본문으로 건너뛰기
ReviewRamble

주간 브리프

AI 리뷰를 받은편지함으로.

  • 도구, 모델, MCP 서버, 저장소의 새 리뷰(결론부터)
  • 변경이 있을 때 다시 확인한 가격과 평점
  • 새로 발행된 분석 글

모델, 에이전트, MCP 서버, 그리고 정말 시간을 들일 만한 도구.

일주일에 한 통입니다. 각 브리프의 링크로 구독을 해지할 수 있습니다. 이메일 사용 방식

임베딩 차원

임베딩 차원(embedding dimension)은 임베딩 모델이 출력하는 각 벡터의 값 개수입니다. 차원이 많을수록 더 많은 세부 정보를 담을 수 있지만, 값이 하나 늘 때마다 항목당 저장, 메모리, 검색 비용이 늡니다.

다른 이름: dimensions, vector dimension, Matryoshka

작성 Divya Sharma · 2026년 11월 15일 확인 · 리뷰 방식

임베딩 모델을 고르면 벡터 길이도 함께 고르게 됩니다. OpenAI의 text-embedding-3-small은 기본적으로 1536개의 숫자를, text-embedding-3-large는 3072개를 돌려줍니다. 저장하는 모든 문서 청크가 그만큼의 숫자를 가지므로, 차원은 벡터 데이터베이스의 크기와 검색마다 하는 작업량에 그대로 곱해집니다.

중요한가

그렇습니다. 주로 비용과 속도 때문입니다. 벡터가 크다고 검색이 더 잘된다는 보장은 없습니다. 단순한 길이보다 모델 학습이 더 중요합니다. 강한 모델의 작은 벡터가 약한 모델의 큰 벡터보다 나을 수 있습니다. 클수록 좋다고 가정하지 말고 자신의 데이터로 검색 품질을 확인하십시오.

벡터 줄이기

일부 최신 모델은 벡터를 잘라 내도 쓸모의 대부분이 유지되도록 학습되어 있습니다. OpenAI에서는 `dimensions` 매개변수를 넘겨 벡터 끝부분의 숫자를 뺄 수 있습니다. 이것이 가능한 것은 가장 중요한 정보를 앞쪽 값에 몰아넣는 학습 방법인 Matryoshka 임베딩 덕분입니다.

실무 메모

차원은 인덱스를 만들 때 고정되므로, 바꾸려면 다시 임베딩하고 다시 색인해야 합니다. 질의 벡터와 문서 벡터의 길이는 같아야 합니다. 벡터당 저장 공간은 숫자 형식에도 달려 있습니다. 벡터를 더 적은 비트로 양자화하는 것은 공간을 아끼는 별개의 방법입니다. 임베딩 모델 가이드에 이 사이트가 리뷰한 모델들의 차원이 나와 있습니다.

관련 용어

벡터 데이터베이스(Vector database)
벡터 데이터베이스(vector database)는 임베딩을 원본 레코드와 함께 저장하고, 쿼리 벡터에 가장 가까운 저장된 벡터를 찾습니다. 보통 근사 인덱스를 써서 수백만 개 항목에서도 검색이 빠르게 유지됩니다.
임베딩
임베딩(embedding)은 텍스트, 이미지, 기타 데이터를 나타내는 숫자 목록(벡터)으로, 의미가 비슷한 항목끼리 가까운 벡터를 갖도록 만들어집니다.
Matryoshka 임베딩
Matryoshka 임베딩(Matryoshka embeddings)은 앞쪽 값에 가장 많은 정보가 담기도록 학습된 벡터입니다. 더 짧은 길이로 잘라도 쓸 만한 검색 결과를 얻을 수 있어 저장 공간을 아끼고 검색 속도를 높입니다.
양자화(Quantization)
양자화(quantization)는 모델의 가중치, 그리고 경우에 따라 활성값을 16비트 대신 8비트나 4비트처럼 더 적은 비트로 저장하는 기법입니다. 모델에 필요한 메모리가 줄고 더 빨리 실행되는 경우가 많지만, 정확도가 다소 떨어집니다.
근사 최근접 이웃 검색
근사 최근접 이웃(ANN, approximate nearest neighbor) 검색은 저장된 모든 벡터를 확인하지 않고 질의와 가까운 벡터를 찾는 방법입니다. 정확한 최적의 결과라는 보장을 포기하는 대신, 대규모 컬렉션에서 훨씬 빠르게 검색합니다.

출처