임베딩 저장 용량 계산기
2,000토큰짜리 문서 10,000개를 512토큰 청크, 오버랩 64토큰으로 나누면 벡터 50,000개가 나옵니다. 1,536차원 기준 float32로 307.2 MB, int8로 76.8 MB, binary로 9.6 MB이고, 22,560,000토큰을 text-embedding-3-small로 임베딩하면 $0.45입니다(가격 확인일 2026-10-16).
사용 방법
- 문서 수와 문서당 평균 토큰 수를 넣으세요. 벡터마다 텍스트나 ID를 함께 저장한다면 벡터당 메타데이터 바이트도 넣으세요.
- 청크 크기와 이웃한 청크끼리 겹치는 오버랩을 토큰 단위로 정하세요.
- 임베딩 모델, 벡터 차원, 저장 정밀도를 고르세요. 전체 용량, 벡터 수, 임베딩 토큰, 비용을 확인하세요.
계산 방법
문서당 청크 수 = 한 청크에 들어가면 1, 아니면 ⌈(문서 토큰 − 오버랩) ÷ (청크 크기 − 오버랩)⌉. 벡터 수 = 문서 수 × 문서당 청크 수.
벡터당 바이트 = 차원 × 4(float32), × 2(float16), × 1(int8), 또는 ⌈차원 ÷ 8⌉(binary). 용량 = 벡터 수 × (벡터당 바이트 + 메타데이터 바이트), 10진 단위(1 MB = 1,000,000바이트)로 표시.
임베딩 토큰 = 문서 수 × (문서 토큰 + (청크 수 − 1) × 오버랩). 겹치는 토큰은 두 번 임베딩되기 때문입니다.
임베딩 비용 = 임베딩 토큰 × 100만 토큰당 단가 ÷ 1,000,000. 표준 단가와, 공시된 경우 배치 단가로 계산합니다.
자주 묻는 질문
인덱스 용량도 들어가나요?
아니요. 순수 벡터 데이터와 입력한 메타데이터만입니다. HNSW 그래프 같은 인덱스 구조가 그 위에 더 붙고, 얼마나 붙는지는 데이터베이스와 설정에 따라 다릅니다.
차원을 줄일 수 있나요?
OpenAI text-embedding-3 모델은 dimensions 매개변수를 받고, Gemini 임베딩은 128에서 3072까지 정할 수 있으며 768, 1536, 3072를 권장합니다. 차원을 줄이면 용량은 줄지만 검색 품질이 다소 떨어질 수 있습니다.
int8·binary 양자화로 얼마나 줄어드나요?
int8은 float32의 4분의 1, binary는 32분의 1입니다. 많은 벡터 DB가 검색용 압축본을 두고 원본 정밀도로 다시 점수를 매기므로, 실제로 무엇을 저장하는지 확인하세요.
오버랩은 얼마로 하나요?
흔히 청크 크기의 10%에서 20%로 시작합니다. 오버랩이 크면 청크 경계의 문맥이 살지만 벡터 수, 용량, 임베딩 비용이 늘어나며, 이 페이지에서 바로 확인할 수 있습니다.