Past mijn invoer?
Combineer tekst, afbeeldingen, video en audio binnen de gedeelde limiet van 8.192 tokens.
Bijgewerkt voor de release van 6 oktober 2026
Weet wat je EmbeddingGemma 2-opstelling nodig heeft voordat je bouwt.
Voor RAG- en multimodale zoekontwikkelaars: bereken invoerlimieten, vectoropslag en de juiste dimensie binnen één minuut.
✓ Geen API-sleutel
✓ Geen upload
✓ Werkt in je browser
✓ Officiële modeldata
768dnative output
8,192shared input tokens
740Mfull model parameters
4input modalities
DE WAARDE, EENVOUDIG UITGELEGD
Beantwoord drie dure vragen vóór de implementatie.
Voer je werklast één keer in en krijg een praktisch startpunt zonder meerdere documenten en testscripts.
Hoeveel opslag heb ik nodig?
Schat vectoren, metadata, index, replica’s en maandelijkse opslagkosten.
Met welke configuratie start ik?
Vergelijk 128–768 dimensies en kopieer de passende Python-configuratie.
01 / INPUT BUDGET
Past deze multimodale invoer?
Tekst, afbeeldingen, video en audio delen de limiet van 8.192 tokens.
Fits comfortably81%
6,620 / 8,192 tokens
02 / VECTOR STORAGE
Hoe groot wordt de index?
Schat vectoren, metadata en indexoverhead.
Estimated indexed footprint
952 MiB
Raw vectors488 MiB
Metadata244 MiB
Index overhead220 MiB
Monthly storage$0.25
03 / DIMENSION DECISION
Kleinere vectoren zijn niet altijd beter.
Vergelijk gepubliceerde kwaliteit en opslagbesparing met eigen tests.
04 / MODEL FOOTPRINT
Laad alleen benodigde encoders.
Parameters loaded270M
Approx. raw BF16 weights515 MiB
Weight estimate excludes framework, activations, caches and runtime overhead.
05 / METHODOLOGY
Bekijk precies wat de calculator meetelt.
Alle aannames zijn zichtbaar en aanpasbaar.
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
Kopieer een passende configuratie.
De code volgt de gekozen dimensie en modaliteiten.
07 / PRACTICAL ANSWERS
Voordat je een index maakt.
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