
Depth Pro 2 ohne Paper ausgeliefert: Was die Gewichte zeigen
- OrcaNEUOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 pro 1 Mio. Tokens · 186 tok/s
- tencentNEUTencent: Hy4 Flash2026-11-16$0.02 / $0.07 pro 1 Mio. Tokens · 358 tok/s
- GoogleNEUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 pro 1 Mio. Tokens · 87 tok/s
- AnthropicNEUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 pro 1 Mio. Tokens · 139 tok/s
- orcaNEUOrca: OrcaC2 1.02026-11-0737 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 pro 1 Mio. Tokens · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 pro 1 Mio. Tokens · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 pro 1 Mio. Tokens · 80 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 pro 1 Mio. Tokens · 117 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 pro 1 Mio. Tokens · 111 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 pro 1 Mio. Tokens · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 pro 1 Mio. Tokens · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 pro 1 Mio. Tokens · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligenz
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 pro 1 Mio. Tokens · 210 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligenz
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 pro 1 Mio. Tokens · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligenz
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 pro 1 Mio. Tokens · 168 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligenz
Scrolle ans Ende von Apples Model Card zu Depth Pro 2 und lies die Zitationsangabe. Acht Autor:innen, ein Datum aus dem Jahr 2026 und eine arXiv-Kennung, die 261X.XXXXX lautet. Die X sind keine Schwärzung. Sie sind ein Platzhalter, zu dem niemand zurückgekommen ist, um ihn auszufüllen, und sie sind die ehrlichste Zusammenfassung dieses Releases: Depth Pro 2, Apples metrisches monokulares Tiefenmodell, existiert als Gewichte, die man heute herunterladen kann, und es existiert noch nicht als Paper, das man lesen kann.
Diese Lücke ist die eigentliche Geschichte. Kein Launch-Event, keine Benchmark-Tabelle, kein Demo-Space – das Repository selbst kennzeichnet den Space als verborgen, bis er öffentlich wird, und zum Zeitpunkt dieses Textes ist das nicht geschehen. Was folgt, ist alles, was sich aus den Repositories und der Dokumentation ermitteln lässt, getrennt von dem, was noch nicht bestätigt ist.
Was wurde ausgeliefert, und an welchen Daten?
Die Datumsangaben sind der Teil, der dokumentiert ist, denn Hugging Face versieht jedes Repository, das es hostet, mit einem Zeitstempel. Das Model-Card-Repository apple/DepthPro2 wurde am 3. November 2026 erstellt. Die Gewichts-Repositories folgten zwei Tage später, am 5. November, darunter apple/DepthPro2-H. Das Core-ML-Export-Repository kam am 9. November hinzu. Der eigenständige Brennweiten-Schätzer apple/DepthPro2-focal erschien am 19. November – am selben Tag, an dem das Code-Repository apple-aiml-research/ml-depth-pro-2 auf GitHub öffentlich wurde.
Lies diese Abfolge als eine Engineering-Zeitleiste und nicht als eine Marketing-Zeitleiste. Die Karte, die Gewichte, der Apple-Silicon-Export, das Kamera-Kalibrierungsmodell und der Code wurden über sechzehn Tage hinweg gestaffelt bereitgestellt, und das letzte Stück, das ankam, war dasjenige, das das Ganze für jemanden lauffähig macht, der nicht bei Apple sitzt. Nichts an der Reihenfolge deutet auf eine koordinierte Ankündigung hin; es deutet auf ein Team hin, das Artefakte veröffentlicht, sobald sie das Review bestanden haben.
Die Resonanz bestätigt es. Das H+-Gewichts-Repository hat 40 Downloads und das Karten-Repository 10 Likes. Dahinter steht beim GitHub-Repository nur ein einziger Commit. Für ein Modell aus dem Labor, das Depth Pro hervorgebracht hat, ist das keine Veröffentlichungskurve – es ist eine Veröffentlichung, die noch nicht bemerkt wurde.
Das Paper ist ein Platzhalter, kein Preprint.
Drei verschiedene Stellen verweisen auf einen technischen Bericht, der nicht existiert. Das Badge der Model Card verlinkt auf arxiv.org/abs/TODO. Das Badge der GitHub-README verlinkt auf arxiv.org/abs/261X.XXXXX. Der BibTeX-Block in beiden enthält journal = {arXiv preprint arXiv:261X.XXXXX} und url = {https://arxiv.org/abs/261X.XXXXX}.
Auch dafür gibt es keine Forschungsseite von Apple Machine Learning – machinelearning.apple.com/research/depth-pro-2 liefert einen 404-Fehler, und die Forschungs-Sitemap von Apple führt depth-pro, aber nicht depth-pro-2 auf. Die Projektseite, auf die die Badges verweisen, apple-aiml-research.github.io/ml-depth-pro-2, ist die einzige von Apple kontrollierte Oberfläche, die tatsächlich erreichbar ist.
Das ist wichtiger, als es klingen mag. Ein technischer Bericht ist der Ort, an dem das Evaluierungsprotokoll steht, und ohne ihn lassen sich die Zahlen, die die Karte berichtet, nicht mit den Zahlen abgleichen, die die Baselines berichten. Alles Quantitative im Folgenden ist daher die eigene Angabe des Anbieters, ohne unabhängige Überprüfung wiedergegeben und als solche gekennzeichnet.
Vier Größen, plus ein Brennweiten-Schätzer
Die Familie ist ungewöhnlich explizit in Bezug auf ihre eigene Skalierung. Apple veröffentlicht Parameterzahlen und Downloadgrößen für alle vier Mitglieder – mehr, als die meisten Depth-Veröffentlichungen üblicherweise angeben:
• Small (S) — 24 Mio. Parameter, 97 MB Download, die Variante für den Einstieg auf einem Laptop.
• Base (B) — 97M Parameter, 386 MB.
• Groß (L) — 334 Mio. Parameter, 1,3 GB.
• H+ (H) — 872 Mio. Parameter, 3,5 GB, und der Standard, den die Befehlszeile herunterlädt, wenn Sie -m nicht übergeben.
• Brennweiten-Schätzer — 23,5 Mio. Parameter, 94 MB, ein separates Repository, das zusammen mit jeder Größe geladen wird und die Brennweite der Kamera vorhersagt, wenn das Foto oder Video keine enthält.
Die Benennung ist eine Anmerkung wert, denn sie wird jeden ins Stolpern bringen, der eine Konfigurationsdatei schreibt: Das Repository heißt apple/DepthPro2-H, aber die Befehlszeilenoption lautet -m depthpro2-h, während die Karte diese Größe als H+ bezeichnet. Die Dokumentation verwendet beide Schreibweisen nur wenige Zeilen voneinander entfernt.
Die zugrunde liegende Architektur ist ein Multi-View-Transformer, gefolgt von einem DPT-Decoder pro Frame. Nach dem ersten Drittel der Transformer-Blöcke wechselt die Attention zwischen frame-interner und frame-übergreifender Aufmerksamkeit, und der Decoder setzt Tokens aus mehreren Blöcken zu Feature-Maps in einer Auflösung von einem Zweiunddreißigstel bis zu einem Viertel der Eingangsauflösung zusammen. Im README werden TIMM und DINOv3 als Code- und Modellgrundlagen genannt.
Das Trade-off-Diagramm ist das einzige Ergebnis
Der gesamte Ergebnisabschnitt der Karte besteht aus einer Abbildung und zwei Sätzen. Die Abbildung stellt Boundary F1 gegen Jitter – die beiden von Apple gewählten Metriken – als Streudiagramm von ungefähr zwei Dutzend Single-Frame- und Multi-Frame-Tiefenmodellen dar, wobei die vier Größen von Depth Pro 2 orange und alles andere blau oder grün ist, gemittelt über die Datensätze Sintel und Spring. Die beiden Sätze besagen, dass Depth Pro 2 bei beiden frühere Arbeiten übertrifft, die mit einem einzelnen Frame oder mit mehreren Frames arbeiten, und dass oben rechts am besten ist.

Die Achsen sind beschriftet: Boundary F1 reicht von 0 bis 0,3, der Jitter von 0,1 bis 0. Liest man die Positionen aus einem Streudiagramm ab, liegt der H+-Marker bei etwa 0,29 Boundary F1 mit einem Jitter um 0,017, gegenüber ungefähr 0,235 und 0,095 beim ursprünglichen Depth Pro — ein großer Abstand auf beiden Achsen. Was die Abbildung nicht enthält, ist eine Tabelle, eine Aufschlüsselung pro Datensatz, irgendeine Geschwindigkeits- oder Speichermessung oder einen Vergleich außerhalb der zwei Dutzend gezeichneten Modelle. Auf der Karte steht, dass das Paper die Größen vergleicht, einschließlich ihrer Geschwindigkeit und ihres Speichers — und das Paper existiert noch nicht.
Das ist kein Grund, dem Modell zu misstrauen. Es ist ein Grund, jedem Artikel zu misstrauen, der Ihnen einen Boundary F1 für Depth Pro 2 auf drei Nachkommastellen genau nennt, denn der einzige Ort, an dem eine solche Zahl existiert, ist ein Streudiagramm, das man auf etwa ein Hundertstel genau ablesen kann, wobei das Evaluierungsprotokoll auf einen Bericht vertagt wird, der noch nicht veröffentlicht wurde. Wenn Sie die Zahl für ein Beschaffungsdokument benötigen, warten Sie auf den Bericht.
Das Video ist es, was daraus eine Fortsetzung macht.
Beim ursprünglichen Depth Pro ging es schon im Titel um Schärfe und Geschwindigkeit: Sharp Monocular Metric Depth in Less Than a Second, 2,25 Megapixel in 0,3 Sekunden auf einer Standard-GPU. Depth Pro 2 behält die Schärfe bei und fügt eine zweite Achse hinzu – zeitliche Konsistenz –, und die gesamte Architekturänderung dient genau diesem Ziel. Abwechselnde Attention innerhalb und über Frames hinweg ist die Art, wie ein Transformer mehrere Frames als eine Szene statt als mehrere Bilder sieht.

Daraus ergeben sich zwei Betriebsmodi. Der gepufferte Modus, der Standard für Videodateien, verarbeitet Clips aus 16 Frames, die sich um vier überlappen, wodurch die Tiefe dort stabil bleibt, wo aufeinanderfolgende Clips aufeinandertreffen; --window und --overlap legen beide Werte offen. Der ungepufferte Modus sagt jedes Frame in dem Moment voraus, in dem es eintrifft, und zwar aus diesem Frame und den 15 davor; er ist der Modus für eine Live-Kamera. Apple räumt offen ein, dass die ersten Frames eines Streams weniger Vorgänger haben, auf die sie zurückgreifen können, weshalb ihre Tiefe weniger stabil ist – eine Warm-up-Einbuße, die in der Dokumentation genannt und nicht erst im Produktivbetrieb entdeckt wird.
Der Rest des Videoverhaltens ist eine Reihe von Konsequenzen, die man kennen sollte, bevor man integriert. Ein Video erhält eine einzige Brennweite für alle seine Frames, genommen als Median der Schätzungen über sein erstes Fenster. Der Speicherbedarf wächst mit der Frame-Größe und der Fensterlänge, nicht mit der Videodauer. Daher besteht die dokumentierte Abhilfe für einen Clip, der nicht passt, darin, zuerst das Fenster zu verkürzen und erst danach auf ein kleineres Modell zu wechseln; die Eingabe nur als letztes Mittel in der Größe anzupassen. Und Himmelspixel kommen als unendliche Tiefe zurück oder, besonders bei den kleineren Modellen, als endliche Tiefe von mehreren Kilometern — die README sagt, man solle den Bereich begrenzen, bevor man eine Punktwolke baut, was die Art von Ratschlag ist, die es nur gibt, weil jemand es nicht getan hat.
Was ist noch unbestätigt
Die ehrliche Liste offener Fragen ist kurz und konkret.
• Unabhängige Bewertung — keine. Kein Drittanbieter hat einen Boundary-F1- oder Jitter-Wert für Depth Pro 2 veröffentlicht, und die auf der Karte selbst genannten Baselines sind über „frühere Arbeiten, die auf einem einzelnen Frame oder mehreren Frames operieren“ hinaus nicht benannt.
• Geschwindigkeit und Speicher — laut Angabe im Papier verglichen, bei dem es sich um einen Platzhalter handelt. Die einzige konkrete Laufzeitangabe ist, dass H+ 3,5 GB Gewichte umfasst und dass S die Laptop-Option ist.
• Die Demo – der Space ist in einem HTML-Kommentar verlinkt und als verborgen markiert, bis er öffentlich ist. Dass eine Demo existiert und dass eine Demo erreichbar ist, sind unterschiedliche Aussagen.
• Der Name – „Depth Pro 2“ – erscheint als DepthPro2 in Repository-Namen, als depth-pro-2 im Codepaket und im Core ML-Repository sowie als depth_pro_2 im Python-Import. Suchen Sie nach allen vier.

Es laufen lassen, bevor das Paper erscheint.
Die Installation ist bewusst langweilig – was ein Pluspunkt ist. Sie installieren uv, klonen das Repository und führen für ein Foto uv run depth-pro-2 predict -i assets/example.jpg -o out/ aus oder für ein Video denselben Befehl mit einer .mp4-Datei. Der erste Lauf lädt H+ mit 3,5 GB herunter, es sei denn, Sie übergeben -m depthpro2-s. Der Befehl wählt das erste verfügbare Gerät aus – CUDA, dann Apple silicon MPS, dann CPU – und läuft auf GPUs unter bfloat16-Autocast, auf der CPU unter float32. Es gibt einen Core ML-Export für Apple-Hardware und eine minimale Mac-Demo-App, die macOS 15 und Xcode 16 erfordert.
Die Ausgabeformate sind der Ort, an dem die praktischen Details stecken. Der Befehl schreibt immer ein farbcodiertes Tiefenbild, Rot für nah und Blau für fern. --save-png16 fügt 16-Bit-Graustufen-PNGs für Compositing-Tools hinzu, Weiß für nah und Schwarz für fern, skaliert auf den Tiefenbereich des Fotos oder des ersten Frames eines Videos – sodass Punkte, die später im Video näher kommen, in die Sättigung laufen. --save-npz fügt das tatsächliche Tiefenarray in Metern plus focallength_px hinzu, das ist genau das, was Sie brauchen, wenn Sie irgendetwas Numerisches machen.
Zwei Konventionen werden dir zum Verhängnis, wenn du die Dokumentation überspringst. Die Tiefe ist der Abstand entlang der Blickachse der Kamera, die z-Koordinate, nicht die geradlinige Entfernung vom Objektiv. Und die inverse Tiefe wird in Python durch die Brennweite normalisiert: Sie entspricht focallength_px / (width * depth). Wenn du die Brennweite um 10 Prozent falsch hast, landet alles um 10 Prozent zu weit entfernt.
Nichts davon läuft über uns. Bei Depth Pro 2 handelt es sich um Gewichte mit Forschungs-Lizenz aus Apples eigenen Repositories, und wenn Sie es ausführen möchten, laden Sie es von Apple herunter. Was OrcaRouter abdeckt, ist der Rest der Pipeline darum herum – eine API und ein Schlüssel für über 200 gehostete Modelle zu 0 % Aufschlag auf den Listenpreis des Anbieters, mit automatischem Failover zwischen Anbietern. Wenn die Depth-Stufe ein Research-Checkpoint mit einer Platzhalter-Quellenangabe und ohne Release-Kadenz ist, dann sind die Reasoning- und Schreibstufen darum herum genau die, die Sie als den langweiligen, redundanten Teil haben möchten.
Worauf zu achten ist, wenn du wartest statt zu bauen: eine arXiv-Kennung, die die Xs ersetzt, eine Forschungsseite, die unter machinelearning.apple.com erscheint, und der Demo-Space, der von auskommentiert zu verlinkt wechselt. Jedes einzelne davon würde dies von einem Weights-Drop zu einem Release machen und dem obigen Diagramm die fehlende Tabelle pro Modell geben.
