使用Sentence Transformers生成的Embeddings做语义搜索，最佳距离度量是什么？是否有共识？

对于Sentence Transformers生成的语义相似度向量，余弦相似度（Cosine Similarity）是绝对的首选，行业里已经有普遍共识。

原因很直接：

• Sentence Transformers的训练逻辑就是围绕余弦相似度设计的——训练时会刻意让语义相似的文本向量方向更接近（余弦相似度更高），不相似的则方向偏离（余弦相似度更低），模型输出的向量天生适配这种计算方式。
• 余弦相似度只看向量的方向是否一致，不管向量的绝对值大小，这刚好踩中语义相似度的核心需求：我们要比的是文本语义匹配程度，不是向量数值的规模。
• 不管是官方推荐还是社区实际落地，绝大多数语义匹配、文本检索这类场景，全都是用余弦相似度。

至于其他方法：

• 欧氏距离：如果向量提前做了归一化，结果和余弦相似度是等价的，但没归一化的话，向量模长会干扰结果，不适合直接用来比语义相似度。
• 曼哈顿距离这类：低维数据可能偶尔能用，但在高维的语义向量场景下，效果远不如余弦相似度，基本没人用。

内容的提问来源于stack exchange，提问作者morpheus