هل يتسع الإدخال؟
ادمج النص والصور والفيديو والصوت ضمن حد مشترك يبلغ 8,192 رمزاً.
محدّث لإصدار 6 أكتوبر 2026
اعرف احتياجات إعداد EmbeddingGemma 2 قبل أن تبدأ البناء.
لمطوري RAG والبحث متعدد الوسائط: احسب حدود الإدخال وتخزين المتجهات والبُعد المناسب خلال دقيقة.
✓ بلا مفتاح API
✓ بلا رفع ملفات
✓ يعمل في المتصفح
✓ بيانات رسمية
768dnative output
8,192shared input tokens
740Mfull model parameters
4input modalities
القيمة بلغة بسيطة
أجب عن ثلاثة أسئلة مكلفة قبل النشر.
أدخل عبء العمل مرة واحدة واحصل على نقطة بداية عملية دون قراءة صفحات متعددة أو كتابة اختبارات.
ما مساحة التخزين المطلوبة؟
قدّر المتجهات والبيانات الوصفية والفهرس والنسخ والتكلفة الشهرية.
بأي إعداد أبدأ؟
قارن بين 128 و768 بُعداً وانسخ إعداد Python المناسب.
01 / INPUT BUDGET
هل يتسع هذا الإدخال متعدد الوسائط؟
يتشارك النص والصور والفيديو والصوت حد 8,192 رمزاً.
Fits comfortably81%
6,620 / 8,192 tokens
02 / VECTOR STORAGE
ما حجم الفهرس المتوقع؟
قدّر المتجهات والبيانات الوصفية وعبء الفهرس.
Estimated indexed footprint
952 MiB
Raw vectors488 MiB
Metadata244 MiB
Index overhead220 MiB
Monthly storage$0.25
03 / DIMENSION DECISION
المتجه الأصغر ليس أفضل دائماً.
قارن الجودة المنشورة والتوفير باختبارات بياناتك.
04 / MODEL FOOTPRINT
حمّل وحدات الترميز المطلوبة فقط.
Parameters loaded270M
Approx. raw BF16 weights515 MiB
Weight estimate excludes framework, activations, caches and runtime overhead.
05 / METHODOLOGY
شاهد ما يدخل في الحساب بالتفصيل.
كل الافتراضات ظاهرة وقابلة للتعديل.
One shared context
Text tokens + images × visual tokens + sampled video frames × visual tokens + audio seconds × 25.
Total ≤ 8,192 tokens
Storage before provider fees
Vector values and metadata are calculated first, then multiplied by index overhead and replica count.
(vectors + metadata) × (1 + overhead) × replicas
Weights, not total VRAM
The model estimate uses selected encoder parameters × two bytes for BF16 weights. Runtime memory is additional.
parameters × 2 bytes
Last source check: October 12, 2026. Model behavior and provider pricing can change. Verify against the linked official documentation before production use.
06 / SAFE STARTER
انسخ إعداداً يناسب خطتك.
يتبع الكود الأبعاد والوسائط المختارة.
07 / PRACTICAL ANSWERS
قبل إنشاء الفهرس.
Which EmbeddingGemma 2 dimension should I use?
Start with 256d for storage-sensitive text retrieval, and 512d or 768d when code or multimodal recall matters more. Treat 128d as a text-first shortlist candidate, not a universal default. Benchmark on representative queries before re-indexing production data.
Why must truncated vectors be normalized?
Slicing a normalized 768d vector changes its length. Re-normalizing keeps cosine similarity meaningful. Google specifically recommends using truncate_dim together with normalize_embeddings=True.
Does this calculator call an API or upload my data?
No. All calculations run in your browser. The tool does not ask for files, prompts, credentials or an API key.
Is the model footprint estimate the same as required VRAM?
No. It estimates raw BF16 weights only. Real VRAM or RAM usage also includes the framework, activations, temporary tensors, caches, media processing and operating-system overhead.
Is the storage result my final vector database bill?
No. It is a planning estimate for vectors, metadata, index overhead and replicas. A provider may also charge for compute, operations, backups, network transfer and minimum capacity.
Can I mix text, images, video and audio in one input?
Yes. EmbeddingGemma 2 maps these modalities into one shared vector space, but all media and text inside one input share the same 8,192-token budget.
SOURCE DISCIPLINE