임베딩이란 무엇인가요?
임베딩은 텍스트를 벡터 표현으로 변환하는 방법으로, 의미가 비슷한 텍스트는 서로 가까운 위치에 배치돼요. 임베딩 모델은 검색, 분류, 클러스터링 등 텍스트 간 의미 비교가 필요한 다양한 상황에서 활용할 수 있어요.
업스테이지는 어떤 모델을 제공하나요?
업스테이지는 새 연동에는 Solar Embedding 2 사용을 권장해요. Solar Embedding 2는 성능이 개선되고 컨텍스트 한도가 8k로 확장된 모델이에요. 지금 바로 사용할 수 있지만 아직 별칭이 없으므로, 전체 모델 이름으로 호출해주세요.
Solar Embedding 2 모델은 microsoft/harrier-oss-v1-0.6b를 파인튜닝한 모델이에요.| 모델 | 역할 | 벡터 차원 | RPM / TPM |
|---|---|---|---|
| solar-embedding-2-query | Query | 1,024 | 100 / 300,000 |
| solar-embedding-2-passage | Passage | 1,024 | 100 / 300,000 |
서비스 종료 예정: Solar Embedding 1
Solar Embedding 1 모델의 서비스가 2026년 12월 31일(UTC)에 종료될 예정이에요. 종료일까지는 그대로 사용할 수 있지만, 미리 여유를 두고 Solar Embedding 2로 마이그레이션하는 것을 권장해요. 새 연동에는 Solar Embedding 2를 사용해주세요.
아래 별칭은 여전히 Solar Embedding 1 모델을 가리키고 있어요. 서비스 종료일 전에 Solar Embedding 2로 마이그레이션을 계획해주세요.
| 별칭 | 현재 가리키는 모델 | RPM / TPM (자세히 보기) | 서비스 종료 |
|---|---|---|---|
| embedding-query | solar-embedding-1-large-query | 100 / 300,000 | 2026-12-31 (UTC) |
| embedding-passage | solar-embedding-1-large-passage | 100 / 300,000 | 2026-12-31 (UTC) |
passage 모델과 query 모델의 차이점은 무엇인가요?
두 모델 모두 유사도를 계산하기 위해 텍스트를 벡터로 변환하지만, 서로 다른 역할을 수행합니다.
- Passage: 일반적으로 문서의 일부, 문장 또는 비교적 긴 텍스트를 나타냅니다. 정보를 담고 있는 텍스트의 특정 구간이나 단락을 의미하며, 예를 들어 논문의 한 문단이나 웹페이지의 설명 등이 passage가 될 수 있습니다.
- Query: 사용자가 정보를 찾기 위해 입력하는 질문이나 검색어입니다. passage에 비해 일반적으로 더 짧고 구체적이며, 특정 정보를 얻고자 하는 사용자의 의도를 담고 있습니다.
두 텍스트 간 유사도를 측정하는 방법
텍스트를 임베딩으로 변환한 후에는 텍스트 간의 유사도를 측정할 수 있습니다. 코사인 유사도는 두 임베딩 벡터 사이의 유사도를 정량화하며, 이는 대응되는 텍스트 간의 유사도를 나타냅니다. 아래 예시에서는 내적(dot product)을 사용하여 유사도를 계산합니다. 업스테이지의 Embeddings API는 크기가 1인 정규화된 벡터를 출력하므로, 내적과 코사인 유사도는 동일한 결과를 산출하며, 가장 높은 유사도 점수를 가진 벡터에 해당하는 passage가 query와 가장 유사한 것으로 간주됩니다.
예시
예시 1: 단일 텍스트 입력
요청
응답
예시 2: 배치 처리
업스테이지의 Embedding 모델은 배치 처리를 지원하므로, 단일 입력 대신 텍스트 배열을 전송할 수 있어요. 이 방식은 일반적으로 텍스트를 하나씩 처리하는 것보다 빠르고 효율적이에요.
하나의 배치 요청에는 최대 100개의 텍스트를 포함할 수 있으며, 요청당 총 토큰 한도는 204,800개예요.