출시
2026년 10월 7일, AI 검색 엔진으로 알려진 Perplexity가 Hugging Face에 pplx-embed-v2-late 제품군을 공개했습니다. 0.6B와 9B 파라미터의 검색용 오픈 임베딩 모델 두 개이며 MIT 라이선스(상업적 이용 가능)입니다. 일주일 전에는 pplx-embed-v2-context도 내놓았습니다.
두 모델은 멀티모달로, 텍스트와 이미지(사진, 스크린샷, PDF·슬라이드의 렌더링된 페이지)를 OCR 없이 색인하며 표와 레이아웃을 보존합니다.
무엇이 다른가
1. 레이트 인터랙션(ColBERT 방식). 문서 전체를 벡터 하나로 압축하는 대신 토큰이나 이미지 조각마다 128차원 벡터를 만듭니다. 검색할 때 질의의 각 토큰이 문서에서 가장 비슷한 부분을 찾습니다(MaxSim 점수). 질의의 여러 부분이 문서의 여러 부분과 각각 맞을 수 있어 보통 더 정확합니다.
2. 크기 간 공유 공간. 두 모델은 같은 사내 180억 파라미터 "교사" 모델에서 토큰 단위로 증류됐습니다. 실제로는 고품질 9B로 문서를 한 번 색인하고, 노트북에서도 도는 빠르고 저렴한 0.6B로 질의할 수 있으며 색인을 다시 만들 필요가 없습니다.
수치
- Perplexity에 따르면 ViDoRe V3(시각 문서 검색)에서 0.6B 모델이 활성 파라미터가 5배인 모델과 대등합니다.
- AI Weekly 보도에 따르면 9B는 MADQA에서 92.4%(약 1만 8천 쪽 PDF에 대한 500문항)를 기록했습니다.
- 결과는 회사 자체 수치이며 전체 기술 보고서는 "올해 안"에 나옵니다.
한계
- 입력 하나는 텍스트 또는 이미지이며 둘을 함께 넣을 수 없습니다.
- 레이트 인터랙션은 문서마다 많은 벡터를 저장하므로 기존 임베딩보다 색인이 훨씬 크고, 멀티벡터를 지원하는 벡터 DB가 필요합니다.
- 호스팅 API는 아직 없으며, 현재는 직접 운영하는 사용자용입니다.
왜 중요한가
기업 지식은 PDF, 슬라이드, 스캔한 표, 스크린샷에 있습니다. OCR 파이프라인은 표를 깨뜨리고 시각적 맥락을 잃습니다. 페이지 이미지를 직접 검색하는 오픈 모델이 관대한 라이선스와 질의용 소형 모델까지 갖추면 기업 RAG가 더 정확하고 저렴해집니다.
평가 방법
- 실제 문서(매뉴얼, 계약서, 보고서)와 정답을 아는 질문을 준비하세요.
- 현재 임베딩과 정확도 및 저장 비용을 비교하세요.
- 9B 색인 + 0.6B 질의 조합을 시험하세요.
- 벡터 DB가 멀티벡터(MaxSim)를 지원하는지 확인하세요.
출처
- Perplexity 블로그: https://www.perplexity.ai/en-GB/hub/blog/multimodal-embeddings-beyond-a-single-vector
- Hugging Face, perplexity-ai/pplx-embed-v2-late-9b: https://huggingface.co/perplexity-ai/pplx-embed-v2-late-9b
- AI Weekly (8/10/2026): https://aiweekly.co/alerts/perplexity-open-sources-pplx-embed-v2-late-924-on-madqa
회사 문서의 검색과 RAG를 개선하고 싶으신가요? KGA IT가 무료 상담을 제공합니다: kga-it.com