Girdim sığacak mı?
Metin, görüntü, video ve sesi ortak 8.192 token sınırında birleştirin.
6 Ekim 2026 sürümü için güncellendi
EmbeddingGemma 2 kurulumunuzun ihtiyacını oluşturmadan önce öğrenin.
RAG ve çok modlu arama geliştiricileri için: giriş sınırı, vektör depolama ve doğru boyutu bir dakikada hesaplayın.
✓ API anahtarı yok
✓ Dosya yükleme yok
✓ Tarayıcıda çalışır
✓ Resmî model verileri
768dnative output
8,192shared input tokens
740Mfull model parameters
4input modalities
DEĞERİ BASİTÇE
Dağıtımdan önce üç maliyetli soruyu yanıtlayın.
İş yükünüzü bir kez girin; çok sayıda belge ve test betiği olmadan pratik bir başlangıç alın.
Ne kadar depolama gerekir?
Vektör, meta veri, indeks, kopya ve aylık maliyeti tahmin edin.
Hangi kurulumla başlamalıyım?
128–768 boyutu karşılaştırın ve uygun Python yapılandırmasını kopyalayın.
01 / INPUT BUDGET
Bu çok modlu girdi sınıra sığıyor mu?
Metin, görüntü, video ve ses 8.192 token sınırını paylaşır.
Fits comfortably81%
6,620 / 8,192 tokens
02 / VECTOR STORAGE
İndeks ne kadar büyük olacak?
Vektör, meta veri ve indeks ek yükünü tahmin edin.
Estimated indexed footprint
952 MiB
Raw vectors488 MiB
Metadata244 MiB
Index overhead220 MiB
Monthly storage$0.25
03 / DIMENSION DECISION
Küçük vektör her zaman daha iyi değildir.
Yayınlanan kaliteyi ve depolama tasarrufunu kendi testinizle karşılaştırın.
04 / MODEL FOOTPRINT
Yalnızca gereken kodlayıcıları yükleyin.
Parameters loaded270M
Approx. raw BF16 weights515 MiB
Weight estimate excludes framework, activations, caches and runtime overhead.
05 / METHODOLOGY
Hesaba nelerin dahil olduğunu görün.
Tüm varsayımlar görünür ve değiştirilebilir.
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
Planınıza uygun yapılandırmayı kopyalayın.
Kod seçilen boyut ve modalitelere uyar.
07 / PRACTICAL ANSWERS
İndeks oluşturmadan önce.
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