क्या मेरा इनपुट फिट होगा?
टेक्स्ट, इमेज, वीडियो और ऑडियो को साझा 8,192 टोकन सीमा में रखें।
6 अक्टूबर 2026 रिलीज़ के लिए अपडेट
बनाने से पहले जानें कि आपके EmbeddingGemma 2 सेटअप को क्या चाहिए।
RAG और मल्टीमॉडल खोज डेवलपर के लिए: इनपुट सीमा, वेक्टर स्टोरेज और सही आयाम एक मिनट में निकालें।
✓ API कुंजी नहीं
✓ फ़ाइल अपलोड नहीं
✓ ब्राउज़र में चलता है
✓ आधिकारिक मॉडल डेटा
768dnative output
8,192shared input tokens
740Mfull model parameters
4input modalities
सरल भाषा में मूल्य
डिप्लॉय करने से पहले तीन महंगे सवालों का जवाब पाएं।
कई दस्तावेज़ पढ़ने या टेस्ट स्क्रिप्ट बनाने के बजाय अपना वर्कलोड एक बार भरें और व्यावहारिक शुरुआत पाएं।
कितनी स्टोरेज चाहिए?
वेक्टर, मेटाडेटा, इंडेक्स, प्रतियां और मासिक लागत का अनुमान लगाएं।
किस सेटअप से शुरू करूं?
128–768 आयामों की तुलना करें और सही Python कॉन्फ़िगरेशन कॉपी करें।
01 / INPUT BUDGET
क्या यह मल्टीमॉडल इनपुट फिट होगा?
टेक्स्ट, इमेज, वीडियो और ऑडियो 8,192 टोकन सीमा साझा करते हैं।
Fits comfortably81%
6,620 / 8,192 tokens
02 / VECTOR STORAGE
इंडेक्स कितना बड़ा होगा?
वेक्टर, मेटाडेटा और इंडेक्स ओवरहेड का अनुमान लगाएं।
Estimated indexed footprint
952 MiB
Raw vectors488 MiB
Metadata244 MiB
Index overhead220 MiB
Monthly storage$0.25
03 / DIMENSION DECISION
छोटे वेक्टर हमेशा बेहतर नहीं होते।
प्रकाशित गुणवत्ता और बचत की तुलना अपने परीक्षण से करें।
04 / MODEL FOOTPRINT
केवल ज़रूरी एनकोडर लोड करें।
Parameters loaded270M
Approx. raw BF16 weights515 MiB
Weight estimate excludes framework, activations, caches and runtime overhead.
05 / METHODOLOGY
देखें कि गणना में क्या शामिल है।
सभी मान्यताएं दिखाई देती हैं और बदली जा सकती हैं।
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
अपनी योजना के अनुसार कॉन्फ़िगरेशन कॉपी करें।
कोड चुने गए आयाम और मोडैलिटी के अनुसार बदलता है।
07 / PRACTICAL ANSWERS
इंडेक्स बनाने से पहले।
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