¿Cabe mi entrada?
Combina texto, imágenes, vídeo y audio sin superar por accidente el límite compartido de 8.192 tokens.
Actualizado para la versión del 6 de octubre de 2026
Descubre qué necesita tu configuración de EmbeddingGemma 2 antes de construirla.
Para desarrolladores de RAG y búsqueda multimodal: calcula límites de entrada, almacenamiento vectorial y la dimensión adecuada en menos de un minuto.
✓ Sin clave API
✓ Sin subir archivos
✓ Funciona en tu navegador
✓ Basado en datos oficiales
768dnative output
8,192shared input tokens
740Mfull model parameters
4input modalities
EL VALOR, SIN RODEOS
Responde tres preguntas costosas antes de desplegar.
Introduce tu carga una sola vez y obtén un punto de partida práctico sin leer varias páginas ni crear scripts de prueba.
¿Cuánto almacenamiento necesito?
Estima vectores, metadatos, índice, réplicas y coste mensual aproximado.
¿Con qué configuración empiezo?
Compara 128–768 dimensiones y copia una configuración Python adecuada.
01 / INPUT BUDGET
¿Cabe esta entrada multimodal?
Texto, imágenes, vídeo y audio comparten el límite de 8.192 tokens.
Fits comfortably81%
6,620 / 8,192 tokens
02 / VECTOR STORAGE
¿Qué tamaño tendrá el índice?
Estima vectores, metadatos y sobrecarga del índice.
Estimated indexed footprint
952 MiB
Raw vectors488 MiB
Metadata244 MiB
Index overhead220 MiB
Monthly storage$0.25
03 / DIMENSION DECISION
Menos dimensiones no siempre es mejor.
Compara calidad publicada y ahorro de espacio antes de probar tus datos.
04 / MODEL FOOTPRINT
Carga solo los codificadores necesarios.
Parameters loaded270M
Approx. raw BF16 weights515 MiB
Weight estimate excludes framework, activations, caches and runtime overhead.
05 / METHODOLOGY
Comprueba exactamente qué incluye el cálculo.
Todos los supuestos son visibles y editables.
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
Copia una configuración adaptada a tu plan.
El código sigue la dimensión y modalidades elegidas.
07 / PRACTICAL ANSWERS
Antes de crear el índice.
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