How is vector database storage size calculated?

Each vector is its dimension count times bytes per number — a 1536-dimension float32 vector is about 6 KB. Multiply by how many vectors you store, then add the index overhead (roughly 20–50% for HNSW-style graphs). That total, divided by a billion, is your gigabytes, which the provider bills per GB-month.

How do I cut vector storage cost?

Use a smaller-dimension embedding model, quantise vectors from float32 to int8 or binary (a 4× or larger saving), and chunk documents less aggressively so you store fewer vectors. Dropping unused metadata and pruning stale vectors also helps once a RAG corpus grows into the millions.

Calculateur du coût de stockage de la base de données vectorielles

Les dimensions et le nombre fixent la facture de stockage

Le stockage vectoriel évolue avec la taille d'intégration multipliée par le nombre de morceaux, plus la surcharge d'indexation - de sorte que les modèles plus petits et la quantification sont rentables à grande échelle. Ajoutez le coût unique pour intégrer le corpus sur le calculateur de coût d'intégration, et le temps de requête passé sur le Calculateur de coût RAG. Notez que cela ne prix que l'infrastructure vectorielle brute - si ce dont vous avez réellement besoin est un champ de recherche hébergé et accessible pour un site Web ou une application (recherche par mot-clé/facette tolérante aux fautes de frappe, pas de récupération de vecteurs personnalisés), il s'agit d'un produit différent dont le prix est le même. Calculateur de coût de l'API de recherche sur site (Algolia contre Typesense contre Meilisearch).

Comment fonctionne cette calculatrice

Le Calculateur du coût de stockage de la base de données vectorielle estime l'empreinte brute du stockage et coût d'hébergement mensuel des intégrations derrière un système RAG. Cela multiplie votre nombre de vecteurs (saisi en milliers) par le dimensions d'incorporation et le octets par dimension pour obtenir la charge utile du vecteur de base, applique ensuite une surcharge d'index pour refléter l'espace supplémentaire que les structures voisines les plus proches consomment au-delà des vecteurs eux-mêmes. Ce total est converti en gigaoctets et multiplié par votre $ / Go-mois taux, afin que vous puissiez voir ce qu'une taille de corpus donnée coûte réellement pour rester en ligne chaque mois avant de vous engager auprès d'un fournisseur ou d'un modèle.

Le principal levier à surveiller est le produit dimension-fois-octets: une intégration de 1536 dimensions à 4 octets par dimension coûte deux fois plus cher à stocker qu'une intégration de 768 dimensions, et le passage de float32 à une représentation quantifiée de 8 bits réduit le nombre d'octets par dimension environ par quatre. Étant donné que les coûts évoluent de manière linéaire avec le nombre de vecteurs, la croissance augmente rapidement à grande échelle. Le compromis clé est précision de la récupération par rapport aux dépenses de stockage — des dimensions et une quantification plus petites réduisent la facture mais peuvent dégrader la qualité des résultats, testez donc le rappel à chaque paramètre plutôt que d'optimiser le stockage uniquement.

Questions fréquemment posées

Comment la taille de stockage de la base de données vectorielle est-elle calculée ?

Chaque vecteur correspond à son nombre de dimensions multiplié par octets par nombre — un vecteur float32 de 1536 dimensions fait environ 6 Ko. Multipliez par le nombre de vecteurs que vous stockez, puis ajoutez la surcharge d'index (environ 20 à 50 % pour les graphiques de style HNSW). Ce total, divisé par un milliard, correspond à vos gigaoctets, que le fournisseur facture par Go et par mois.

Comment puis-je réduire les coûts de stockage de vecteurs ?

Utilisez un modèle d'intégration de plus petite dimension, quantifiez les vecteurs de float32 à int8 ou binaire (une économie de 4 × ou plus) et fragmentez les documents de manière moins agressive afin de stocker moins de vecteurs. La suppression des métadonnées inutilisées et l'élagage des vecteurs obsolètes sont également utiles une fois qu'un corpus RAG atteint des millions.