Embedding-Speicherrechner
10.000 Dokumente mit 2.000 Tokens, aufgeteilt in Chunks von 512 Tokens mit 64 Tokens Überlappung, ergeben 50.000 Vektoren; bei 1.536 Dimensionen belegen sie 307,2 MB als float32, 76,8 MB als int8 und 9,6 MB binär, und das Einbetten der 22.560.000 Tokens mit text-embedding-3-small kostet 0,45 $ (Preise geprüft am 2026-10-16).
So funktioniert’s
- Geben Sie die Zahl der Dokumente und ihre durchschnittliche Länge in Tokens ein. Ergänzen Sie Metadaten-Bytes pro Vektor, wenn Ihre Datenbank Text oder IDs mitspeichert.
- Legen Sie Chunk-Größe und Überlappung benachbarter Chunks fest, beides in Tokens.
- Wählen Sie Embedding-Modell, Dimensionen und Speichergenauigkeit. Lesen Sie Gesamtgröße, Vektoranzahl, verarbeitete Tokens und Kosten ab.
Berechnung
Chunks pro Dokument = 1, wenn das Dokument in einen Chunk passt, sonst ⌈(Dokument-Tokens − Überlappung) ÷ (Chunk-Größe − Überlappung)⌉. Vektoren = Dokumente × Chunks pro Dokument.
Bytes pro Vektor = Dimensionen × 4 (float32), × 2 (float16), × 1 (int8) oder ⌈Dimensionen ÷ 8⌉ (binär). Speicher = Vektoren × (Bytes pro Vektor + Metadaten-Bytes), in Dezimaleinheiten (1 MB = 1.000.000 Bytes).
Verarbeitete Tokens = Dokumente × (Dokument-Tokens + (Chunks − 1) × Überlappung), weil überlappende Tokens doppelt eingebettet werden.
Kosten = verarbeitete Tokens × Preis pro Million ÷ 1.000.000, mit dem Standardpreis und, falls angegeben, dem Batch-Preis.
Häufige Fragen
Ist der Index enthalten?
Nein. Es sind die reinen Vektordaten plus die eingegebenen Metadaten. Indexstrukturen wie HNSW-Graphen kommen hinzu, wie viel hängt von Datenbank und Einstellungen ab.
Kann ich die Dimensionen senken?
OpenAI text-embedding-3-Modelle akzeptieren den Parameter dimensions, und die Gemini-Ausgabe lässt sich zwischen 128 und 3072 einstellen, empfohlen sind 768, 1536 und 3072. Weniger Dimensionen sparen Platz bei etwas geringerer Suchqualität.
Was sparen int8 und binäre Quantisierung?
int8 braucht ein Viertel des float32-Speichers, binär ein Zweiunddreißigstel. Viele Vektordatenbanken halten eine komprimierte Kopie für die Suche und bewerten mit voller Genauigkeit nach, prüfen Sie also, was Ihre wirklich speichert.
Wie viel Überlappung ist sinnvoll?
Üblich ist ein Start mit 10 % bis 20 % der Chunk-Größe. Mehr Überlappung erhält den Kontext an Chunk-Grenzen, erhöht aber Vektoren, Speicher und Kosten, die diese Seite direkt zeigt.