Đầu vào có vừa không?
Kết hợp văn bản, hình ảnh, video và âm thanh trong giới hạn chung 8.192 token.
Đã cập nhật cho bản phát hành 6/10/2026
Biết cấu hình EmbeddingGemma 2 cần gì trước khi xây dựng.
Dành cho nhà phát triển RAG và tìm kiếm đa phương thức: tính giới hạn đầu vào, lưu trữ vector và số chiều phù hợp trong một phút.
✓ Không cần khóa API
✓ Không tải tệp lên
✓ Chạy trong trình duyệt
✓ Dữ liệu mô hình chính thức
768dnative output
8,192shared input tokens
740Mfull model parameters
4input modalities
GIÁ TRỊ NÓI ĐƠN GIẢN
Trả lời ba câu hỏi tốn kém trước khi triển khai.
Nhập khối lượng công việc một lần để có điểm bắt đầu thực tế mà không cần đọc nhiều tài liệu hay viết mã thử.
Cần bao nhiêu lưu trữ?
Ước tính vector, metadata, chỉ mục, bản sao và chi phí hàng tháng.
Nên bắt đầu với cấu hình nào?
So sánh 128–768 chiều và sao chép cấu hình Python phù hợp.
01 / INPUT BUDGET
Đầu vào đa phương thức này có vừa không?
Văn bản, hình ảnh, video và âm thanh dùng chung giới hạn 8.192 token.
Fits comfortably81%
6,620 / 8,192 tokens
02 / VECTOR STORAGE
Chỉ mục sẽ lớn bao nhiêu?
Ước tính vector, metadata và chi phí chỉ mục.
Estimated indexed footprint
952 MiB
Raw vectors488 MiB
Metadata244 MiB
Index overhead220 MiB
Monthly storage$0.25
03 / DIMENSION DECISION
Vector nhỏ hơn không phải lúc nào cũng tốt hơn.
So sánh chất lượng công bố và tiết kiệm bằng kiểm thử của bạn.
04 / MODEL FOOTPRINT
Chỉ tải bộ mã hóa cần thiết.
Parameters loaded270M
Approx. raw BF16 weights515 MiB
Weight estimate excludes framework, activations, caches and runtime overhead.
05 / METHODOLOGY
Xem chính xác nội dung được tính.
Mọi giả định đều hiển thị và có thể chỉnh sửa.
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
Sao chép cấu hình phù hợp.
Mã theo số chiều và phương thức đã chọn.
07 / PRACTICAL ANSWERS
Trước khi tạo chỉ mục.
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