Calculateur de stockage d’embeddings
10 000 documents de 2 000 tokens découpés en segments de 512 tokens avec 64 tokens de chevauchement donnent 50 000 vecteurs ; à 1 536 dimensions, ils occupent 307,2 Mo en float32, 76,8 Mo en int8 et 9,6 Mo en binaire, et traiter les 22 560 000 tokens avec text-embedding-3-small coûte 0,45 $ (prix vérifiés le 2026-10-16).
Mode d’emploi
- Saisissez le nombre de documents et leur longueur moyenne en tokens. Ajoutez les octets de métadonnées par vecteur si votre base stocke du texte ou des identifiants avec chaque vecteur.
- Réglez la taille des segments et le chevauchement entre segments voisins, en tokens.
- Choisissez le modèle d’embeddings, les dimensions et la précision. Lisez la taille totale, le nombre de vecteurs, les tokens traités et le coût.
Méthode de calcul
Segments par document = 1 si le document tient dans un segment, sinon ⌈(tokens du document − chevauchement) ÷ (taille du segment − chevauchement)⌉. Vecteurs = documents × segments par document.
Octets par vecteur = dimensions × 4 (float32), × 2 (float16), × 1 (int8) ou ⌈dimensions ÷ 8⌉ (binaire). Stockage = vecteurs × (octets par vecteur + octets de métadonnées), en unités décimales (1 Mo = 1 000 000 octets).
Tokens traités = documents × (tokens du document + (segments − 1) × chevauchement), car les tokens qui se chevauchent sont traités deux fois.
Coût = tokens traités × prix par million ÷ 1 000 000, au prix standard et, si indiqué, au prix batch.
Questions fréquentes
La taille inclut-elle l’index ?
Non. Ce sont les données brutes des vecteurs plus les métadonnées saisies. Les structures d’index comme les graphes HNSW s’y ajoutent, selon la base et ses réglages.
Puis-je réduire les dimensions ?
Les modèles text-embedding-3 d’OpenAI acceptent le paramètre dimensions, et la sortie Gemini se règle de 128 à 3072, avec 768, 1536 et 3072 recommandés. Moins de dimensions économisent de la place au prix d’un peu de qualité de recherche.
Que font gagner int8 et le binaire ?
int8 occupe un quart du float32, le binaire un trente-deuxième. Beaucoup de bases vectorielles gardent une copie compressée pour la recherche et recalculent les scores en pleine précision ; vérifiez ce que la vôtre stocke vraiment.
Quel chevauchement choisir ?
On part souvent de 10 % à 20 % de la taille du segment. Plus de chevauchement préserve le contexte aux frontières mais ajoute des vecteurs, du stockage et du coût, que cette page affiche directement.