스프쌤
AI·검색

Google EmbeddingGemma 2 출시, API 비용 0원의 온디바이스 검색 구조

✍ 야금야금⏱ 21분 소요2026-11-07👁
← 목록으로 돌아가기

호출할 때마다 누적되는 클라우드 임베딩 API 비용 때문에 모바일 앱에 시맨틱 검색 도입을 망설인 적이 있습니까?

✦ AI Key Summary & Global Takeaways

이 아티클의 핵심 내용 요약과 글로벌 검색·AI 엔진을 위한 테이크어웨이입니다.

✦ KR 주제: EmbeddingGemma 2 기반 비용 없는 온디바이스 검색 구축

✦ KR 핵심 요약: Google이 공개한 EmbeddingGemma 2는 740M 파라미터와 191MB의 초경량 메모리 공간만으로 모바일 기기 내부에서 네이티브 멀티모달 임베딩을 완결합니다. 클라우드 호출 비용 없이 텍스트, 이미지, 영상, 오디오를 동일 벡터 공간으로 묶어 완벽한 오프라인 시맨틱 검색과 개인정보 보호 RAG를 구현할 수 있습니다.

🌐 Global Takeaway: EmbeddingGemma 2 delivers an on-device multimodal embedding solution with a 740M parameter footprint running under 191MB memory. By eliminating token-based cloud API costs and keeping raw user data strictly local via ML Kit and MediaPipe, mobile engineers can build zero-cost semantic search engines with Apache 2.0 license flexibility.

아래 그림은 클라우드 임베딩 API 호출 방식과 로컬 온디바이스 임베딩 구조의 비용 및 지연 시간 차이를 비교해 보여줍니다.

클라우드 API vs 온디바이스 EmbeddingGemma 2
클라우드 임베딩 API
  • 입력 토큰당 지속적인 API 요금 과금
  • 왕복 네트워크 지연 시간(RTT) 필수 발생
  • 사용자 개인 데이터의 외부 서버 전송 위험
  • 오프라인 환경에서 검색 및 RAG 작동 불가
VS
온디바이스 EmbeddingGemma 2
  • 로컬 NPU·CPU 연산으로 API 비용 0원
  • 네트워크 무관 초저지연 로컬 벡터 연산
  • 디바이스 내부 처리로 프라이버시 원천 보호
  • 비행기 탑승 모드 등 완전 오프라인 구동
네트워크 통신 여부와 과금 체계에 따른 아키텍처 비교
온디바이스 멀티모달 시맨틱 검색 파이프라인
데이터 입력텍스트 질의, 기기 내 이미지, 동영상 프레임 수집
→
로컬 토크나이징MediaPipe 전처리기 기반 모달리티 정규화
→
벡터 임베딩EmbeddingGemma 2를 통한 공통 벡터 공간 투사
→
로컬 유사도 검색기기 내 로컬 벡터 DB에서 코사인 유사도 랭킹 산출
로컬 디바이스 내부에서 비정형 데이터가 벡터로 변환되어 검색되는 순환 흐름

1. 클라우드 임베딩 API 요금 고지서와 모바일 RAG의 벽

모바일 애플리케이션 내에 지능형 검색 기능을 구현하려는 엔지니어링 팀은 언제나 구조적인 비용 문제에 직면합니다. 사용자가 남긴 메모, 저장된 이미지, 오디오 녹음본, 사내 규정 문서 속에서 원하는 맥락을 정확하게 찾아내기 위해서는 텍스트와 멀티모달 데이터를 고차원 벡터로 변환하는 '임베딩(Embedding)' 작업이 필수적입니다. 그러나 OpenAI의 text-embedding-3-small, text-embedding-3-large나 Google Cloud의 gemini-embedding-001, gemini-embedding-2와 같은 클라우드 기반 상용 API를 연동하는 순간, 서비스의 트래픽은 곧바로 예측 불가능한 인프라 청구서로 전환됩니다.

클라우드 임베딩 인프라의 과금 체계는 철저히 입력 토큰(Token)의 총량을 기준으로 설정되어 있습니다. 사용자가 앱 내부에서 한 번 검색할 때 발생하는 쿼리 토큰뿐만 아니라, 앱에 새롭게 저장되는 모든 데이터 조각을 청크(Chunk)로 쪼개어 주기적으로 벡터 인덱스에 밀어 넣어야 하기 때문입니다. 사용자 수가 수만 명 규모로 증가하거나, 다루는 문서와 미디어의 용량이 기하급수적으로 늘어날 경우 임베딩 생성 파이프라인에서만 매달 고정적으로 수백에서 수천 달러에 달하는 API 비용이 소모됩니다. 검색 서비스의 품질을 높이기 위해 벡터의 차원 수를 늘리거나 대용량 멀티모달 모델을 선택할수록 비용 부담은 감당하기 힘든 수준으로 커집니다.

더 큰 기술적 난제는 네트워크 왕복 지연 시간(RTT, Round Trip Time)과 사용자 데이터 프라이버시 이슈입니다. 사용자가 오프라인 상태이거나 네트워크 접속이 불안정한 지하철 환경에 놓여 있을 때, 원격 API 서버에 의존하는 시맨틱 검색은 작동을 멈춥니다. 또한 개인의 일기장, 민감한 업무 문서, 개인 사진 앨범과 같은 비정형 데이터를 외부 API 엔드포인트로 전송해야 한다는 점은 엄격한 보안 컴플라이언스를 요구하는 글로벌 시장에서 치명적인 서비스 결격 사유로 작용해 왔습니다.

1-1. 토큰 단위 과금이 만드는 비즈니스 병목

클라우드 서비스 제공업체(CSP)들의 임베딩 API는 초기 프로토타이핑 단계에서는 매우 저렴해 보이지만, 실제 대규모 상용화 단계에서는 데이터 파이프라인의 수익성을 갉아먹는 주범이 됩니다. 특히 한국어와 같은 다국어 텍스트는 영문 데이터에 비해 바이트 페어 인코딩(BPE) 과정에서 더 많은 수의 서브워드 토큰으로 분할되는 경향이 있어, 동일한 분량의 정보를 색인하더라도 비용 소모 속도가 현저히 빠릅니다.

모델 명칭 제공 공급사 입력 100만 토큰당 상대 비용 지수 주요 배포 환경
text-embedding-3-small OpenAI 18 크레딧 기준 원격 클라우드 API
text-embedding-ada-002 OpenAI 92 크레딧 기준 원격 클라우드 API
text-embedding-3-large OpenAI 120 크레딧 기준 원격 클라우드 API
gemini-embedding-001 Google Cloud 138 크레딧 기준 원격 클라우드 API
gemini-embedding-2 Google Cloud 184 크레딧 기준 원격 클라우드 API
EmbeddingGemma 2 Google (Open Source) 0원 (로컬 연산 자원 소모) 모바일/엣지 온디바이스

"임베딩은 입력 토큰 단위로만 계산되지만, 데이터베이스 전체를 재색인하거나 사용자 쿼리가 반복 누적될 때 그 누적 속도는 비선형적으로 증가한다. 로컬 연산으로의 전환은 단순한 인프라 절감이 아니라 서비스 구조의 영속성을 담보하는 결정이다."

이러한 구조적 비용과 보안의 한계를 돌파하기 위해 업계는 클라우드 서버 대신 사용자의 스마트폰 하드웨어 자원을 직접 활용하는 온디바이스(On-Device) 임베딩 기술로 시선을 돌리기 시작했습니다.

2. Google EmbeddingGemma 2의 정체와 핵심 사양

Google이 전격 공개한 EmbeddingGemma 2는 이러한 모바일 개발 환경의 페인 포인트를 정확히 타격하는 오픈 가중치 기반 임베딩 전용 경량 인공지능 모델입니다. 구글의 대표적인 고성능 경량 LLM 계열인 Gemma 2의 아키텍처 백본과 학습 노하우를 계승하여, 고차원의 의미론적 관계망을 압축적으로 추출해 낼 수 있도록 미세 조정된 모델입니다.

EmbeddingGemma 2의 가장 파격적인 사양은 740M(7억 4천만 개) 수준으로 최적화된 매개변수(Parameter) 크기와 경량 메모리 점유율입니다. 텍스트 임베딩을 전담하는 양자화 버전의 경우, 런타임 메모리(RAM)를 불과 약 191MB 수준만 점유하도록 설계되었습니다. 이는 RAM 용량이 4GB에서 6GB에 불과한 엔트리급 저가형 안드로이드 스마트폰이나 구형 아이폰 기종에서도 백그라운드 프로세스로 상시 구동되기에 충분한 공간 효율성입니다.

또한 상용 라이선스 정책 측면에서 가장 개방적인 오픈소스 규격 중 하나인 Apache 2.0 라이선스를 채택했습니다. 이는 개인 연구자나 인디 개발자뿐만 아니라, 엔터프라이즈 레벨의 기업용 상용 모바일 소프트웨어에도 라이선스 비용이나 소스코드 공개 의무 없이 자유롭게 임베딩 및 재배포가 가능하다는 의미입니다. 구글 생태계의 대표적인 엣지 AI 배포 라이브러리인 Google ML Kit 및 MediaPipe Tasks On-Device 프레임워크와의 공식 통합을 지원하여, 복잡한 C++ 크로스 컴파일 과정 없이도 모바일 네이티브 레이어에서 즉각 인퍼런스를 호출할 수 있습니다.

2-1. 740M 파라미터와 191MB 메모리 압축 구조

통상적으로 고성능 시맨틱 검색을 보장하는 최신 임베딩 모델들은 최소 수십억 개의 파라미터를 보유하며, 이를 메모리에 적재하기 위해서는 수 기가바이트의 VRAM이나 시스템 메모리가 강제되었습니다. 그러나 EmbeddingGemma 2는 지식 증류(Knowledge Distillation)와 구조적 가중치 프루닝(Pruning), 그리고 저정밀도 정수 양자화(INT8/INT4) 기술을 유기적으로 결합하여 모델 성능 손실을 최소화하면서 740M 파라미터 규격을 달성했습니다.

온디바이스 임베딩 런타임 계층 스택
애플리케이션 계층Android/iOS 네이티브 앱 및 시맨틱 검색 UI
추론 프레임워크Google ML Kit 및 MediaPipe Tasks On-Device API
모델 최적화 계층740M 파라미터 경량화 및 191MB 양자화 모델 가중치
하드웨어 가속 계층모바일 AP 내 NPU, GPU(OpenCL/Metal), CPU(NEON)
하드웨어 가속기부터 최종 애플리케이션 계층까지의 소프트웨어 아키텍처

191MB의 메모리 풋프린트는 모바일 운영체제의 가혹한 메모리 관리자(Low Memory Killer)로부터 안전한 생존을 보장합니다. 모바일 앱이 백그라운드로 전환되거나 무거운 카메라 앱, 3D 게임이 실행될 때도 임베딩 런타임이 시스템에 의해 강제 종료되지 않고 상주할 수 있는 마지노선을 완벽하게 충족하는 기술적 진보입니다.

3. 네이티브 멀티모달 벡터 변환의 기술적 원리

기존의 모바일 검색 아키텍처가 텍스트 중심 검색에 국한되었거나, 이미지를 검색하기 위해 온디바이스 비전 모델로 캡션을 생성한 뒤 그 텍스트를 다시 임베딩하는 복잡하고 비효율적인 '2단계 파이프라인'을 거쳐야 했던 것과 달리, EmbeddingGemma 2는 태생부터 단일 잠재 공간(Latent Space)을 공유하는 '네이티브 멀티모달(Native Multimodal)' 아키텍처를 지향합니다.

네이티브 멀티모달 구조에서는 텍스트, 이미지의 각 픽셀 패치, 비디오의 시간 축 프레임 시퀀스, 심지어 음성 오디오 파형까지도 독립적인 인코더를 거쳐 궁극적으로는 단일한 통합 차원의 고차원 벡터로 직접 투사됩니다. 즉, 사용자가 텍스트로 "공원에서 활짝 웃고 있는 아이의 영상"이라고 쿼리를 입력하면, 시스템은 비디오의 자막이나 메타데이터를 검색하는 것이 아니라, 사용자의 텍스트 쿼리 벡터와 스마트폰 갤러리에 저장된 비디오 클립 프레임 벡터 간의 코사인 거리를 직접 연산합니다.

중간 텍스트 변환 과정이 생략됨으로써 번역이나 캡셔닝 과정에서 발생하는 의미 손실(Semantic Loss)이 원천적으로 차단됩니다. 이는 텍스트로 쉽게 형용하기 힘든 미묘한 시각적 분위기, 배경 음악의 톤앤매너, 인물의 표정 변화까지 고차원 공간 상의 기하학적 거리로 정확하게 포착해 내는 결정적인 요인입니다.

3-1. 텍스트·이미지·영상·오디오를 묶는 단일 벡터 공간

이러한 멀티모달 통합 임베딩 공간의 수학적 원리는 대조 학습(Contrastive Learning)에 기반합니다. 서로 다른 양식을 가진 데이터라도 동일한 의미 맥락을 지니고 있다면 벡터 공간 상의 유클리드 거리 또는 코사인 유사도가 최대화되도록 가중치가 정렬되어 있습니다.

# 온디바이스에서 생성된 가상의 멀티모달 벡터 간 유사도 계산 개념
import numpy as np

def compute_cosine_similarity(vec_a: np.ndarray, vec_b: np.ndarray) -> float:
    dot_product = np.dot(vec_a, vec_b)
    norm_a = np.linalg.norm(vec_a)
    norm_b = np.linalg.norm(vec_b)
    return float(dot_product / (norm_a * norm_b))

# 텍스트 쿼리 임베딩과 디바이스 내 영상 프레임 임베딩이 동일 차원(예: 768차원)으로 일치함
query_vector = np.random.randn(768)
video_frame_vector = np.random.randn(768)
similarity_score = compute_cosine_similarity(query_vector, video_frame_vector)

이러한 통합 잠재 공간의 구현 덕분에 개발자는 모달리티마다 개별적인 데이터베이스 인덱스를 구축할 필요 없이, 단 하나의 단일 벡터 인덱스 파이프라인만으로 기기 내 모든 미디어 자산을 통합 검색할 수 있는 엔지니어링 간소화를 누릴 수 있습니다.

4. 클라우드 API vs 온디바이스 임베딩 아키텍처 비교

시스템 아키텍처의 설계 관점에서 클라우드 임베딩 API와 온디바이스 EmbeddingGemma 2의 선택은 서비스의 비즈니스 모델과 운영 철학을 완전히 양분합니다. 클라우드 기반 방식이 서버 사이드의 무제한에 가까운 컴퓨팅 파워와 중앙 집중식 인덱싱의 편의성을 제공한다면, 온디바이스 방식은 극도의 경제성, 영속성, 보안 완결성을 보장합니다.

비용 구조를 시뮬레이션해 보면 그 차이는 더욱 명확해집니다. 월간 활성 사용자(MAU) 10만 명을 보유한 개인 메모 앱이 사용자당 하루 평균 20건의 문서 청크를 생성하고 10건의 시맨틱 검색을 수행한다고 가정해 보겠습니다. 1건당 평균 200토큰이 소모된다면, 하루에만 6억 토큰, 한 달이면 180억 토큰이 임베딩 파이프라인으로 유입됩니다. 이를 gemini-embedding-001이나 원격 상용 API로 처리할 경우 매달 수천만 원에 달하는 인프라 비용이 고스란히 고정 지출로 발생합니다. 반면 EmbeddingGemma 2를 도입한 온디바이스 아키텍처에서는 이 비용이 정확히 '0원'으로 수렴합니다.

임베딩 아키텍처 결정 매트릭스
일일 쿼리 볼륨 (소규모 → 대규모)
고비용 클라우드 구간
  • 일반 공개 데이터 기반 대규모 RAG
  • Gemini Embedding API 활용 권장
하이브리드 캐싱 구간
  • 일부 민감 데이터 포함
  • 엣지 전처리 후 클라우드 검증
최소 비용 진입 구간
  • 프로토타입 및 소규모 공개 검색
  • 서버리스 또는 무료 티어 API
온디바이스 최적 구간
  • 의료·금융·개인 사진 등 극도의 보안 요구
  • EmbeddingGemma 2 완벽 적합
데이터 프라이버시 요구도 (저 → 고)
데이터 보안 요구도와 동시 쿼리 볼륨에 따른 최적 인프라 선택 가이드

지연 시간(Latency) 측면에서도 로컬 NPU 가속기를 활용한 임베딩 생성은 수십 밀리초(ms) 단위로 완결됩니다. 원격 서버로의 SSL 핸드셰이크, HTTP 요청 전송, 대기 큐 처리, 응답 수신에 소요되는 통망 지연(보통 150ms~500ms 이상)을 제거함으로써 타이핑과 동시에 결과 목록이 실시간으로 갱신되는 '타이핑 중 검색(Search-as-you-type)' 사용자 경험을 구현할 수 있습니다.

5. MediaPipe와 ML Kit을 활용한 모바일 온디바이스 파이프라인

EmbeddingGemma 2를 실제 모바일 애플리케이션에 탑재하는 파이프라인은 Google ML Kit과 MediaPipe 프레임워크를 통해 극도로 단순화되었습니다. 개발자가 네이티브 NNDK나 C++ 레이어의 하드웨어 가속 드라이버를 직접 제어하지 않더라도, 고수준으로 추상화된 래퍼 라이브러리를 통해 모델 가중치를 로드하고 추론을 실행할 수 있습니다.

일반적인 온디바이스 RAG(Retrieval-Augmented Generation) 및 시맨틱 검색 파이프라인 구축은 다음 4단계의 절차로 완결됩니다:

  1. 모델 가중치 번들링 및 초기화: 양자화된 EmbeddingGemma 2 모델 파일을 모바일 앱 에셋(Asset)에 포함하거나 최초 구동 시 백그라운드로 안전하게 다운로드합니다. MediaPipe의 TextEmbedder 또는 ImageEmbedder 옵션을 설정하여 모바일 기기의 NPU 가속 델리게이트(Delegate)를 활성화합니다.
  2. 로컬 미디어 및 텍스트 전처리: 앱 내부의 SQLite나 로컬 파일 시스템에 저장된 데이터를 모달리티별 청크 단위로 분할하고 토크나이저 파이프라인에 주입합니다.
  3. 벡터 임베딩 추출 및 로컬 벡터 스토리지 적재: 추출된 고차원 부동소수점 배열(Float Array)을 ObjectBox, Chroma-mobile, 또는 순수 SQLite 기반의 벡터 확장 모듈에 저장하고 고속 인덱싱(HNSW 등)을 구성합니다.
  4. 코사인 유사도 매칭 및 랭킹 도출: 사용자 입력이 들어오는 즉시 동일 모델로 쿼리 벡터를 생성하고, 로컬 스토리지에 저장된 벡터들과 최근접 이웃(KNN) 탐색을 수행하여 최상위 매칭 결과를 렌더링합니다.
# Android 빌드 환경에서 MediaPipe Tasks 의존성을 구성하기 위한 Gradle 설정 예시
dependencies {
    implementation 'com.google.mediapipe:tasks-text:latest.release'
    implementation 'com.google.mediapipe:tasks-vision:latest.release'
}

이러한 간결한 빌드 구성을 통해 안드로이드와 iOS 양대 플랫폼에서 동일한 아키텍처 원칙을 유지하며 일관된 엣지 인공지능 파이프라인을 운영할 수 있습니다.

6. 개발 단계별 구현 고려사항과 실제 한계점

온디바이스 임베딩이 제공하는 매력적인 이점에도 불구하고, 실무 프로덕션 환경에 EmbeddingGemma 2를 도입하기 전 엔지니어링 팀이 반드시 짚고 넘어가야 할 기술적 트레이드오프가 존재합니다. 로컬 자원의 제약 속에서 동작하는 모델인 만큼, 클라우드의 대규모 플래그십 임베딩 모델과 완전히 동일한 수준의 복잡한 추론 능력을 기대하기는 어렵습니다.

첫 번째 고려 요소는 배터리 소모와 발열 관리(Thermal Throttling)입니다. 사용자가 수천 장의 사진이나 수백 권의 PDF 문서를 앱에 한꺼번에 추가하는 '대규모 초기 색인(Bulk Indexing)' 작업이 발생할 경우, 모바일 기기의 AP(애플리케이션 프로세서)가 지속적으로 풀 로드로 가동되면서 기기 발열과 급격한 배터리 드레인이 발생할 수 있습니다. 따라서 백그라운드 워커를 설계할 때 기기가 충전 중이거나 와이파이에 연결되어 있을 때, 또는 화면이 꺼져 있는 유휴 상태(Idle State)에서만 배치 인덱싱이 수행되도록 정교한 OS 레벨 스케줄링(예: Android WorkManager의 BatteryNotLow 제약 조건)을 적용해야 합니다.

두 번째는 앱 패키지 크기(APK/IPA 용량)의 증가입니다. 약 191MB의 모델 크기는 런타임 메모리 기준으로는 극도로 경량이지만, 앱 스토어 다운로드 용량 측면에서는 사용자 이탈을 유발할 수 있는 크기입니다. 이를 방지하기 위해 초기 앱 설치 시에는 모델을 번들링하지 않고, 앱 최초 실행 후 기능 활성화 시점에 분할 다운로드(Dynamic Delivery) 방식으로 가중치 파일을 온디맨드 fetch하는 설계가 권장됩니다.

세 번째는 벡터 차원의 세분성과 표현력의 한계입니다. 대규모 수십억 파라미터 기반의 상용 임베딩 모델들이 수천 개 언어의 복잡한 뉘앙스와 전문 도메인(법률, 의료 등)의 깊은 어휘 관계를 완벽히 포괄하는 반면, 740M 파라미터 경량 모델은 극단적으로 전문화된 도메인 텍스트에서 유사도 분별력이 다소 떨어질 수 있습니다. 따라서 범용 개인화 검색을 넘어선 특수 도메인 검색에서는 다운스트림 파인튜닝이나 하이브리드 검색(키워드 BM25 + 벡터 유사도 결합) 아키텍처를 병행하는 보완책이 필수적입니다.

7. 엣지 AI 검색의 미래와 온디바이스 RAG 생태계

Google의 EmbeddingGemma 2 공개는 단순히 새로운 오픈소스 모델 하나의 등장을 넘어, 인공지능 인프라의 중심축이 무거운 중앙 집중식 클라우드에서 최종 사용자 말단의 엣지(Edge) 디바이스로 재편되고 있음을 알리는 신호탄입니다. 그동안 RAG 아키텍처의 필수 구성 요소로 여겨졌던 벡터 데이터베이스와 고비용 임베딩 API의 결합 모델이, 이제 스마트폰과 로컬 PC 내부에서 독립적으로 완결되는 '자립형 온디바이스 RAG'로 전환되고 있습니다.

이러한 기술적 전환은 애플리케이션 개발자들에게 강력한 비즈니스 경쟁력을 부여합니다. 트래픽이 폭증해도 인프라 비용이 선형적으로 증가하지 않는 고마진 소프트웨어 아키텍처를 구축할 수 있으며, 데이터 유출 리스크를 원천적으로 제거함으로써 유럽의 GDPR이나 미국의 다양한 개인정보 보호 규제를 손쉽게 준수할 수 있습니다. 또한 통신 음영 지역에서도 빈틈없이 작동하는 소프트웨어의 신뢰성은 제품의 완성도를 결정짓는 핵심 차별화 요소가 됩니다.

EmbeddingGemma 2는 가벼운 파라미터, 검증된 메모리 효율성, 상용 무료인 Apache 2.0 라이선스라는 삼박자를 고루 갖춘 실용적인 도구입니다. 이제 비용 문제로 시맨틱 검색과 RAG 도입을 유보해 왔던 개발팀이라면, 디바이스의 NPU 자원을 활용한 무과금 로컬 벡터 엔진 구축을 적극적으로 검토해야 할 시점입니다.

자주 묻는 질문

Q. EmbeddingGemma 2는 상용 모바일 앱에 라이선스 비용 없이 쓸 수 있나요?
A. 네, EmbeddingGemma 2는 상용 이용에 매우 관대한 Apache 2.0 라이선스로 배포되었습니다. 기업용 상용 서비스나 유료 앱 내부에 탑재하여 서비스하더라도 별도의 라이선스 비용이 발생하지 않으며 소스코드 공개 의무도 없습니다.

Q. 메모리가 191MB라는데 구형 저가 스마트폰에서도 원활하게 돌아가나요?
A. 양자화된 텍스트 모델 기준 약 191MB 수준의 메모리를 점유하므로 4GB~6GB RAM을 탑재한 보급형 안드로이드 및 구형 iOS 기기에서도 충분히 구동됩니다. 다만 대량의 미디어를 한꺼번에 색인할 때는 발열과 배터리 관리를 위해 OS의 백그라운드 유휴 스케줄러를 활용해야 합니다.

Q. 텍스트 외에 이미지나 영상 검색 시 캡션을 먼저 생성해야 하나요?
A. 아닙니다. EmbeddingGemma 2는 네이티브 멀티모달 아키텍처를 지원하므로 이미지 픽셀 패치나 동영상 프레임이 텍스트와 동일한 벡터 공간으로 직접 매핑됩니다. 중간 텍스트 변환 과정이 필요 없어 연산이 빠르고 의미 왜곡이 없습니다.

원본

https://www.threads.com/@secret_501_/post/DeK-FVpjtuX

https://docs.cloud.google.com/gemini-enterprise-agent-platform/models/embeddings?hl=ko

https://oneport.kr/blog/embeddings-api-korean-doc-search

함께 보면 좋은 글

댓글 0개