
Depth Pro 2 vs. VGGT: Metrische Tiefe oder Multi-View-Geometrie
- 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
Richte ein Smartphone auf einen Raum, laufe darin herum und nimm vierzig Sekunden Video auf. Zwei Modelle können daraus Geometrie machen, und sie werden sich nicht darüber einig sein, was die Geometrie ist. Depth Pro 2, Apples metrisches monokulares Tiefenmodell, liefert für jedes Pixel jedes Frames einen Tiefenwert in Metern, samt zugehöriger Brennweite. VGGT – der Visual Geometry Grounded Transformer von Meta AI Research und der VGG-Gruppe der University of Oxford, veröffentlicht auf der CVPR 2025 – liefert Kamera-Extrinsics und -Intrinsics, Punktkarten, Tiefenkarten und 3D-Punktspuren für die gesamte Ansichtsmenge auf einmal.
Einer dieser Outputs ist eine Messung. Der andere ist eine Rekonstruktion. Die Wahl zwischen ihnen ist keine Frage davon, welcher genauer ist, denn die beiden Modelle beantworten unterschiedliche Fragen, und welche Antwort Sie benötigen, entscheidet sich dadurch, was in Ihrer Pipeline nach dem Modell kommt.
Wofür jedes Modell entwickelt wurde
VGGT ist ein Feedforward-Netzwerk, das alle wichtigen 3D-Attribute einer Szene aus einer, wenigen oder hunderten Ansichten innerhalb von Sekunden ableitet. Der Kern des Ansatzes ist die gemeinsame Schätzung: Statt pro Frame ein Tiefenmodell laufen zu lassen und anschließend Kameraposen in einer separaten Structure-from-Motion-Stufe zu bestimmen, erzeugt VGGT Posen, intrinsische Parameter, Tiefe und Punktspuren in einem einzigen Durchlauf, wobei die Ansichten sich gegenseitig berücksichtigen. Deshalb ist die Aussage „hunderte Ansichten“ von Bedeutung – sie ist ein Ersatz für eine Photogrammetrie-Pipeline, keine Ergänzung dazu.
Depth Pro 2 ist ein monokularer metrischer Tiefenschätzer, und das Wort, das hier die Arbeit leistet, ist metrisch. Seine Ausgabe ist eine Tiefenkarte in Metern entlang der Blickrichtung der Kamera, berechnet aus einem einzigen Bild, ohne dass Kamerametadaten erforderlich sind – das Modell kann eine Brennweite aus EXIF lesen, eine von Ihnen in Pixeln angegebene akzeptieren oder sie mit einem separaten Schätzer mit 23,5 Mio. Parametern vorhersagen, der als eigenes Repository ausgeliefert wird. Es verarbeitet auch Video, daher stammt die „2“: Ein Multi-View-Transformer verarbeitet Frames gemeinsam und wechselt nach dem ersten Drittel seiner Blöcke zwischen Aufmerksamkeit innerhalb jedes Frames und Aufmerksamkeit über Frames hinweg ab; ein DPT-Decoder gibt pro Frame eine inverse Tiefenkarte aus.

• Arbeitseinheit — VGGT verarbeitet eine Reihe von Ansichten; Depth Pro 2 verarbeitet ein Foto, ein Video oder einen Live-Feed.
• Primäre Ausgabe — VGGT liefert Kameraparameter, Punktkarten, Tiefenkarten und 3D-Punktspuren; Depth Pro 2 liefert metrische Tiefe plus die verwendete Brennweite.
• Kamera-Solve — VGGT schätzt diese im Rahmen des gemeinsamen Problems; Depth Pro 2 liest eine Brennweite, akzeptiert sie oder sagt sie voraus, ohne Extrinsics.
Maßstab — Die zentrale Ausgabe von Depth Pro 2 ist in Metern angegeben; die Modellkarte von VGGT beschreibt Kameraparameter, Punktkarten, Tiefe und Tracks und erhebt keinen Anspruch auf einen metrischen Maßstab.
Veröffentlichung — VGGT wurde auf der CVPR 2025 veröffentlicht (arXiv 2503.11651); die Repositories von Depth Pro 2 wurden im November 2026 erstellt, ein technischer Bericht steht noch aus.
Die Skalierungsfrage entscheidet über die meisten Deployments.
Wenn Sie wissen müssen, dass der Tisch 0,74 Meter entfernt ist, sagt Ihnen VGGT das nicht direkt, und Depth Pro 2 schon. Das ist das gesamte Argument in einem Satz, und es lohnt sich, präzise zu sein, warum.
Der metrische Anspruch von Depth Pro 2 ist architektonisch begründet und nicht zufällig. Das ursprüngliche Depth Pro wurde als Foundation-Modell für metrische Zero-Shot-Tiefenschätzung entwickelt, und das Repository ist explizit in Bezug auf die Konventionen: Tiefe ist die z-Koordinate entlang der Blickrichtung und nicht der radiale Abstand, die inverse Tiefe wird durch die Brennweite normalisiert, und eine um 10 Prozent zu lange Brennweite führt dazu, dass alles 10 Prozent zu weit entfernt liegt. Das sind die Konventionen eines Modells, dessen Ausgabe als Messwert gelesen werden soll, und Depth Pro 2 übernimmt sie unverändert über alle vier Größen hinweg.
Die Ausgabe von VGGT ist geometrisch. Kamera-Extrinsics, Intrinsics, Punktkarten und Punkt-Tracks sind intern konsistent — die Rekonstruktion stimmt bis auf eine globale Ähnlichkeitstransformation — und die absolute Skala daraus zu gewinnen ist ein separater Schritt, der üblicherweise eine bekannte Referenz in der Szene erfordert. Für Novel-View-Synthese, für ein 3D-Asset, für alles, bei dem du die Szene skalierst, damit sie zu einem Betrachter passt, ist das in Ordnung und oft vorzuziehen. Für einen Roboter, der wissen muss, ob ein Hindernis einen Meter oder drei Meter entfernt ist, ist es ein Problem, das du außerhalb des Modells lösen musst.
Depth Pro 2 hat hier seine eigenen Ehrlichkeitsprobleme. Himmelspixel kommen als unendliche Tiefe zurück oder, besonders bei den kleineren Modellen, als endliche Tiefe von mehreren Kilometern, sodass eine naive Punktwolke, die aus seiner Ausgabe erstellt wird, dort, wo der Himmel ist, eine Wand aus störender weit entfernter Geometrie aufweisen wird. Die README sagt Ihnen, den Tiefenbereich zuzuschneiden, bevor Sie eine Punktwolke oder ein Farbbild erstellen, und das ist die Art von Anweisung, die erst auftaucht, nachdem jemand davon gebissen wurde.
Die Konsistenz der Videos ist der eigentliche Beitrag.
Depth Pro 2 ist weniger ein besseres Depth Pro als vielmehr ein zeitlich stabilisiertes, und der Mechanismus liegt vollständig im Aufmerksamkeitsmuster. Nach dem ersten Drittel seiner Blöcke wechselt der Transformer zwischen Aufmerksamkeit innerhalb jedes Einzelbildes und Aufmerksamkeit über Einzelbilder hinweg ab, und der DPT-Decoder setzt Token aus mehreren Blöcken zu Feature-Maps in einer Auflösung von einem Zweiunddreißigstel bis zu einem Viertel der Eingangsauflösung zusammen. Der Zweck dieses Wechsels ist Jitter – die Metrik für zeitliche Konsistenz –, und die Projektseite gibt ihn zusammen mit Boundary F1 an, gemittelt über die Datensätze Sintel und Spring, mit der Behauptung, dass Depth Pro 2 frühere Arbeiten, die auf einem einzelnen Einzelbild oder auf mehreren Einzelbildern arbeiten, bei beiden übertrifft.
Zu dieser Behauptung werden keine Werte genannt, und es werden keine Baselines angegeben. Die Seite verweist lediglich auf „frühere Arbeiten, die auf einem einzelnen Frame oder mehreren Frames arbeiten“ und auf „Baselines mit ihren Standardeinstellungen“, und im Zitationsblock steht arXiv:261X.XXXXX – ein Platzhalter, kein Paper. Wer einen Boundary-F1- oder Jitter-Wert für Depth Pro 2 zitiert, liest ihn aus einem Diagramm ab.

Der Betriebsbereich von Depth Pro 2 ist enger, als sein Video-Bildausschnitt vermuten lässt, und diese Enge ist dokumentiert. Im Standardmodus werden 16-Frame-Clips mit vier Frames Überlappung verarbeitet, und der Live-Pfad gleicht jedes Frame mit den fünfzehn vorherigen ab, was bedeutet, dass die erste Sekunde jedes Streams die wackeligste Sekunde ist, die Sie bekommen. Eine Brennweite gilt für das gesamte Video und wird als Median über das Anfangszeitfenster gewählt – bei einem Clip, der zoomt, wird also eine auf ein Einzelbild zurückgehende Brennweitenschätzung auf alle Frames angewendet. Der Speicherbedarf skaliert mit Bildgröße und Fenster, nicht mit der Dauer, und Apples Gegenmaßnahme bei einem Video, das den Speicher sprengt, besteht darin, das Fenster zu verkürzen, bevor das Modell verkleinert wird.
VGGT hat keinen äquivalenten Modus, weil es keinen benötigt. Es verarbeitet bereits den gesamten Ansichtssatz gemeinsam, was eine stärkere Form derselben Garantie ist – vorausgesetzt, Sie können sich die Attention über Hunderte von Ansichten leisten, und vorausgesetzt, Ihre Anwendung möchte eine Rekonstruktion statt einer Tiefenmessung pro Frame.
Größen, Exporte und was Sie tatsächlich ausführen
Depth Pro 2 bietet vier Größen mit veröffentlichten Zahlen: S mit 24 Mio. Parametern und 97 MB, B mit 97 Mio. und 386 MB, L mit 334 Mio. und 1,3 GB sowie H+ mit 872 Mio. und 3,5 GB, wobei H+ die Standardvariante ist und S für Laptops empfohlen wird. Die Konfigurationsdateien zeigen die Familienstruktur — DINOv3-ViT-S- und ViT-B-Backbones beim kleinen Paar, die an den Blöcken 5, 7, 9 und 11 teilnehmen, ViT-L an den Blöcken 9 bis 23, ViT-H+ an den Blöcken 11 bis 31, mit Decoder-Dimensionen von 64, 128, 256 und 256. Core ML-Exporte für Apple Silicon werden als separates Repository ausgeliefert, und das Code-Repository enthält eine Mac-Demo-App für Live-Tiefendaten von der Kamera.
VGGT-1B ist ein einzelner Checkpoint mit einer Milliarde Parametern, und die Familie hat sich seitdem weiterentwickelt. VGGT-Omega wurde am 18. Mai 2026 als „der nächste Schritt von VGGT“ veröffentlicht, und neben dem Original existiert ein kommerzieller Checkpoint, VGGT-1B-Commercial, mit einer AUC@30 von 90,37 auf Co3D gegenüber 89,98 für das Original – die einzige Benchmark-Zahl auf der Modellkarte und eine marginale. VGGT-1B verzeichnet zum Zeitpunkt dieses Schreibens 748.148 Downloads, was etwas darüber aussagt, wie breit die Forschungsgemeinschaft es als Baseline angenommen hat.

Depth Pro 2 ist die entgegengesetzte Geschichte. Seine vier Checkpoints verzeichnen Downloads im zweistelligen Bereich, die Repositories wurden Anfang November 2026 angelegt, und die einzigen Likes auf dem Card-Repository sind eine Handvoll. Es ist ein Modell, das veröffentlicht wurde und noch nicht aufgegriffen wurde. Das sollte man wissen, bevor man sich festlegt: Wenn du auf einen Bug stößt, wirst du derjenige sein, der das Issue meldet.
Lizenzierung und der kommerzielle Kontrollpunkt
VGGT-1B steht unter CC BY-NC 4.0, nicht kommerziell. Die Existenz von VGGT-1B-Commercial ist das interessante Detail – Meta hat eine kommerziell lizenzierbare Variante ausgeliefert, was bedeutet, dass der Weg von der Forschung zum Produkt ohne Lizenzverhandlung existiert. Die Gewichte von Depth Pro 2 unterliegen der Apple Machine Learning Research Model License, nur für Forschungszwecke, vom Repository definiert als nicht kommerzielle wissenschaftliche Forschungs- und akademische Entwicklungstätigkeiten.
Keine der beiden Lizenzen ist eine Produktlizenz für den offenen Checkpoint. Der Unterschied besteht darin, dass die VGGT-Familie eine kommerzielle Option umfasst, die von Depth Pro 2 nicht, sodass eine davon eine Tür und die andere eine Wand hat, wenn Sie auf Umsatz ausgerichtet entwickeln.
Das ist dieselbe Rechnung, die in jeder Produktions-Pipeline eine Ebene höher auftaucht. Ein Rekonstruktionsmodell ist ein einziger Aufruf; darum herum sitzt der Teil, der eine Szene liest, entscheidet, was zu tun ist, und es niederschreibt — Sprachmodell-Arbeit, bei der der Anbieter einen Preis nennt und ein Aggregator ihn entweder durchreicht oder nicht. OrcaRouters Versprechen sind 0 % Aufschlag auf 217 Modelle mit automatischem Failover über Anbieter hinweg, was genau hier am wichtigsten ist: Wenn die Geometriestufe ein Forschungs-Checkpoint mit einer Handvoll Downloads und ohne Veröffentlichungsrhythmus ist, möchte man, dass der Rest der Pipeline der langweilige, redundante Teil ist.
Wer sollte womit beginnen?
Beginne mit VGGT, wenn du eine Szene aus vielen Ansichten rekonstruierst und die Skalierung nachgelagert behandeln wirst – Novel-View-Synthese, ein 3D-Asset, ein aus Video erstellter Datensatz, bei dem die Geometrie das Ergebnis ist. Der gemeinsame Kamera- und Geometrie-Solve ist das, was die Milliarde Parameter rechtfertigt, und VGGT-Omega ist die aktuelle Generation, wenn du neu beginnst.
Beginne mit Depth Pro 2, wenn du Meter aus einem einzelnen Frame benötigst oder wenn die Tiefe in einem Live-Feed von Frame zu Frame stabil bleiben soll. Der Größenregler ist real, und der Laptop-Workflow ist dokumentiert. Rechne damit, dass die Himmelstiefe abgeschnitten wird, dass du die erste Person sein wirst, die die meisten Bugs meldet, und dass du warten musst, bis der technische Bericht vorliegt, bevor du gegenüber irgendjemandem eine Boundary-F1-Zahl nennen kannst.
Was du nicht tun solltest, ist, dies als direkten Vergleich zu behandeln. VGGT rekonstruiert, Depth Pro 2 misst, und der einzig ehrliche Vergleich ist, welche Ausgabe dein nachgelagerter Code verarbeiten kann. Für die meisten 3D-Pipelines ist die Antwort VGGT und ein Schritt zur Skalenwiederherstellung; für die meisten Robotik- und AR-Pipelines ist es Depth Pro 2 und ein Robustheitsbudget für Rauch.
