Sentence Transformers 发布 v6.0，新增 MultiVectorEncoder，将 ColBERT 风格的晚交互模型纳入正式模型类型，支持训练、推理与解释，并与密集、稀疏及重排序模型并列。此次更新扩展了该框架对多向量检索模型的统一支持，为相关开发者提供新的建模与使用路径。
下线会立即隐藏 Defomo 内容，并联动撤回 Elys 全部 Feed、详情和分享入口；恢复不会补推历史 Feed。 本操作覆盖整个事件簇及未来新成员。
Sentence Transformers 发布 v6.0，新增 MultiVectorEncoder，将 ColBERT 风格的晚交互模型纳入正式模型类型，支持训练、推理与解释，并与密集、稀疏及重排序模型并列。此次更新扩展了该框架对多向量检索模型的统一支持，为相关开发者提供新的建模与使用路径。
簇级候选：3 个已有簇， 共 3 条代表。
Sentence Transformers 发布 v6.0，新增 MultiVectorEncoder，使 ColBERT 风格的晚期交互模型成为与密集、稀疏及重排序模型并列的一级模型类型，支持训练、推理和解释。Answer.ai 的 ColBERT 模型现可在 Sentence Transformers 中使用，开发者能直接通过 Python 在本地创建并查询嵌入索引，降低相关检索功能的使用门槛。
Sentence Transformers v6 已发布，核心围绕多向量嵌入模型展开：模型为文档和查询中的多个词元分别生成向量，并通过 MaxSim 计算匹配度。该方案延续 ColBERT 的晚期交互思路，为语义搜索和检索增强生成系统提供了区别于单向量检索的实现路径。
Sentence Transformers v6.0更新说明，多向量模型不再将整段文本压缩为单一向量，而是为每个令牌保留向量，并逐一计算查询令牌与文档令牌的最佳匹配后汇总得分。该机制有助于更细粒度地捕捉查询与文档之间的局部语义对应关系，为检索模型的训练、推理和结果解释提供不同于稠密向量的方法。