Una tarjeta de título generada para Depth Pro 2, con el subtítulo Profundidad monocular métrica nítida y temporalmente consistente, con cuatro chips de tamaño que dicen S 24M, B 97M, L 334M y H+ 872M, un quinto chip que dice estimador focal 23.5M, y una nota al pie que dice identificador de arXiv aún es un marcador de posición, además de un logotipo de OrcaRouter.
Guides & Insights

Depth Pro 2 se lanzó sin paper: lo que muestran los pesos

Autor

Gideon Frost

Fecha de publicación

Últimos modelos · 20Ver todos los modelos →
Benchmarks: Artificial Analysis · actualizado a diario
Volver a todas las publicaciones

Desplázate hasta el final de la tarjeta de modelo de Depth Pro 2 de Apple y lee la cita. Ocho autores, una fecha de 2026 y un identificador de arXiv que dice 261X.XXXXX. Las X no son una censura. Son un marcador de posición que nadie ha vuelto a rellenar, y son el resumen más honesto del lanzamiento: Depth Pro 2, el modelo de profundidad monocular métrico de Apple, existe como pesos que puedes descargar hoy, y todavía no existe como un artículo que puedas leer.

Esa brecha es la historia. No un evento de lanzamiento, ni una tabla de benchmarks, ni un Space de demostración: el propio repositorio marca el Space como oculto hasta que se haga público, y a la fecha de redacción aún no lo ha hecho. Lo que sigue es todo lo que puede saberse de los repositorios y la documentación, mantenido aparte de lo que aún no está confirmado.

¿Qué se lanzó y en qué fechas?

Las fechas son la parte que está documentada, porque Hugging Face registra la marca temporal de cada repositorio que aloja. El repositorio de la tarjeta del modelo, apple/DepthPro2, se creó el 3 de noviembre de 2026. Los repositorios de pesos llegaron dos días después, el 5 de noviembre, entre ellos apple/DepthPro2-H. El repositorio de exportación a Core ML llegó el 9 de noviembre. El estimador independiente de longitud focal, apple/DepthPro2-focal, apareció el 19 de noviembre — el mismo día en que el repositorio de código, apple-aiml-research/ml-depth-pro-2, se hizo público en GitHub.

Lee esa secuencia como una cronología de ingeniería y no como una de marketing. La tarjeta, los pesos, la exportación para Apple silicon, el modelo de calibración de cámara y el código se publicaron por etapas a lo largo de dieciséis días, y la última pieza en llegar fue la que hace que todo el conjunto pueda ejecutarlo alguien que no está dentro de Apple. Nada en el orden sugiere un anuncio coordinado; sugiere un equipo que publica artefactos a medida que superan la revisión.

La acogida lo confirma. El repositorio de pesos H+ tiene 40 descargas y el repositorio de la tarjeta, 10 me gusta. El repositorio de GitHub tiene un solo commit detrás. Para un modelo del laboratorio que produjo Depth Pro, eso no es una curva de lanzamiento: es un lanzamiento que aún no ha llamado la atención.

El artículo es un marcador de posición, no una preimpresión.

Tres lugares distintos apuntan a un informe técnico que no existe. La insignia de la tarjeta del modelo enlaza a arxiv.org/abs/TODO. La insignia del README de GitHub enlaza a arxiv.org/abs/261X.XXXXX. El bloque de BibTeX en ambos dice journal = {arXiv preprint arXiv:261X.XXXXX} y url = {https://arxiv.org/abs/261X.XXXXX}.

Tampoco hay una página de investigación de Apple Machine Learning para ello: machinelearning.apple.com/research/depth-pro-2 devuelve un 404, y el mapa del sitio de investigación de Apple incluye depth-pro pero no depth-pro-2. La página del proyecto a la que apuntan las insignias, apple-aiml-research.github.io/ml-depth-pro-2, es la única superficie controlada por Apple que sí resuelve.

Esto importa más de lo que parece a primera vista. Un informe técnico es donde reside el protocolo de evaluación, y sin él las cifras que reporta la tarjeta no pueden contrastarse con las cifras que reportan las líneas base. Por lo tanto, todo lo cuantitativo que aparece a continuación es una afirmación del propio proveedor, reproducida sin verificación independiente y etiquetada como tal.

Cuatro tamaños, además de un estimador de distancia focal.

La familia es inusualmente explícita sobre su propio escalado. Apple publica el número de parámetros y los tamaños de descarga de los cuatro miembros, algo que la mayoría de los lanzamientos de profundidad ni siquiera se molestan en incluir:

• {{1}}Pequeño (S){{/1}} — {{2}}24 M de parámetros, 97 MB de descarga, el ideal para empezar en un portátil.{{/2}}

• Base (B): 97 M de parámetros, 386 MB.

• Grande (L) — 334 M de parámetros, 1,3 GB.

• H+ (H) — 872M parámetros, 3.5 GB, y el predeterminado que descarga la línea de comandos si no se pasa -m.

• Estimador de focal — 23,5 M de parámetros, 94 MB, un repositorio independiente que se carga junto con cualquier tamaño y predice la distancia focal de la cámara cuando la foto o el vídeo no la incluyen.

La denominación merece una nota, porque confundirá a cualquiera que escriba un archivo de configuración: el repositorio es apple/DepthPro2-H pero la opción de línea de comandos es -m depthpro2-h, mientras que la tarjeta llama a ese tamaño H+. La documentación usa ambas grafías a pocas líneas de distancia.

La arquitectura subyacente es un transformer multivista seguido de un decodificador DPT por fotograma. Después del primer tercio de los bloques del transformer, la atención alterna entre intrafotograma e interfotograma, y el decodificador ensambla tokens de varios bloques en mapas de características a entre un treintaidosavo y un cuarto de la resolución de entrada. El README reconoce a TIMM y DINOv3 como las bases del código y del modelo.

El gráfico de compensación es el único resultado.

La sección de resultados completa de la tarjeta es una figura y dos frases. La figura representa Boundary F1 frente a Jitter, las dos métricas que eligió Apple, como un diagrama de dispersión de aproximadamente dos docenas de modelos de profundidad de un solo fotograma y de varios fotogramas, con los cuatro tamaños de Depth Pro 2 en naranja y todo lo demás en azul o verde, promediados sobre los conjuntos de datos Sintel y Spring. Las dos frases dicen que Depth Pro 2 supera al trabajo previo que opera sobre un solo fotograma o varios fotogramas en ambas, y que la esquina superior derecha es la mejor.

The sharpness-versus-temporal-consistency scatter published on the Depth Pro 2 model card, plotting Boundary F1 from 0 to 0.3 against Jitter from 0.1 down to 0, with the four Depth Pro 2 sizes clustered near 0.29 F1 and 0.02 Jitter, Depth Pro at roughly 0.235 and 0.095, and single-frame and multi-frame baselines including VGGT, MapAnything and DA3-NGL further down the jitter axis, footnoted as averaged over Sintel and Spring.

Los ejes están etiquetados: Boundary F1 va de 0 a 0,3, el jitter de 0,1 a 0. Al leer las posiciones en un diagrama de dispersión, el marcador H+ se sitúa cerca de 0,29 de Boundary F1 con un jitter de alrededor de 0,017, frente a aproximadamente 0,235 y 0,095 del Depth Pro original —una gran brecha en ambos ejes. Lo que la figura no incluye es una tabla, un desglose por conjunto de datos, ninguna medición de velocidad o memoria, ni una comparación fuera de las dos docenas de modelos representados. La tarjeta dice que el artículo compara los tamaños, incluidos su velocidad y memoria, y el artículo aún no existe.

Eso no es una razón para desconfiar del modelo. Es una razón para desconfiar de cualquier artículo que te entregue un Boundary F1 de Depth Pro 2 citado con tres decimales, porque el único lugar donde existe tal cifra es un diagrama de dispersión que puedes leer con una precisión de aproximadamente una centésima, con el protocolo de evaluación remitido a un informe que no se ha publicado. Si necesitas la cifra para un documento de adquisición, estás esperando el informe.

El vídeo es lo que lo convierte en una secuela

El Depth Pro original trataba, ya desde su propio título, sobre nitidez y velocidad: Profundidad métrica monocular nítida en menos de un segundo, 2,25 megapíxeles en 0,3 segundos en una GPU estándar. Depth Pro 2 conserva la nitidez y añade un segundo eje —la consistencia temporal—, y todo el cambio de arquitectura está al servicio de ello. La atención alternante dentro y entre fotogramas es la forma en que un transformer ve varios fotogramas como una sola escena en lugar de varias imágenes.

The method diagram from the Depth Pro 2 model card showing a multi-view transformer over the input frames followed by a DPT decoder per frame, annotated with the two numbered contributions: alternating within-frame and across-frame attention after the first third of blocks, and decoder feature maps at one thirty-second to one quarter of the input resolution.

De ahí surgen dos modos de funcionamiento. El modo con búfer, el predeterminado para archivos de vídeo, procesa clips de 16 fotogramas que se solapan en cuatro, lo que mantiene estable la profundidad donde se encuentran clips consecutivos; --window y --overlap exponen ambos números. El modo sin búfer predice cada fotograma en el momento en que llega, a partir de ese fotograma y de los 15 anteriores, y es el modo para una cámara en directo. Apple es sincera al reconocer que los primeros fotogramas de un flujo tienen menos predecesores a los que prestar atención, por lo que su profundidad es menos estable: una penalización de calentamiento indicada en la documentación en lugar de descubierta en producción.

El resto del comportamiento del vídeo es un conjunto de consecuencias que conviene conocer antes de integrarlo. Un vídeo recibe una única distancia focal para todos sus fotogramas, tomada como la mediana de las estimaciones sobre su primera ventana. La memoria crece con el tamaño del fotograma y la longitud de la ventana, no con la duración del vídeo, así que el remedio documentado para un clip que no cabe es acortar la ventana primero y pasar a un modelo más pequeño después, redimensionando la entrada solo como último recurso. Y los píxeles de cielo se devuelven como profundidad infinita o, especialmente en los modelos más pequeños, como una profundidad finita de varios kilómetros; el README te dice que recortes el rango antes de construir una nube de puntos, que es el tipo de consejo que solo existe porque alguien no lo hizo.

¿Qué sigue sin confirmarse?

La lista honesta de preguntas abiertas es breve y concreta.

• Evaluación independiente: ninguna. Ningún tercero ha publicado una cifra de Boundary F1 o Jitter para Depth Pro 2, y las líneas base de la propia ficha no tienen nombre más allá de «trabajos previos que operan sobre un solo fotograma o varios fotogramas».

• Velocidad y memoria: se afirma que se comparan en el artículo, lo cual es un marcador de posición. La única indicación concreta sobre el tiempo de ejecución es que H+ tiene 3,5 GB de pesos y que S es la opción para portátil.

• La demo — el Space está enlazado dentro de un comentario HTML, marcado como oculto hasta que sea público. Que exista una demo y que se pueda acceder a una demo son afirmaciones distintas.

• El nombre — "Depth Pro 2" aparece como DepthPro2 en los nombres de repositorios, depth-pro-2 en el paquete de código y el repositorio de Core ML, y depth_pro_2 en la importación de Python. Busca los cuatro.

A screenshot of the Hugging Face model card for apple/DepthPro2, showing the Depth Pro 2 title, the badge row linking to GitHub, the technical report and the project page, the licence and tags row, and the opening paragraph describing metric depth from a single photo, a whole video or a live feed at the input's full resolution.

Ejecutarlo antes de que salga el artículo

La ruta de instalación es deliberadamente aburrida, lo cual es un punto a su favor. Instalas uv, clonas el repositorio y ejecutas uv run depth-pro-2 predict -i assets/example.jpg -o out/ para una foto o el mismo comando con un .mp4 para un vídeo. La primera ejecución descarga H+, de 3.5 GB, a menos que pases -m depthpro2-s. El comando elige el primer dispositivo disponible —CUDA, luego Apple silicon MPS y después CPU— y se ejecuta con autocast de bfloat16 en GPUs y float32 en CPU. Hay una exportación a Core ML para hardware de Apple y una app de demostración mínima para Mac que requiere macOS 15 y Xcode 16.

Los formatos de salida son donde reside el detalle práctico. El comando siempre escribe una imagen de profundidad codificada por colores, rojo cerca y azul lejos. --save-png16 añade PNG en escala de grises de 16 bits para herramientas de composición, blanco cerca y negro lejos, escalados al rango de profundidad de la foto o del primer fotograma de un vídeo, por lo que los puntos que se acercan más tarde en un vídeo se saturan. --save-npz añade el array de profundidad real en metros junto con focallength_px, que es el que quieres si vas a hacer algo numérico.

Dos convenciones te pasarán factura si te saltas la documentación. La profundidad es la distancia a lo largo del eje de visión de la cámara, la coordenada z, no la distancia en línea recta desde la lente. Y la profundidad inversa en Python se normaliza por la distancia focal: equivale a focallength_px / (width * depth). Si te equivocas en un 10 por ciento con la distancia focal, todo quedará un 10 por ciento demasiado lejos.

Nada de esto se enruta a través de nosotros. Depth Pro 2 son pesos con licencia de investigación de los propios repositorios de Apple, y si quieres ejecutarlo, lo descargas de Apple. Lo que OrcaRouter cubre es el resto del pipeline a su alrededor: una API y una clave para más de 200 modelos alojados con 0 % de recargo sobre el precio de lista del proveedor, con conmutación por error automática entre proveedores. Cuando la etapa de profundidad es un checkpoint de investigación con una cita de relleno y sin cadencia de lanzamientos, las etapas de razonamiento y redacción a su alrededor son las que quieres que sean la parte aburrida y redundante.

Qué hay que vigilar, si estás esperando en lugar de construir: un identificador de arXiv que sustituya a las X, una página de investigación que aparezca en machinelearning.apple.com y que el Space de demostración pase de estar comentado a estar enlazado. Cualquiera de esas cosas convertiría esto de una publicación de pesos en un lanzamiento, y le daría al gráfico de arriba la tabla por modelo que le falta.