여러 소셜미디어 채널을 동시에 운영하는 1인 크리에이터와 마케터에게 대량의 텍스트, 이미지, 오디오, 비디오 데이터를 효율적으로 관리하는 일은 필수 과제다. 구글 딥마인드가 2026년 10월 6일 공개한 EmbeddingGemma 2는 이러한 요구에 부응하는 경량 오픈소스 멀티모달 임베딩 모델이다. 하나의 통합된 공간에서 다양한 형식의 콘텐츠를 자유롭게 검색하고 정리할 수 있는 기술적 특징과 활용법을 살펴본다.

구글 딥마인드, EmbeddingGemma 2 공개

구글 딥마인드는 2026년 10월 6일 경량 오픈소스 멀티모달 임베딩 모델인 EmbeddingGemma 2를 전격 공개했다. 이 모델은 텍스트와 코드뿐만 아니라 이미지, 오디오, 비디오 등의 데이터를 단일한 768차원 임베딩 공간에서 함께 이해하도록 설계되었다. 기존 모델들이 모달리티별로 별도의 인코더나 독립된 차원을 사용했던 것과 달리, 하나의 벡터 공간 내에서 이종 데이터를 효율적으로 연계 처리한다.

EmbeddingGemma 2는 Gemma 4 아키텍처를 기반으로 구축되었으며, Apache 2.0 라이선스가 적용되어 상업적 목적을 포함한 다양한 서비스 개발에 제한 없이 활용될 수 있다. 이는 여러 소셜미디어 플랫폼을 동시 운영하며 막대한 양의 콘텐츠 파이프라인을 다루는 1인 크리에이터 및 마케터에게 인프라 부담을 크게 낮춰주며 효율적인 데이터 관리 환경을 제공한다.

구글 딥마인드, EmbeddingGemma 2 공개 관련 사진

사진: Igor Omilaev · Unsplash

740M 매개변수와 모듈식 설계 구조

EmbeddingGemma 2는 총 7억 4천만 개(740M)의 매개변수를 보유하고 있으나 유연한 모듈식 구조를 통해 연산 효율성을 극대화했다. 작업의 성격에 따라 필요한 모듈만 활성화하여 자원 소비를 최적화할 수 있는 방식이다.

전체 매개변수 중 기본 텍스트 및 코드 백본은 2억 7천만 개(270M)로 구성되어 있어 간단한 텍스트 임베딩 작업 시에는 이 부분만 동작한다. 시각 자료 처리를 위한 선택적 비전 인코더는 1억 7천만 개(170M), 음성 데이터를 담당하는 선택적 오디오 인코더는 3억 개(300M)의 매개변수를 점유한다. 이처럼 작업 요구 사항에 맞춰 필요한 인코더를 결합하거나 제외할 수 있어 연산 자원이 제한된 환경에서도 안정적인 운용이 가능하다.

이 도표는 EmbeddingGemma 2의 총 7억 4천만 개 매개변수가 텍스트 백본과 선택적 비전, 오디오 인코더로 나뉘어 있음을 보여준다.

온디바이스 최적화와 메모리 효율성

EmbeddingGemma 2는 중앙 서버나 클라우드 의존도를 낮추고 일반 소비자 기기에서도 구동 가능하도록 온디바이스 최적화에 중점을 두었다. 외부 네트워크 연결 없이 로컬 환경에서 대용량 데이터를 다루고자 하는 사용자들에게 뛰어난 효율성을 제공한다.

실제로 Google Pixel 11 Pro 기기에서 양자화를 적용해 구동할 경우, 텍스트 전용 가중치는 약 191MB의 활성 RAM만 필요로 한다. 비전과 오디오 인코더를 모두 포함한 전체 멀티모달 모델을 활성화하더라도 약 567MB의 활성 RAM만 소비한다. 이처럼 낮은 메모리 점유율 덕분에 모바일 기기나 개인용 노트북에서도 무리 없이 실시간 임베딩 연산을 수행할 수 있다.

이 도표는 양자화 적용 시 텍스트 전용과 전체 멀티모달 모델 구동에 필요한 온디바이스 RAM 요구량을 보여준다.

확장된 컨텍스트와 MRL 저장 절약

이 모델은 8K 토큰(8,192 토큰)의 확장된 컨텍스트 창을 지원하여 복잡하고 길다란 멀티모달 정보를 손실 없이 받아들인다. 로컬 하드웨어 환경에서 직접 최대 5.5분 분량의 오디오 파일이나 29개의 이미지, 혹은 58개의 비디오 프레임까지 조합하여 원스톱으로 처리할 수 있다.

또한 Matryoshka Representation Learning(MRL) 기술이 적용되어 저장 효율을 획기적으로 개선했다. 표준 768차원 출력 벡터를 서비스 환경에 따라 512차원, 256차원, 128차원으로 동적 축소할 수 있다. 이로 인해 임베딩 벡터 데이터베이스의 저장 공간을 최대 6배까지 절약하는 효과를 가져온다.

확장된 컨텍스트와 MRL 저장 절약 관련 사진

사진: Kevin Ache · Unsplash

콘텐츠 크리에이터를 위한 활용 방안

EmbeddingGemma 2는 멀티채널을 운영하는 크리에이터와 마케터의 실무에 폭넓게 도입될 수 있다. 예컨대 간단한 텍스트 검색어 입력을 통해 수백 시간 분량의 팟캐스트 오디오에서 관련 구간을 찾아내거나, 특정 음성 메모와 유사한 분위기의 비디오 클립을 자동으로 도출하는 워크플로가 구현된다.

100개 이상의 언어를 지원하므로 다국어 콘텐츠를 제작하고 글로벌 채널을 관리하는 데에도 이상적이다. 퍼블릭 라이선스로 제공되는 오픈소스 모델인 만큼 마케터는 자체 데이터베이스와 연동하여 커스텀 콘텐츠 검색 플랫폼을 구축하고 작업 속도를 혁신할 수 있다.

참고