개요

같은 시기에 등장한 두 시스템이 같은 단어를 내걸었다 — “omni”. 한쪽은 텍스트·이미지·비디오·오디오를 하나의 인덱스에 넣고 한 번에 검색하는 임베딩 모델(jina-embeddings-v5-omni), 다른 한쪽은 고품질 생성과 정밀 편집을 한 프레임워크에 묶은 이미지 생성 파운데이션 모델(Qwen-Image-2.0)이다. 검색과 생성이라는 정반대 방향의 작업이지만, 둘 다 “여러 modality를 위한 별도 파이프라인"이라는 디폴트를 버리고 하나로 합친다는 같은 설계 철학 위에 서 있다.

graph TD
    Theme["옴니 설계 철학: <br/> modality별 파이프라인을 하나로 합친다"]
    Theme --> Retrieval["검색 방향 <br/> (all-media one index)"]
    Theme --> Generation["생성 방향 <br/> (generation + editing)"]

    Retrieval --> J1["jina-embeddings-v5-omni"]
    J1 --> J2["cross-modal projector"]
    J1 --> J3["truncatable + BBQ 양자화"]
    J1 --> J4["semantic_text 인덱스"]

    Generation --> Q1["Qwen-Image-2.0"]
    Q1 --> Q2["Qwen3-VL condition encoder"]
    Q1 --> Q3["Multimodal Diffusion Transformer"]
    Q1 --> Q4["1K 토큰 instruction"]

1. jina-embeddings-v5-omni — 모든 미디어, 하나의 인덱스

Elastic Search Labs의 Scott Martens가 2026년 5월 11일 공개한 jina-embeddings-v5-omni 소개 글이다.

핵심

멀티모달 검색의 오래된 통증은 modality마다 인덱싱 파이프라인이 따로 논다는 점이다. 텍스트는 텍스트 임베딩, 이미지는 CLIP 계열, 오디오는 또 다른 모델 — 그리고 이들을 가로지르는 검색은 누더기로 봉합된다. v5-omni는 텍스트(약 100개 언어)·이미지·비디오·오디오를 하나의 Elasticsearch 인덱스에 넣고 동시에 질의한다.

어떻게

전면 재학습이 아니라 모듈식 조립이다. 사전학습된 모델에서 인코더만 떼어 와 — 비전 쪽은 SigLIP2 계열, 오디오 쪽은 Whisper-large-v3 — 기존 jina-embeddings-v5-text 백본 앞단의 전처리기로 붙인다. 핵심은 학습된 cross-modal projector: 각 미디어 인코더의 출력을 텍스트 모델과 호환되는 임베딩 공간으로 번역하는 작은 어댑터다. small 버전 기준 신규 파라미터가 약 550만 개에 불과하다.

• small: 1024차원 임베딩, 32,768 토큰 컨텍스트, 확장 포함 16.6억 파라미터
• nano: 768차원 임베딩, 8,192 토큰 컨텍스트, 풀로드 시 10.04억 파라미터
• 두 버전 모두 retrieval·clustering·classification·semantic similarity용 LoRA 어댑터를 task별로 갈아 끼운다

스토리지 현실 감각

대규모 벡터 검색에서 임베딩 차원 수는 곧 비용이다. v5-omni는 두 가지로 답한다. 첫째 truncation — Matryoshka 표현 학습 방식으로 임베딩을 native 차원에서 32차원까지 잘라낼 수 있고, 64바이트 크기에서 스토리지를 93% 줄인다. 둘째 Better Binary Quantization(BBQ) 호환 — Elasticsearch의 양자화와 맞물려 “거의 동일한 성능"으로 정밀도 요구를 낮춘다. 그리고 결정적으로, v5-omni가 만드는 텍스트 임베딩은 jina-embeddings-v5-text와 동일하다. 기존 텍스트 인덱스를 그대로 멀티미디어 인덱스로 승격할 수 있다는 뜻이다.

벤치마크

• 텍스트 검색: MMTEB 스위트에서 동급 사이즈 최상위
• 시각 유사도: “자기보다 3배 큰 모델에만 졌다”; nano는 10~25배 큰 모델을 능가
• 시각 문서 검색: 1B 미만으로 3~7B 모델과 경쟁
• 오디오: MAEB 오디오 검색에서 상위권
• 비디오 temporal grounding: Charades-STA에서 55.57(ByteDance Seed 1.6의 29.30 대비), MomentSeeker 58.93

왜 지금 의미가 큰가

이건 “임베딩 모델 하나가 더 나왔다"가 아니다. 검색 인프라의 추상화 계층을 한 단계 단순화한다. Elasticsearch에서 type: semantic_text로 인덱스를 만들고 inference_id에 모델 이름만 넣으면, 텍스트가 아닌 입력은 Base64로 변환되어 같은 필드에 들어간다. modality 분기 로직이 애플리케이션 레벨에서 사라진다. RAG 파이프라인을 짜본 사람이라면 이 단순화가 운영 비용의 어디를 깎는지 바로 안다.

2. Qwen-Image-2.0 — 생성과 편집을 한 프레임워크로

arxiv 2605.10730, Alibaba Qwen 팀의 75인 공동 저술, 2026년 5월 11일, cs.CV.

핵심

Qwen-Image-2.0은 고품질 생성과 정밀한 이미지 편집을 단일 프레임워크로 통합한 omni-capable 이미지 생성 파운데이션 모델이다. 기존 모델들이 여전히 약한 지점 — 초장문 텍스트 렌더링, 다국어 타이포그래피, 고해상도 photorealism, 견고한 instruction following, 효율적 배포 — 을 정조준한다. 특히 텍스트가 많고 구성이 복잡한 장면에서.

어떻게

핵심 구조는 두 부품의 결합이다. Qwen3-VL을 condition encoder로 쓰고, 그 위에 **Multimodal Diffusion Transformer**를 얹어 condition과 target을 함께 모델링한다. diffusion model의 denoising 백본을 U-Net 대신 transformer로 가져간 DiT 계열이고, 여기에 대규모 데이터 큐레이션과 맞춤형 다단계 학습 파이프라인이 받친다. 이 구조 덕에 강한 멀티모달 이해를 유지하면서도 생성과 편집을 유연하게 오간다.

Contribution

• 슬라이드·포스터·인포그래픽·만화 같은 텍스트 풍부 콘텐츠 생성을 위해 최대 1K 토큰 instruction 지원
• 다국어 텍스트 충실도와 타이포그래피 대폭 개선
• 더 풍부한 디테일, 사실적 텍스처, 일관된 조명으로 photorealistic 생성 강화
• 다양한 스타일에 걸쳐 복잡한 프롬프트를 더 안정적으로 따름
• 광범위한 human evaluation에서 이전 Qwen-Image 모델들을 생성·편집 양쪽에서 큰 폭으로 능가

왜 지금 의미가 큰가

생성형 이미지 모델의 역사는 생성과 편집의 분리였다. Stable Diffusion으로 만들고, ControlNet이나 inpainting 도구로 따로 고친다. Qwen-Image-2.0은 condition-target 공동 모델링으로 이 둘을 한 모델 안에 넣는다. condition encoder가 VLM이라는 점도 중요하다 — 텍스트 프롬프트뿐 아니라 이미지 조건도 같은 인코더가 이해하므로, “이 이미지를 이렇게 바꿔라"가 생성과 같은 경로를 탄다.

묶어서 본 흐름

검색 모델과 생성 모델, 정반대 작업인데 설계 결정이 데칼코마니처럼 겹친다.

flowchart LR
    subgraph 검색
        T1["텍스트"] --> P["cross-modal <br/> projector"]
        I1["이미지/비디오"] --> P
        A1["오디오"] --> P
        P --> IDX["하나의 인덱스"]
    end
    subgraph 생성
        TXT["텍스트 조건"] --> VL["Qwen3-VL <br/> condition encoder"]
        IMG["이미지 조건"] --> VL
        VL --> MMDIT["MM Diffusion <br/> Transformer"]
        MMDIT --> OUT["생성/편집 결과"]
    end

공통 패턴은 셋이다. 첫째, 사전학습 자산의 재사용 — jina는 SigLIP2·Whisper 인코더를, Qwen은 Qwen3-VL을 통째로 끌어다 쓴다. 처음부터 학습하지 않는다. 둘째, 공유 표현 공간으로의 투사 — jina의 projector는 모든 미디어를 텍스트 임베딩 공간으로, Qwen의 condition encoder는 텍스트·이미지 조건을 같은 diffusion 입력으로 모은다. 셋째, 배포 비용을 1급 설계 요소로 — jina는 truncation과 양자화, Qwen은 효율적 배포를 명시적 목표로 건다. 연구 데모가 아니라 운영 시스템을 전제로 한 설계다.

인사이트

omni라는 단어가 두 시스템에 동시에 붙은 건 우연이 아니다. 멀티모달 AI의 1세대는 modality마다 전용 모델이었다 — 이미지엔 CLIP, 오디오엔 Whisper, 텍스트엔 BERT 계열. 2세대는 이들을 late fusion으로 봉합했다. 지금 보이는 흐름은 3세대다 — 하나의 표현 공간, 하나의 프레임워크. jina-v5-omni는 검색 쪽에서, Qwen-Image-2.0은 생성 쪽에서 같은 지점에 도달한다. 흥미로운 건 둘 다 완전한 통합이 아니라 영리한 재조립이라는 점이다. 사전학습된 인코더를 떼어 와 작은 어댑터나 공동 모델링 레이어로 묶는다. 처음부터 omni 모델을 학습하는 비용은 여전히 천문학적이므로, 현실적인 omni는 모듈 재사용에서 나온다. 그리고 두 사례 모두 배포 비용을 연구 단계에서 이미 설계에 박아 넣었다 — truncation, BBQ 양자화, 1K 토큰 instruction, 효율적 배포. 멀티모달이 데모를 넘어 인프라가 되는 단계에 들어섰다는 신호다. 다음 라운드의 질문은 “더 많은 modality"가 아니라 “이 통합을 얼마나 싸게, 얼마나 안정적으로 운영하느냐"가 될 것이다.

참고

Primary sources

• One index, all media: Introducing jina-embeddings-v5-omni — Scott Martens, Elastic Search Labs (2026-05-11)
• Qwen-Image-2.0 Technical Report (2605.10730) — Alibaba Qwen 팀 75인 공저 (2026-05-11, cs.CV)

Models & components

• SigLIP2 (2502.14786) — jina-v5-omni가 비전 인코더로 차용
• Whisper — jina-v5-omni가 오디오 인코더로 차용
• Qwen — Qwen3-VL을 condition encoder로 쓰는 Qwen-Image-2.0의 모태
• LoRA: Low-Rank Adaptation (2106.09685) — task별 어댑터의 기반 기법
• Matryoshka Representation Learning (2205.13147) — truncatable 임베딩의 원리
• Scalable Diffusion Models with Transformers — DiT (2212.09748) — Multimodal Diffusion Transformer의 계보

Background

• Multimedia information retrieval · Vector database · Sentence embedding
• Diffusion model · Vision-language model · Multimodal learning
• Contrastive Language-Image Pre-training (CLIP) — 1세대 멀티모달의 대표
• Retrieval-augmented generation — 멀티모달 검색이 들어가는 대표 파이프라인
• Better Binary Quantization — Elasticsearch BBQ 설명
• MTEB / MMTEB — 임베딩 벤치마크 스위트