quanthome/paraphrase-multilingual-MiniLM-L12-v2

Para utilizar este modelo, primero debes instalar sentence-transformers:

pip install -U sentence-transformers

Luego, puedes usarlo de la siguiente manera:

from sentence_transformers import SentenceTransformer
sentences = ["Esta es una oración de ejemplo", "Cada oración es convertida"]
model = SentenceTransformer('sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2')
embeddings = model.encode(sentences)
print(embeddings)

Si prefieres usar transformers de HuggingFace, lo puedes hacer así:

from transformers import AutoTokenizer, AutoModel
import torch
# Mean Pooling - Tener en cuenta la máscara de atención para un promedio correcto
def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0]  # Primer elemento de la salida del modelo contiene todas las incrustaciones de tokens
    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 incrustaciones
ts_sentences = ['Esta es una oración de ejemplo', 'Cada oración es convertida']
# Cargar el modelo del HuggingFace Hub
    tokenizer = AutoTokenizer.from_pretrained('sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2')
    model = AutoModel.from_pretrained('sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2')
# Codificar oraciones
    encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')
# Computar incrustaciones de tokens
    with torch.no_grad():
        model_output = model(**encoded_input)
# Realizar el pooling, en este caso, el pooling promedio
    sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])
print('Incrustaciones de oraciones:')
sentimientos 
incrustaciones)