2nd/10_Wiki/Topic_Programming/Coding/AI_Embeddings_Comparison.md

id, title, category, status, source_trust_level, verification_status, created_at, updated_at, tags, tech_stack, applied_in, aliases

id	title	category	status	source_trust_level	verification_status	created_at	updated_at	tags	tech_stack	applied_in	aliases
ai-embeddings-comparison	Embeddings 비교 — OpenAI / Cohere / 오픈소스	Coding	draft	B	conceptual	2026-05-09	2026-05-09	ai embedding vector vibe-coding	language applicable_to TS / OpenAI / Cohere Backend		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

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

// 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)

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)

// 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)

// 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)

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

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

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

// 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