Realización rápida de similitud coseno con lista de embeddings.

Tengo una lista frases para cada una de las cuales deseo obtener la coincidencia más cercana de un conjunto de 25k vectores de incrustación (emb2_list). Estoy usando similitud de coseno para este propósito. El siguiente es el código:

from sentence_transformers import SentenceTransformer, util
import numpy as np
import torch

model = SentenceTransformer('bert-base-nli-stsb-mean-tokens')

emb2_list = np.load("emb2_list.npy") #ya codificado, len = 25K

phrases = ['frase1','frase2','frase3','frase4',]

for frase in frases:

    emb1 = model.encode(frase)

    sim_cos = []

    for emb2 in emb2_list:
        sim_cos.append(util.pytorch_cos_sim(emb1, emb2)[0][0].item())


    v, i = torch.Tensor(sim_cos).topk(1)

    print(f'frase:{frase} índice de coincidencia:{i}')

El problema es que cada iteración tarda ~1 segundo (total de ~4 segundos en este ejemplo). Realmente se convierte en un problema una vez que el tamaño de phrases aumenta (ya que esto es parte de una API en línea).

¿Hay una mejor manera de encontrar la similitud de coseno en términos de estructura de datos, técnica de batch o algún tipo de algoritmo de aproximación/Vecino más cercano que pueda acelerar este proceso?