Herramientas de IA

Calculadora de Almacenamiento de Embeddings

Calcule los requisitos de almacenamiento y los costos de generación de embeddings vectoriales para modelos populares de OpenAI, Voyage AI, Google y código abierto.

Parámetros

Número de Documentos*

Número total de documentos o fragmentos a vectorizar.

Modelo de Embedding

Seleccione el modelo de embedding para realizar el cálculo.

Resultados

Almacenamiento Vectorial Bruto585.9 MB

100,000 vectors × 1536 dimensions × 4 bytes (float32)

Otros resultados (3)

Con sobrecosto de índice (~40%)820.3 MB

Incluye índices HNSW/IVF y almacenamiento de metadatos en bases de datos vectoriales

Costo de Generación de Embeddings$0.5120

~256 tokens/doc × 100,000 docs at $0.02/1M tokens

Comparación de Modelos

[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]

Por qué elegir Calculadora de Almacenamiento de Embeddings

Estime los requisitos de almacenamiento de vectores y los costos de generación de embeddings para pipelines RAG. Incluye OpenAI text-embedding-3, Voyage AI, Google Gecko y modelos de código abierto como BGE y Nomic.

✓Calcule los requisitos de memoria y almacenamiento de vectores para bases de datos vectoriales
✓Estime los costos de API para generar embeddings con OpenAI, Google y Voyage AI
✓Compare el tamaño de la dimensión de vectores y el espacio de almacenamiento de modelos principales
✓Planifique la escala de bases de datos, incluido el sobrecosto de VRAM del índice HNSW

Pasos de uso

1Ingrese el número total de documentos de texto o fragmentos en su conjunto de datos
2Seleccione el modelo de embedding objetivo de la lista de proveedores
3Revise el tamaño de almacenamiento binario bruto y el tamaño estimado con el sobrecosto de índice
4Analice la estimación de costos para generar esos vectores a través de la API

Preguntas frecuentes (FAQ)

¿Qué es el sobrecosto de índice en una base de datos vectorial?

Las bases de datos vectoriales utilizan estructuras de indexación (como HNSW o IVF) para permitir búsquedas rápidas de similitud. Estos índices requieren memoria y almacenamiento adicionales, y añaden típicamente entre un 30% y un 50% de sobrecosto sobre los datos vectoriales brutos.

¿Cómo afecta el tamaño de la dimensión de vectores al almacenamiento?

El almacenamiento es directamente proporcional a la cantidad de dimensiones. Un vector de 1536 dimensiones (ej: OpenAI text-embedding-ada-002) utiliza el doble de almacenamiento que un vector de 768 dimensiones (ej: Nomic Embed) por documento.

¿Qué precisión se utiliza para los cálculos de almacenamiento?

Calculamos el almacenamiento asumiendo números de punto flotante de precisión simple estándar de 32 bits (4 bytes por dimensión), que es la representación por defecto para la mayoría de los sistemas de bases de datos vectoriales.

Referencias y fuentes autorizadas

OpenAI Embeddings

Ver fuente

Voyage AI