Калькулятор стоимости эмбеддингов
Бесплатно оцените полную стоимость векторизации документов и наборов данных. Смоделируйте разовые затраты на загрузку корпуса, месячные расходы на повторную векторизацию при обновлении базы знаний и стоимость эмбеддинга на запрос во время поиска. Сравните 11 моделей эмбеддингов от OpenAI, Google, Cohere, Voyage AI и Mistral с расчётом размера векторного хранилища. Быстро, приватно и на 100 % в браузере.
Calculate the full cost of embedding a document corpus - from one-time ingest to monthly refresh and per-query costs. Compare 11 embedding models across OpenAI, Google, Cohere, Voyage AI, and Mistral. All calculations run privately in your browser.
~10K docs, 500 tokens each (~25MB text)
Best price/performance for English text
Corpus Configuration
Corpus Summary
Monthly Refresh & Query Volume
First-Year Total Cost - text-embedding-3-small
One-time Ingest
$0.1000
5,000,000 tokens
Monthly Ongoing
$0.0200
refresh + queries
Year 2+ Annual
$0.2400
no re-ingest needed
Detailed Cost Breakdown
| Cost Component | Tokens | Cost | Notes |
|---|---|---|---|
| Initial Corpus Ingest | 5,000,000 | $0.1000 | One-time |
| Monthly Corpus Refresh | 250,000 | $0.005000/mo | 5% of corpus |
| Query Embeddings / Day | 25,000 | $0.000500/day | 500 × 50 tok |
| Query Embeddings / Month | 750,000 | $0.0150/mo | 30-day estimate |
| Monthly Ongoing Total | - | $0.0200/mo | refresh + queries |
| First-Year Total | - | $0.3400 | ingest + 12mo |
Cross-Model Cost Comparison
Sorted by lowest first-year cost| Model | $/1M | Dims | Ingest | Monthly | Yr 1 Total |
|---|---|---|---|---|---|
text-embedding-3-smallOpenAI Budget Active | $0.020 | 1,536 | $0.1000 | $0.0200 | $0.3400 |
voyage-3-liteVoyage AI Budget | $0.020 | 512 | $0.1000 | $0.0200 | $0.3400 |
text-embedding-004Google Budget | $0.025 | 768 | $0.1250 | $0.0250 | $0.4250 |
voyage-3Voyage AI | $0.060 | 1,024 | $0.3000 | $0.0600 | $1.02 |
text-embedding-ada-002OpenAI | $0.100 | 1,536 | $0.5000 | $0.1000 | $1.70 |
embed-english-v3Cohere | $0.100 | 1,024 | $0.5000 | $0.1000 | $1.70 |
embed-multilingual-v3Cohere | $0.100 | 1,024 | $0.5000 | $0.1000 | $1.70 |
mistral-embedMistral | $0.100 | 1,024 | $0.5000 | $0.1000 | $1.70 |
text-embedding-3-largeOpenAI Accurate | $0.130 | 3,072 | $0.6500 | $0.1300 | $2.21 |
voyage-3-largeVoyage AI Accurate | $0.180 | 2,048 | $0.9000 | $0.1800 | $3.06 |
Gemini Embedding 2Google Accurate | $0.200 | 3,072 | $1.00 | $0.2000 | $3.40 |
Click any row to select that model. Yr 1 = ingest + (monthly × 12).
Три фазы затрат системы эмбеддингов
Векторизация корпуса — не разовый расход. Есть пик загрузки, постоянные расходы на повторную векторизацию при изменении контента и стоимость запроса, растущая вместе с использованием.
Укажите размер корпуса, среднее число токенов на документ, месячную частоту обновления и объём запросов, чтобы увидеть все три фазы и итог за первый год.
- Загрузка = токены корпуса ÷ 1 000 000 × цена за миллион.
- Месячная повторная векторизация = корпус × частота обновления × цена за токен.
- Запрос = месячные запросы × токены на запрос ÷ 1 000 000 × цена за миллион.
Выбор модели по цене и размерности
Цена за миллион — лишь часть картины: размерность вектора определяет, сколько места занимает каждый документ в векторной базе, а значит и стоимость хранения.
- Малые модели: лучшее соотношение цены и качества для английского RAG.
- Большие модели: оправданы при сложном или многоязычном поиске.
- Больше размерностей — больше хранилище: проверьте сырой размер до выбора.
Бюджет на первый год
Итог первого года объединяет пик загрузки с двенадцатью месяцами обновлений и запросов. Именно эту цифру стоит показывать финансам.
- Рассчитайте стоимость загрузки всего корпуса один раз.
- Добавьте ожидаемую месячную повторную векторизацию по вашей частоте обновления.
- Добавьте месячную стоимость запросов и умножьте на двенадцать.
- Сравните две-три модели и посмотрите также получившееся векторное хранилище.
Часто задаваемые вопросы
Он оценивает, во сколько обходится векторизация корпуса документов через API векторных эмбеддингов. Модель учитывает три фазы затрат: разовую загрузку корпуса, постоянную месячную повторную векторизацию при обновлении базы знаний и стоимость эмбеддинга на каждый поисковый запрос. Это помогает точно бюджетировать RAG-системы, семантический поиск и конвейеры поиска до начала разработки.
API эмбеддингов берут плату за входные токены — текст, который вы отправляете на преобразование в вектор. В отличие от LLM-API, отдельной платы за вывод нет. Общая стоимость = (токены ÷ 1 000 000) × цена за миллион токенов. Например, 10 000 документов по 500 токенов = 5 млн токенов. При 0,020 $/млн (text-embedding-3-small) загрузка стоит 0,10 $.
Стоимость загрузки — разовые расходы на векторизацию всего корпуса при создании базы знаний. Стоимость запроса — постоянные расходы на векторизацию каждого поискового запроса во время работы: обычно очень короткого (10–50 токенов), но при большом объёме они накапливаются. В большинстве проектов загрузка — разовый пик, а запросы — небольшие регулярные расходы.
Для английских RAG и семантического поиска лучшее соотношение цены и качества дают text-embedding-3-small (0,020 $/млн) и voyage-3-lite (0,020 $/млн). text-embedding-3-large и voyage-3-large оправдывают доплату при сложном поиске или многоязычных корпусах. text-embedding-004 от Google (0,025 $/млн) — сильный бюджетный вариант для стека Google. Всегда тестируйте на своих данных.
Это доля всего корпуса, которая ежемесячно добавляется или обновляется и требует повторной векторизации. При 5 % для 10 000 документов ежемесячно векторизуются заново 500 документов. Для статичной базы это почти 0 %. Для живой базы (архив новостей, растущая документация) — 10–30 % в месяц.
Нет — калькулятор охватывает только стоимость API эмбеддингов. Хранение и запросы векторной базы (Pinecone, Weaviate, Qdrant, pgvector и др.) считаются отдельно и зависят от провайдера. Калькулятор показывает размер «сырого» векторного хранилища в байтах, чтобы вы могли оценить потребности.
Размер = число документов × размерность вектора × 4 байта (float32). Например, 100 000 документов с text-embedding-3-large (3 072 измерения) = ~1,23 ГБ сырого хранилища. Модели с большей размерностью требуют заметно больше места — ключевой компромисс при масштабных внедрениях.
Да. Калькулятор работает полностью на стороне клиента, в браузере. Число документов, оценки токенов, выбор моделей и прогнозы затрат вычисляются локально на вашем устройстве и никогда не отправляются на сервер. Аккаунт не нужен, данные не сохраняются. Данные планирования вашего конвейера остаются на 100 % приватными.