Una tarjeta de título generada para Depth Pro 2 vs Depth Anything 3, con una columna izquierda que indica profundidad métrica en metros, fotograma único y vídeo y transmisión en directo, y cuatro tamaños de hasta 872M, y una columna derecha que indica profundidad relativa, poses y parámetros intrínsecos de cámara, y cuatro tamaños de hasta 1.15B, además de un logotipo de OrcaRouter.
Guides & Insights

Depth Pro 2 vs Depth Anything 3: ¿Metros o poses de cámara?

Autor

jinhao.song

Fecha de publicación

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

Hazles a ambos modelos la misma pregunta —¿a qué distancia está esto?— y solo uno de ellos responde en metros. Depth Pro 2, el modelo de profundidad monocular métrico de Apple, devuelve un mapa de profundidad en metros a lo largo del eje de visión de la cámara, además de la distancia focal que utilizó. Depth Anything 3, el modelo fundacional ByteDance Seed publicado en noviembre de 2025, enumera la «profundidad relativa» como su primera capacidad, junto con la estimación de pose de cámara y el condicionamiento por pose. Te ofrece profundidad salvo una escala desconocida, y te ofrece las cámaras que permiten recuperar esa escala.

Esa única diferencia decide la mayoría de las integraciones antes de que la precisión entre en la conversación, y es la razón por la que una comparación directa de benchmarks entre estos dos es menos útil de lo que parece. Los dos laboratorios informan sobre métricas distintas, frente a líneas base distintas, y ninguno ha ejecutado la evaluación del otro. A continuación se presenta lo que cada repositorio documenta realmente, con las afirmaciones de los proveedores etiquetadas como tales.

Dos resultados diferentes, con una letra de diferencia

El objeto de predicción de Depth Anything 3 es el lugar más claro para empezar, porque es inusualmente explícito. Una sola llamada devuelve la profundidad como [N, H, W] float32, un mapa de confianza de la misma forma, extrínsecos como matrices mundo-a-cámara [N, 3, 4] e intrínsecos como [N, 3, 3]. Las exportaciones se realizan a GLB, NPZ, PLY, mini-NPZ, PLY de Gaussian-splat o un vídeo de Gaussian-splat.

La salida de Depth Pro 2 es más concreta y útil de inmediato si la respuesta que necesitas es un número. Devuelve un mapa de profundidad en metros, una distancia focal en píxeles y —en la salida NPZ de la línea de comandos— esas dos matrices y nada más. La conversión a una nube de puntos queda a tu cargo, usando la distancia focal y el centro de la imagen como punto principal, o tu punto principal real si la cámara está calibrada.

• Escala — La salida de Depth Pro 2 es métrica; {{1}}la profundidad de Depth Anything 3 es relativa{{/1}}, y la escala se recupera a partir de la pose y los intrínsecos que también devuelve.

• Parámetros de la cámara — Depth Anything 3 predice parámetros extrínsecos e intrínsecos; Depth Pro 2 predice solo la distancia focal y no tiene noción de dónde se encuentra la cámara.

• Confianza — Depth Anything 3 devuelve un mapa de confianza por píxel; Depth Pro 2 no devuelve ninguno.

• Entrada — Depth Pro toma una foto, un archivo de vídeo o una señal de cámara en directo; Depth Anything 3 toma una lista de imágenes como un único conjunto de vistas.

• Licencia — Los pesos de Depth Pro 2 son únicamente para investigación bajo la licencia Apple Machine Learning Research Model; Depth Anything 3 es Apache 2.0 en 0.08B y 0.12B, y CC BY-NC 4.0 en 0.35B y 1.15B.

Los cuatro tamaños no están alineados

Ambas familias publican cuatro checkpoints, y el número de parámetros cae en casi los mismos valores, lo que hace tentador compararlos uno a uno. Resista esa tentación.

Depth Anything 3 publica 0,08B, 0,12B, 0,35B y 1,15B — 34,3M, 135,4M, 410,9M y 1.355,7M parámetros según los metadatos de safetensors. Depth Pro 2 publica 24M, 97M, 334M y 872M. Los dos tamaños más pequeños de Depth Pro 2 son considerablemente más pequeños que sus equivalentes de Depth Anything 3, y el más grande es considerablemente más pequeño que DA3 Giant.

Las licencias se reparten según la misma división que los tamaños, y este es el detalle que importa comercialmente: los dos checkpoints pequeños de Depth Anything 3 son Apache 2.0, y sus dos grandes son CC BY-NC 4.0. Los cuatro de Depth Pro 2 están bajo la misma licencia exclusiva para investigación, definida en el repositorio como investigación científica no comercial y desarrollo académico. Así que, si necesitas un modelo de profundidad que se pueda licenciar comercialmente, Depth Anything 3-Small o -Base es la única opción en esta comparación, y Depth Pro 2 no lo es en ningún tamaño.

Depth Anything 3 también tiene una revisión 1.1, DA3-GIANT-1.1 y DA3-LARGE-1.1, con un número de parámetros idéntico al de los originales y repositorios creados el 11 de diciembre de 2025. La tarjeta original de GIANT describe la estimación gaussiana 3D como una capacidad adicional que aportan los tamaños grandes, por lo que la superficie de exportación es más amplia que la profundidad por sí sola.

Lo que afirma cada laboratorio y contra qué.

La tarjeta de Depth Anything 3 hace dos afirmaciones comparativas y nombra las líneas base para ambas: supera significativamente a Depth Anything 2 en estimación de profundidad monocular, y a VGGT en estimación de profundidad y pose multivista. Son afirmaciones específicas y falsables sobre modelos nombrados, y las cifras detalladas están en el artículo, no en la tarjeta.

La ficha de Depth Pro 2 hace una sola afirmación y nombra su línea base únicamente como «trabajo previo que opera sobre un solo fotograma o varios fotogramas». Informa que Depth Pro 2 supera a ese conjunto en Boundary F1 y Jitter, promediados sobre los conjuntos de datos Sintel y Spring, y lo ilustra con un diagrama de dispersión de esas dos métricas, con sus ejes recorriendo Boundary F1 de 0 a 0,3 y Jitter de 0,1 hacia abajo hasta 0.

The sharpness-versus-temporal-consistency scatter from 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 lower on the jitter axis, averaged over Sintel and Spring.

Depth Anything 3 aparece en ese gráfico —como DA3-NGL, una de las líneas base multifotograma de círculo abierto que se sitúan en aproximadamente 0,06 de Boundary F1 y 0,018 de jitter. Así que existe una comparación, pero solo sobre las dos métricas de Apple, promediadas entre Sintel y Spring, sin que se impriman junto a ellas cifras de profundidad de Depth Anything 3. El propio conjunto de comparación de ByteDance es Depth Anything 2 y VGGT, sobre las métricas que eligió ByteDance, y DA3-NGL no se menciona allí. Los dos conjuntos no coinciden: sea cual sea la tarjeta que leas, el otro laboratorio eligió los ejes, y ninguno publicó una tabla compartida.

Eso no es una forma de eludir la cuestión de cuál es el ganador. Es el estado real de la evidencia, y vale la pena decirlo con claridad, porque la alternativa —elegir el gráfico de proveedor que favorezca al modelo que ya prefieres— es justamente cómo se toman las malas decisiones de compra.

La consistencia de vídeo es todo el argumento de Apple.

Depth Pro 2 existe debido a una debilidad específica en la profundidad monocular: si se ejecuta un modelo por fotograma en video, la profundidad parpadea, porque cada fotograma se estima sin conocimiento de sus vecinos. La solución de Apple es arquitectónica. El modelo es un transformer multivista sobre los fotogramas de entrada y, tras el primer tercio de sus bloques, la atención alterna entre intra-fotograma e inter-fotograma. Después, un decodificador DPT por fotograma ensambla tokens de varios bloques en mapas de características a entre un treinta y dosavo y un cuarto de la resolución de entrada.

The architecture diagram from the Depth Pro 2 model card showing a multi-view transformer processing input frames jointly, followed by a DPT decoder producing an inverse depth map per frame, with numbered annotations for alternating within-frame and across-frame attention and multi-scale decoder feature maps.

Los modos de funcionamiento se derivan de ello. El modo con búfer, el predeterminado para archivos de video, procesa fragmentos de 16 fotogramas con una superposición de cuatro, de modo que la profundidad se mantiene estable entre los límites de los fragmentos. El modo sin búfer predice cada fotograma a medida que llega a partir de ese fotograma y de los 15 anteriores, para uso con cámara, con la advertencia documentada de que los primeros fotogramas de un flujo tienen menos predecesores y, por lo tanto, una profundidad menos estable. Un video recibe una única distancia focal en todos los fotogramas: la mediana de las estimaciones durante la primera ventana.

Depth Anything 3 gestiona varias vistas de forma conjunta por diseño, ya que eso es lo que hace un modelo de conjunto de vistas, pero su planteamiento es la reconstrucción más que la estabilización. El lenguaje de la tarjeta trata de recuperar el espacio visual a partir de cualquier vista, y las salidas —extrínsecos, intrínsecos, mapas de puntos, splats gaussianos— son el lenguaje de una canalización de reconstrucción 3D. Si tu problema es «este vídeo parpadea», Depth Pro 2 tiene un modo para ello y Depth Anything 3 es un producto diferente.

Obtener la profundidad en metros en cualquier caso

La profundidad relativa de Depth Anything 3 no es tanto una limitación como una división del trabajo: el modelo te entrega las cámaras, y son las cámaras las que convierten la profundidad relativa en metros. Esa conversión es trabajo real —un factor de escala por escena, a partir de una línea base conocida, el tamaño conocido de un objeto o un sensor— y es el mismo trabajo que Depth Pro 2 ya ha hecho internamente.

La salida métrica de Depth Pro 2 conlleva sus propios modos de fallo, y están documentados. La profundidad escala con la distancia focal, así que una distancia focal un 10 por ciento demasiado larga sitúa todo un 10 por ciento demasiado lejos. Los píxeles de cielo se devuelven como profundidad infinita o, especialmente en los modelos más pequeños, como una profundidad finita de varios kilómetros, así que el README te indica que recortes el rango antes de construir una nube de puntos o una imagen en color. En Python, la profundidad inversa se normaliza por la distancia focal y es igual a focallength_px / (width * depth). Un flujo pertenece a un solo vídeo y conserva sus fotogramas recientes y su distancia focal hasta que abres uno nuevo.

Ninguno de los dos modelos sustituye a un sensor de profundidad en una superficie sin textura o reflectante. Ambos infieren la escala a partir de evidencia visual, y ambos fallarán en los mismos tipos de lugares por los mismos tipos de razones.

Cuánto cuesta ejecutar ambos

La diferencia práctica está en el grafo de dependencias. Depth Pro 2 se instala como un paquete de Python desde el repositorio de GitHub con uv, expone una línea de comandos (uv run depth-pro-2 predict -i photo.jpg -o out/) y una API de Python, e incluye exportaciones de Core ML para Apple silicon además de una aplicación de demostración para Mac. El repositorio deja claro que contiene código para ejecutar los modelos, pero no código de entrenamiento ni de evaluación.

Depth Anything 3 se instala como paquete editable desde el repositorio de ByteDance Seed y expone una CLI (da3 auto path/to/images --export-format glb) con un proceso de backend opcional para inferencia repetida, que es el tipo de detalle que solo aparece cuando alguien lo ejecuta en bucle.

Ambos son checkpoints de investigación de propósito único, y ninguno de los dos es algo que enrutes. Lo que rodea a una etapa de profundidad es trabajo de modelos de lenguaje —describir una escena, decidir qué hacer al respecto, escribir el resultado—, y ahí es donde un único endpoint justifica su existencia: OrcaRouter pone más de 200 modelos alojados detrás de una única API compatible con OpenAI con un 0 % de recargo sobre el precio de lista del proveedor, de modo que las etapas de razonamiento en torno a tu modelo de profundidad son una sola clave y una sola factura. El checkpoint de profundidad sigue siendo una dependencia que fijas; el pipeline que lo rodea no tiene por qué serlo.

¿Con cuál empezar?

Empieza con Depth Anything 3 si estás reconstruyendo una escena a partir de varias vistas y quieres las cámaras, los mapas de puntos y los splats gaussianos en una sola llamada, y si una licencia Apache 2.0 en los tamaños pequeños es lo que hace posible el proyecto en absoluto. Su conjunto de comparación tiene nombre propio, sus salidas son amplias, y los checkpoints pequeños son lo único de este artículo que se puede licenciar comercialmente.

Empieza por Depth Pro 2 si la respuesta que necesitas es una distancia en metros a partir de un solo fotograma o de una señal en directo, y si la estabilidad entre fotogramas es la propiedad sin la cual tu aplicación falla. Entra con la expectativa de recortar la profundidad del cielo, de fijar la distancia focal deliberadamente y de ser de los primeros: los repositorios tienen descargas en las decenas, el código tiene un solo commit y el informe técnico sigue siendo un marcador de posición.

Lo que ninguno de los dos modelos te ofrece es una afirmación defendible de que supera al otro, porque ninguno de los dos laboratorios realizó la prueba. Elige en función del formato de salida, la licencia y si tu entrada es un vídeo. Esas tres preguntas tienen respuesta hoy; la tabla de clasificación no.

A generated two-column scoreboard comparing Depth Pro 2 and Depth Anything 3 across six dimensions: depth type, camera parameters, video handling, largest model size, licence and published numbers, with a footer noting that no shared benchmark exists.