
Depth Pro 2 vs. Marigold: Metrische Tiefe oder ein Diffusionsprior?
- 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
Marigold sagt die Tiefe nicht voraus. Es erzeugt sie, einen Denoising-Schritt nach dem anderen, aus einem latenten Diffusionsmodell, das aus Stable Diffusion 2 feinabgestimmt wurde. Depth Pro 2 sagt sie in einem einzigen Forward-Pass aus einem Transformer voraus, der direkt auf die Aufgabe trainiert wurde. Beide erzeugen eine Tiefenkarte, die richtig aussieht, beide sind forschungslizenziert, und der Unterschied zwischen ihnen ist der Unterschied zwischen einem Sampler und einem Regressor – der sich zuerst als Rechnung, zweitens als Latenzprofil und erst drittens als Genauigkeit zeigt.
Diese Reihenfolge ist bewusst gewählt. Der übliche Vergleich stellt AbsRel auf die eine Seite und Boundary F1 auf die andere und erklärt einen Sieger, was hier nicht möglich ist: Die Zahlen von Marigold und die Zahlen von Depth Pro 2 stammen aus unterschiedlichen Protokollen auf unterschiedlichen Datensätzen und wurden von keinem der beiden Labore jemals gegeneinander getestet. Vergleichbar sind die Kosten, um zu einer Antwort zu gelangen, die Skalenkonvention, in der die Antwort vorliegt, und was die jeweilige Lizenz erlaubt. Auf diese drei Fragen gibt es echte Antworten.
Zwei Möglichkeiten, aus Pixeln eine Zahl zu erhalten
Die Modellkarte von Marigold ist eindeutig hinsichtlich ihres eigenen Typs: ein generativer, latenter, diffusionsbasierter, affin-invarianter monokularer Tiefenschätzer, feinabgestimmt auf Basis von stable-diffusion-2. Der v1.1-Checkpoint, prs-eth/marigold-depth-v1-1, wurde am 12. Dezember 2024 erstellt und verzeichnet 34 Likes und etwa 6.600 Downloads. Er ist für den DDIM-Scheduler und zwischen 1 und 50 Denoising-Schritten ausgelegt und erbt die effektive Auflösung des Basis-Diffusionsmodells von ungefähr 768 Pixeln, daher sollten größere Eingaben vor dem Einspeisen mit der längeren Seite auf 768 skaliert werden.
Depth Pro 2 ist ein diskriminatives Modell. Die Modellkarte beschreibt einen Multi-View-Transformer über die Eingabeframes und einen DPT-Decoder, der pro Frame eine inverse Tiefenkarte vorhersagt und dabei Tokens aus mehreren Blöcken zu Feature-Maps in einer Auflösung von einem Zweiunddreißigstel bis einem Viertel der Eingabeauflösung zusammensetzt. Ein Aufruf, eine Ausgabe, in der vollen Auflösung der Eingabe — die Modellkarte ist diesbezüglich eindeutig, und das ist das Gegenteil einer Arbeitsauflösung von 768 Pixeln.
• Inferenz — Marigold führt 1 bis 50 Denoising-Schritte pro Bild aus; Depth Pro 2 führt einen Forward-Pass aus.
• Arbeitsauflösung — Die effektive Auflösung von Marigold beträgt etwa 768 Pixel auf der langen Seite; Depth Pro 2 führt die Vorhersage bei voller Auflösung der Eingabe durch.
• Ensembling — Marigold erzeugt nur dann eine Unsicherheitskarte, wenn mehrere Vorhersagen mit einer Größe von mehr als zwei zu einem Ensemble kombiniert werden, was die Kosten erneut vervielfacht; Depth Pro 2 gibt keine Unsicherheit zurück.
• Skalierung — Die Ausgabe von Marigold ist affin-invariant, Werte zwischen 0 und 1 interpolieren zwischen der Nah- und der Fernebene, die das Modell selbst festlegt; die Ausgabe von Depth Pro 2 ist metrisch, in Metern.
• Eingabe — Depth Pro 2 akzeptiert ein Foto, eine Videodatei oder einen Live-Kamerastream; Marigold v1.1 akzeptiert ein einzelnes Bild.
Marigold ist ein Sampler, und das hat seinen Preis.
Die Schrittzahl ist keine Fußnote. Die Qualität eines Diffusionstiefenmodells hängt davon ab, wie viele Denoising-Schritte es ausführt und über wie viele Samples es ein Ensemble bildet, und beides sind Stellschrauben, die Sie selbst festlegen. Am unteren Ende erhalten Sie eine schnelle, grobe Karte; bei 50 Schritten mit einem Ensemble erhalten Sie eine bessere Karte und für dasselbe Bild eine deutlich höhere Rechenrechnung. Marigolds Model Card stellt das als Feature dar – 1 bis 50 Schritte sind ein Bereich, und Sie entscheiden, wo darin Sie sich ansiedeln wollen – und das ist ehrlich, aber es bedeutet, dass „Marigolds Genauigkeit“ keine einzelne Zahl ist. Sie ist eine Kurve, und die Kurve hat eine Kostenachse.
Depth Pro 2 hat keinen entsprechenden Regler. Die Größe ist der Regler – S, B, L oder H+ – und sie ändert die Gewichte statt die Anzahl der Durchläufe. Eine Vorhersage ist unabhängig davon ein einziger Durchlauf. Für ein Notebook ist dieser Unterschied akademisch; für einen Dienst, der einen Videostream mit 30 Bildern pro Sekunde verarbeitet, ist er das gesamte Design.
Deshalb hört die Kostenbetrachtung rund um ein Tiefenmodell nicht beim Modell auf. Die Stufe, die eine Tiefenkarte verbraucht – die Szene beschreiben, entscheiden, was zu tun ist, das Ergebnis schreiben –, ist Sprachmodell-Arbeit, und das ist der Teil, in dem die Kosten pro Aufruf veröffentlicht und vergleichbar sind. OrcaRouter reicht die Listenpreise der Anbieter ohne Aufschlag (0 %) für über 200 gehostete Modelle über einen einzigen Schlüssel durch, mit automatischem Failover zwischen Anbietern. Ein Diffusions-Sampler in der Vision-Stufe mit einem Ensemble-Multiplikator ist genau die Art von Kosten, bei der man sich wünscht, der Rest der Pipeline wäre vorhersehbar.
Depth Pro 2 antwortet in einem Durchgang.
Das Single-Pass-Design bringt eigene Einschränkungen mit sich, und diese werden dokumentiert statt verborgen. Die Tiefe ist der Abstand entlang der Blickachse der Kamera – die z-Koordinate, nicht der radiale Abstand. Die inverse Tiefe wird in Python durch die Brennweite normalisiert: focallength_px / (width * depth). Die Tiefe skaliert mit der Brennweite, daher platziert eine um 10 Prozent zu lange Brennweite alles 10 Prozent zu weit entfernt.

Das Videoverhalten ist der Punkt, an dem sich die Architektur auszahlt. Der gepufferte Modus verarbeitet Clips aus 16 Frames, die sich um vier überlappen, und hält die Tiefe über Clip-Grenzen hinweg stabil; der ungepufferte Modus sagt jedes Frame bei seiner Ankunft anhand dieses Frames und der 15 davor voraus, mit der dokumentierten Warm-up-Einbuße, dass die ersten Frames eines Streams weniger Vorgänger haben und daher eine weniger stabile Tiefe aufweisen. Ein Video erhält eine Brennweite für alle seine Frames, den Median über das erste Fenster. Der Speicherbedarf wächst mit der Frame-Größe und der Fensterlänge, nicht mit der Dauer.
Nichts davon hat ein Marigold-Pendant, denn Marigold v1.1 ist ein Einzelbildmodell. Auf Video angewendet, läuft es Bild für Bild, und welches Flackern dabei auch immer herauskommt, es ist das Flackern, das man ausliefert.
Affin-invariant gegenüber der Metrik
Dies ist der Abschnitt, der die meisten Integrationen entscheidet, und es geht nicht um Qualität. Marigolds Ausgabe ist affin-invariant: Die vorhergesagten Werte liegen zwischen 0 und 1 und interpolieren zwischen der nahen und der fernen Ebene, die das Modell gewählt hat. Das ist eine vollkommen gute Darstellung für eine Matte, einen Compositing-Tiefenpass oder alles, was skaliert wird, um in einen Bereich zu passen – und es ist die Standardkonvention in der Diffusion-Depth-Literatur, aus dem guten Grund, dass es genau das ist, worin diese Modelle tatsächlich gut sind.
Die Ausgabe von Depth Pro 2 ist eine Messung in Metern samt zugehöriger Brennweite. Für einen Roboter, der entscheiden muss, ob ein Hindernis einen Meter oder drei Meter entfernt ist, für ein AR-Overlay, das in einer physischen Entfernung liegen muss, für eine Punktwolke in einem realen Koordinatensystem – genau dieser Unterschied ist ausschlaggebend. Das Wiederherstellen des absoluten Maßstabs aus einer affin-invarianten Karte ist ein separater Schritt, der eine bekannte Referenz in der Szene oder einen Sensor erfordert, und diese Arbeit hat Depth Pro 2 intern bereits erledigt.
Keines ist besser. Sie sind unterschiedliche Produkte desselben Wortes, und welches du willst, entscheidet sich dadurch, was die Map konsumiert.
Was sich bei Marigold V2 im Jahr 2026 geändert hat
Der Name „Marigold“ umfasst inzwischen zwei Generationen, und die zweite ist kein kleines Update. Marigold V2, huawei-bayerlab/marigold-v2-0, wurde am 27. August 2026 erstellt und am 8. September 2026 erstmals veröffentlicht. Es handelt sich um einen Diffusion-Transformer und nicht um ein UNet: ein LoRA-Fine-Tuning von Qwen/Qwen-Image-Edit-2509, veröffentlicht mit einem SIGGRAPH-Asia-2026-Paper in ACM Transactions on Graphics 45(6), arXiv 2609.08084.
Die Bandbreite der Fähigkeiten hat sich erheblich erweitert. Marigold V2 liefert Checkpoints für Tiefe in logarithmischer, linearer und Disparitäts-Parametrisierung, geschichtete Varianten, die Geometrie hinter Glas vorhersagen, sowie Oberflächennormalen und Albedo – Letzteres ist die Art von Ausgabe, die nur bei einem generativen Modell Sinn ergibt, das die Bildentstehung bereits versteht. Die Inferenz benötigt etwa 17 GB GPU-Speicher bei 1024² und 29 GB bei 2048²; eine 24-GB-Karte deckt den ersten Fall ab, und der zweite verlangt 32 GB.
Seine Tiefenausgabe ist weiterhin affin-invariant – Tiefe bis auf eine unbekannte Skalierung und Verschiebung pro Bild –, sodass das oben genannte Skalenargument den Generationswechsel unbeschadet übersteht. Geändert haben sich Genauigkeit und Auflösung: Die gemeldeten Zero-Shot-Ergebnisse unter dem Pixel-Perfect-Depth-Protokoll, AbsRel (niedriger ist besser) und δ1 in Prozent, betragen 3,6 / 98,0 auf NYUv2, 5,4 / 97,4 auf KITTI, 2,8 / 99,2 auf ETH3D, 3,7 / 97,9 auf ScanNet und 5,2 / 97,1 auf DIODE. Die Oberflächennormalen erreichen auf NYUv2 einen mittleren Winkelfehler von 16,6 Grad und 61,2 Prozent innerhalb von 11,25 Grad; das Albedo auf Hypersim erreicht PSNR 20,78, SSIM 0,811 und LPIPS 0,195. Diese Werte wurden vom Anbieter gemeldet und hier nicht reproduziert.
Was jede Seite Sie zitieren lässt
Marigold V2 veröffentlicht eine Tabelle. Depth Pro 2 veröffentlicht ein Streudiagramm mit beschrifteten Achsen und keine Tabelle pro Modell. Diese Asymmetrie ist die am stärksten unterberichtete Tatsache über dieses Paar, und sie spricht gegen die Annahme, dass das neuere Modell zwangsläufig das besser dokumentierte sein muss.

Die Modellkarte von Depth Pro 2 berichtet Boundary F1 und Jitter, gemittelt über Sintel und Spring, behauptet, frühere Arbeiten, die auf einem einzelnen Frame oder mehreren Frames arbeiten, bei beidem zu übertreffen, und bildet rund zwei Dutzend Baselines ab – doch Marigold ist nicht darunter. Es gibt keine Marigold-Markierung in Apples Diagramm und keine Depth Pro 2-Zeile in der Tabelle von Marigold V2, daher hat keines der beiden Labore die beiden Modelle auf einer Achse gegenübergestellt. Der Zitationsblock liest weiterhin arXiv:261X.XXXXX – einen Platzhalter –, und es gibt keine Forschungsseite für Depth Pro 2 auf machinelearning.apple.com. Der technische Bericht, von dem die Modellkarte sagt, er vergleiche die Größen hinsichtlich Geschwindigkeit und Speicher, existiert noch nicht.
Ein Beschaffungsdokument kann heute also Marigold V2s AbsRel und δ1 anführen – mit dem Vorbehalt, dass es sich um Herstellerangaben zu einem Protokoll handelt, das Sie nicht ausgeführt haben. Eine Kennzahl für Depth Pro 2 kann es überhaupt nicht anführen. Das ist keine Kritik am Modell; es ist eine Tatsache über die Veröffentlichung, und sie wird sich an dem Tag ändern, an dem der Bericht vorliegt.
Lizenzen: OpenRAIL, Apache, nur für Forschungszwecke
Drei Lizenzen über drei Kontrollpunkte hinweg, und sie sind nicht austauschbar.
• Marigold v1.1 — CreativeML OpenRAIL++-M, die Community-Lizenz von Stable Diffusion 2, die nutzungsbasierte Einschränkungen anstelle einer reinen Nichtkommerziell-Hürde vorsieht.
• Marigold V2 — Apache 2.0 für die veröffentlichten Gewichte, wobei das Basis-Modell Qwen-Image-Edit-2509 seine eigene Lizenz behält, sodass Ihre Pflichten von beiden abhängen.
• Depth Pro 2 — die Lizenz für das Apple Machine Learning Research Model, die das Repository so definiert, dass sie ausschließlich für Forschungszwecke gilt, also für nichtkommerzielle wissenschaftliche Forschung und akademische Entwicklung.
Die praktische Konsequenz: Marigold V2 ist der einzige dieser drei, der plausibel auslieferbar ist, vorbehaltlich dessen, was auch immer das Qwen-Basismodell erfordert. Depth Pro 2 ist es nicht, in keiner Größe, und seine Codelizenz ändert daran nichts. Der Code von Depth Pro 2 nennt TIMM und DINOv3 separat als seine Grundlagen.
Zu welchem greifen
Greifen Sie zu Marigold V2, wenn Sie eine Tiefenkarte als eine von mehreren Ausgaben wünschen – Normalen, Albedo, geschichtete durchsichtige Tiefe – und Sie bei etwa 1024² arbeiten und die affine-invariante Konvention in Ordnung ist, weil Ihre nachgelagerte Komponente ohnehin neu skaliert. Es ist das flexiblere Modell, es veröffentlicht Zahlen, und seine Lizenz ist die einzige permissive hier.
Greifen Sie zu Depth Pro 2, wenn Sie Meter benötigen, wenn Ihre Eingabe ein Video oder ein Live-Feed ist oder wenn Sie scharfe Grenzen in voller Auflösung brauchen und es sich nicht leisten können, auf 768 umzusampeln. Beginnen Sie auf einem Laptop mit S, wie Apples Dokumentation empfiehlt, und rechnen Sie damit, die Himmelstiefe abzuschneiden – ein Rat aus der README selbst, da Himmelspixel eine unendliche Tiefe oder bei den kleinen Modellen einen endlichen Wert von mehreren Kilometern liefern.
Was Sie nicht tun sollten, ist, die beiden Karten als Bestenliste zu lesen. AbsRel von Marigold V2 und Boundary F1 von Depth Pro 2 sind nicht dasselbe Experiment, und die einzige ehrliche Aussage über ihre relative Qualität ist, dass niemand den Vergleich durchgeführt hat: Apple hat zwei Dutzend Baselines aufgetragen, und Marigold war keine davon, während das Paper zu Marigold V2 auf dem Pixel-Perfect-Depth-Protokoll gegen seine eigenen Vorgänger evaluiert.

