
Depth Pro 2 vs. MoGe-2: Videokonsistenz vs. Punktkarten
- 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
Depth Pro 2 und MoGe-2 sind beides metrische monokulare Geometriemodelle aus großen Forschungslaboren, und zum Zeitpunkt dieses Textes hat niemand eine Zahl veröffentlicht, die das eine gegen das andere stellt. Apples Depth Pro 2 berichtet Boundary F1 und Jitter, gemittelt über die Datensätze Sintel und Spring. Microsofts MoGe-2 berichtet relative Geometriegenauigkeit, metrische Skalierung und Detailerhalt auf seinem eigenen Evaluierungsmix. Die beiden Metriksätze überschneiden sich nicht, was bedeutet, dass jede Aussage der Art „X schlägt Y“, die Sie zu dieser Paarung finden, entweder erfunden oder einem Benchmark entlehnt ist, den keines der beiden Labore durchgeführt hat.
Das ist kein Ausweichen. Es ist die eine nützlichste Sache, die man wissen sollte, bevor man eine Woche damit verbringt, eines der beiden zu integrieren. Vergleichen lässt sich, was jedes Repository tatsächlich mitliefert, worin jedes Modell bewusst schlecht sein soll und welche dieser Schwächen auf die eigene Pipeline durchschlägt. Dieser Beitrag tut genau das und legt ausdrücklich offen, welche Aussagen aus einem Vendor-README stammen und welche aus dem Nichts.
Was jedes Repository tatsächlich enthält
Depth Pro 2 verteilt sich auf mehrere Hugging-Face-Repositories statt auf ein einziges. Das Model-Card-Repository apple/DepthPro2 enthält die README und die Abbildungen; die Gewichte sind nach Größe aufgeteilt in apple/DepthPro2-S, apple/DepthPro2-B, apple/DepthPro2-L und apple/DepthPro2-H. Ein separates Repository, apple/DepthPro2-focal, enthält einen eigenständigen Fokal-Längen-Schätzer mit 23,5 M Parametern, der sich zusammen mit jeder Größe laden lässt. Ein weiteres, apple/DepthPro2-coreml, enthält Core-ML-Exporte für Apple Silicon. Das Code-Repository ist apple-aiml-research/ml-depth-pro-2 auf GitHub.

Die vier Größen reichen von 24M Parametern bei 97 MB (S) über 97M bei 386 MB (B) und 334M bei 1,3 GB (L) bis zu 872M bei 3,5 GB (H+, der Standard). Ihre Konfigurationen bestätigen die Familienzugehörigkeit: S und B verwenden DINOv3 ViT-S- und ViT-B-Backbones mit Cross-Frame-Attention bei den Blöcken 5, 7, 9 und 11; L erweitert dies auf die Blöcke 9 bis 23 mit einem 256-dimensionalen DPT-Decoder; H+ geht zu den Blöcken 11 bis 31 und setzt Tokens bei den Blöcken 7, 15, 23 und 31 zusammen.
MoGe-2 ist in vier Checkpoints unter der {{1}}Ruicheng-Organisation{{/1}} verfügbar: moge-2-vitl mit 326M Parametern ohne Normalen sowie die -normal-Varianten moge-2-vitl-normal mit 331M, moge-2-vitb-normal mit 104M und moge-2-vits-normal mit 35M. Jede liefert eine metrische Punktkarte in OpenCV-Kamerakoordinaten, eine Tiefenkarte, normalisierte Kamera-Intrinsics und eine Maske gültiger Pixel zurück, wobei die Normalenkarte bei den Varianten hinzukommt, die sie mitbringen. MoGe-2 ist die zweite Generation; die Familie ist inzwischen zu MoGe-3 übergegangen, das am 18. August 2026 mit einem ViT-g-Modell mit 1,25B Parametern angekündigt wurde, sodass MoGe-2 nun die vorherige Version und nicht mehr die aktuelle ist.

Wo die beiden Designs voneinander abweichen
• Eingabemodalität — Depth Pro 2 akzeptiert ein Foto, eine Videodatei oder einen Live-Kamerastream; MoGe-2 akzeptiert ein einzelnes Bild.
• Kernaussage — Depth Pro 2 beansprucht Schärfe und zeitliche Konsistenz; MoGe-2 beansprucht metrischen Maßstab plus feine Details, erreicht durch einen einheitlichen Datenverfeinerungsschritt, der scharfe synthetische Labels nutzt, um reale Trainingsdaten zu filtern und zu vervollständigen.
• Ausgabeoberfläche — Depth Pro 2 gibt die Tiefe in Metern sowie die verwendete Brennweite zurück; MoGe-2 gibt eine vollständige Punktkarte, Tiefe, Intrinsics und eine Maske zurück, mit Normalen bei den Varianten, die sie enthalten.
• Brennweite — Depth Pro 2 enthält einen separaten Schätzer und kann außerdem EXIF auslesen oder eine bekannte Brennweite in Pixeln akzeptieren; MoGe-2 kann den Bildwinkel als optionale Ground Truth heranziehen, um die Genauigkeit zu verbessern.
• Skalierung — MoGe-2 ergänzte gegenüber MoGe-1 eine reale metrische Skala, während MoGe-1 affine-invariante Punktkarten mit unbekannter Skala erzeugte; Depth Pro 2 übernimmt die metrische Skala vom ursprünglichen Depth Pro.
• Lizenz — Die Gewichte von Depth Pro 2 unterliegen der Apple Machine Learning Research Model License; Nutzung nur für Forschungszwecke, definiert als nichtkommerzielle wissenschaftliche Forschung und akademische Entwicklung. Der Code von MoGe-2 steht unter MIT, wobei das mitgelieferte DINOv2 unter Apache 2.0 fällt.
Die Frage zum Video ist das gesamte Argument.
Die entscheidende architektonische Entscheidung von Depth Pro 2 besteht darin, dass ein Multi-View-Transformer ein oder mehrere Frames gemeinsam verarbeitet und nach dem ersten Drittel seiner Blöcke zwischen Attention innerhalb jedes Frames und Attention über Frames hinweg abwechselt. Ein DPT-Decoder sagt dann pro Frame eine inverse Tiefenkarte voraus. Das ist die Maschinerie hinter der Jitter-Kennzahl – der Metrik für zeitliche Konsistenz – und der Grund, warum das Modell überhaupt eine Video-Story hat.
In der Praxis bedeutet das zwei Betriebsmodi. Der standardmäßige, gepufferte Modus verarbeitet Clips aus 16 Frames, die sich um vier Frames überschneiden, wodurch die Tiefe an den Übergängen zwischen Clips stabil bleibt; die Einstellungen für Fenster und Überlappung legen die Cliplänge und die Überlappung offen. Der ungepufferte Modus sagt jedes Frame bei seinem Eintreffen anhand dieses Frames und der 15 Frames davor voraus – der Modus, den man für eine Kamera will. Apple räumt in seiner eigenen Dokumentation die Kosten des Live-Pfads offen ein: Die ersten Frames eines Streams haben weniger Frames vor sich, auf die sie sich stützen können, daher ist ihre Tiefe weniger stabil. Ein Video erhält eine einzige Brennweite für alle seine Frames, die als Median der Schätzungen über sein erstes Fenster ermittelt wird.
MoGe-2 hat kein Äquivalent. Es ist ein Einzelbildmodell, und es auf Video anzuwenden bedeutet, es Bild für Bild laufen zu lassen und das daraus resultierende Flackern in Kauf zu nehmen. Für eine statische Rekonstruktionsaufgabe – Photogrammetrie, eine Pipeline zur Umwandlung von Standbildern in 3D-Assets, alles, bei dem jedes Frame unabhängig ist – ist das überhaupt keine Einschränkung. Für einen Roboter oder ein AR-Overlay ist es der Unterschied zwischen brauchbar und unbrauchbar.
Was „metric“ in jeder Ausgabe bedeutet.
Beide Modelle geben Meter an, und beide handhaben dieses Wort etwas unterschiedlich. Depth Pro 2 liefert die Entfernung entlang der Blickrichtung der Kamera – die z-Koordinate –, nicht die geradlinige Entfernung von der Kamera. Außerdem normalisiert es die inverse Tiefe durch die Brennweite, sodass die inverse Tiefe gleich der Brennweite in Pixeln geteilt durch das Produkt aus Bildbreite und Tiefe ist. Himmelspixel werden als unendliche Tiefe zurückgegeben oder, insbesondere bei den kleineren Modellen, als endliche Tiefe von mehreren Kilometern, was ein Detail ist, das man behandeln sollte, bevor man eine Punktwolke erstellt.
MoGe-2 gibt direkt eine Punktkarte zurück, wodurch diese Umrechnung entfällt. Das ist die nützlichere Ausgabe, wenn man ohnehin in 3D arbeitet, und deshalb gibt das Modell neben der Tiefe auch die Intrinsics an – die Punktkarte ist nur in einem Kamerakoordinatensystem aussagekräftig, das man ebenfalls kennt. Keine der beiden Ausgaben ersetzt einen echten Tiefensensor, wenn die Szene keine Textur hat, an der sich der Maßstab festmachen lässt; beide schätzen, und beide driften auf reflektierenden oder transparenten Oberflächen.
Lizenzierung ist die Entscheidung, nicht der Benchmark.
Keines der beiden Modelle ist in der ausgelieferten Form kommerziell nutzbar, doch die Einschränkungen unterscheiden sich auf eine Weise, die für eine rechtliche Prüfung relevant ist. Die Gewichte von Depth Pro 2 unterliegen der Apple Machine Learning Research Model License, die eine Nutzung ausschließlich zu Forschungszwecken erlaubt, wobei das Repository dies als nichtkommerzielle wissenschaftliche Forschung und akademische Entwicklungsaktivitäten definiert. Der Code ist separat lizenziert, und das Repository räumt ein, dass es auf TIMM und DINOv3 aufbaut.
Der Code von MoGe-2 steht unter MIT, was nahezu uneingeschränkt ist, allerdings sind für die Gewichte auf der Model Card keine separaten Bedingungen angegeben, und der mitgelieferte DINOv2-Code steht unter Apache 2.0. Wenn Ihre Frage lautet: „Kann ich das in einem Produkt ausliefern?“, dann ist die ehrliche Antwort für beide, dass Sie ein Gespräch mit der Rechtsabteilung führen müssen, und das Gespräch zu MoGe-2 ist kürzer. Wenn Ihre Frage lautet: „Kann ich damit ein Paper veröffentlichen?“, sind beide unproblematisch.

Was Ihnen die fehlenden Zahlen sagen sollten
Der technische Bericht zu Depth Pro 2 existiert noch nicht. Der Zitationsblock des Repositorys liest sich noch immer als arXiv:261X.XXXXX, und die X sind keine Schwärzung – sie sind ein Platzhalter, der noch nicht ausgefüllt wurde. Die Projektseite nennt die Metriken, bei denen sie zu gewinnen beansprucht, Boundary F1 und Jitter, und nennt keine Baselines; sie verweist lediglich auf „frühere Arbeiten, die auf einem einzelnen Frame oder mehreren Frames operieren“ und auf „Baselines mit ihren Standardeinstellungen“.
MoGe-2 hat ein echtes Paper, arXiv 2507.02546, aber sein Abstract ist ebenso frei von Zahlen; die Auswertung wird auf ein separates Dokument verschoben. Die Vergleichstabelle, auf die Sie wahrscheinlich gehofft haben, existiert also auf keiner der beiden Seiten, und jeder Artikel, der Ihnen eine liefert, zitiert eine aus einem Diagramm abgelesene Angabe.
Was man im Hinterkopf behalten sollte, wenn man den Rest des Stacks bepreist. Ein Tiefenmodell ist eine Stufe einer Pipeline, die außerdem die Szene beschreiben, entscheiden muss, was damit zu tun ist, und das Ergebnis irgendwo festhalten muss — und diese Stufen sind Sprachmodell-Aufrufe, deren Preise veröffentlicht und direkt vergleichbar sind. Das ist das Argument dafür, sie hinter einer API statt drei zu legen: OrcaRouter routet 217 Modelle über einen einzigen Schlüssel bei 0 % Aufschlag, was bedeutet, dass der Listenpreis des Anbieters unverändert durchgereicht wird, sodass eine Preissenkung des Anbieters noch am selben Tag live ist und nicht erst, wenn ein Aggregator neu synchronisiert. Automatisches Failover über Anbieter hinweg ist aus demselben Grund umgekehrt wichtig — wenn die Reasoning-Stufe diejenige ist, die verfügbar bleiben muss, dann soll der Tiefenjob das Einzige in der Pipeline sein, dem es erlaubt ist, still zu scheitern.
Zu welchem man greifen sollte
Wenn Sie Video haben und Flackern wichtig finden, ist Depth Pro 2 von diesen beiden das einzige mit einer Antwort, und seine Antwort ist echte Architektur – Cross-Frame-Attention, überlappende Fenster, ein Live-Modus mit dokumentierter Warm-up-Einbuße. Beginnen Sie mit S auf einem Laptop, wie Apples eigene Dokumentation empfiehlt, und steigen Sie erst auf, wenn die Kanten nicht scharf genug sind.
Wenn du Standbilder hast und eine Punktkarte möchtest, liefert MoGe-2 pro Aufruf mehr Ausgabeoberfläche, und die Normalen-Varianten liefern dir ein zweites Signal, das du sonst schätzen müsstest. Seine metrische Skala ist die Verbesserung gegenüber MoGe-1, und sie hält.
Was Ihnen keiner der beiden liefert, ist die belastbare Aussage, dass er besser als der andere sei, denn keines der beiden Labore hat das Experiment durchgeführt. Betrachten Sie das Paar als zwei verschiedene Werkzeuge mit sich überschneidenden Namen, nicht als Rangliste, bis jemand die Zahlen veröffentlicht.
