อินพุตของฉันพอดีหรือไม่?
รวมข้อความ รูปภาพ วิดีโอ และเสียงภายในขีดจำกัดร่วม 8,192 Token
อัปเดตสำหรับรุ่นวันที่ 6 ตุลาคม 2026
รู้ความต้องการของระบบ EmbeddingGemma 2 ก่อนเริ่มสร้าง
สำหรับนักพัฒนา RAG และการค้นหามัลติโหมด: คำนวณขีดจำกัดอินพุต พื้นที่เวกเตอร์ และมิติที่เหมาะสมภายในหนึ่งนาที
✓ ไม่ต้องใช้ API Key
✓ ไม่อัปโหลดไฟล์
✓ ทำงานในเบราว์เซอร์
✓ อ้างอิงข้อมูลทางการ
768dnative output
8,192shared input tokens
740Mfull model parameters
4input modalities
คุณค่าแบบเข้าใจง่าย
ตอบสามคำถามที่อาจมีค่าใช้จ่ายสูงก่อนนำไปใช้
กรอกภาระงานครั้งเดียวและรับจุดเริ่มต้นที่ใช้งานได้ โดยไม่ต้องอ่านหลายเอกสารหรือเขียนสคริปต์ทดสอบ
ต้องใช้พื้นที่เท่าไร?
ประเมินเวกเตอร์ เมทาดาทา ดัชนี สำเนา และค่าใช้จ่ายรายเดือน
ควรเริ่มด้วยการตั้งค่าใด?
เปรียบเทียบ 128–768 มิติ และคัดลอกการตั้งค่า Python ที่ตรงกัน
01 / INPUT BUDGET
อินพุตมัลติโหมดนี้พอดีหรือไม่?
ข้อความ รูปภาพ วิดีโอ และเสียงใช้ขีดจำกัดร่วม 8,192 Token
Fits comfortably81%
6,620 / 8,192 tokens
02 / VECTOR STORAGE
ดัชนีจะมีขนาดเท่าไร?
ประเมินเวกเตอร์ เมทาดาทา และค่าใช้จ่ายของดัชนี
Estimated indexed footprint
952 MiB
Raw vectors488 MiB
Metadata244 MiB
Index overhead220 MiB
Monthly storage$0.25
03 / DIMENSION DECISION
เวกเตอร์เล็กกว่าไม่ได้ดีกว่าเสมอ
เปรียบเทียบคุณภาพที่เผยแพร่กับการทดสอบข้อมูลของคุณ
04 / MODEL FOOTPRINT
โหลดเฉพาะตัวเข้ารหัสที่ต้องใช้
Parameters loaded270M
Approx. raw BF16 weights515 MiB
Weight estimate excludes framework, activations, caches and runtime overhead.
05 / METHODOLOGY
ดูสิ่งที่รวมในการคำนวณอย่างชัดเจน
สมมติฐานทุกอย่างมองเห็นและปรับได้
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
คัดลอกการตั้งค่าที่ตรงกับแผน
โค้ดจะตรงกับมิติและรูปแบบที่เลือก
07 / PRACTICAL ANSWERS
ก่อนสร้างดัชนี
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