Minha entrada cabe?
Combine texto, imagens, vídeo e áudio sem ultrapassar o limite compartilhado de 8.192 tokens.
Atualizado para o lançamento de 6 de outubro de 2026
Saiba o que sua configuração do EmbeddingGemma 2 precisa antes de construir.
Para quem cria RAG e busca multimodal: calcule limites de entrada, armazenamento vetorial e a dimensão ideal em menos de um minuto.
✓ Sem chave de API
✓ Sem upload
✓ Roda no navegador
✓ Dados oficiais
768dnative output
8,192shared input tokens
740Mfull model parameters
4input modalities
VALOR EM LINGUAGEM SIMPLES
Responda três perguntas caras antes do deploy.
Informe sua carga uma vez e obtenha um ponto de partida prático sem montar scripts de teste.
Quanto armazenamento preciso?
Estime vetores, metadados, índice, réplicas e custo mensal aproximado.
Qual configuração usar?
Compare 128–768 dimensões e copie uma configuração Python correspondente.
01 / INPUT BUDGET
Esta entrada multimodal cabe?
Texto, imagens, vídeo e áudio compartilham o limite de 8.192 tokens.
Fits comfortably81%
6,620 / 8,192 tokens
02 / VECTOR STORAGE
Qual será o tamanho do índice?
Estime vetores, metadados e sobrecarga do índice.
Estimated indexed footprint
952 MiB
Raw vectors488 MiB
Metadata244 MiB
Index overhead220 MiB
Monthly storage$0.25
03 / DIMENSION DECISION
Vetores menores nem sempre são melhores.
Compare qualidade publicada e economia antes de testar seus dados.
04 / MODEL FOOTPRINT
Carregue apenas os codificadores necessários.
Parameters loaded270M
Approx. raw BF16 weights515 MiB
Weight estimate excludes framework, activations, caches and runtime overhead.
05 / METHODOLOGY
Veja exatamente o que entra no cálculo.
Todas as premissas são visíveis e ajustáveis.
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
Copie uma configuração compatível.
O código acompanha as dimensões e modalidades escolhidas.
07 / PRACTICAL ANSWERS
Antes de criar o índice.
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