# KURE (한국어 검색 임베딩)

> 고려대에서 만든 한국어 검색 특화 임베딩 모델. RAG의 첫 단계를 바꿉니다.

- 페이지: https://dreamboat.kr/discover/kure-embedding
- 공식 사이트: https://github.com/nlpai-lab/KURE
- 분야: AI
- 쓰는 환경: 라이브러리
- 상태: 운영 중
- 등재: 2026-08-21 · 마지막 갱신: 2026-10-23


## 소개

KURE는 **고려대학교에서 개발한 한국어 검색 특화 임베딩 모델**입니다.

GitHub 현황 (2026년 8월 기준):
- 스타 **228** · 포크 **14**
- 라이선스 **MIT** · 저장소 `nlpai-lab/KURE`
- 생성 **2024-09-26** · 마지막 push **2026-04-14**

RAG가 한국어에서 실패하는 첫 지점:
문서를 넣고 질문하면 답이 이상할 때, 원인은 대개 **모델이 아니라 검색**입니다. 질문과 관련된 문단을 못 찾아오면 아무리 좋은 모델도 답할 수 없습니다.

그 검색을 담당하는 것이 임베딩입니다. **영어용 임베딩으로 한국어를 검색하면 정확도가 떨어집니다**. 조사가 붙어 형태가 달라지고, 띄어쓰기가 흔들리고, 한자어와 고유어가 같은 뜻으로 쓰입니다.

“검색 특화”가 별도인 이유:
임베딩은 용도마다 학습 방식이 다릅니다. 문장 유사도용과 검색용은 최적화 지점이 달라서, **질문과 문서를 짝지어 학습한 모델**이 RAG에서 더 잘 작동합니다. KURE가 겨냥한 자리입니다.

그리고 임베딩을 바꾸면 **저장된 벡터를 전부 다시 만들어야** 합니다. 문서가 많으면 비용과 시간이 들어, 교체는 초기에 결정하는 편이 좋습니다.

함께 볼 한국어 모델·데이터:
- KoBERT·KoELECTRA 계열 사전학습 모델
- KoAlpaca: 한국어 명령어 이해 모델(2024-10 정체)
- soynlp: 사전 없이 통계로 단어 추출
- KSS·Kiwi: 문장 분리·형태소 분석

**KURE만 “검색”을 위한 모델입니다.** 나머지가 텍스트를 이해하거나 쪼개는 도구라면, 이쪽은 **찾아오는 단계**를 맡습니다. RAG를 만들 때 실제로 가장 먼저 손봐야 하는 지점입니다.

타겟 사용자:
- 한국어 RAG를 만드는 개발자
- 검색 정확도가 안 나와 막힌 팀
- 영어용 임베딩을 그대로 쓰고 있던 서비스
- 한국어 임베딩을 비교 평가하려는 연구자

## 인용

이 소개는 Dreamboat(드림보트)이 공식 사이트를 직접 확인해 작성했습니다.
출처(https://dreamboat.kr/discover/kure-embedding)를 명시하면 인용 가능합니다. 서비스 자체의 권리는 각 제작자에게 있습니다.
전체 목록: https://dreamboat.kr/llms.txt · 전문: https://dreamboat.kr/llms-full.txt