入力は上限内？
テキスト・画像・動画・音声を、共有8,192トークン上限内で組み合わせます。
2026年10月6日リリース対応
EmbeddingGemma 2 に必要な構成を 構築前に確認。
RAG・マルチモーダル検索開発者向け。入力上限、ベクトル容量、適切な次元数を1分以内で計算します。
✓ APIキー不要
✓ ファイル送信なし
✓ ブラウザ内で実行
✓ 公式データに基づく
768dnative output
8,192shared input tokens
740Mfull model parameters
4input modalities
価値をシンプルに
導入前に、コストに直結する3つの疑問を解決。
複数の資料やテストコードを用意せず、ワークロードを一度入力するだけで実用的な開始点が得られます。
必要な保存容量は？
ベクトル、メタデータ、インデックス、レプリカ、月額概算を見積もります。
どの構成から始める？
128〜768次元を比較し、対応するPython設定をコピーします。
01 / INPUT BUDGET
このマルチモーダル入力は収まる？
テキスト・画像・動画・音声は8,192トークンの上限を共有します。
Fits comfortably81%
6,620 / 8,192 tokens
02 / VECTOR STORAGE
インデックス容量はどれくらい？
ベクトル、メタデータ、インデックス負荷を見積もります。
Estimated indexed footprint
952 MiB
Raw vectors488 MiB
Metadata244 MiB
Index overhead220 MiB
Monthly storage$0.25
03 / DIMENSION DECISION
小さいベクトルが常に最適とは限りません。
公開品質と容量削減を比較し、実データで検証してください。
04 / MODEL FOOTPRINT
必要なエンコーダーだけを読み込む。
Parameters loaded270M
Approx. raw BF16 weights515 MiB
Weight estimate excludes framework, activations, caches and runtime overhead.
05 / METHODOLOGY
計算内容をすべて確認できます。
前提条件は表示され、変更できます。
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
計画に合う設定をコピー。
選択した次元とモダリティに合わせて生成します。
07 / PRACTICAL ANSWERS
インデックスを作る前に。
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