입력이 한도에 맞나요?
텍스트·이미지·영상·오디오를 공유 8,192토큰 한도 안에서 조합합니다.
2026년 10월 6일 릴리스 기준
EmbeddingGemma 2 구성에 필요한 것을 구축 전에 확인하세요.
RAG와 멀티모달 검색 개발자를 위한 도구입니다. 입력 한도, 벡터 저장공간, 적절한 차원을 1분 안에 계산합니다.
✓ API 키 불필요
✓ 파일 업로드 없음
✓ 브라우저에서 실행
✓ 공식 모델 데이터
768dnative output
8,192shared input tokens
740Mfull model parameters
4input modalities
가치를 쉽게 설명하면
배포 전 비용이 큰 세 가지 질문에 답하세요.
여러 문서와 테스트 스크립트 대신 워크로드를 한 번 입력하고 실용적인 시작점을 얻으세요.
저장공간이 얼마나 필요하나요?
벡터, 메타데이터, 인덱스, 복제본과 월간 비용을 추정합니다.
어떤 설정으로 시작하나요?
128~768차원을 비교하고 맞는 Python 설정을 복사합니다.
01 / INPUT BUDGET
이 멀티모달 입력이 한도에 맞나요?
텍스트·이미지·영상·오디오는 8,192토큰 한도를 공유합니다.
Fits comfortably81%
6,620 / 8,192 tokens
02 / VECTOR STORAGE
인덱스 크기는 얼마나 될까요?
벡터, 메타데이터, 인덱스 오버헤드를 추정합니다.
Estimated indexed footprint
952 MiB
Raw vectors488 MiB
Metadata244 MiB
Index overhead220 MiB
Monthly storage$0.25
03 / DIMENSION DECISION
작은 벡터가 항상 더 좋은 것은 아닙니다.
공개 품질과 저장 절약을 비교한 뒤 실제 데이터로 검증하세요.
04 / MODEL FOOTPRINT
필요한 인코더만 로드하세요.
Parameters loaded270M
Approx. raw BF16 weights515 MiB
Weight estimate excludes framework, activations, caches and runtime overhead.
05 / METHODOLOGY
계산에 포함된 내용을 확인하세요.
모든 가정은 표시되고 수정할 수 있습니다.
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
계획에 맞는 설정을 복사하세요.
선택한 차원과 모달리티를 반영합니다.
07 / PRACTICAL ANSWERS
인덱스를 만들기 전에.
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