임베딩

확인할 점

선택지를 가르는 질문을 중요한 순서대로 정리했습니다.

1. 01

   내 질문에서의 검색 품질

   중요한 질문은 하나뿐입니다. 쿼리가 실제로 답이 되는 구절을 가져오는가입니다. MTEB 리더보드에서 이것은 RAG 시스템이 한 번도 돌리지 않는 분류, 클러스터링, 문장 유사도 작업이 섞인 Mean (Task)이나 Borda 순위가 아니라 Retr. 열입니다. Octen-Embedding-8B는 다국어 탭 전체 7위지만 검색 점수는 4위인 Qwen3-Embedding-8B보다 높습니다(71.61 대 70.88). 후보를 추리는 데는 벤치마크를, 고르는 데는 자체 검색 평가를 쓰십시오.

2. 02

   내 분야와의 적합성

   일반 벤치마크는 계약서, 임상 기록, 부품 번호에 대해 거의 알려 주지 않습니다. 후보들이 전문 용어, 약어, 그리고 비슷한 두 제품 코드처럼 구분되어야 하는 가까운 개념을 어떻게 다루는지 확인하십시오. 리더보드의 분야별 탭(Code, Legal, Medical, Finance, Chemical)이 전체 점수보다 나은 지침이며, 작업 지시를 받는 모델은 지시를 주면 몇 점을 더 얻는 경우가 많습니다.

3. 03

   언어 지원과 교차 언어 검색

   사용자에게 필요하다면 같은 언어 검색(독일어 문서에 대한 독일어 질문)과 교차 언어 검색(일본어 문서에 대한 영어 질문)을 모두 시험하십시오. MTEB에서는 Multilingual 탭(MMTEB, 250개가 넘는 언어에 걸친 131개 작업)을 English 탭과 내 시장의 언어별 탭과 비교하십시오. 모델의 영어 점수는 실제보다 좋게 보이게 할 수 있습니다. '100개 이상 언어'라는 주장은 그 가운데 어느 한 언어의 품질에 대해서도 말해 주지 않습니다.

4. 04

   청크에 맞는 입력 길이

   최대 입력(리더보드의 Max tokens)은 가장 긴 청크와 앞에 붙이는 제목이나 머리글까지 담아야 합니다. 그렇지 않으면 텍스트가 잘리며, 대개 아무 표시 없이 잘립니다. all-MiniLM-L6-v2는 단어 조각 256개에서 멈춥니다. 한도가 크다고 자동으로 도움이 되지는 않습니다. 긴 구절 하나에 벡터 하나를 쓰면 여러 주제가 뒤섞이기 때문입니다. 큰 한도의 주된 이점은 청크 크기를 자유롭게 고를 여지입니다.

5. 05

   차원: 품질 점수가 아니라 저장 비용

   차원이 많을수록 벡터당 저장 공간, 메모리, 검색 연산이 늘어나며, 더 나은 검색을 보장하지 않습니다. 요즘 모델 다수는 Matryoshka 학습을 써서, 처음 256개나 512개 숫자만 남겨도 손실이 크지 않습니다. Gemini Embedding 2는 128에서 3,072까지이며 잘라 낸 벡터를 자동으로 다시 정규화하고, EmbeddingGemma 2는 직접 다시 정규화하라고 요구합니다. Voyage와 Cohere가 제공하는 int8이나 이진 출력은 저장 공간을 더 줄입니다. 실제로 저장할 크기에서 재현율을 시험하십시오.

6. 06

   전체 수명 주기에 걸친 속도와 비용

   네 가지 비용을 세십시오. 초기 말뭉치 임베딩, 업데이트 재임베딩, 쿼리 지연 시간, 호스팅 또는 API 요금입니다. 텍스트 API 가격은 백만 토큰당 $0.02에서 $0.20(Jina v5 nano부터 Gemini Embedding 2까지)이며, Voyage, OpenAI, Google에서는 33에서 50%의 배치 할인이 있습니다. 오픈 모델은 요금이 없지만 리더보드의 Memory (MB) 수치에 맞는 GPU가 필요합니다. Qwen3-Embedding-0.6B는 약 1.1 GB, 8B는 14.4 GB입니다.

7. 07

   배포와 개인정보

   문서와 쿼리가 내 인프라를 떠나도 되는지 일찍 정하십시오. 안 된다면 직접 돌릴 수 있는 오픈 웨이트가 필요하고, 라이선스가 내 용도를 허용해야 합니다. Qwen3-Embedding과 EmbeddingGemma 2는 Apache 2.0이지만, Jina v5와 Nemotron ColEmbed V2 웨이트는 비상업용입니다. 호스팅 API는 운영 부담을 없애 주지만 모든 쿼리를 보는 업체가 하나 늘어납니다.

8. 08

   지원하는 입력

   텍스트 전용 모델은 모든 것을 먼저 텍스트로 변환해야 합니다. 말뭉치에 스캔한 페이지, 슬라이드, 사진, 오디오, 동영상이 있다면 이를 직접 임베딩하는 멀티모달 모델을 고려하고(아래 데이터 유형별 가이드 참고), 그 입력 유형으로 벤치마크되었는지 확인하십시오. MTEB에는 이미지(MIEB), 시각 문서(ViDoRe), 오디오(MAEB), 동영상(MVEB)용 탭이 따로 있습니다.

9. 09

   무시하면 검색이 깨지는 사용 요건

   인덱싱 전에 모델 카드를 읽으십시오. 많은 모델이 쿼리에는 접두어나 지시를, 문서에는 다른 접두어를(또는 아무것도 없이) 기대합니다. 일부는 벡터 정규화가 필요하고 코사인 또는 내적 유사도를 지정합니다. EmbeddingGemma 2는 float16이 출력을 조용히 망가뜨린다고 경고합니다. 쿼리와 문서 벡터는 차원이 같더라도 같은 모델과 임베딩 공간에서 나와야 하므로, 모델을 바꾸면 대개 전부 다시 임베딩해야 합니다. 크기에 관계없이 공간을 공유하는 Voyage 4는 드문 예외입니다.

데이터 유형별 접근 방식

콘텐츠마다 맞는 모델이 다릅니다. 많은 시스템이 여러 모델을 함께 쓰고 데이터 유형에 따라 나눠 보냅니다.

MTEB 리더보드 읽는 법

RAG와 문서 검색에는 전체 평균이 아니라 내 언어에 맞는 탭의 Retr. 열부터 보십시오. 이 열들은 벡터 데이터베이스가 아니라 임베딩 모델을 평가합니다.

Rank (Borda)

각 작업이 그 작업에서의 상대적 위치에 따라 모델에 '투표'하며, 모든 작업에 걸쳐 가장 많은 표를 얻은 모델이 1위가 됩니다.

검색이 아니라 폭넓은 일관성에 보상합니다. 인접한 두 순위 사이에 큰 차이가 숨어 있을 수도, 무시할 만한 차이일 수도 있으니 점수를 보십시오.

Parameters (total and active)

임베딩 웨이트를 포함한 모델 크기입니다. 활성 매개변수는 전문가 혼합 모델에서만 다릅니다.

메모리와 속도의 대략적인 지표입니다. 표의 Pareto 태그는 더 작은 경쟁 모델이 이기지 못하는 모델을 표시하니, 8B 모델에 돈을 쓰기 전에 확인하십시오.

Openness

오픈 웨이트, 오픈 라이선스, 공개 학습 코드, 공개 학습 데이터, 논문, 모델 카드에 대한 0–6점 점수입니다.

오픈 웨이트만으로 상업적 사용이 허용되는 것은 아니니 라이선스를 읽으십시오. 비공개 API는 구조상 여기서 낮은 점수를 받습니다.

Zero-shot %

모델이 그 학습 데이터로 학습하지 않은 벤치마크 작업의 비율입니다. 'NA'는 알 수 없음을 뜻합니다.

정확도 점수가 아닙니다. 약 80% 미만이면 점수의 일부가 모델이 이미 본 작업을 반영합니다. English 탭에서는 상위 5개 모델 가운데 여럿이 48%에서 51%입니다.

Mean (Task)

벤치마크의 모든 작업에 대한 단순 평균입니다.

비교하기 쉽지만 데이터셋이 가장 많은 작업 유형 쪽으로 가중됩니다. 다국어 탭에서는 131개 작업 가운데 43개가 분류, 18개가 검색입니다.

Mean (TaskType)

각 범주(분류, 검색 등) 안에서 평균을 낸 뒤, 범주들을 같은 가중치로 다시 평균한 값입니다.

Mean (Task)보다 범주 간에 더 공정하지만, 여전히 검색과 무관한 작업이 포함됩니다. 몇 점 더 낮게 나온다고 예상하십시오.

Mean (Public) and Mean (Private)

RTEB처럼 둘 다 포함하는 벤치마크에서, 공개된 작업에 대한 평균과 벤치마크가 비공개로 보관하는 작업에 대한 평균입니다.

공개 작업에서 비공개 작업보다 훨씬 좋은 모델은 벤치마크에 맞춰 조정되었을 수 있습니다. 비공개 점수가 더 정직한 신호입니다.

Retr.

검색: 큰 말뭉치에서 쿼리에 관련된 문서를 찾는 작업으로, 주로 nDCG@10(정답 문서가 상위 10개 안에서 얼마나 높이 나오는지)으로 채점합니다.

RAG에서는 이 열을 우선하십시오. 그다음 내 데이터에 가장 가까운 분야 탭과 언어 탭에서 확인하십시오.

Rerank

쿼리에 대한 짧은 후보 목록의 순서를 다시 매기는 작업입니다.

검색에 유용한 보조 신호입니다. 여기서는 대개 전용 리랭커 모델이 임베더보다 낫습니다.

Class. and MultiClass.

분류: 임베딩을 특징으로 써서 정해진 집합에서 레이블을 하나 또는 여러 개 붙이는 작업입니다.

임베딩으로 콘텐츠에 태그를 달거나 라우팅할 계획이라면 관련이 있지만, 검색 지표는 아닙니다.

Clust.

클러스터링: 레이블 없이 텍스트를 묶는 작업으로, 정답 그룹과 대조해 채점합니다.

주제 발견과 중복 제거에는 관련이 있지만, 질문에 답하는 데는 관련이 없습니다.

PairClass.

쌍 분류: 두 텍스트 사이의 관계, 예를 들어 중복인지 바꿔 쓴 문장인지를 판단하는 작업입니다.

중복 탐지의 지침이 됩니다. 쿼리에서 구절로의 검색에 대해서는 거의 말해 주지 않습니다.

STS

의미적 텍스트 유사도: 두 문장이 얼마나 비슷한지 척도로 평가하는 작업입니다.

STS가 높다는 것만으로 검색이 좋다고 할 수 없습니다. 질문과 답은 서로를 바꿔 쓴 문장이 아니기 때문입니다.

Bitext

병렬 문장 마이닝: 언어를 넘어 문장과 그 번역을 짝짓는 작업입니다.

교차 언어 정렬의 대략적인 신호입니다. 그래도 교차 언어 검색은 직접 시험하십시오.

Summ.

요약(English 탭): 임베딩이 기계 요약을 사람이 쓴 참조 요약에 비추어 얼마나 잘 순위를 매기는지 채점합니다.

요약을 평가할 뿐 모델의 요약 생성 능력을 재지 않으며, 검색에는 거의 중요하지 않습니다.

Instr Rerank

쿼리에 붙인 자유 형식 지시에 따라 진행하는 리랭킹입니다.

대부분의 모델이 여기서 0에서 12점입니다. 지시 기반 검색을 계획하지 않는다면 무시하십시오.

Embedding dimension

모델이 출력하는 벡터의 길이입니다(리더보드는 기본값 또는 최댓값을 표시합니다).

품질 점수가 아니라 저장 비용입니다. 더 작은 Matryoshka 크기를 지원하는지 확인하십시오.

Max tokens

모델이 한 번에 읽는 가장 긴 입력입니다.

청크 크기보다 커야 합니다. 그 이상이라면 클수록 검색에 더 좋은 것은 아닙니다.

Memory (MB)

웨이트를 불러오는 데 필요한 메모리로, CSV 다운로드와 각 모델 페이지에 있습니다.

이 값으로 GPU나 CPU 크기를 정하십시오. 비공개 API는 비어 있습니다.

도구 11개 비교

저희 평점 순입니다. 각 리뷰에서 출처, 가격, 전체 평가를 확인할 수 있습니다.

임베딩 도구 비교

도구	평점	저희 평가	추천 대상	가격
voyage-4-large모델	4.5/5	경쟁 모델에 없는 공유 벡터 공간이라는 장점을 가진 강력한 검색 모델이지만, 우위는 Voyage 자체 테스트에 기대고 있고 관리자가 옵트아웃하기 전까지 사용자 데이터로 학습할 수 있습니다.	인덱싱 단계에서 품질에 비용을 쓰고 쿼리 임베딩은 저렴하게 또는 로컬로 돌리려는, 텍스트 검색이나 RAG를 구축하는 팀.	1M 토큰당 $0.12, 처음 200M 토큰 무료(Batch 제외), Batch API는 33% 할인입니다.
Jina Embeddings v5모델	4.3/5	텍스트와 미디어가 벡터 공간을 공유하는 Jina v5의 설계는 작은 임베딩 모델 가운데 가장 영리한 발상입니다. 직접 운영하려는 사람에게는 비상업 라이선스가 넘어야 할 관문입니다.	작은 모델로 다국어 또는 멀티모달 검색을 만드는 팀, 특히 Elastic 안에서 작업하는 팀.	Jina API: small 모델은 1M 토큰당 $0.05, nano는 $0.02. 가중치는 비상업적 용도에 한해 무료이며, 상업적 셀프호스팅에는 유료 Elastic 라이선스가 필요합니다.
Gemini Embedding 2모델	4.3/5	Gemini Embedding 2는 문장 하나로 동영상과 오디오를 검색하는 가장 간단한 방법이지만, 일반 텍스트를 검색하기에는 비싼 방법입니다.	이미지, 녹음, 동영상처럼 여러 매체가 섞인 자료에 걸쳐 검색이나 추천을 만드는 개발자.	1M 토큰당: 텍스트 $0.20, 이미지 $0.45, 오디오 $6.50, 동영상 $12. Batch는 절반 가격. 제한이 있는 무료 등급 있음(입력이 제품 개선에 쓰임).
EmbeddingGemma 2모델	4.3/5	EmbeddingGemma 2는 휴대전화에서 사진, 음성 메모, 코드를 아우르는 비공개 오프라인 검색을 실용적으로 만듭니다. 다만 텍스트 전용 검색 품질은 1세대와 거의 그대로입니다.	텍스트, 코드, 이미지, 오디오를 아우르는 비공개 또는 오프라인 검색을 만드는 모바일과 엣지 개발자.	Apache 2.0으로 무료이며 Gemma Prohibited Use Policy를 따라야 합니다. Google이나 Hugging Face 추론 제공사의 호스팅 API는 아직 없습니다.
Qwen3-VL-Embedding모델	4.3/5	하나의 색인에 텍스트와 함께 슬라이드, 스크린샷, 동영상을 담아야 할 때 먼저 시작할 오픈 임베딩 모델입니다. Apache 2.0이 라이선스 문제를 해결해 줍니다.	관대한 라이선스로 이미지, 동영상, 혼합 문서 검색을 자체 호스팅하려는 팀.	Apache 2.0으로 무료.
Qwen3-Embedding and Qwen3-Reranker모델	4.2/5	임베더와 리랭커를 하나의 라이선스로 갖춘 완전한 오픈 검색 스택입니다. 다만 순위표 1위 기록은 2025년 6월의 것입니다.	다국어 또는 코드 검색을 자체 호스팅하면서 임베딩과 리랭킹을 하나의 오픈 라이선스로 갖추고 싶은 팀.	Apache 2.0으로 무료. Qwen3 기반인 Qwen Cloud의 호스팅형 text-embedding-v4는 1M 토큰당 $0.07입니다.
Cohere Embed 5모델	4.2/5	길고 시각적으로 복잡한 업무 문서를 위해 만들어졌고 이제 가격도 공개되었습니다. 다만 이 모델에 유리한 벤치마크는 모두 Cohere가 직접 낸 것입니다.	텍스트와 이미지가 섞인 긴 PDF, 공시 서류, 슬라이드 자료를 인덱싱하는 기업.	API: 텍스트 토큰 1M개당 Pro $0.12, Fast $0.08. 이미지는 1M개당 $0.40. Model Vault는 인스턴스당 시간당 $3 또는 월 $2,000부터입니다.
Marengo 3.5모델	3.9/5	비디오 속 장면을 찾는 용도로 만들어졌고 벡터가 작아 저장 비용이 낮습니다. 다만 근거가 되는 수치는 모두 TwelveLabs가 낸 것입니다.	대규모 비디오 라이브러리 검색을 만들면서, 관리형 비디오 전문 임베딩 API를 원하고 벡터 저장소는 직접 운영할 팀.	출시 시점 Embed API, 1M 토큰당: 비디오 $0.26, 오디오 $0.065, 이미지 $0.08, 문서 $0.162, 텍스트 $0.20. 요금제: Free, Plus 월 $29, Pro 월 $99, Enterprise 별도 협의.
Nemotron ColEmbed V2모델	3.8/5	페이지 이미지 검색의 기준이 될 만큼 정확하지만, 라이선스 때문에 대부분의 회사는 기준으로밖에 쓸 수 없습니다.	시각 문서 검색의 강력한 오픈 기준선이 필요하고 이를 제품으로 출시할 계획은 없는 연구자와 평가 팀.	비상업 및 연구용 가중치 무료(CC BY-NC 4.0).
text-embedding-3-large모델	3.7/5	안전하고 저렴하며 모든 벡터 데이터베이스가 지원하지만, text-embedding-3-large는 이제 새 검색 모델들에 뒤처져 있어 새로 구축하기 전에 다시 테스트할 만합니다.	이미 OpenAI를 쓰면서 최고 검색 품질보다 단일 업체, 엄격한 데이터 조건, 폭넓은 도구 지원을 중시하는 팀.	1M 토큰당 $0.13, Batch는 절반 가격, text-embedding-3-small은 1M 토큰당 $0.02입니다.
all-MiniLM-L6-v2모델	3.4/5	시맨틱 검색을 가장 빨리 돌려 보는 방법인 것은 여전하지만, 이제 실서비스에 내보낼 모델은 아닙니다.	빠르고 어디서나 지원되는 영어 임베딩 모델이 필요한 학습자와 프로토타입 제작자.	Apache 2.0으로 무료입니다.

사양 비교

이 단계에서 중요한 사양입니다. 2026년 10월 19일에 확인했습니다. 도입 전에 공급업체 사이트에서 확인하세요.

이 단계가 쓰이는 곳

• 문서와 대화하기: Qwen3-Embedding and Qwen3-Reranker부터 시작하겠습니다.
• 고객 지원 에이전트: Cohere Embed 5부터 시작하겠습니다.
• 코딩 에이전트: Qwen3-Embedding and Qwen3-Reranker부터 시작하겠습니다.
• 리서치 및 지식 그래프: voyage-4-large부터 시작하겠습니다.
• 장기 메모리를 갖춘 어시스턴트: Jina Embeddings v5부터 시작하겠습니다.
• 이미지 생성 파이프라인: Qwen3-VL-Embedding부터 시작하겠습니다.
• 동영상 제작: Marengo 3.5부터 시작하겠습니다.
• 음성 에이전트: EmbeddingGemma 2부터 시작하겠습니다.
• 비공개 온디바이스 AI: EmbeddingGemma 2부터 시작하겠습니다.
• 문서 처리: Qwen3-VL-Embedding부터 시작하겠습니다.

이 가이드의 출처

• MTEB leaderboard
• MTEB leaderboard API
• MTEB leaderboard release post (June 2026)
• MTEB docs: running the leaderboard and zero-shot annotation
• Leaderboard column definitions (leaderboard-frontend)
• MMTEB: Massive Multilingual Text Embedding Benchmark (arXiv)
• Gemini API: embeddings (Matryoshka and normalisation)
• Voyage AI docs: embeddings
• illuin-tech/colpali on GitHub
• Qwen3-VL-Embedding-8B model card
• Marengo 3.5 (TwelveLabs)