为什么重要
STS-B 是少有的连续值（0-5）语义相似度评测，能细粒度衡量模型的语义表示能力。对句子嵌入（sentence embedding）研究尤为关键。
评测设计
来源包括新闻标题、图像描述等多领域文本对，人工标注 0-5 的相似度分数。回归任务而非分类。
主要发现
- 对比学习（contrastive learning）训练的句子嵌入在此任务表现优异
- 是 Sentence-BERT 等句子嵌入模型的核心评测基准
返回评测
综合 综合-语义匹配 已饱和
模态 · 文本
任务 · 分类
STS-B
8.6K 句子对的连续值语义相似度评测，GLUE 子任务
Multiple ·
考察能力
语义相似度 句子表示 回归预测
构建信息
- 数据规模
- 8,628 句子对
- 评测方式
- 标准评测
- 核心指标
- Pearson / Spearman 相关系数
模型效果排行
🥇 GPT-4o
0.928 Pearson
🥈 DeBERTa-v3
0.925 Pearson
语义相似度 句子嵌入 GLUE 经典基准