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 · 리 뷰 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 아 끼는 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.