Passt meine Eingabe?
Kombinieren Sie Text, Bilder, Video und Audio, ohne das gemeinsame Limit von 8.192 Tokens zu überschreiten.
Aktualisiert für das Release vom 6. Oktober 2026
Ermitteln Sie den Bedarf Ihres EmbeddingGemma-2-Setups bevor Sie es bauen.
Für RAG und multimodale Suche: Eingabegrenzen, Vektorspeicher und passende Dimension in weniger als einer Minute berechnen.
✓ Kein API-Schlüssel
✓ Kein Datei-Upload
✓ Läuft im Browser
✓ Offizielle Modelldaten
768dnative output
8,192shared input tokens
740Mfull model parameters
4input modalities
DER NUTZEN, KLAR ERKLÄRT
Beantworten Sie drei teure Fragen vor dem Deployment.
Geben Sie Ihre Last einmal ein und erhalten Sie einen praktischen Ausgangspunkt ohne mehrere Dokumentationen und Testskripte.
Wie viel Speicher brauche ich?
Schätzen Sie Vektoren, Metadaten, Index, Replikate und monatliche Speicherkosten.
Mit welchem Setup starte ich?
Vergleichen Sie 128–768 Dimensionen und kopieren Sie die passende Python-Konfiguration.
01 / INPUT BUDGET
Passt diese multimodale Eingabe?
Text, Bilder, Video und Audio teilen sich das Limit von 8.192 Tokens.
Fits comfortably81%
6,620 / 8,192 tokens
02 / VECTOR STORAGE
Wie groß wird der Index?
Schätzen Sie Vektoren, Metadaten und Index-Overhead.
Estimated indexed footprint
952 MiB
Raw vectors488 MiB
Metadata244 MiB
Index overhead220 MiB
Monthly storage$0.25
03 / DIMENSION DECISION
Kleinere Vektoren sind nicht automatisch besser.
Vergleichen Sie Qualität und Speicherersparnis mit eigenen Tests.
04 / MODEL FOOTPRINT
Laden Sie nur benötigte Encoder.
Parameters loaded270M
Approx. raw BF16 weights515 MiB
Weight estimate excludes framework, activations, caches and runtime overhead.
05 / METHODOLOGY
Sehen Sie genau, was berechnet wird.
Alle Annahmen sind sichtbar und anpassbar.
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
Kopieren Sie eine passende Konfiguration.
Der Code folgt Dimension und Modalitäten.
07 / PRACTICAL ANSWERS
Bevor Sie den Index erstellen.
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