임베딩 벡터 저장 용량 계산기
벡터 개수·차원 수·정밀도로 임베딩 저장 용량을 계산합니다. HNSW 등 벡터DB 인덱스가 얹는 오버헤드까지 반영해 실제 필요한 용량을 가늠할 수 있습니다.
1 = 원시 용량 그대로. HNSW 등에서 흔히 1.5~2 정도가 언급됩니다(참고치).
실제 필요 용량(인덱스 포함)
10.01 GiB
원시 용량 5.72 GiB + 인덱스 오버헤드 4.29 GiB
사용 방법
- 1저장할 벡터 개수(문서·청크 수)와 임베딩 차원 수를 넣습니다.
- 2저장 정밀도(fp32·fp16·int8 등)를 고릅니다.
- 3벡터DB 인덱스 오버헤드 배수를 넣으면 실제 필요한 용량이 함께 나옵니다.
자주 묻는 질문
KV 캐시는 모델이 답을 생성하는 동안 잠깐 쓰고 버리는 추론 중 임시 메모리이고, 모델 양자화는 모델 가중치 자체의 크기를 다룹니다. 이 도구는 RAG·시맨틱 검색을 위해 벡터DB에 두고두고 저장해 두는 임베딩 자체의 용량을 잽니다 — 셋 다 대상이 다른 별개의 메모리입니다.
벡터 개수 × 차원 수 × 원소당 바이트입니다. 예를 들어 1536차원 임베딩 100만 개를 fp32(4바이트)로 저장하면 100만 × 1536 × 4 = 약 6.1GB입니다.
HNSW 같은 근사 최근접 이웃(ANN) 인덱스는 검색을 빠르게 하려고 각 벡터가 이웃 벡터를 가리키는 그래프 구조를 추가로 저장합니다. 이 배수는 구현체와 설정(HNSW의 M 파라미터 등)마다 달라 하나로 정해진 값이 없어, 이 계산기는 흔히 언급되는 1.5~2배를 참고치로만 보여주고 실제 값은 직접 넣게 했습니다.
fp32에서 fp16·int8로 낮추면(양자화) 용량은 줄지만 정밀도 손실로 검색 정확도가 약간 떨어질 수 있습니다. 실제로는 재순위화(re-ranking)나 스칼라/이진 양자화 같은 기법으로 손실을 줄이는데, 이 계산기는 용량만 계산하고 품질 영향은 다루지 않습니다.
전송되지 않습니다. 모든 계산은 브라우저 안에서 이뤄지고, 입력값은 이 기기에만 남습니다.
알아두면 좋은 점
- 원시 용량(벡터 개수×차원×바이트)은 순수 산술이라 정확합니다. 인덱스 오버헤드 배수는 벡터DB·인덱스 설정마다 달라 참고치입니다.
- 1536차원(OpenAI 임베딩 계열에서 흔한 차원 수) 벡터 100만 개를 fp32로 저장하면 정확히 6,144,000,000바이트(약 5.72GiB)가 나오는지로 계산을 확인했습니다.
함께 보면 좋은 도구
마지막 검증: 2026년 9월 3일 · 결과는 참고용 추정치입니다.