Turnbook 0.10.0은 기본 검색 모델을 EmbeddingGemma로 바꿔 LongMemEval에서 정확도 91.8%를 유지하면서 답변 모델이 읽는 기억을 질문당 중앙값 26.3k 토큰에서 3.1k 토큰으로 줄였다고 밝혔다. 여러 AI 앱이 PC에 저장된 대화 기록을 함께 검색하는 도구로, 새 설치부터 새 모델을 사용한다.

LongMemEval의 질문 500개에 같은 답변 모델(gpt-5-mini), 프롬프트, 공식 gpt-4o 평가자를 적용하고 기억 검색 방식만 달리했다. 이전 검색 모델인 mpnet은 26.3k 토큰을 전달했을 때 정확도 91.8%를 기록했다. EmbeddingGemma는 3.1k 토큰으로 같은 정확도를 냈다. 같은 크기의 입력을 비교하면 EmbeddingGemma는 mpnet이 놓친 질문 33개에 답하고, mpnet이 맞힌 질문 7개를 놓쳤다(p = 0.00004). 여러 과거 대화 세션을 참조해야 하는 질문의 정확도는 73.6%에서 88.4%로 높아졌다. 재순위 모델의 가중치는 LoCoMo와 LongMemEval을 함께 사용해 학습했다.

Turnbook은 대화를 요약하거나 기억을 저장하는 데 별도의 언어 모델 호출을 하지 않는다. 대화 내용을 PC의 SQLite 파일에 저장하고, 단어 검색과 로컬 임베딩 모델, 시간 정보를 결합해 질문에 필요한 대목을 찾는다. EmbeddingGemma는 첫 사용 때 Hugging Face에서 내려받으며, 약 200MB다. 검색 결과는 답변 모델에 전달되는 짧은 근거 묶음으로 제공된다.

기존 0.9.47 이하 버전의 기억은 처음부터 새 모델로 바뀌지 않는다. 백그라운드 서비스가 기존 기억을 EmbeddingGemma로 다시 읽어 들인 뒤 자동으로 전환한다. 제작자는 서비스가 유휴 상태에서 CPU 코어 하나의 약 2%를 사용하고, EmbeddingGemma를 쓸 때 앱의 기억 서버가 약 525MB를 차지한다고 안내한다.

Turnbook은 Claude Code, Codex CLI, Cursor, Copilot CLI, Gemini CLI, OpenCode 등과 연결해 여러 앱과 모델이 같은 기억을 쓰도록 설계됐다. Windows, macOS, Linux용 설치 방법과 연결 조건은 설치 문서에 있다. 제작자는 Windows에서 매일 사용 중이며, macOS와 Linux는 CI 테스트를 통과했지만 일상 사용 경험은 아직 없다고 밝혔다. 벤치마크 방법과 한계와 실험 결과도 공개돼 있다.