Il mio input rientra?
Combina testo, immagini, video e audio senza superare il limite condiviso di 8.192 token.
Aggiornato alla versione del 6 ottobre 2026
Scopri cosa richiede la tua configurazione EmbeddingGemma 2 prima di realizzarla.
Per sviluppatori RAG e ricerca multimodale: calcola limiti, spazio vettoriale e dimensione giusta in meno di un minuto.
✓ Nessuna chiave API
✓ Nessun upload
✓ Nel browser
✓ Dati ufficiali
768dnative output
8,192shared input tokens
740Mfull model parameters
4input modalities
IL VALORE, IN PAROLE SEMPLICI
Rispondi a tre domande costose prima del rilascio.
Inserisci il carico una volta e ottieni un punto di partenza pratico senza leggere più documenti o creare test.
Quanto spazio serve?
Stima vettori, metadati, indice, repliche e costo mensile.
Da quale configurazione parto?
Confronta 128–768 dimensioni e copia la configurazione Python adatta.
01 / INPUT BUDGET
Questo input multimodale rientra nel limite?
Testo, immagini, video e audio condividono il limite di 8.192 token.
Fits comfortably81%
6,620 / 8,192 tokens
02 / VECTOR STORAGE
Quanto sarà grande l’indice?
Stima vettori, metadati e sovraccarico dell’indice.
Estimated indexed footprint
952 MiB
Raw vectors488 MiB
Metadata244 MiB
Index overhead220 MiB
Monthly storage$0.25
03 / DIMENSION DECISION
Vettori più piccoli non sono sempre migliori.
Confronta qualità pubblicata e risparmio con test sui tuoi dati.
04 / MODEL FOOTPRINT
Carica solo gli encoder necessari.
Parameters loaded270M
Approx. raw BF16 weights515 MiB
Weight estimate excludes framework, activations, caches and runtime overhead.
05 / METHODOLOGY
Vedi esattamente cosa viene calcolato.
Ogni ipotesi è visibile e modificabile.
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 configurazione adatta.
Il codice segue dimensioni e modalità selezionate.
07 / PRACTICAL ANSWERS
Prima di creare l’indice.
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