快速开始
-
输入条数与维度
例如 10 万条 × 1536 维 text-embedding-3-small。
-
选择 dtype
float32 / float16 / int8 对应不同字节宽度。
Embedding 存储估算
规划 RAG 或向量库容量时，快速估算稠密 embedding 原始占用（不含索引）。
阅读完整指南: RAG 分块优化指南：如何平衡嵌入维度与上下文预算 →
隐私提示：本地解析，不上传服务器。
↓ 在下方输入区粘贴内容，结果会立即显示
按向量条数、维度与数据类型估算原始向量存储占用（不含索引开销）。
字节
614,400,000
MB
585.94
GB
0.5722
注释说明
存储说明
仅计算稠密向量本体大小。向量库索引、元数据与副本会额外占用磁盘。
规划 RAG 或向量库容量时，快速估算稠密 embedding 原始占用（不含索引）。
与索引的关系
HNSW、IVF 等索引通常比原始向量更大; 本工具只算向量本体。
典型工作流
当部署 RAG 系统时，开发者通常先确定 embedding 模型（如 text-embedding-3-large 的维度为 3072），再预估文档分块后的条数。本工具通过输入这三个关键参数（条数、维度、dtype），立即返回原始存储需求，帮助规划服务器配置或云存储采购。
例如：100万条 768 维 float32 向量约占用 3GB 空间。若改用 float16，体积减半但可能损失精度。工具支持实时调整参数对比结果，适合在模型选型阶段快速验证不同方案的存储成本。
示例
示例
Input
100000 vectors, 1536 dims, float32
Output
~586 MB
FAQ
包含元数据吗？
不包含文档 ID、payload 等附加字段。
为什么实际数据库占用比工具结果大很多？
向量数据库需要额外空间存储索引结构（如 HNSW 的层级图）、文档元数据和压缩算法开销。例如 Milvus/Pinecone 的典型开销是原始数据的 1.3-2 倍。本工具专注原始体积计算，建议结合具体数据库文档调整预算。