Google: Gemini Embedding 2 대 Perplexity: Embed V1 4B
api14 카탈로그의 최신 USD 가격과 기능을 바탕으로 Google: Gemini Embedding 2(US$0.70 / 100만 토큰 (≈ ₩943))와(과) Perplexity: Embed V1 4B(US$0.11 / 100만 토큰 (≈ ₩142))를 나란히 비교합니다. 두 모델 모두 같은 OpenAI 호환 API로 실행됩니다.
사양
| Google: Gemini Embedding 2 | Perplexity: Embed V1 4B | |
|---|---|---|
| 제공업체 | Perplexity | |
| 입력 | US$0.70 / 100만 토큰 (≈ ₩943) | US$0.11 / 100만 토큰 (≈ ₩142) |
| 오디오 입력 | US$22.75 / 100만 토큰 (≈ ₩30,660) | - |
| 이미지 | US$0.000002 / 이미지 (≈ ₩0.00212) | - |
| 컨텍스트 윈도우 | 8,192 | 32,000 |
| 최대 출력 | 7,372 | 28,800 |
| 입력 | text, image, file, audio, video | text |
| 출력 | embeddings | embeddings |
| 도구 호출 | ||
| 구조화된 출력 | ||
| 추론 조절 | ||
| 추가일 | 2026. 5. 20. | 2026. 3. 16. |
주요 차이점
- Perplexity: Embed V1 4B의 입력 토큰 가격이 85% 더 저렴합니다.
- Perplexity: Embed V1 4B는(은) 3.9배 더 긴 컨텍스트(32,000 토큰)를 읽습니다.
자세히 보기
Google: Gemini Embedding 2는 Google의 임베딩 모델이며, 모델 id google/gemini-embedding-2로 등록되어 있습니다. Perplexity: Embed V1 4B는 Perplexity의 임베딩 모델이며, 모델 id perplexity/pplx-embed-v1-4b로 등록되어 있습니다. 둘 다 embeddings 카테고리에 속합니다. 즉, 둘 다 생성된 텍스트가 아니라 입력을 받아 임베딩을 반환하며, 둘 다 지원되는 파라미터가 없으므로 입력과 함께 호출하고 벡터를 다시 읽으면 됩니다.
가장 명확한 차이는 컨텍스트 윈도우와 입력 모달리티에 있습니다. Gemini Embedding 2는 텍스트, 이미지, 파일, 오디오, 비디오를 입력으로 받으며 컨텍스트 길이는 8192 토큰입니다. Embed V1 4B는 텍스트만 받지만 컨텍스트 길이는 32000 토큰이므로 한 번의 호출에 훨씬 더 많은 텍스트를 넣을 수 있습니다. 두 모델 모두 임베딩 모델이고 해당 필드가 여기에 적용되지 않으므로 도구 사용, 구조화된 출력, 추론에서 의미 있는 차이는 없습니다. 요약하면, 입력이 일반 텍스트가 아닐 때는 Gemini Embedding 2를 선택하고, 입력이 긴 텍스트 문서일 때는 Embed V1 4B를 선택하면 됩니다.
실무에서는 선택이 선호도보다 데이터를 따르는 경우가 많습니다. 스크린샷, 스캔한 페이지, 오디오 클립, 비디오 프레임 또는 텍스트와 함께 섞인 미디어를 임베딩한다면 Gemini Embedding 2가 둘 중 이런 입력을 받는 유일한 모델입니다. 긴 텍스트 구절, 문서, 녹취록 또는 전체 기사를 임베딩하면서 각 항목을 한 번의 호출에 더 많이 넣고 싶다면 Embed V1 4B가 더 큰 컨텍스트 윈도우를 제공합니다. Embed V1 4B는 입력 비용도 둘 중 더 저렴하므로, 대량의 텍스트 중심 워크로드는 비용 면에서도 이쪽으로 기웁니다.
api14를 통해 어느 모델을 호출하든 방식은 같습니다. API가 OpenAI 호환 방식이기 때문입니다. 기존 OpenAI 클라이언트를 api14로 지정하고, embeddings 엔드포인트로 요청을 보내고, model 필드를 google/gemini-embedding-2 또는 perplexity/pplx-embed-v1-4b로 설정하면 됩니다. 요청 형태, 응답 형태, 주변 코드는 그대로 유지되며 모델 id 문자열만 바뀝니다. 즉, 하나의 파이프라인을 만들어 두 모델을 자체 데이터로 테스트하고, 값 하나만 수정해 둘 사이를 전환할 수 있습니다.
다른 모델이 더 나은 경우도 여전히 있습니다. 코퍼스가 텍스트 전용이고 항목이 길다면 Gemini Embedding 2가 더 많은 입력 유형을 처리하더라도 Embed V1 4B가 더 나은 선택입니다. 추가 모달리티가 일반 텍스트에서는 아무 이점이 없고, 더 큰 컨텍스트 윈도우는 이점이 있기 때문입니다. 반대로 텍스트 전용 작업이 8192 토큰 안에 여유 있게 들어가고 다른 미디어를 위해 Gemini Embedding 2를 이미 연결해 두었다면, 스택을 나눌 강한 이유가 없습니다. 실제로 가진 입력에 모델을 맞추면 됩니다.
문자열 하나로 전환
두 모델은 같은 엔드포인트와 요청 형식을 사용합니다. model 값을 "google/gemini-embedding-2"에서 "perplexity/pplx-embed-v1-4b"로 바꾸기만 하면 프롬프트, 스트리밍, 도구가 그대로 작동합니다.
import OpenAI from "openai";
const client = new OpenAI({
baseURL: "https://api14.com/api/v1",
apiKey: process.env.API14_API_KEY,
});
const result = await client.embeddings.create({
"model": "perplexity/pplx-embed-v1-4b",
"input": [
"The quick brown fox",
"Lorem ipsum"
]
});
console.log(result.data.map((d) => d.embedding.length));
더 많은 비교
- Amazon: Titan Multimodal Embeddings G1 대 Amazon: Titan Embeddings G1 - Text
- Amazon: Titan Multimodal Embeddings G1 대 Amazon: Titan Text Embeddings V2
- Amazon: Titan Multimodal Embeddings G1 대 Cohere: Embed 5 Fast
- Amazon: Titan Multimodal Embeddings G1 대 Cohere: Embed 5 Pro
- Amazon: Titan Embeddings G1 - Text 대 Amazon: Titan Text Embeddings V2
- Amazon: Titan Embeddings G1 - Text 대 Cohere: Embed 5 Fast
- Amazon: Titan Embeddings G1 - Text 대 Cohere: Embed 5 Pro
- Amazon: Titan Text Embeddings V2 대 Cohere: Embed 5 Fast