ИИ Инструменты

Калькулятор хранения векторных эмбеддингов

Рассчитайте требования к хранению и затраты на генерацию векторных эмбеддингов для популярных моделей от OpenAI, Voyage AI, Google и разработчиков с открытым исходным кодом.

Параметры

Количество документов*

Общее количество документов или фрагментов (chunks) для эмбеддинга.

Модель эмбеддингов

Выберите модель эмбеддингов для расчета.

Результаты

Размер чистых векторов585.9 MB

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

Другие результаты (3)

С накладными расходами индекса (~40%)820.3 MB

Включает индексы HNSW/IVF и хранение метаданных в векторных базах данных

Стоимость генерации эмбеддингов$0.5120

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

Сравнение моделей

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

Почему стоит выбрать Калькулятор хранения векторных эмбеддингов

Оцените требования к хранению векторов и затраты на генерацию эмбеддингов для конвейеров RAG. Поддержка OpenAI text-embedding-3, Voyage AI, Google Gecko и открытых моделей, таких как BGE и Nomic.

✓Расчет требований к памяти и объему хранения векторных баз данных
✓Оценка затрат на API для генерации эмбеддингов с помощью OpenAI, Google и Voyage AI
✓Сравнение размерности векторов и занимаемой памяти популярных моделей
✓Планирование масштабирования базы данных с учетом накладных расходов памяти VRAM под индексы HNSW

Как использовать

1Введите общее количество текстовых документов или фрагментов в вашем наборе данных
2Выберите целевую модель эмбеддингов из списка провайдеров
3Просмотрите размер двоичного хранилища чистых векторов и оценочный размер с учетом накладных расходов на индексацию
4Проанализируйте смету расходов на генерацию этих векторов через API

Часто задаваемые вопросы (FAQ)

Что такое накладные расходы индекса векторной базы данных?

Векторные базы данных используют структуры индексации (такие как HNSW или IVF) для обеспечения быстрого поиска сходства. Эти индексы требуют дополнительной оперативной памяти и дискового пространства, обычно добавляя от 30% до 50% накладных расходов поверх чистых векторных данных.

Как размерность вектора влияет на хранение?

Объем хранилища прямо пропорционален количеству измерений. Вектор размерностью 1536 (например, OpenAI text-embedding-ada-002) использует в два раза больше места, чем вектор размерностью 768 (например, Nomic Embed) для одного документа.

Какая точность используется для расчетов хранения?

Мы рассчитываем объем хранилища, исходя из стандартных 32-битных чисел с плавающей запятой одинарной точности (4 байта на измерение), что является представлением по умолчанию для большинства векторных баз данных.

Авторитетные источники и ссылки

OpenAI Embeddings

Посмотреть источник

Voyage AI