EmbeddingGemma 2 설치, 올라마⁠·클로드 코드 색인과 한국어 비교

EmbeddingGemma 2는 구글이 무료로 공개한 멀티모달 임베딩 모델입니다. 이 글은 EmbeddingGemma 2 설치를 올라마(Ollama), 클로드 코드, DigUp 앱 세 가지 방법으로 나눠 정리하고, 내 자료를 색인해 말로 찾는 순서와 Qwen3·Jina 같은 경쟁 모델과 한국어로 비교한 결과까지 담았습니다.

EmbeddingGemma 2로 할 수 있는 일

찾고 싶은 장면을 한국어로 설명하면 영상 150개 가운데 그 장면이 나오는 영상과 시각을 찾아 주는 검색. 파일 이름이 아니라 영상 안의 화면을 보고 찾는 이런 검색을 내 맥 안에서 돌리는 것이 EmbeddingGemma 2입니다.

• 임베딩 모델은 글이나 사진의 뜻을 숫자 묶음(벡터)으로 바꿔 둡니다. 그래서 단어가 달라도 뜻으로 찾을 수 있습니다.
• 1세대 EmbeddingGemma는 글만 이해했지만, 2는 멀티모달이라 글⁠·코드에 더해 사진⁠·영상⁠·소리까지 같은 방식으로 이해합니다.
• Apache 2.0 라이선스라 상업적으로도 쓸 수 있고, 누구나 자기 PC에 깔아 무료로 씁니다.

시작 전에 준비할 것

• 맥. 아래 예시는 애플 실리콘 맥북 기준입니다.
• 터미널(맥 기본 프로그램)
• 고른 방법에 따라 올라마, 클로드 코드, DigUp 앱 가운데 하나
• 색인해서 찾고 싶은 파일이 든 폴더. 아래 예시는 PDF·사진⁠·스크린샷⁠·녹음⁠·영상 메모 158개를 썼습니다.
• 저장 공간. 클로드 코드로 받은 모델 파일은 1.4GB, 올라마판 기본 모델은 1.3GB, DigUp 경량 모델은 865MB입니다.

설치 방법은 세 가지입니다. 가장 쉬운 방법은 클로드 코드에 맡기는 ②이고, 그것도 번거로우면 DigUp 앱(③)을 씁니다. 색인과 검색(3~4장)은 방법 ② 기준입니다.

1. 방법 ① 올라마로 설치하기

올라마는 AI 모델을 내 PC에 내려받아 바로 실행해 주는 무료 프로그램이고, EmbeddingGemma 2도 올라와 있습니다.

1단계. 올라마를 설치한다

ollama.com에서 맥용 설치 파일을 내려받아 응용 프로그램 폴더로 옮긴 뒤 실행합니다.

• 확인: 메뉴 막대에 올라마 아이콘이 보입니다.
• 주의: 올라마에 올라온 EmbeddingGemma 2는 지금 글과 사진만 다룹니다. 영상⁠·소리까지 찾으려면 방법 ②나 ③을 씁니다.

2단계. 터미널을 연다

Cmd+Space를 누르고 terminal을 입력한 뒤 엔터를 칩니다.

• 확인: 명령을 입력할 수 있는 창이 열립니다.

3단계. 터미널에 올라마 풀 명령을 입력한다

ollama pull 뒤에 모델 이름을 적습니다.

ollama pull embeddinggemma-2

• 확인: 명령이 입력창에 표시됩니다.

이름 뒤에 :270m, :440m, :570m을 붙이면 더 작은 버전을 받습니다. 이름 없이 받으면 가장 큰 740m(약 1.3GB)이 들어옵니다. 270m과 570m 버전은 글만 다룹니다.

4단계. 엔터를 누른다

• 확인: 모델 내려받기가 시작되고, 끝나면 success가 표시됩니다.

5단계. (선택) 임베딩이 나오는지 시험한다

올라마는 내 컴퓨터 안에 API를 띄워 두므로, 아래 명령으로 글을 숫자로 바꿔 볼 수 있습니다.

curl http://localhost:11434/api/embed -d '{"model": "embeddinggemma-2", "input": "바다에서 헤엄치는 펭귄"}'

• 확인: 숫자가 길게 나열된 embeddings 결과가 나옵니다. 검색 프로그램은 이 숫자들끼리 가까운지를 비교해 결과를 고릅니다.

2. 방법 ② 클로드 코드에 설치 맡기기

클로드 코드는 터미널에서 돌아가는 Anthropic의 코딩 에이전트입니다. 설치 방법을 몰라도 "내 맥에 맞게 설치해 줘"라고 하면 알아서 찾아 설치합니다.

6단계. 새 폴더를 하나 만든다

• 확인: 빈 폴더가 생깁니다.

7단계. 터미널에서 그 새 폴더로 이동한다

cd 다음에 폴더를 터미널 창으로 끌어다 놓으면 경로가 자동으로 들어갑니다.

cd 새폴더경로

• 확인: 터미널 위치가 새 폴더로 바뀝니다.

8단계. 클로드 코드를 실행한다

기본 실행은 claude입니다. 파일을 바꾸거나 명령을 돌릴 때마다 확인을 묻기 때문에 처음에는 이쪽이 안전합니다.

claude

권한 확인을 건너뛰는 옵션을 붙이면 클로드 코드가 중간에 허락을 묻지 않고 끝까지 진행합니다. 설치처럼 명령이 많은 작업은 훨씬 빨리 끝나지만, 확인 없이 파일 삭제나 명령 실행이 일어날 수 있습니다.

claude --dangerously-skip-permissions

• 확인: 클로드 코드 입력 화면이 열립니다.
• 주의: 새 폴더에서 시작해도 클로드 코드가 다른 폴더의 파일을 못 건드리게 되는 것은 아닙니다. 중요한 파일이 많은 컴퓨터라면 옵션 없이 실행해 묻는 내용을 하나씩 확인합니다.

9단계. 설치 요청 문장을 입력한다

EmbeddingGemma 2를 이 폴더에 내 맥에 맞게 설치해 줘

• 확인: 문장이 입력창에 보입니다.

10단계. 엔터를 눌러 보낸다

• 확인: 클로드 코드가 작업을 시작합니다.

11단계. 설치가 끝날 때까지 기다린다

예시 환경에서 클로드 코드가 한 일은 이렇습니다.

• 맥 칩과 메모리를 확인했습니다.
• 구글의 공식 설치 방법을 찾아봤습니다.
• 이 폴더 안에 가상환경(이 폴더 전용 파이썬 설치 공간)을 만들어 필요한 프로그램을 설치했습니다.
• 모델 파일 1.4GB를 로그인 없이 이 폴더에 내려받았습니다.

• 글⁠·사진⁠·녹음⁠·영상이 맥 GPU에서 실제로 처리되는지 시험까지 마쳤습니다.

• 확인: 처리 시험까지 마쳤다는 보고가 나옵니다. 프롬프트 한 줄로 여기까지 5분 남짓 걸렸습니다.

3. 내 자료 색인하기

설치가 끝났다고 바로 검색되지는 않습니다. 먼저 색인을 해야 합니다.

색인은 파일마다 내용을 숫자로 바꿔 저장해 두는 일입니다. 해 두면 검색할 때마다 파일을 다시 열 필요 없이, 질문과 뜻이 가까운 숫자만 골라내면 됩니다.

예시 자료 폴더에는 PDF·사진⁠·스크린샷⁠·녹음⁠·영상 메모 158개가 섞여 있고, PDF를 뺀 나머지는 "IMG 01", "메모 01"처럼 이름만으로는 내용을 알 수 없게 바꿔 두었습니다. 파일 이름이 아니라 내용으로 찾는지 시험하기 위해서입니다.

12단계. 색인할 자료 폴더를 정한다

예시에서는 "내 자료"라는 폴더를 썼습니다.

• 확인: 색인할 파일이 들어 있는 폴더가 정해집니다.
• 주의: 확인을 건너뛰는 옵션으로 실행한 상태에서 개인 자료 폴더를 맡기면 같은 위험이 따라옵니다. 원본은 두고 복사본 폴더로 먼저 색인해 보는 편이 안전합니다.

13단계. 클로드 코드에 색인 요청 문장을 입력한다

내 자료 폴더에 있는 파일을 모두 EmbeddingGemma 2로 색인해 줘

• 확인: 문장이 입력창에 보입니다.

14단계. 엔터를 눌러 보낸다

• 확인: 클로드 코드가 색인 프로그램을 직접 짜서 돌리기 시작합니다.

15단계. 색인이 끝날 때까지 기다린다

예시 환경에서 클로드 코드는 이렇게 처리했습니다.

• PDF는 쪽마다 글을 뽑아 넣고, 글자가 거의 없는 스캔 쪽은 쪽 그림으로 넣었습니다.
• 녹음과 영상은 30초씩 겹쳐 가며 잘랐고, 영상은 화면과 소리를 따로 넣었습니다. 긴 녹음을 통째로 넣으면 앞부분만 반영된다는 걸 직접 재 보고 정한 방식입니다.
• 중간에 영상 하나가 오류로 빠지자 원인을 찾아 고친 뒤 그 파일만 다시 색인했습니다.

• 정답을 아는 질문 25개를 만들어 검색 품질까지 스스로 점검했습니다.

• 확인: 색인이 끝났다는 보고가 나옵니다. 색인 자체는 9분쯤, 프로그램 작성과 점검까지 합치면 20분 정도였습니다.

4. 말로 물어서 찾기

찾을 때도 클로드 코드에 말로 물으면 됩니다.

16단계. 장면을 설명해 영상 장면을 찾아 달라고 한다

예: "기린이 풀을 먹는 장면을 찾아 줘"처럼 내 영상에 맞는 장면 설명을 씁니다.

• 확인: 찾는 장면이 든 영상과 시각이 나옵니다. 예시에서는 3분 54초짜리 영상의 2분 37초 장면이 나왔습니다. 검색으로 근처 30초 구간을 찾은 다음, 클로드 코드가 그 구간의 화면을 직접 뽑아 정확한 시각까지 확인했습니다.

17단계. 내용을 설명해 녹음을 찾아 달라고 한다

예: "AI가 항공권 검색을 끝낸 이야기가 나오는 녹음을 찾아 줘"

• 확인: 맞는 녹음이 1위로 나옵니다. 예시에서는 '메모 07' 녹음이 1위였고, 같은 내용을 적은 메모도 함께 나왔습니다. 두 파일 모두 이름에는 단서가 없었습니다.

18단계. 종류를 이미지로 정해서 화면을 찾아 달라고 한다

예: "이미지 중에서 결제가 거절된 오류 화면을 찾아 줘"

• 확인: 맞는 화면이 1위로 나옵니다.
• 주의: 종류를 정하지 않고 전체에서 찾았더니 PDF 문서에 밀려 10위였습니다. 화면이나 사진은 종류를 정해서 찾는 편이 정확합니다.

19단계. 내용을 설명해 문서를 찾아 달라고 한다

예: 건강 안내 책자에 나오는 내용을 질문으로 던집니다.

• 확인: PDF 64개 가운데 맞는 책자의 해당 쪽(예시는 17쪽)이 1위로 나옵니다. 검색 한 번은 5초 정도면 끝납니다.

5. 방법 ③ DigUp 앱으로 쓰기

설치와 색인이 번거롭다면 DigUp 앱을 씁니다. 한 개발자가 EmbeddingGemma 2로 만들어 무료로 공개한 오픈소스 앱(MIT 라이선스)으로, 맨 앞에서 말한 장면 검색이 바로 이 앱입니다.

20단계. DigUp 앱을 설치한다

GitHub의 DigUp 페이지(github.com/ARahim3/DigUp)에서 Releases로 들어가 맥용 DMG 파일을 받고, DigUp을 응용 프로그램 폴더로 끌어다 놓습니다.

• 확인: DigUp 앱이 맥에 설치됩니다.
• 주의: 정식판은 애플 실리콘 맥(macOS 14 이상)용입니다. 윈도우(64비트 10·11)와 리눅스판은 베타입니다.

21단계. DigUp 앱을 연다

• 확인: 앱 첫 화면이 열립니다.

22단계. 경량 모델 파일을 내려받는다

처음 열 때 가볍게 줄인 모델 파일 865MB를 한 번 내려받습니다. 내려받는 동안 검색할 폴더를 고를 수 있습니다.

• 확인: 내려받기가 끝나고 앱을 쓸 수 있습니다.

23단계. 앱에서 폴더를 고른다

• 확인: 색인과 검색을 앱이 알아서 해 줍니다. 앱은 고른 폴더만 색인하고 파일을 고치거나 다른 곳으로 이동시키지 않습니다.

24단계. 색인이 끝날 때까지 기다린다

DigUp과 같은 방식으로 1,450쪽 PDF를 EmbeddingGemma 2로 색인했을 때 1분 남짓 걸렸습니다.

• 확인: 검색할 수 있는 상태가 됩니다.

25단계. 아무 앱에서나 Shift+Command+Space를 누른다

• 확인: 검색 창이 뜹니다. 윈도우와 리눅스에서는 Ctrl+Shift+Space입니다.

26단계. 찾고 싶은 것을 설명하는 문장을 입력한다

• 확인: 뜻이 가까운 결과가 나옵니다.

27단계. (선택) 사진⁠·영상⁠·소리 중 종류 탭을 고른다

• 확인: 고른 종류의 결과만 보이고 더 정확하게 찾습니다.

28단계. (선택) 인터넷 연결을 끊고 같은 검색을 해 본다

모델과 색인이 모두 내 맥 안에 있어서 인터넷을 끊어도 검색이 그대로 됩니다.

• 확인: 인터넷 없이도 결과가 나옵니다.

막혔을 때 먼저 볼 것

• 올라마판에서 영상⁠·소리가 안 찾아진다: 올라마판은 글과 사진만 다룹니다. 방법 ②나 ③을 씁니다.
• 설치만 했는데 검색이 안 된다: 색인을 아직 안 한 상태입니다. 3장 색인을 먼저 합니다.
• 사진⁠·화면이 10위권 밖에 나온다: 종류를 정하지 않아 PDF에 밀린 경우입니다. 이미지 등으로 종류를 정해 다시 묻습니다.
• 색인 중 파일 하나가 빠졌다: 클로드 코드에 오류 원인을 찾아 그 파일만 다시 색인해 달라고 합니다.
• 한국어로 코드를 찾으면 정확도가 낮다: 코드는 영어로 묻는 편이 훨씬 정확합니다(6장 코드 비교 참고).

6. 성능 비교: 구글 발표와 한국어 시험

구글 발표 수치

구글은 코드 검색(MTEB Code)과 소리 검색(MAEB) 같은 시험에서 10억 개 미만 멀티모달 임베딩 모델 가운데 가장 높은 점수를 냈다고 발표했습니다.

• 코드 검색: EmbeddingGemma 2 78.7점, Qwen3 임베딩 0.6B 75.4점
• 글 검색: 같은 표에서는 오히려 Qwen3가 64.3점으로 EmbeddingGemma 2의 61.4점보다 높습니다.

구글 표는 한국어로만 치른 시험이 아닙니다. 그래서 한국어 자료로 따로 비교해 본 결과가 아래입니다. 한 사람이 자기 자료와 질문 세트로 돌린 결과라 내 자료에서는 다를 수 있습니다.

비교 방법

구글 발표에 나온 Qwen3 임베딩, Jina v5 Omni, 사진 전용 SigLIP, 소리 전용 CLAP에 더해, 크기를 키운 Qwen3 임베딩 4B·8B, 사진과 영상까지 다루는 Qwen3-VL 임베딩 2B, 다국어판 SigLIP 2, 한국어 검색에 많이 쓰는 BGE-M3 등을 넣었습니다.

모델을 내려받고 시험 코드를 짜서 돌리는 일은 모두 클로드 코드에 맡겼고, 시험마다 그 자료를 다룰 수 있는 모델끼리만 비교했습니다. 글만 이해하는 Qwen3 임베딩은 문서와 코드 시험에만 넣는 식입니다.

한국어 문서 검색

금융⁠·공공⁠·의료⁠·법률⁠·커머스 분야 PDF 64개, 1,450쪽에 질문 300개를 던져, 정답 쪽이 상위 5개 안에 드는 비율을 쟀습니다.

• EmbeddingGemma 2 77%, Qwen3 임베딩 0.6B 75%. 구글 표와 달리 한국어에서는 조금 높았습니다.
• Jina, BGE-M3, Qwen3-VL 임베딩 2B도 76~77%로 비슷했습니다.
• 크기가 10배쯤 되는 Qwen3 임베딩 8B는 79%로 조금 더 높았습니다.
• 색인 시간은 EmbeddingGemma 2가 1분 남짓, Qwen3 8B는 한 시간 가까이 걸렸습니다.

쪽을 그림으로 넣어 찾기

글자를 뽑기 어려운 스캔 문서라면 쪽을 통째로 그림으로 넣어 찾을 수 있습니다. 같은 1,450쪽을 그림으로만 넣었더니 EmbeddingGemma 2는 해상도를 높였을 때 72%까지 찾았습니다.

구글 표에서는 이 분야에서 Jina가 71.4점으로 EmbeddingGemma 2(67.8점)보다 높았는데, 한국어 쪽에서는 Jina가 32%에 그쳤고 Qwen3-VL 임베딩 2B도 62%였습니다.

사진

구글이 공개한 다국어 사진 평가 자료에서 사람이 쓴 한국어 설명만 보고 3,600장 가운데 맞는 사진을 1등으로 찾는 비율입니다.

• EmbeddingGemma 2 62%, 크기가 세 배 가까운 Qwen3-VL 임베딩 2B 63%
• SigLIP 2 57%, Jina 27%
• 영어 위주로 학습한 SigLIP은 영어로 물으면 53%, 한국어로 물으면 4%였습니다.

영상

롱폼과 쇼츠를 합쳐 한 시간 남짓한 영상에서 2초마다 화면을 뽑아 두고 장면 48개를 한국어로 물었습니다.

• EmbeddingGemma 2 41개, Qwen3-VL 임베딩 2B 35개, Jina 30개, SigLIP 2 25개를 1등으로 찾았습니다.
• 구글 표의 영상 점수도 EmbeddingGemma 2가 50.7점으로 Jina(31.2점)보다 높았고, 한국어로 물어도 비슷한 차이가 났습니다.

말소리

• 여러 사람이 읽은 한국어 문장 녹음 382개를 그 문장으로 찾게 했더니 EmbeddingGemma 2 98%, Jina 93%였습니다.
• 10분 안팎 롱폼 내레이션 두 편에서 특정 이야기가 나오는 30초 구간 찾기는 두 모델 모두 60%였습니다.
• 같은 녹음을 받아쓴 글로 찾으면 85%까지 올라갑니다. 긴 녹음은 받아쓰기도 함께 해 두면 더 잘 찾습니다.

생활 소리

개 짖는 소리나 빗소리 같은 생활 소리는 아쉬웠습니다. 50종류 2,000개를 한국어 설명으로 찾게 한 결과, 상위 10개 가운데 맞는 소리의 평균 개수입니다.

• EmbeddingGemma 2 2.6개
• 소리 전용 CLAP은 영어로 물으면 9.5개, 한국어로 물으면 0.4개
• 한국어로 물었을 때는 Jina가 6.1개로 가장 잘 찾았습니다. 구글 표에서도 Jina가 50.1점으로 EmbeddingGemma 2(49.4점)보다 조금 높았습니다.

코드

영상 작업에 쓰는 파이썬 도구 130개를 "녹음에서 긴 무음을 줄이는 코드"처럼 물어 찾았습니다.

• 영어로 물으면 EmbeddingGemma 2, Qwen3 임베딩 0.6B, BGE-M3 모두 90% 안팎이었습니다.
• 한국어로 물으면 EmbeddingGemma 2는 66%로 떨어졌고, 1세대 EmbeddingGemma 82%, Qwen3 임베딩 0.6B 80%가 더 잘 찾았습니다.

섞인 자료 폴더

앞에서 색인한 158개 폴더로, 앱처럼 종류를 고른 뒤 한국어로 64번 물었습니다. 네 종류를 모두 다루는 모델은 EmbeddingGemma 2와 Jina뿐이었고, 1등으로 찾은 비율은 EmbeddingGemma 2 84%, Jina 69%였습니다.

어떤 모델을 고를까

한국어 글 검색은 모델마다 큰 차이가 없었고, 크기를 열 배 키운 Qwen3도 조금 더 정확한 정도였습니다. 반면 사진⁠·영상⁠·말소리를 한 모델로 찾는 일에서는 EmbeddingGemma 2가 가장 고르게 잘했고, 모델 파일도 1.4GB로 가볍습니다.

• 글⁠·사진⁠·영상⁠·녹음이 섞인 개인 자료: EmbeddingGemma 2
• 한국어로 코드를 찾는 용도: 1세대 EmbeddingGemma나 Qwen3 임베딩 0.6B
• 생활 소리 검색: Jina가 가장 나았지만 비상업용 라이선스라 회사나 수익을 내는 서비스에는 쓸 수 없습니다.

무료로 내 PC에서 돌아가고 DigUp 같은 앱까지 나와 있으니, 개인 자료로 RAG(AI가 답하기 전에 관련 자료를 먼저 찾아 읽게 하는 방식)를 꾸밀 때 검색 단계 모델로 쓰기 좋습니다. "5분", "20분" 같은 시간은 예시 맥 기준이니, 작은 폴더로 먼저 시험해 보고 넓히면 됩니다.