Google, EmbeddingGemma 2 공개…텍스트·이미지·영상·오디오 검색을 기기 안에서 하나로
Google DeepMind가 740M 규모의 오픈 멀티모달 임베딩 모델 EmbeddingGemma 2를 출시했다. 텍스트·코드·이미지·영상·오디오를 하나의 임베딩 공간으로 연결해 기기 내부에서 검색과 RAG를 구축할 수 있다.
UPDATE DETAIL
무엇이 발표됐는가
Google DeepMind는 2026년 10월 6일 EmbeddingGemma 2를 공개했다. 기존 EmbeddingGemma가 가벼운 텍스트 임베딩 모델이었다면, 새 모델은 텍스트와 코드뿐 아니라 이미지·영상·오디오를 하나의 공유 임베딩 공간으로 변환한다.
임베딩 모델은 긴 문장이나 이미지를 직접 생성하는 모델이 아니다. 입력의 의미를 숫자 벡터로 표현하고 서로 얼마나 관련 있는지 비교하도록 돕는다. 그래서 음성 메모로 관련 영상 장면을 찾거나, 자연어 질문으로 휴대전화 속 사진·영상·녹음을 검색하는 데 사용할 수 있다.
740M 규모의 모듈형 모델
EmbeddingGemma 2는 Gemma 4 아키텍처를 기반으로 한 총 740M 파라미터 모델이다. 필요한 입력 유형에 따라 모듈을 선택적으로 불러올 수 있도록 구성됐다.
- 텍스트 전용 구성: 최소 270M 파라미터
- 선택형 비전 인코더: 170M 파라미터
- 선택형 오디오 인코더: 300M 파라미터
코드는 별도의 다섯 번째 인코더가 아니라 텍스트 계열 입력으로 처리된다. 전체 모델은 텍스트·이미지·영상·오디오와 이들을 섞은 입력을 하나의 768차원 공간에 표현한다.
기기 안에서 어느 정도로 작동하는가
Google은 양자화된 모델을 Pixel 11 Pro에서 측정했을 때 텍스트 전용 가중치가 약 191MB, 전체 멀티모달 모델이 약 567MB의 active RAM을 사용한다고 밝혔다. 567MB는 모델 파일의 보편적인 크기가 아니라 특정 기기와 양자화 설정에서 측정한 실행 메모리 수치다.
컨텍스트 창은 8,192토큰으로 이전 버전보다 4배 넓다. 공식 발표 기준으로 최대 약 5.5분의 오디오, 이미지 29장, 비디오 프레임 58개 또는 이들을 섞은 입력을 로컬 하드웨어에서 처리할 수 있다. 실제 처리량은 기기와 입력 구성에 따라 달라질 수 있다.
벡터 저장 공간과 코드 검색
EmbeddingGemma 2는 Matryoshka Representation Learning을 지원한다. 기본 768차원 출력 벡터를 512·256·128차원으로 줄일 수 있어 로컬 벡터 데이터베이스의 저장 공간과 메모리 사용량을 최대 6배 줄일 수 있다. 이 역시 선택한 차원과 데이터, 품질 조건에 따른 최대치다.
Google이 공개한 MTEB Code 결과에서는 이전 모델의 68.76에서 78.68로 9.92포인트 상승했다. 로컬 코드베이스 색인, 의미 기반 코드 검색, 코딩 에이전트의 자료 검색에도 활용할 수 있는 변화다.
오프라인 검색과 로컬 RAG
임베딩을 기기 내부에서 만들 수 있기 때문에 개인 문서·사진·영상·녹음을 클라우드로 보내지 않고 검색할 수 있다. Google은 이를 데이터 프라이버시와 지연시간을 개선하고, 인터넷 연결 없이 동작하는 교차 모달 검색과 검색 시스템을 만드는 방법으로 설명한다.
생성 모델인 Gemma 4와 결합하면 EmbeddingGemma 2가 로컬 파일에서 관련 내용을 찾고 Gemma 4가 그 문맥을 바탕으로 답변하는 기기 내 RAG도 구성할 수 있다. 두 모델은 텍스트 토크나이저와 오디오 인코더를 공유해 함께 실행할 때 전체 메모리 부담을 낮출 수 있다.
출시 상태와 라이선스
모델 가중치는 현재 Hugging Face와 Kaggle에서 받을 수 있고, MediaPipe와 LiteRT를 통한 기기 내 배포를 지원한다. Gemini Enterprise Agent Platform의 Model Garden 제공은 추후 예정이며 Android ML Kit 통합도 향후 몇 주 내 제공될 예정이다.
EmbeddingGemma 2는 Apache 2.0 라이선스로 공개됐다. 별도의 API 요금표가 발표된 것은 아니므로 ‘무료 API’가 아니라, 가중치를 내려받아 직접 실행할 수 있는 오픈 모델로 이해해야 한다.
EmbeddingGemma 2는 생성 모델이 아니다. 정보를 검색 가능한 벡터로 바꾸는 모델이며, 질문에 긴 답을 직접 만드는 Gemini나 Gemma 4와 역할이 다르다.
WHAT CHANGED
무엇이 바뀌는가
기존 방식
로컬 멀티모달 검색은 사진에는 이미지 모델, 음성에는 음성 인식, 영상에는 프레임 추출, 문서에는 텍스트 임베딩처럼 여러 처리 파이프라인을 이어 붙이는 경우가 많았다. 모델 수가 늘수록 메모리 사용과 지연시간, 운영 복잡성도 커질 수 있었다.
변경된 방식
EmbeddingGemma 2는 텍스트·코드·이미지·영상·오디오를 하나의 모델과 하나의 의미 공간으로 연결한다. 같은 공간에서 서로 다른 형식의 입력을 비교할 수 있어 로컬 검색과 RAG 구성이 단순해진다.
실제 영향 — DECHIVE 해석
개인 지식 시스템의 대상이 문서와 메모에서 사진·영상·음성·코드까지 넓어질 수 있다. 핵심은 모든 데이터를 클라우드에 올리는 것이 아니라, 소비자 기기 안에서 색인하고 필요한 기록을 의미로 찾을 수 있게 된다는 점이다.
WHAT WE CAN DO
이 변화로 무엇을 할 수 있는가
개인 사진·영상 검색
사진에 태그를 일일이 붙이지 않아도 ‘작년에 바닷가에서 찍은 노을 사진’ 같은 자연어로 로컬 미디어를 찾는 기능을 만들 수 있다.
영상 속 특정 순간 검색
영상의 주요 프레임과 오디오 구간을 미리 임베딩하면 긴 영상을 처음부터 재생하지 않고 텍스트나 음성으로 특정 장면을 찾을 수 있다.
개인 로컬 RAG
PDF·메모·이미지·녹음·영상을 기기 안에서 색인하고 관련 자료를 찾은 뒤, Gemma 4 같은 생성 모델이 검색된 내용을 바탕으로 답하게 만들 수 있다.
코드 검색과 로컬 분류
로컬 코드베이스의 의미 검색이나 코딩 에이전트 검색에 활용할 수 있다. MediaPipe Decision Task와 결합하면 별도 파인튜닝 없이 멀티모달 입력을 분류하거나 작업 경로를 고르는 의사결정 엔진도 구성할 수 있다.
사용 전 확인할 점
공개된 RAM, 처리량, 저장 공간 절감과 벤치마크 수치는 Google이 명시한 테스트 조건의 결과다. 실제 성능은 기기, 양자화 방식, 입력 데이터와 출력 차원에 따라 달라질 수 있다.