Mon entrée tient-elle ?
Combinez texte, images, vidéo et audio sans dépasser la limite partagée de 8 192 tokens.
Mis à jour pour la version du 6 octobre 2026
Connaissez les besoins de votre configuration EmbeddingGemma 2 avant de la construire.
Pour les développeurs RAG et recherche multimodale : calculez les limites, le stockage et la bonne dimension en moins d’une minute.
✓ Aucune clé API
✓ Aucun fichier envoyé
✓ Dans votre navigateur
✓ Données officielles
768dnative output
8,192shared input tokens
740Mfull model parameters
4input modalities
LA VALEUR, SIMPLEMENT
Répondez à trois questions coûteuses avant le déploiement.
Saisissez votre charge une fois et obtenez un point de départ pratique sans multiplier les lectures et scripts de test.
De combien de stockage ai-je besoin ?
Estimez vecteurs, métadonnées, index, réplicas et coût mensuel approximatif.
Quelle configuration choisir ?
Comparez 128 à 768 dimensions et copiez la configuration Python adaptée.
01 / INPUT BUDGET
Cette entrée multimodale tient-elle ?
Texte, images, vidéo et audio partagent la limite de 8 192 tokens.
Fits comfortably81%
6,620 / 8,192 tokens
02 / VECTOR STORAGE
Quelle sera la taille de l’index ?
Estimez vecteurs, métadonnées et surcharge d’index.
Estimated indexed footprint
952 MiB
Raw vectors488 MiB
Metadata244 MiB
Index overhead220 MiB
Monthly storage$0.25
03 / DIMENSION DECISION
Des vecteurs plus petits ne sont pas toujours meilleurs.
Comparez qualité publiée et gain de stockage avec vos propres tests.
04 / MODEL FOOTPRINT
Chargez seulement les encodeurs utiles.
Parameters loaded270M
Approx. raw BF16 weights515 MiB
Weight estimate excludes framework, activations, caches and runtime overhead.
05 / METHODOLOGY
Voyez exactement ce qui est calculé.
Toutes les hypothèses sont visibles et modifiables.
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
Copiez une configuration adaptée.
Le code suit les dimensions et modalités choisies.
07 / PRACTICAL ANSWERS
Avant de créer l’index.
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