训练概述

为什么要进行微调？

微调 Sentence Transformer 模型通常能大幅提升模型在您用例中的性能，因为每个任务对相似度的定义不同。例如，给定新闻文章：

“苹果发布新款 iPad”
“NVIDIA 正在为下一代 GPU 做准备”

在以下用例中，我们可能对相似度有不同的概念：

一个用于分类新闻文章（经济、体育、科技、政治等）的模型，应该为这些文本生成相似的嵌入。
一个用于语义文本相似度的模型，应该为这些文本生成不相似的嵌入，因为它们意义不同。
一个用于语义搜索的模型不需要文档间的相似度概念，因为它只需要比较查询和文档。

另请参阅训练示例，其中包含您可以采用的许多用于常见实际应用的训练脚本。

训练组件

训练 Sentence Transformer 模型涉及 4 到 6 个组件：

了解如何初始化用于训练的模型。了解如何准备用于训练的数据。了解如何准备和选择损失函数。了解哪些训练参数是有用的。了解如何在训练期间和之后进行评估。了解如何启动训练过程。

模型

Sentence Transformer 模型由一系列模块或自定义模块组成，这提供了很大的灵活性。如果您想进一步微调 SentenceTransformer 模型（例如，它有一个modules.json 文件），那么您不必担心使用了哪些模块。

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("sentence-transformers/all-MiniLM-L6-v2")

但如果您想从另一个检查点或从头开始训练，那么这些是最常用的架构：

Transformers

大多数 Sentence Transformer 模型使用Transformer和Pooling模块。前者加载一个预训练的 Transformer 模型（例如BERT、RoBERTa、DistilBERT、ModernBERT等），后者将 Transformer 的输出进行池化，为每个输入句子生成一个单一的向量表示。

from sentence_transformers import models, SentenceTransformer

transformer = models.Transformer("google-bert/bert-base-uncased")
pooling = models.Pooling(transformer.get_word_embedding_dimension(), pooling_mode="mean")

model = SentenceTransformer(modules=[transformer, pooling])

这是 Sentence Transformers 中的默认选项，因此使用快捷方式更容易：

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("google-bert/bert-base-uncased")

提示

最强大的基础模型通常是“编码器模型”，即训练用于为输入生成有意义的 token 嵌入的模型。您可以在这里找到强大的候选模型：

fill-mask 模型 - 训练用于 token 嵌入
sentence similarity 模型 - 训练用于文本嵌入
feature-extraction 模型 - 训练用于文本嵌入

考虑寻找专为您的语言和/或感兴趣领域设计的基础模型。例如，FacebookAI/xlm-roberta-base 在土耳其语上的表现会比google-bert/bert-base-uncased更好。

静态

静态嵌入模型（博客文章）使用StaticEmbedding模块，它们是不使用缓慢的 Transformer 或注意力机制的编码器模型。对于这些模型，计算嵌入非常简单：给定输入 token，返回预计算的 token 嵌入。这些模型速度快好几个数量级，但由于 token 嵌入是独立于上下文计算的，因此无法捕捉复杂的语义。

from sentence_transformers import models, SentenceTransformer
from tokenizers import Tokenizer

# Load any Tokenizer from Hugging Face
tokenizer = Tokenizer.from_pretrained("google-bert/bert-base-uncased")
# The `embedding_dim` is the dimensionality (size) of the token embeddings
static_embedding = StaticEmbedding(tokenizer, embedding_dim=512)

model = SentenceTransformer(modules=[static_embedding])

数据集

SentenceTransformerTrainer 使用datasets.Dataset（一个数据集）或datasets.DatasetDict 实例（多个数据集，另请参见多数据集训练）进行训练和评估。

🤗 Hugging Face Hub 上的数据

如果您想从Hugging Face 数据集加载数据，那么您应该使用datasets.load_dataset()

from datasets import load_dataset

train_dataset = load_dataset("sentence-transformers/all-nli", "pair-class", split="train")
eval_dataset = load_dataset("sentence-transformers/all-nli", "pair-class", split="dev")

print(train_dataset)
"""
Dataset({
    features: ['premise', 'hypothesis', 'label'],
    num_rows: 942069
})
"""

一些数据集（包括sentence-transformers/all-nli）要求您在数据集名称旁边提供一个“子集”。sentence-transformers/all-nli 有 4 个子集，每个子集都有不同的数据格式：pair、pair-class、pair-score、triplet。

注意

许多与 Sentence Transformers 无缝协作的 Hugging Face 数据集已被标记为sentence-transformers，您可以通过浏览https://huggingface.co/datasets?other=sentence-transformers轻松找到它们。我们强烈建议您浏览这些数据集，以找到可能对您的任务有用的训练数据集。

本地数据 (CSV, JSON, Parquet, Arrow, SQL)

如果您有常见文件格式的本地数据，那么您可以使用datasets.load_dataset()轻松加载这些数据

from datasets import load_dataset

dataset = load_dataset("csv", data_files="my_file.csv")

或

from datasets import load_dataset

dataset = load_dataset("json", data_files="my_file.json")

需要预处理的本地数据

如果您有需要额外预处理的本地数据，我建议您使用datasets.Dataset.from_dict()和字典列表初始化数据集，如下所示：

from datasets import Dataset

anchors = []
positives = []
# Open a file, do preprocessing, filtering, cleaning, etc.
# and append to the lists

dataset = Dataset.from_dict({
    "anchor": anchors,
    "positive": positives,
})

字典中的每个键都将成为结果数据集中的一个列。

数据集格式

您的数据集格式与损失函数（或您选择的损失函数与数据集格式）匹配非常重要。验证数据集格式是否适用于损失函数涉及两个步骤：

如果您的损失函数根据损失概述表需要一个标签，那么您的数据集必须有一个名为“label”或“score”的列。此列将自动作为标签。
所有未命名为“label”或“score”的列都被视为根据损失概述表的输入。剩余列的数量必须与您所选损失的有效输入数量匹配。这些列的名称不重要，只有顺序重要。

例如，给定一个包含列["text1", "text2", "label"]的数据集，其中“label”列的浮点相似度分数在 0 到 1 之间，我们可以将其与CoSENTLoss、AnglELoss和CosineSimilarityLoss一起使用，因为它

有一个“label”列，这是这些损失函数所必需的。
有 2 个非标签列，恰好是这些损失函数所需的数量。

如果您的列顺序不正确，请务必使用Dataset.select_columns重新排列数据集列的顺序。例如，如果您的数据集有["good_answer", "bad_answer", "question"]作为列，那么这个数据集技术上可以与需要（锚点、正样本、负样本）三元组的损失一起使用，但good_answer列将被视为锚点，bad_answer视为正样本，question视为负样本。

此外，如果您的数据集有多余的列（例如 sample_id、metadata、source、type），您应该使用Dataset.remove_columns将其删除，否则它们将被用作输入。您也可以使用Dataset.select_columns只保留所需的列。

损失函数

损失函数量化了模型在给定批量数据上的表现，使得优化器可以更新模型权重以产生更优（即更低）的损失值。这是训练过程的核心。

遗憾的是，没有一个损失函数适用于所有用例。相反，使用哪个损失函数很大程度上取决于您可用的数据和目标任务。请参阅数据集格式以了解哪些数据集适用于哪些损失函数。此外，损失概述将是您了解选项的最佳帮手。

大多数损失函数只需使用您正在训练的SentenceTransformer以及一些可选参数即可初始化，例如：

from datasets import load_dataset
from sentence_transformers import SentenceTransformer
from sentence_transformers.losses import CoSENTLoss

# Load a model to train/finetune
model = SentenceTransformer("xlm-roberta-base")

# Initialize the CoSENTLoss
# This loss requires pairs of text and a float similarity score as a label
loss = CoSENTLoss(model)

# Load an example training dataset that works with our loss function:
train_dataset = load_dataset("sentence-transformers/all-nli", "pair-score", split="train")
"""
Dataset({
    features: ['sentence1', 'sentence2', 'label'],
    num_rows: 942069
})
"""

训练参数

SentenceTransformerTrainingArguments 类可用于指定影响训练性能以及定义跟踪/调试参数的参数。尽管它是可选的，但强烈建议尝试各种有用的参数。

eval_strategy eval_steps save_strategy save_steps save_total_limit report_to run_name log_level logging_steps push_to_hub hub_model_id hub_strategy hub_private_repo

以下是SentenceTransformerTrainingArguments如何初始化的示例：

args = SentenceTransformerTrainingArguments(
    # Required parameter:
    output_dir="models/mpnet-base-all-nli-triplet",
    # Optional training parameters:
    num_train_epochs=1,
    per_device_train_batch_size=16,
    per_device_eval_batch_size=16,
    learning_rate=2e-5,
    warmup_ratio=0.1,
    fp16=True,  # Set to False if you get an error that your GPU can't run on FP16
    bf16=False,  # Set to True if you have a GPU that supports BF16
    batch_sampler=BatchSamplers.NO_DUPLICATES,  # losses that use "in-batch negatives" benefit from no duplicates
    # Optional tracking/debugging parameters:
    eval_strategy="steps",
    eval_steps=100,
    save_strategy="steps",
    save_steps=100,
    save_total_limit=2,
    logging_steps=100,
    run_name="mpnet-base-all-nli-triplet",  # Will be used in W&B if `wandb` is installed
)

评估器

您可以为SentenceTransformerTrainer提供一个eval_dataset以在训练期间获取评估损失，但在训练期间获取更具体的指标可能也很有用。为此，您可以使用评估器在训练前、训练期间或训练后评估模型的性能并获取有用的指标。您可以同时使用eval_dataset和评估器，或其中一个，或两者都不用。它们根据eval_strategy和eval_steps训练参数进行评估。

以下是 Sentence Transformers 附带的已实现的评估器：

评估器	所需数据
`BinaryClassificationEvaluator`	带类别标签的配对。
`EmbeddingSimilarityEvaluator`	带相似度分数的配对。
`InformationRetrievalEvaluator`	查询（qid => 问题），语料库（cid => 文档），以及相关文档（qid => set[cid]）。
`NanoBEIREvaluator`	不需要数据。
`MSEEvaluator`	用于使用教师模型嵌入的源句子和用于学生模型嵌入的目标句子。可以是相同的文本。
`ParaphraseMiningEvaluator`	ID 到句子的映射 & 带有重复句子 ID 的对。
`RerankingEvaluator`	`{'query': '...', 'positive': [...], 'negative': [...]}` 字典列表。
`TranslationEvaluator`	两种不同语言的句子对。
`TripletEvaluator`	（锚点、正样本、负样本）对。

此外，SequentialEvaluator应用于将多个评估器组合成一个评估器，该评估器可以传递给SentenceTransformerTrainer。

有时您没有所需的评估数据来独立准备这些评估器，但您仍然想跟踪模型在某些常见基准上的表现。在这种情况下，您可以使用这些评估器与来自 Hugging Face 的数据。

EmbeddingSimilarityEvaluator 与 STSb

from datasets import load_dataset
from sentence_transformers.evaluation import EmbeddingSimilarityEvaluator, SimilarityFunction

# Load the STSB dataset (https://huggingface.co/datasets/sentence-transformers/stsb)
eval_dataset = load_dataset("sentence-transformers/stsb", split="validation")

# Initialize the evaluator
dev_evaluator = EmbeddingSimilarityEvaluator(
    sentences1=eval_dataset["sentence1"],
    sentences2=eval_dataset["sentence2"],
    scores=eval_dataset["score"],
    main_similarity=SimilarityFunction.COSINE,
    name="sts-dev",
)
# You can run evaluation like so:
# results = dev_evaluator(model)

TripletEvaluator 与 AllNLI

from datasets import load_dataset
from sentence_transformers.evaluation import TripletEvaluator, SimilarityFunction

# Load triplets from the AllNLI dataset (https://huggingface.co/datasets/sentence-transformers/all-nli)
max_samples = 1000
eval_dataset = load_dataset("sentence-transformers/all-nli", "triplet", split=f"dev[:{max_samples}]")

# Initialize the evaluator
dev_evaluator = TripletEvaluator(
    anchors=eval_dataset["anchor"],
    positives=eval_dataset["positive"],
    negatives=eval_dataset["negative"],
    main_distance_function=SimilarityFunction.COSINE,
    name="all-nli-dev",
)
# You can run evaluation like so:
# results = dev_evaluator(model)

NanoBEIREvaluator

from sentence_transformers.evaluation import NanoBEIREvaluator

# Initialize the evaluator. Unlike most other evaluators, this one loads the relevant datasets
# directly from Hugging Face, so there's no mandatory arguments
dev_evaluator = NanoBEIREvaluator()
# You can run evaluation like so:
# results = dev_evaluator(model)

提示

当在训练期间频繁使用较小的eval_steps进行评估时，请考虑使用一个微型eval_dataset以最小化评估开销。如果您担心评估集大小，90-1-9 的训练-评估-测试划分可以提供一个平衡，为最终评估保留一个合理大小的测试集。训练结束后，您可以使用trainer.evaluate(test_dataset)评估模型的测试损失，或使用test_evaluator(model)初始化一个测试评估器以获取详细的测试指标。

如果您在训练后但在保存模型之前进行评估，则自动生成的模型卡仍将包含测试结果。

警告

使用分布式训练时，评估器仅在第一个设备上运行，而训练和评估数据集则在所有设备上共享。

训练器

SentenceTransformerTrainer是所有先前组件汇集的地方。我们只需要指定模型、训练参数（可选）、训练数据集、评估数据集（可选）、损失函数、评估器（可选）即可开始训练。让我们看看所有这些组件如何协同工作的脚本：

from datasets import load_dataset
from sentence_transformers import (
    SentenceTransformer,
    SentenceTransformerTrainer,
    SentenceTransformerTrainingArguments,
    SentenceTransformerModelCardData,
)
from sentence_transformers.losses import MultipleNegativesRankingLoss
from sentence_transformers.training_args import BatchSamplers
from sentence_transformers.evaluation import TripletEvaluator

# 1. Load a model to finetune with 2. (Optional) model card data
model = SentenceTransformer(
    "microsoft/mpnet-base",
    model_card_data=SentenceTransformerModelCardData(
        language="en",
        license="apache-2.0",
        model_name="MPNet base trained on AllNLI triplets",
    )
)

# 3. Load a dataset to finetune on
dataset = load_dataset("sentence-transformers/all-nli", "triplet")
train_dataset = dataset["train"].select(range(100_000))
eval_dataset = dataset["dev"]
test_dataset = dataset["test"]

# 4. Define a loss function
loss = MultipleNegativesRankingLoss(model)

# 5. (Optional) Specify training arguments
args = SentenceTransformerTrainingArguments(
    # Required parameter:
    output_dir="models/mpnet-base-all-nli-triplet",
    # Optional training parameters:
    num_train_epochs=1,
    per_device_train_batch_size=16,
    per_device_eval_batch_size=16,
    learning_rate=2e-5,
    warmup_ratio=0.1,
    fp16=True,  # Set to False if you get an error that your GPU can't run on FP16
    bf16=False,  # Set to True if you have a GPU that supports BF16
    batch_sampler=BatchSamplers.NO_DUPLICATES,  # MultipleNegativesRankingLoss benefits from no duplicate samples in a batch
    # Optional tracking/debugging parameters:
    eval_strategy="steps",
    eval_steps=100,
    save_strategy="steps",
    save_steps=100,
    save_total_limit=2,
    logging_steps=100,
    run_name="mpnet-base-all-nli-triplet",  # Will be used in W&B if `wandb` is installed
)

# 6. (Optional) Create an evaluator & evaluate the base model
dev_evaluator = TripletEvaluator(
    anchors=eval_dataset["anchor"],
    positives=eval_dataset["positive"],
    negatives=eval_dataset["negative"],
    name="all-nli-dev",
)
dev_evaluator(model)

# 7. Create a trainer & train
trainer = SentenceTransformerTrainer(
    model=model,
    args=args,
    train_dataset=train_dataset,
    eval_dataset=eval_dataset,
    loss=loss,
    evaluator=dev_evaluator,
)
trainer.train()

# (Optional) Evaluate the trained model on the test set
test_evaluator = TripletEvaluator(
    anchors=test_dataset["anchor"],
    positives=test_dataset["positive"],
    negatives=test_dataset["negative"],
    name="all-nli-test",
)
test_evaluator(model)

# 8. Save the trained model
model.save_pretrained("models/mpnet-base-all-nli-triplet/final")

# 9. (Optional) Push it to the Hugging Face Hub
model.push_to_hub("mpnet-base-all-nli-triplet")

回调

这个 Sentence Transformers 训练器集成了对各种transformers.TrainerCallback子类的支持，例如：

WandbCallback：如果安装了wandb，则自动将训练指标记录到 W&B。
TensorBoardCallback：如果可以访问tensorboard，则将训练指标记录到 TensorBoard。
CodeCarbonCallback：如果安装了codecarbon，则跟踪模型在训练期间的碳排放。
- 注意：这些碳排放将包含在自动生成的模型卡中。

有关集成回调以及如何编写自己的回调的更多信息，请参阅 Transformers 回调文档。

多数据集训练

性能最佳的模型是同时使用许多数据集进行训练的。通常，这相当棘手，因为每个数据集都有不同的格式。然而，sentence_transformers.trainer.SentenceTransformerTrainer可以训练多个数据集，而无需将每个数据集转换为相同的格式。它甚至可以对每个数据集应用不同的损失函数。使用多个数据集进行训练的步骤是：

使用Dataset实例的字典（或DatasetDict）作为train_dataset（可选地，也可以作为eval_dataset）。
（可选）使用损失函数字典，将数据集名称映射到损失。仅当您希望对不同数据集使用不同的损失函数时才需要。

每个训练/评估批次将只包含来自一个数据集的样本。从多个数据集采样批次的顺序由MultiDatasetBatchSamplers枚举定义，该枚举可以通过multi_dataset_batch_sampler传递给SentenceTransformerTrainingArguments。有效选项包括：

MultiDatasetBatchSamplers.ROUND_ROBIN: 轮流从每个数据集中采样，直到其中一个耗尽。使用此策略，每个数据集中的所有样本不太可能被使用，但每个数据集都被同等采样。
MultiDatasetBatchSamplers.PROPORTIONAL (默认): 根据每个数据集的大小按比例采样。使用此策略，每个数据集中的所有样本都将被使用，并且较大的数据集会更频繁地被采样。

这种多任务训练已被证明非常有效，例如 Huang et al. 采用了MultipleNegativesRankingLoss、CoSENTLoss，以及一个不带批内负样本且仅包含困难负样本的MultipleNegativesRankingLoss变体，从而在中文任务上达到了最先进的性能。他们甚至应用了MatryoshkaLoss，以使模型能够生成Matryoshka Embeddings。

在多个数据集上进行训练看起来像这样：

from datasets import load_dataset
from sentence_transformers import SentenceTransformer, SentenceTransformerTrainer
from sentence_transformers.losses import CoSENTLoss, MultipleNegativesRankingLoss, SoftmaxLoss

# 1. Load a model to finetune
model = SentenceTransformer("bert-base-uncased")

# 2. Load several Datasets to train with
# (anchor, positive)
all_nli_pair_train = load_dataset("sentence-transformers/all-nli", "pair", split="train[:10000]")
# (premise, hypothesis) + label
all_nli_pair_class_train = load_dataset("sentence-transformers/all-nli", "pair-class", split="train[:10000]")
# (sentence1, sentence2) + score
all_nli_pair_score_train = load_dataset("sentence-transformers/all-nli", "pair-score", split="train[:10000]")
# (anchor, positive, negative)
all_nli_triplet_train = load_dataset("sentence-transformers/all-nli", "triplet", split="train[:10000]")
# (sentence1, sentence2) + score
stsb_pair_score_train = load_dataset("sentence-transformers/stsb", split="train[:10000]")
# (anchor, positive)
quora_pair_train = load_dataset("sentence-transformers/quora-duplicates", "pair", split="train[:10000]")
# (query, answer)
natural_questions_train = load_dataset("sentence-transformers/natural-questions", split="train[:10000]")

# We can combine all datasets into a dictionary with dataset names to datasets
train_dataset = {
    "all-nli-pair": all_nli_pair_train,
    "all-nli-pair-class": all_nli_pair_class_train,
    "all-nli-pair-score": all_nli_pair_score_train,
    "all-nli-triplet": all_nli_triplet_train,
    "stsb": stsb_pair_score_train,
    "quora": quora_pair_train,
    "natural-questions": natural_questions_train,
}

# 3. Load several Datasets to evaluate with
# (anchor, positive, negative)
all_nli_triplet_dev = load_dataset("sentence-transformers/all-nli", "triplet", split="dev")
# (sentence1, sentence2, score)
stsb_pair_score_dev = load_dataset("sentence-transformers/stsb", split="validation")
# (anchor, positive)
quora_pair_dev = load_dataset("sentence-transformers/quora-duplicates", "pair", split="train[10000:11000]")
# (query, answer)
natural_questions_dev = load_dataset("sentence-transformers/natural-questions", split="train[10000:11000]")

# We can use a dictionary for the evaluation dataset too, but we don't have to. We could also just use
# no evaluation dataset, or one dataset.
eval_dataset = {
    "all-nli-triplet": all_nli_triplet_dev,
    "stsb": stsb_pair_score_dev,
    "quora": quora_pair_dev,
    "natural-questions": natural_questions_dev,
}

# 4. Load several loss functions to train with
# (anchor, positive), (anchor, positive, negative)
mnrl_loss = MultipleNegativesRankingLoss(model)
# (sentence_A, sentence_B) + class
softmax_loss = SoftmaxLoss(model, model.get_sentence_embedding_dimension(), 3)
# (sentence_A, sentence_B) + score
cosent_loss = CoSENTLoss(model)

# Create a mapping with dataset names to loss functions, so the trainer knows which loss to apply where.
# Note that you can also just use one loss if all of your training/evaluation datasets use the same loss
losses = {
    "all-nli-pair": mnrl_loss,
    "all-nli-pair-class": softmax_loss,
    "all-nli-pair-score": cosent_loss,
    "all-nli-triplet": mnrl_loss,
    "stsb": cosent_loss,
    "quora": mnrl_loss,
    "natural-questions": mnrl_loss,
}

# 5. Define a simple trainer, although it's recommended to use one with args & evaluators
trainer = SentenceTransformerTrainer(
    model=model,
    train_dataset=train_dataset,
    eval_dataset=eval_dataset,
    loss=losses,
)
trainer.train()

# 6. save the trained model and optionally push it to the Hugging Face Hub
model.save_pretrained("bert-base-all-nli-stsb-quora-nq")
model.push_to_hub("bert-base-all-nli-stsb-quora-nq")

已弃用的训练

在 Sentence Transformers v3.0 发布之前，模型使用SentenceTransformer.fit()方法和InputExample的DataLoader进行训练，其形式大致如下：

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

# Define the model. Either from scratch of by loading a pre-trained model
model = SentenceTransformer("distilbert/distilbert-base-uncased")

# Define your train examples. You need more than just two examples...
train_examples = [
    InputExample(texts=["My first sentence", "My second sentence"], label=0.8),
    InputExample(texts=["Another pair", "Unrelated sentence"], label=0.3),
]

# Define your train dataset, the dataloader and the train loss
train_dataloader = DataLoader(train_examples, shuffle=True, batch_size=16)
train_loss = losses.CosineSimilarityLoss(model)

# Tune the model
model.fit(train_objectives=[(train_dataloader, train_loss)], epochs=1, warmup_steps=100)

自 v3.0 发布以来，使用SentenceTransformer.fit()仍然可行，但它会在幕后初始化一个SentenceTransformerTrainer。建议直接使用 Trainer，因为您可以通过SentenceTransformerTrainingArguments获得更多控制权，但依赖SentenceTransformer.fit()的现有训练脚本应该仍然有效。

如果更新的SentenceTransformer.fit()出现问题，您也可以通过调用SentenceTransformer.old_fit()来获得完全相同的旧行为，但此方法计划在未来完全弃用。

最佳基础嵌入模型

您的文本嵌入模型的质量取决于您选择的 Transformer 模型。遗憾的是，我们无法从 GLUE 或 SuperGLUE 基准测试中更好的性能推断出该模型也将产生更好的表示。

为了测试 Transformer 模型的适用性，我使用training_nli_v2.py脚本，并在 560k (anchor, positive, negative)-三元组上训练 1 个 epoch，批量大小为 64。然后我在 14 个来自不同领域的各种文本相似性任务（聚类、语义搜索、重复检测等）上进行评估。

下表显示了不同模型及其在此基准上的性能

模型	性能 (14 个句子相似度任务)
microsoft/mpnet-base	60.99
nghuyong/ernie-2.0-en	60.73
microsoft/deberta-base	60.21
roberta-base	59.63
t5-base	59.21
bert-base-uncased	59.17
distilbert-base-uncased	59.03
nreimers/TinyBERT_L-6_H-768_v2	58.27
google/t5-v1_1-base	57.63
nreimers/MiniLMv2-L6-H768-distilled-from-BERT-Large	57.31
albert-base-v2	57.14
microsoft/MiniLM-L12-H384-uncased	56.79
microsoft/deberta-v3-base	54.46

与 CrossEncoder 训练的比较

训练SentenceTransformer模型与训练CrossEncoder模型非常相似，但存在一些关键差异：

不再将score、scores、label和labels列视为“标签列”，而只将score和label视为标签列。如您在损失概述文档中看到的，某些损失需要这些名称之一的列中包含特定的标签/分数。
对于CrossEncoder训练，您可以在一列中使用（大小可变的）文本列表。在SentenceTransformer训练中，您不能在训练/评估数据集的列中使用输入列表（例如文本）。简而言之：不支持使用可变数量的负样本进行训练。

有关训练CrossEncoder模型的更多详细信息，请参阅Cross Encoder > 训练概述文档。