
Depth Pro 2 vs MoGe-2: consistencia de vídeo vs mapas de puntos
- OrcaNUEVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 por 1M de tokens · 186 tok/s
- tencentNUEVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 por 1M de tokens · 358 tok/s
- GoogleNUEVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 87 tok/s
- AnthropicNUEVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 139 tok/s
- orcaNUEVOOrca: OrcaC2 1.02026-11-0737 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 por 1M de tokens · 80 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 por 1M de tokens · 117 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 111 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencia
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 210 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencia
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligencia
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 por 1M de tokens · 168 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligencia
Depth Pro 2 y MoGe-2 son modelos métricos de geometría monocular de grandes laboratorios de investigación y, a fecha de este texto, nadie ha publicado una cifra que enfrente a uno con el otro. Depth Pro 2, de Apple, informa Boundary F1 y Jitter, promediados sobre los conjuntos de datos Sintel y Spring. MoGe-2, de Microsoft, informa precisión geométrica relativa, escala métrica y preservación de detalles en su propia combinación de evaluación. Los dos conjuntos de métricas no se intersectan, lo que significa que toda afirmación de que "X supera a Y" que encuentres sobre este emparejamiento o es inventada o está tomada de un benchmark que ninguno de los dos laboratorios ejecutó.
Eso no es una evasiva. Es lo más útil que puedes saber antes de pasar una semana integrando cualquiera de los dos. Lo que sí puedes comparar es lo que cada repositorio entrega realmente, aquello para lo que cada modelo fue diseñado para fallar y cuáles de esas debilidades acaban afectando a tu pipeline. Este artículo lo hace, y es explícito sobre qué afirmaciones provienen de un README de proveedor y cuáles no provienen de nada en absoluto.
Lo que realmente contiene cada repositorio
Depth Pro 2 se distribuye en varios repositorios de Hugging Face en lugar de uno solo. El repositorio de la tarjeta, apple/DepthPro2, contiene el README y las figuras; los pesos se dividen por tamaño en apple/DepthPro2-S, apple/DepthPro2-B, apple/DepthPro2-L y apple/DepthPro2-H. Un repositorio aparte, apple/DepthPro2-focal, contiene un estimador independiente de longitud focal de 23.5M de parámetros que se carga junto con cualquier tamaño. Otro, apple/DepthPro2-coreml, contiene exportaciones de Core ML para Apple silicon. El repositorio de código es apple-aiml-research/ml-depth-pro-2 en GitHub.

Los cuatro tamaños abarcan desde 24 M de parámetros con 97 MB (S), pasando por 97 M con 386 MB (B) y 334 M con 1,3 GB (L), hasta 872 M con 3,5 GB (H+, el predeterminado). Sus configuraciones confirman la relación de familia: S y B usan backbones DINOv3 ViT-S y ViT-B con atención entre fotogramas en los bloques 5, 7, 9 y 11; L lo amplía a los bloques 9 a 23 con un decodificador DPT de 256 dimensiones; H+ llega a los bloques 11 a 31 y ensambla tokens en los bloques 7, 15, 23 y 31.
MoGe-2 se distribuye como cuatro checkpoints bajo la organización Ruicheng: moge-2-vitl con 326 M de parámetros sin normales, y las variantes -normal moge-2-vitl-normal con 331 M, moge-2-vitb-normal con 104 M y moge-2-vits-normal con 35 M. Cada una devuelve un mapa de puntos métrico en coordenadas de cámara de OpenCV, un mapa de profundidad, intrínsecos de cámara normalizados y una máscara de píxeles válidos, con el mapa de normales añadido en las variantes que lo incluyen. MoGe-2 es la segunda generación; desde entonces, la familia ha pasado a MoGe-3, anunciado el 18 de agosto de 2026 con un modelo ViT-g de 1,25 B de parámetros, por lo que MoGe-2 ahora es la versión anterior en lugar de la actual.

Donde los dos diseños divergen
• Modalidad de entrada — Depth Pro 2 acepta una foto, un archivo de video o una transmisión de cámara en vivo; MoGe-2 acepta una sola imagen.
• Afirmación principal — Depth Pro 2 promete nitidez y consistencia temporal; MoGe-2 promete escala métrica además de detalle fino, logrado mediante un paso de refinamiento de datos unificado que utiliza etiquetas sintéticas nítidas para filtrar y completar datos de entrenamiento reales.
Superficie de salida — Depth Pro 2 devuelve la profundidad en metros junto con la distancia focal que utilizó; MoGe-2 devuelve un mapa de puntos completo, profundidad, intrínsecos y una máscara, con normales en las variantes que las incluyen.
• Distancia focal — Depth Pro 2 incluye un estimador independiente y también puede leer EXIF o aceptar una distancia focal conocida en píxeles; MoGe-2 puede tomar el campo de visión como verdad de referencia opcional para mejorar la precisión.
• Escala — MoGe-2 añadió escala métrica del mundo real respecto a MoGe-1, que producía mapas de puntos invariantes a transformaciones afines con escala desconocida; Depth Pro 2 hereda la escala métrica del Depth Pro original.
• Licencia — Los pesos de Depth Pro 2 están bajo la licencia Apple Machine Learning Research Model, solo para uso en investigación, definido como investigación científica no comercial y desarrollo académico. El código de MoGe-2 es MIT, con el DINOv2 incluido bajo Apache 2.0.
La pregunta del video es todo el argumento.
La decisión arquitectónica distintiva de Depth Pro 2 es que un transformer multivista procesa uno o más fotogramas de forma conjunta y, tras el primer tercio de sus bloques, alterna entre atención dentro de cada fotograma y atención entre fotogramas. Después, un decodificador DPT predice un mapa de profundidad inversa por fotograma. Esa es la maquinaria que hay detrás del número Jitter —la métrica de consistencia temporal— y es la razón por la que el modelo tiene, siquiera, una dimensión de vídeo.
En la práctica, eso significa dos modos de funcionamiento. El modo predeterminado, con búfer, procesa fragmentos de 16 fotogramas que se solapan en cuatro, lo que mantiene estable la profundidad donde se unen los fragmentos; los ajustes de ventana y solapamiento exponen la longitud del fragmento y el solapamiento. El modo sin búfer predice cada fotograma a medida que llega usando ese fotograma y los 15 anteriores, que es el modo que se desea para una cámara. La propia documentación de Apple es franca sobre el costo de la ruta en vivo: los primeros fotogramas de una secuencia tienen menos fotogramas anteriores a los que prestar atención, por lo que su profundidad es menos estable. Un vídeo recibe una única longitud focal para todos sus fotogramas, tomada como la mediana de las estimaciones durante su primera ventana.
MoGe-2 no tiene equivalente. Es un modelo de imagen única, y ejecutarlo sobre vídeo implica hacerlo fotograma a fotograma y aceptar el parpadeo que surja. Para una tarea de reconstrucción estática —fotogrametría, un pipeline de assets de imagen fija a 3D, cualquier caso en el que cada fotograma sea independiente— eso no es en absoluto una limitación. Para un robot o una superposición de AR, es la diferencia entre que sea utilizable o no.
Qué significa "metric" en cada salida
Ambos modelos afirman trabajar en metros, y ambos hacen algo ligeramente distinto con esa palabra. Depth Pro 2 devuelve la distancia a lo largo de la dirección de visión de la cámara —la coordenada z—, no la distancia en línea recta desde la cámara. También normaliza la profundidad inversa por la distancia focal, de modo que la profundidad inversa es igual a la distancia focal en píxeles dividida entre el producto de la anchura de la imagen y la profundidad. Los píxeles del cielo se devuelven como profundidad infinita o, especialmente en los modelos más pequeños, como una profundidad finita de varios kilómetros, un detalle que conviene gestionar antes de construir una nube de puntos.
MoGe-2 devuelve un mapa de puntos directamente, lo que evita esa conversión. Esa es la salida más útil si de todos modos vas a pasar a 3D, y es la razón por la que el modelo informa los parámetros intrínsecos junto con la profundidad: el mapa de puntos solo tiene sentido en un marco de cámara que también conozcas. Ninguna de las dos salidas sustituye a un sensor de profundidad real cuando la escena no tiene textura para anclar la escala; ambas están estimando, y ambas se desviarán en superficies reflectantes o transparentes.
El licenciamiento es la decisión, no el punto de referencia.
Ninguno de los dos modelos se puede usar comercialmente tal como se distribuye, pero las restricciones difieren de maneras que son relevantes para una revisión legal. Los pesos de Depth Pro 2 están bajo la licencia Apple Machine Learning Research Model, que permite su uso exclusivamente con fines de investigación, y el repositorio define eso como actividades de investigación científica no comercial y de desarrollo académico. El código tiene una licencia separada, y el repositorio reconoce que se basa en TIMM y DINOv3.
El código de MoGe-2 es MIT, lo que está cerca de no tener restricciones, aunque los pesos no tienen términos separados en la tarjeta del modelo y el código de DINOv2 incluido es Apache 2.0. Si tu pregunta es «¿puedo distribuir esto en un producto?», la respuesta honesta para ambos es que necesitas una conversación con legal, y la conversación sobre MoGe-2 es más corta. Si tu pregunta es «¿puedo publicar un artículo con esto?», ambos están bien.

Lo que los números faltantes deberían decirte
El informe técnico de Depth Pro 2 aún no existe. El bloque de citas del repositorio sigue indicando arXiv:261X.XXXXX, y las X no son una censura: son un marcador de posición que no se ha completado. La página del proyecto nombra las métricas que afirma superar, Boundary F1 y Jitter, y no nombra ninguna línea base, y solo se refiere a «trabajos previos que operan sobre un solo fotograma o varios fotogramas» y a «líneas base con su configuración predeterminada».
MoGe-2 tiene un artículo real, arXiv 2507.02546, pero su resumen también carece de cifras; la evaluación se remite a un documento aparte. Así que la tabla comparativa que probablemente esperabas no existe en ninguno de los dos lados, y cualquier artículo que te la ofrezca está citando la lectura de una gráfica.
Lo cual vale la pena tener en cuenta cuando fijas el precio del resto del stack. Un modelo de profundidad es una etapa de un pipeline que también tiene que describir la escena, decidir qué hacer con ella y escribir el resultado en algún lugar; y esas etapas son llamadas a modelos de lenguaje, donde los precios son públicos y directamente comparables. Ese es el argumento para ponerlas detrás de una sola API en lugar de tres: OrcaRouter enruta 217 modelos con una sola clave con un 0 % de recargo, lo que significa que el precio de lista del proveedor se transmite sin cambios, de modo que una reducción de precio del proveedor se aplica el mismo día en lugar de cuando un agregador se vuelva a sincronizar. La conmutación automática por error entre proveedores importa por la misma razón, pero a la inversa: si la etapa de razonamiento es la que tiene que mantenerse activa, quieres que el trabajo de profundidad sea lo único del pipeline al que se le permita fallar en silencio.
¿Cuál elegir?
Si tienes vídeo y te importa el parpadeo, Depth Pro 2 es el único de estos dos con una respuesta, y su respuesta es arquitectura real: atención entre fotogramas, ventanas superpuestas y un modo en vivo con una penalización de calentamiento documentada. Empieza con S en un portátil, como sugiere la propia documentación de Apple, y sube de nivel solo cuando los bordes no sean lo bastante nítidos.
Si tienes imágenes fijas y quieres un mapa de puntos, MoGe-2 te ofrece más superficie de salida por llamada, y las variantes normales te dan una segunda señal que, de otro modo, tendrías que estimar. Su escala métrica es la mejora respecto a MoGe-1, y se mantiene.
Lo que ninguno de los dos te da es una afirmación defendible de que sea mejor que el otro, porque ninguno de los laboratorios realizó el experimento. Trata el emparejamiento como dos herramientas distintas con nombres que se solapan, no como una lista ordenada, hasta que alguien publique las cifras.
