2026년 임베딩 모델 고르기

후보를 네 갈래로 줄여봐

2026년 임베딩 시장은 실용적으로 네 갈래로 나눌 수 있어. 개인정보 보호, 지연 시간, 예산이라는 제약부터 보고 그 안에서 골라. 순위표 점수 하나만 보고 결정하면 실제 환경에서 틀리기 쉬워.

1. 호스팅형 최상위 모델

OpenAI text-embedding-3-large — 3072차원, 영어와 코드에 강하고 다국어도 무난해
Voyage AI voyage-3-large — 기본 1024차원, 도메인별 MTEB 과제에서 자주 앞서
Cohere embed-english-v3 / embed-multilingual-v3 — 1024차원, query와 document 입력 유형을 따로 알려줄 수 있어

2. 로컬 최상급 모델

BGE-M3 — 1024차원, 다국어이며 dense·sparse·multi-vector를 한 모델에서 다뤄. cwkPippa는 Ollama로 이 모델을 돌려
BGE-large-en-v1.5 — 1024차원, 영어 전용이며 성능이 강해
Nomic Embed Text v2 — 768차원, Apache 라이선스이며 CPU에서도 돌아

3. 작고 빠른 로컬 모델

BGE-small-en-v1.5 — 384차원, 약 30MB라 엣지 환경에 잘 맞아
all-MiniLM-L6-v2 — 384차원, sentence-transformers의 고전적인 기준선이야

4. 목적이 뚜렷한 특화 모델

jina-embeddings-v3 — 8K 토큰의 긴 문서를 통째로 임베딩할 때 써
VoyageCode-2 / Jina-code-v2 — 코드 검색에 맞춰 미세 조정한 모델이야

MTEB 점수보다 먼저 볼 결정 기준

개인정보 보호나 망 분리가 필수라면 로컬만 봐. API를 호출할 수 없다면 결정은 이미 끝났어.
여러 언어를 쓰는 사용자가 있다면 BGE-M3나 Voyage multilingual을 봐. 영어 전용 모델은 한국어·일본어·아랍어에서 성능이 크게 떨어져.
문서가 1000토큰을 넘는다면 Jina v3나 청킹 전략을 써. 그대로 넣으면 문서 앞부분만 지나치게 반영될 수 있어.
코드를 찾는다면 코드 특화 모델을 써. 범용 모델은 API 형태의 쿼리를 놓치기 쉬워.

Code

OpenAI 최상위 임베딩 써보기·python

from openai import OpenAI
client = OpenAI()

resp = client.embeddings.create(
    model='text-embedding-3-large',
    input=['How do I cancel my subscription?'],
)
vec = resp.data[0].embedding
print(len(vec))   # 3072

Ollama 로 BGE-M3를 로컬에서 실행하기·python

import requests

resp = requests.post(
    'http://localhost:11434/api/embeddings',
    json={'model': 'bge-m3', 'prompt': 'How do I cancel my subscription?'},
)
vec = resp.json()['embedding']
print(len(vec))   # 1024

후보를 네 갈래로 줄여봐

1. 호스팅형 최상위 모델

2. 로컬 최상급 모델

3. 작고 빠른 로컬 모델

4. 목적이 뚜렷한 특화 모델

MTEB 점수보다 먼저 볼 결정 기준

Code

External links

Exercise

Progress

댓글 0