Czy dane wejściowe się zmieszczą?
Połącz tekst, obrazy, wideo i audio w limicie 8 192 tokenów.
Aktualizacja dla wydania z 6 października 2026
Sprawdź wymagania konfiguracji EmbeddingGemma 2 zanim ją zbudujesz.
Dla twórców RAG i wyszukiwania multimodalnego: policz limity wejścia, pamięć wektorową i właściwy wymiar w minutę.
✓ Bez klucza API
✓ Bez wysyłania plików
✓ Działa w przeglądarce
✓ Oficjalne dane modelu
768dnative output
8,192shared input tokens
740Mfull model parameters
4input modalities
WARTOŚĆ PROSTYM JĘZYKIEM
Odpowiedz na trzy kosztowne pytania przed wdrożeniem.
Wprowadź obciążenie raz i uzyskaj praktyczny punkt startowy bez wielu dokumentów i skryptów testowych.
Ile pamięci potrzebuję?
Oszacuj wektory, metadane, indeks, repliki i miesięczny koszt.
Od jakiej konfiguracji zacząć?
Porównaj 128–768 wymiarów i skopiuj pasującą konfigurację Python.
01 / INPUT BUDGET
Czy dane multimodalne się zmieszczą?
Tekst, obrazy, wideo i audio dzielą limit 8 192 tokenów.
Fits comfortably81%
6,620 / 8,192 tokens
02 / VECTOR STORAGE
Jak duży będzie indeks?
Oszacuj wektory, metadane i narzut indeksu.
Estimated indexed footprint
952 MiB
Raw vectors488 MiB
Metadata244 MiB
Index overhead220 MiB
Monthly storage$0.25
03 / DIMENSION DECISION
Mniejsze wektory nie zawsze są lepsze.
Porównaj jakość i oszczędność pamięci z testami własnych danych.
04 / MODEL FOOTPRINT
Ładuj tylko potrzebne kodery.
Parameters loaded270M
Approx. raw BF16 weights515 MiB
Weight estimate excludes framework, activations, caches and runtime overhead.
05 / METHODOLOGY
Sprawdź dokładnie skład obliczeń.
Wszystkie założenia są widoczne i edytowalne.
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
Skopiuj dopasowaną konfigurację.
Kod uwzględnia wybrany wymiar i modalności.
07 / PRACTICAL ANSWERS
Zanim utworzysz indeks.
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