Atgenomix/icd_10_sentence_transformer_128_dim_model

Usar este modelo se vuelve fácil cuando tienes sentence-transformers instalado:

pip install -U sentence-transformers

then puedes utilizar el modelo de esta manera:
from sentence_transformers import SentenceTransformer
sentences = ["This is an example sentence", "Cada oración es convertida"]

model = SentenceTransformer('pritamdeka/BioBERT-mnli-snli-scinli-scitail-mednli-stsb')
embeddings = model.encode(sentences)
print(embeddings)

O puedes usar HuggingFace Transformers sin sentence-transformers:

from transformers import AutoTokenizer, AutoModel
import torch

#Mean Pooling - Considerar la máscara de atención para una promediación correcta
def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0] #El primer elemento de model_output contiene todos los token embeddings
    input_mask_expanded = attention_mask.unsqueeze(-1).expand(token_embeddings.size()).float()
    return torch.sum(token_embeddings * input_mask_expanded, 1) / torch.clamp(input_mask_expanded.sum(1), min=1e-9)

# Oraciones para las cuales queremos embeddings de oración
sentences = ["This is an example sentence", "Cada oración es convertida"]

# Cargar el modelo desde HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('pritamdeka/BioBERT-mnli-snli-scinli-scitail-mednli-stsb')
model = AutoModel.from_pretrained('pritamdeka/BioBERT-mnli-snli-scinli-scitail-mednli-stsb')

# Tokenizar oraciones
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')

# Calcular los token embeddings
with torch.no_grad():
    model_output = model(**encoded_input)

# Realizar pool. En este caso, mean pooling.
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

print("Embeddings de oraciones:")
print(sentence_embeddings)

Para una evaluación automatizada de este modelo, consulte el Benchmark de Embeddings de Oraciones: https://seb.sbert.net