در این مقاله به بررسی روش‌های آموزش و فاین‌تیونینگ (تنظیم دقیق) مدل‌های جاسازی چند برداری می‌پردازیم که با کتابخانهٔ Sentence Transformers پیاده‌سازی می‌شوند. این مدل‌ها با تولید چندین بردار برای هر متن، امکان استخراج اطلاعات غنی‌تر و بهبود عملکرد در وظایفی چون بازیابی اطلاعات، دسته‌بندی متون و تشخیص شباهت معنایی را فراهم می‌آورند.
با استفاده از تکنیک‌های فاین‌تیونینگ می‌توان مدل‌های پیش‌ساخته را بر روی داده‌های خاص دامنهٔ خود تنظیم کرد و دقت را به‌طور چشمگیری افزایش داد. این راهکار برای توسعه‌دهندگان و پژوهشگران هوش مصنوعی که به دنبال بهبود سیستم‌های پردازش زبان طبیعی هستند، گزینه‌ای کارآمد و مقیاس‌پذیر به شمار می‌آید.