Outils IA

Calculateur de Stockage d'Embeddings

Calculez les besoins de stockage et les coûts de génération des embeddings vectoriels pour les modèles populaires d'OpenAI, Voyage AI, Google, et open-source.

Paramètres

Nombre de documents*

Nombre total de documents ou de fragments à vectoriser.

Modèle d'Embedding

Sélectionnez le modèle d'embedding pour le calcul.

Résultats

Stockage Vectoriel Brut585.9 MB

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

Autres résultats (3)

Avec surcharge d'index (~40%)820.3 MB

Comprend les index HNSW/IVF et le stockage des métadonnées dans les bases de données vectorielles

Coût de Génération des Embeddings$0.5120

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

Comparaison des Modèles

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

Pourquoi choisir Calculateur de Stockage d'Embeddings

Estimez les besoins de stockage vectoriel et les coûts de génération d'embeddings pour les pipelines RAG. Couvre OpenAI text-embedding-3, Voyage AI, Google Gecko, et les modèles open-source comme BGE et Nomic.

✓Calculez la mémoire vectorielle et les exigences de stockage pour les bases de données vectorielles
✓Estimez les coûts d'API pour générer des embeddings avec OpenAI, Google et Voyage AI
✓Comparez la taille des dimensions vectorielles et l'empreinte de stockage des principaux modèles
✓Planifiez la mise à l'échelle de la base de données, y compris la surcharge VRAM de l'index HNSW

Comment utiliser

1Saisissez le nombre total de documents texte ou de fragments dans votre dataset
2Sélectionnez le modèle d'embedding cible dans la liste des fournisseurs
3Consultez la taille de stockage vectoriel binaire brut et la taille estimée avec la surcharge d'index
4Analysez l'estimation des coûts pour générer ces vecteurs via l'API

Questions fréquentes (FAQ)

Qu'est-ce que la surcharge d'index (index overhead) d'une base de données vectorielle ?

Les bases de données vectorielles utilisent des structures d'indexation (comme HNSW ou IVF) pour permettre des recherches rapides de similarité. Ces index nécessitent de la mémoire et du stockage supplémentaires, ajoutant généralement 30% à 50% de surcharge par rapport aux données vectorielles brutes.

Comment la dimension des vecteurs affecte-t-elle le stockage ?

Le stockage est directement proportionnel au nombre de dimensions. Un vecteur à 1536 dimensions (ex: OpenAI text-embedding-ada-002) utilise deux fois plus de stockage qu'un vecteur à 768 dimensions (ex: Nomic Embed) par document.

Quelle précision est utilisée pour les calculs de stockage ?

Nous calculons le stockage en supposant des nombres à virgule flottante standard de 32 bits en simple précision (4 octets par dimension), ce qui est la représentation par défaut pour la plupart des bases de données vectorielles.

Références & sources autorisées

OpenAI Embeddings

Voir la source

Voyage AI