임베딩 모델·벡터 DB 비용 FAQ
자주 묻는 7개 질문 · 모든 가격·점수는 참고용 추정치(기준일 2026-06-20)
자주 묻는 질문 (7)
RAG에 가장 저렴한 임베딩 모델은 무엇인가요?
per-1M-tokens 단가만 보면 Google text-embedding-005($0.006)가 가장 저렴하고, 이어서 OpenAI text-embedding-3-small·Voyage voyage-3.5-lite·Jina v3가 약 $0.02 수준입니다. 자체 호스팅하는 BGE-M3는 API 토큰 비용이 없습니다(대신 GPU·인프라 비용). 다만 총비용은 차원이 좌우하는 벡터 스토리지 비용도 포함하므로, 단가가 싸도 차원이 크면 더 비쌀 수 있습니다. 계산기로 두 비용을 합쳐 비교하세요.
벡터 스토리지 용량은 어떻게 계산하나요?
벡터는 float32 숫자로 저장되므로 용량은 임베딩 차원 × 문서 수 × 4byte입니다. 1,024차원 벡터 1개는 4,096byte(4KB)이고, 이런 벡터 1,000만 개는 약 38GiB를 차지합니다. 차원이 3,072처럼 크면 같은 문서 수에 비례해 용량이 늘어납니다. 그래서 Matryoshka 차원 축소나 양자화로 용량을 줄이는 것이 비용 절감의 핵심입니다.
Matryoshka 임베딩 축소란 무엇인가요?
OpenAI v3, Voyage, Cohere v4, Jina v3, Gemini 같은 모델은 벡터를 앞에서부터 잘라 더 짧은 차원으로 줄여도 품질이 크게 떨어지지 않도록 학습되어 있습니다. text-embedding-3-large를 3,072에서 256차원으로 줄이면 스토리지가 1/12로 감소합니다. 약간의 정확도 손실을 감수하고 벡터 DB 비용을 크게 낮출 수 있습니다.
MTEB 점수가 높으면 무조건 좋은 모델인가요?
MTEB는 여러 과제 평균 점수라 유용하지만, 당신의 도메인·언어에서의 성능을 보장하지는 않습니다. MTEB가 조금 낮더라도 컨텍스트가 길거나 단가가 싸거나 다국어에 강한 모델이 더 적합할 수 있습니다. 특히 한국어 RAG라면 영어 MTEB만 보지 말고 다국어 모델을 자체 평가셋으로 검증하세요. MTEB는 후보를 좁히는 1차 필터로 쓰는 것이 좋습니다.
표시된 가격과 점수는 정확한가요?
아닙니다. 모든 가격과 MTEB 점수는 공개 자료를 정리한 참고용·변동 가능 추정치입니다(기준일 2026-06-20). 공급사가 가격을 자주 바꾸고 신모델을 출시하므로, 실제 도입 전 반드시 각 공급사 콘솔에서 현재 가격을 확인하세요. 이 도구는 대략적인 기획·비교용이며 청구서가 아닙니다.
Pinecone·Qdrant·pgvector 중 무엇이 더 싼가요?
본 도구는 스토리지 단가($/GB·월)만 단순 반영하며, 대략 pgvector < Qdrant < Pinecone 순으로 저렴하게 잡았습니다. 다만 실제 비용은 읽기/쓰기 단위, RAM, 복제본, 최소 요금에 따라 크게 달라지고, pgvector는 직접 운영 부담이 있습니다. 관리 편의성과 운영 비용을 함께 고려해 선택하세요.
쿼리 비용도 따로 발생하나요?
네. 검색할 때마다 쿼리 텍스트를 임베딩하므로 토큰 비용이 발생합니다. 다만 쿼리는 보통 수십 토큰으로 짧아 문서 인덱싱 비용보다 작은 경우가 많습니다. 본 도구는 월 쿼리 수 × 쿼리당 평균 토큰으로 월 쿼리 임베딩 비용을 추정해 월 총비용에 더합니다. 재랭킹(rerank)이나 LLM 생성 비용은 별도입니다.