Hızlı başlangıç
-
Sayı ve dims gir
Örneğin, 1536 dims'te 100k vektörler (metin gömmesi-3-küçük).
-
Seç dtype
float32, float16 veya int8 değer başına baytları ayarlar.
Depolama Hesaplayıcı Embedding Storage Calculator
RAG veya vektör DB kapasitesini planlarken yoğun gömülü yük boyutunu hızla tahmin edin (indeks hariç).
Gizlilik: yerel olarak işlenir, asla yüklenmez.
Anında sonuçları görmek için aşağıdaki giriş alanına yapıştırın
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
Notlar
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。
RAG veya vektör DB kapasitesini planlarken yoğun gömülü yük boyutunu hızla tahmin edin (indeks hariç).
Index overhead
HNSW ve IVF endeksleri genellikle ham vektörleri aşar; bu araç sadece yükü sayır.
Tipik iş akışı
Bir RAG sistemi dağıtırken, geliştiriciler genellikle önce gömülü modelini tanımlar (örneğin, text-embedding-3-large with 3072 dimensions) ve belge parçalarının sayısını tahmin edin. Bu üç anahtar parametresi (sayım, boyutlar, dtype) girerek, bu araç anında ham depolama gereksinimlerini hesaplar ve sunucu yapılandırmasına veya bulut depolama planlamasına yardımcı olur.
Örnek: 768 boyutlu 1 milyon float32 vektörü ~ 3 GB işgal eder. Float16'a geçiş boyutunu yarı yarıya düşürür ancak hassaslığı kaybedebilir. Araç, model seçimi sırasında depolama maliyetlerini doğrulamak için ideal olan sonuçları karşılaştırmak için gerçek zamanlı parametreler ayarlamalarına izin verir.
Örnekler
Örnek
Input
100000 vectors, 1536 dims, float32
Output
~586 MB
FAQ
Meta verileri içerir mi?
Hiçbir belge kimlikleri, payloads veya diğer meta veri alanları.
Gerçek veritabanı depolama alanım neden aracın tahminini aştı?
Vektör veritabanları dizin yapıları için ekstra alan gerektirir (örneğin, HNSW grafikleri), belge meta verileri ve sıkıştırma overhead. Milvus/Pinecone genellikle 1.3-2x ham veri boyutuna ihtiyaç duyar. Bu araç ham hesaplamaya odaklanır - veritabanınızın belgelerine göre bütçeleri ayarlayın.