---
id: ai-embeddings-comparison
title: Embeddings 비교 — OpenAI / Cohere / 오픈소스
category: Coding
status: draft
source_trust_level: B
verification_status: conceptual
created_at: 2026-05-09
updated_at: 2026-05-09
tags: [ai, embedding, vector, vibe-coding]
tech_stack: { language: "TS / OpenAI / Cohere", applicable_to: ["Backend"] }
applied_in: []
aliases: [embeddings, BGE, OpenAI text-embedding-3, Cohere, MTEB, vector dimensions]
---

# Embeddings 비교

> 모델 = (정확도 / 차원 / 비용 / latency) 트레이드오프. **OpenAI text-embedding-3-small** 이 baseline. Cohere embed-v3 (multilingual). 오픈소스 = BGE / Voyage. **차원 줄이기 (dimensions param)** 로 비용 줄임.

## 📖 핵심 개념
- 차원: 벡터 길이. 큼 = 정확도↑, 비용/메모리↑.
- Cosine vs dot vs L2: 거리 측정. Cosine 이 가장 일반.
- Normalization: 단위 벡터 — cosine = dot product.
- MTEB: 임베딩 벤치마크.

## 💻 코드 패턴

### OpenAI
```ts
const r = await openai.embeddings.create({
  model: 'text-embedding-3-small', // 1536 차원, 싸다
  input: 'hello world',
});
const emb = r.data[0].embedding;
```

```ts
// 차원 줄이기 (Matryoshka)
const r = await openai.embeddings.create({
  model: 'text-embedding-3-large', // 3072 base
  input,
  dimensions: 256, // 256 으로 압축 — 정확도 90% 유지
});
```

### Cohere (multilingual)
```ts
import { CohereClient } from 'cohere-ai';
const cohere = new CohereClient({ token });

const r = await cohere.v2.embed({
  model: 'embed-multilingual-v3.0',
  inputType: 'search_document', // 또는 search_query (asymmetric)
  texts: ['안녕하세요'],
  embeddingTypes: ['float'],
});
```

### 오픈소스 (Sentence Transformers via Hugging Face)
```ts
// 로컬 inference (Bun / Node + onnx)
import { pipeline } from '@xenova/transformers';

const embedder = await pipeline('feature-extraction', 'Xenova/bge-base-en-v1.5');
const r = await embedder('hello', { pooling: 'mean', normalize: true });
const emb = Array.from(r.data);
```

### Asymmetric search (query vs document)
```ts
// 일부 모델은 query 와 doc 다른 prompt 사용
// BGE: "Represent this sentence for searching relevant passages: {query}"

const docEmb = await embed('document content');
const queryEmb = await embed('Represent this sentence for searching relevant passages: ' + query);
```

### Batch embedding (대량)
```ts
const batch = await openai.embeddings.create({
  model: 'text-embedding-3-small',
  input: texts, // up to 2048 inputs
});
const embeddings = batch.data.map(d => d.embedding);
```

또는 OpenAI batch API: 50% 할인, 24시간 내 처리.

### Normalization
```ts
function normalize(v: number[]): number[] {
  const norm = Math.sqrt(v.reduce((s, x) => s + x * x, 0));
  return v.map(x => x / norm);
}
// 정규화 후 cosine similarity = dot product
```

### Cosine similarity
```ts
function cosine(a: number[], b: number[]): number {
  let dot = 0, na = 0, nb = 0;
  for (let i = 0; i < a.length; i++) {
    dot += a[i] * b[i];
    na += a[i] * a[i];
    nb += b[i] * b[i];
  }
  return dot / (Math.sqrt(na) * Math.sqrt(nb));
}
```

### 모델 비교 매트릭스
| 모델 | 차원 | $/1M tok | latency | MTEB | 멀티 |
|---|---|---|---|---|---|
| text-embedding-3-small | 1536 | $0.02 | 빠름 | 62 | 보통 |
| text-embedding-3-large | 3072 | $0.13 | 보통 | 64 | 보통 |
| Cohere embed-v3 | 1024 | $0.10 | 보통 | - | 강 |
| BGE-base-en | 768 | 무료 (self) | self | 63 | en |
| BGE-M3 | 1024 | 무료 (self) | self | - | 강 |
| Voyage-3 | 1024 | $0.06 | 보통 | 65+ | 보통 |

### 차원 압축 시험
```ts
// Matryoshka: 첫 N 차원만 사용
const compressed = full.slice(0, 256);
// 정확도 측정 — 충분하면 OK
```

## 🤔 의사결정 기준
| 상황 | 추천 |
|---|---|
| 영어 일반 | OpenAI 3-small |
| 한국어 / 다국어 | Cohere embed-multilingual-v3 / BGE-M3 |
| 비용 0 / on-prem | BGE / 인스트럭터 |
| 정확도 최고 | text-embedding-3-large 또는 voyage-3 |
| 큰 처리량 | Batch API |
| Edge / browser | xenova/transformers WASM |

## ❌ 안티패턴
- **모델 mix 한 인덱스**: 비교 안 됨. 한 모델만.
- **Asymmetric 모델 같은 prompt**: 의미 떨어짐.
- **Dim 압축 없이 무조건 max**: 비용 / 메모리 낭비.
- **Normalization 안 함 + dot 사용**: 길이 차이로 noise.
- **Reranker 없이 top-K 만**: noise. Cohere rerank-3 등.
- **cache 안 함**: 같은 query 매번. content-addressed cache.

## 🤖 LLM 활용 힌트
- 작은 = 3-small (1536) + dim 압축.
- 한국어 = Cohere multilingual / BGE-M3.
- Batch API 로 비용 절반.

## 🔗 관련 문서
- [[AI_RAG_Pattern_Basics]]
- [[DB_Full_Text_Search]]
- [[AI_LLM_Eval_Patterns]]