
query_embedding = model.encode(query, convert_to_tensor=True)

# Encontrar mais similar
hits = util.semantic_search(query_embedding, corpus_embeddings, top_k=3)
print(hits)

Computação de similaridade

# Similaridade por cosseno
similarity = util.cos_sim(embedding1, embedding2)

# Produto escalar
similarity = util.dot_score(embedding1, embedding2)

# Similaridade por cosseno em pares
similarities = util.cos_sim(embeddings, embeddings)

Codificação em batch

# Processamento eficiente em batch
sentences = ["sentence 1", "sentence 2", ...] * 1000

embeddings = model.encode(
    sentences,
    batch_size=32,
    show_progress_bar=True,
    convert_to_tensor=False  # ou True para tensores PyTorch
)

Fine-tuning

from sentence_transformers import InputExample, losses
from torch.utils.data import DataLoader

# Dados de treinamento
train_examples = [
    InputExample(texts=['sentence 1', 'sentence 2'], label=0.8),
    InputExample(texts=['sentence 3', 'sentence 4'], label=0.3),
]

train_dataloader = DataLoader(train_examples, batch_size=16)

# Função de perda
train_loss = losses.CosineSimilarityLoss(model)

# Treinar
model.fit(
    train_objectives=[(train_dataloader, train_loss)],
    epochs=10,
    warmup_steps=100
)

# Salvar
model.save('my-finetuned-model')

Integração com LangChain

from langchain_community.embeddings import HuggingFaceEmbeddings

embeddings = HuggingFaceEmbeddings(
    model_name="sentence-transformers/all-mpnet-base-v2"
)

# Usar com armazenamentos de vetores
from langchain_chroma import Chroma

vectorstore = Chroma.from_documents(
    documents=docs,
    embedding=embeddings
)

Integração com LlamaIndex

from llama_index.embeddings.huggingface import HuggingFaceEmbedding

embed_model = HuggingFaceEmbedding(
    model_name="sentence-transformers/all-mpnet-base-v2"
)

from llama_index.core import Settings
Settings.embed_model = embed_model

# Usar no índice
index = VectorStoreIndex.from_documents(documents)

Guia de seleção de modelos

Modelo	Dimensões	Velocidade	Qualidade	Caso de Uso
all-MiniLM-L6-v2	384	Rápido	Boa	Geral, prototipagem
all-mpnet-base-v2	768	Médio	Melhor	RAG em produção
all-roberta-large-v1	1024	Lento	Melhor	Alta precisão necessária
paraphrase-multilingual	768	Médio	Boa	Multilíngue

Boas práticas

1. Comece com all-MiniLM-L6-v2 - Boa linha de base
2. Normalize embeddings - Melhor para similaridade por cosseno
3. Use GPU se disponível - 10× codificação mais rápida
4. Codificação em batch - Mais eficiente
5. Cache de embeddings - Caro recalcular
6. Fine-tune para domínio - Melhora qualidade
7. Teste diferentes modelos - Qualidade varia por tarefa
8. Monitore memória - Modelos grandes precisam mais RAM

Performance

Modelo	Velocidade (sentenças/seg)	Memória	Dimensão
MiniLM	~2000	120MB	384
MPNet	~600	420MB	768
RoBERTa	~300	1.3GB	1024

Recursos

• GitHub: https://github.com/UKPLab/sentence-transformers ⭐ 15.700+
• Modelos: https://huggingface.co/sentence-transformers
• Docs: https://www.sbert.net
• License: Apache 2.0