◆ KI-Freelancer? Werde eines der ersten 2.000 Gründungsmitglieder: 0 % Provision, 60 Tage Advanced (starte, wann du willst) und eigenes Titelbild für immer. KI-Freelancer? 0 % Provision + 60 Tage Advanced Jetzt Platz sichern →Mehr →
KI verbindenKI

Suche direkt aus deiner KI heraus nach KI-Tools, KI-Firmen und KI-Freelancern auf KI-Radar24.

So funktioniert der KI-Radar24-Connector
Inserat hinzufügen
Sentence Transformers

Sentence Transformers

Python-Framework für Text-Embeddings, Reranking und semantische Suche

Beschreibung

sbert.net ist die Dokumentation von Sentence Transformers, einem Python-Framework zum Berechnen von Text-Embeddings und zum Reranking, das vortrainierte Modelle für semantische Suche, Ähnlichkeitsvergleiche und Retrieval bereitstellt.

Das Tool richtet sich an Entwickler, Forschende und ML-Teams, die Embeddings und Reranker für Suche, Clustering und Retrieval selbst betreiben wollen.

Tags

  • Programmierung
  • Machine Learning
  • RAG
  • Kostenlos nutzbar
  • Open Source

Zuletzt aktualisiert: November 2026 · Fehler melden · Abzeichen für deine Website

Auf einen Blick

Stand: November 2026
🛡️Datenschutz

Das Projekt wird vom UKP Lab der TU Darmstadt (Deutschland) in Zusammenarbeit mit Hugging Face gepflegt. Als lokal installierbare Open-Source-Bibliothek verarbeitet sie Daten in der eigenen Umgebung; ein Datenabfluss an den Anbieter findet laut Dokumentation nicht statt, ausdrückliche Datenschutzangaben sind dort nicht öffentlich dokumentiert. Beim Laden von Modellen vom Hugging Face Hub gelten die Bedingungen des Hubs.

💰
Preismodell

Open Source und kostenlos nutzbar.

👥
Zielgruppe
EntwicklerData ScientistsForschungsteams
⚙️
Technik

Python-Framework mit Sentence Transformer, Cross Encoder, Sparse Encoder (SPLADE) und Multi-Vector Encoder; Installation per uv, pip, Conda oder aus dem Quellcode, optional mit CUDA-Unterstützung für GPUs.

🔗
Integrationen
Installation per pip oder CondaNutzung vortrainierter ModelleZusammenarbeit mit dem Hugging-Face-Ökosystem
📊
Funktionen
Dichte Text-EmbeddingsCross-Encoder-RerankingSparse EncoderMulti-Vector-EmbeddingsMultimodale Eingaben wie BilderAudio und VideoFeintuning eigener Modelle

✅ Vorteile

  • Freie Open-Source-Bibliothek mit vielen vortrainierten Modellen
  • Läuft lokal ohne externe API

❌ Nachteile

  • Erfordert Python-Kenntnisse und eigene Rechenressourcen
  • Kein gehosteter Dienst mit Support
🎯
Für wen geeignet?

Gut geeignet für Entwickler und Forschende, die Embeddings und Reranker für Suche und RAG lokal und kostenlos einsetzen wollen.

Angaben laut Anbieter, Stand November 2026, ohne Gewähr. Fehler entdeckt? Melden

Bewertungen

Noch keine Bewertungen. Sei der Erste!

Bewertung schreiben

Deine E-Mail wird nicht veröffentlicht.