快速開始
-
輸入條數與維度
例如10萬條×1536維text-embedding-3-small。
-
選擇dtype
float32 / float16 / int8對應不同位元組寬度。
Embedding存儲估算
規劃RAG或向量庫容量時，快速估算稠密embedding原始佔用（不含索引）。
阅读完整指南: rag 分塊優化指南：如何平衡嵌入維度與上下文預算 →
隱私提示：本地解析，不上傳伺服器。
↓ 在下方輸入區貼上內容，結果會立即顯示
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
註釋說明
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。
規劃RAG或向量庫容量時，快速估算稠密embedding原始佔用（不含索引）。
與索引的關係
HNSW、IVF等索引通常比原始向量更大； 本工具只算向量本體。
典型工作流
當部署RAG系統時，開發者通常先確定embedding模型（如text-embedding-3-large的維度為3072），再預估檔案分塊後的條數。 本工具通過輸入這三個關鍵參數（條數、維度、dtype），立即返回原始存儲需求，幫助規劃伺服器配置或雲存儲採購。
例如：100萬條768維float32向量約佔用3GB空間。 若改用float16，體積减半但可能損失精度。 工具支持實时調整參數對比結果，適合在模型選型階段快速驗證不同方案的存儲成本。
示例
示例
Input
100000 vectors, 1536 dims, float32
Output
~586 MB
FAQ
包含中繼資料嗎？
不包含檔案ID、payload等附加欄位。
為什麼實際資料庫佔用比工具結果大很多？
向量資料庫需要額外空間存儲索引結構（如HNSW的層級圖）、檔案中繼資料和壓縮演算法開銷。 例如Milvus/Pinecone的典型開銷是原始數據的1.3-2倍。 本工具專注原始體積計算，建議結合具體資料庫檔案調整預算。