思路：将待比较的两个模型分别生成文本嵌入向量，然后使用这些向量在相似度度量任务中进行比较。我们可以使用Google提供的通用文本编码器（Universal Sentence Encoder）模型作为其中一个模型进行比较，而另一个模型可以由用户自行选择。

代码示例：

1. 安装必要的库

!pip install tensorflow
!pip install tensorflow_hub
!pip install numpy

2. 载入Google通用文本编码器模型

import tensorflow as tf
import tensorflow_hub as hub

# 载入Google通用文本编码器模型
module_url = "https://tfhub.dev/google/universal-sentence-encoder/4"
model = hub.load(module_url)

3. 载入自定义的模型

注意：这里只是给出示例，因此适用于所有自定义模型的代码无法在这里进行讨论。请根据不同的自定义模型进行相应的调整和修改。

import tensorflow as tf

# 载入自定义模型
def custom_model(input):
    # 模型的具体实现，这里仅示出模型的输入和输出
    return output

# 载入训练好的自定义模型权重
model.load_weights('weights.h5')

4. 生成文本嵌入向量

# 生成Google通用文本编码器模型的文本嵌入向量
def encode_google(text):
    return model(text)

# 生成自定义模型的文本嵌入向量
def encode_custom(text):
    return model(text)

5. 测试模型性能

import numpy as np

# 测试文本
text1 = ["This is a test sentence."]
text2 = ["This is another test sentence."]

# 生成Google通用文本编码器模型的文本嵌入向量
embedding1 = encode_google(text1)
embedding2 = encode_google(text2)

# 生成自定义模型的文本嵌入向量
embedding1_custom = encode_custom(text1)
embedding2_custom = encode_custom(text2)

# 计算余弦相似度
cosine_similarities = np.dot(embedding1, np.transpose(embedding2)) / (np.linalg.norm(embedding1) * np.linalg.norm(embedding2))
cosine_similarities_custom = np.dot(embedding1_custom, np.transpose(embedding2_custom)) / (np.linalg.norm(embedding1_custom) * np.linalg.norm(embedding2_custom))

print(f"Cosine similarities between text1 and text2 using Google module: {cosine_similarities[0][0]}")
print(f"Cosine similarities between text1 and text2 using custom module: {cosine_similarities_custom[0][0]}")

输出结果：

Cosine similarities between text1 and text2 using Google module: 0.11
Cosine similarities between text1 and text2 using custom module: 0.12

注：这里输出结果仅为示例，并非具体的性能值，实际结果请根据自己的模型进行计