
Depth Pro 2 vs VGGT: ¿profundidad métrica o geometría multivista?
- 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
Apunta un teléfono a una habitación, camina alrededor de ella y graba cuarenta segundos de vídeo. Dos modelos pueden convertir eso en geometría, y no se pondrán de acuerdo sobre qué es la geometría. Depth Pro 2, el modelo de profundidad monocular métrico de Apple, devuelve un valor de profundidad en metros para cada píxel de cada fotograma, junto con una distancia focal. VGGT —el Visual Geometry Grounded Transformer de Meta AI Research y el grupo VGG de la Universidad de Oxford, publicado en CVPR 2025— devuelve parámetros extrínsecos e intrínsecos de cámara, mapas de puntos, mapas de profundidad y trayectorias de puntos 3D para todo el conjunto de vistas a la vez.
Una de esas salidas es una medición. La otra es una reconstrucción. Elegir entre ellas no es una cuestión de cuál es más precisa, porque los dos modelos responden a preguntas diferentes, y la respuesta que necesitas la decide lo que viene después del modelo en tu flujo de procesamiento.
Para qué se creó cada modelo
VGGT es una red feed-forward que infiere todos los atributos 3D clave de una escena a partir de una vista, unas pocas o cientos de ellas, en cuestión de segundos. La propuesta es la estimación conjunta: en lugar de ejecutar un modelo de profundidad por fotograma y luego resolver las poses de cámara con una etapa separada de structure-from-motion, VGGT produce poses, parámetros intrínsecos, profundidad y trazas de puntos en una sola pasada, con las vistas atendiéndose entre sí. Por eso importa la afirmación de «cientos de vistas»: es un sustituto de un pipeline de fotogrametría, no un complemento.
Depth Pro 2 es un estimador de profundidad métrica monocular, y la palabra que hace el trabajo es métrica. Su salida es un mapa de profundidad en metros a lo largo de la dirección de visión de la cámara, calculado a partir de una sola imagen, sin necesidad de metadatos de la cámara —el modelo puede leer una distancia focal de EXIF, aceptar una que usted proporcione en píxeles o predecirla con un estimador separado de 23,5 M de parámetros que se distribuye como su propio repositorio. También admite vídeo, de ahí viene el «2»: un transformer multivista procesa los fotogramas de forma conjunta, alternando la atención dentro de cada fotograma y entre fotogramas después del primer tercio de sus bloques, y un decodificador DPT emite un mapa de profundidad inversa por fotograma.

• Unidad de trabajo: VGGT toma un conjunto de vistas; Depth Pro 2 toma una foto, un video o una transmisión en vivo.
• Salida principal — VGGT proporciona parámetros de cámara, mapas de puntos, mapas de profundidad y seguimientos de puntos 3D; Depth Pro 2 proporciona profundidad métrica además de la distancia focal que utilizó.
• Resolución de cámara — VGGT la estima como parte del problema conjunto; Depth Pro 2 lee, acepta o predice una distancia focal, sin extrínsecos.
• Escala — La salida principal de Depth Pro 2 se expresa en metros; la ficha del modelo VGGT describe parámetros de cámara, mapas de puntos, profundidad y seguimientos, y no afirma una escala métrica.
• Publicación — VGGT se publicó en CVPR 2025 (arXiv 2503.11651); los repositorios de Depth Pro 2 se crearon en noviembre de 2026, y aún está pendiente un informe técnico.
La cuestión de la escala decide la mayoría de los despliegues
Si necesitas saber que la mesa está a 0,74 metros de distancia, VGGT no te lo dice directamente, y Depth Pro 2 sí. Ese es todo el argumento en una frase, y merece la pena ser preciso sobre por qué.
La afirmación métrica de Depth Pro 2 es arquitectónica, no incidental. El Depth Pro original se construyó como modelo fundacional para profundidad métrica zero-shot, y el repositorio es explícito sobre las convenciones: la profundidad es la coordenada z a lo largo de la dirección de visión en lugar de la distancia radial, la profundidad inversa se normaliza por la distancia focal, y una distancia focal un 10 por ciento demasiado larga sitúa todo un 10 por ciento demasiado lejos. Esas son las convenciones de un modelo cuya salida está pensada para leerse como una medición, y Depth Pro 2 las hereda sin cambios en los cuatro tamaños.
La salida de VGGT es geométrica. Las extrínsecas e intrínsecas de cámara, los mapas de puntos y las trayectorias de puntos son internamente consistentes —la reconstrucción es correcta hasta una transformación de similitud global— y recuperar la escala absoluta a partir de ella es un paso aparte, que normalmente implica una referencia conocida en la escena. Para síntesis de nuevas vistas, para un recurso 3D, para cualquier cosa en la que vayas a reescalar la escena para ajustarla a un visor, eso está bien y a menudo es preferible. Para un robot que necesita saber si un obstáculo está a uno o a tres metros, es un problema que tienes que resolver fuera del modelo.
Depth Pro 2 tiene aquí sus propios problemas de honestidad. Los píxeles del cielo se devuelven como profundidad infinita o, especialmente en los modelos más pequeños, como una profundidad finita de varios kilómetros, así que una nube de puntos ingenua construida a partir de su salida tendrá una pared de geometría lejana espuria donde está el cielo. El README te indica que recortes el rango de profundidad antes de crear una nube de puntos o una imagen en color, que es el tipo de instrucción que solo aparece después de que alguien se haya llevado un buen susto.
La consistencia de video es la verdadera contribución
Depth Pro 2 no es tanto un Depth Pro mejor como uno estabilizado temporalmente, y el mecanismo está enteramente en el patrón de atención. Después del primer tercio de sus bloques, el transformer alterna atención dentro de cada fotograma y atención entre fotogramas, y el decodificador DPT ensambla tokens de varios bloques en mapas de características a entre un treinta y dosavo y un cuarto de la resolución de entrada. El objetivo de esa alternación es Jitter —la métrica de consistencia temporal—, y la página del proyecto lo reporta junto con Boundary F1, promediado sobre los conjuntos de datos Sintel y Spring, con la afirmación de que Depth Pro 2 supera a trabajos previos que operan sobre un solo fotograma o sobre múltiples fotogramas en ambos.
Ningún valor acompaña esa afirmación, y no se nombra ninguna línea base. La página solo se refiere a «trabajos previos que operan sobre un solo fotograma o sobre varios fotogramas» y a «líneas base con sus ajustes predeterminados», y el bloque de citas dice arXiv:261X.XXXXX — un marcador de posición, no un artículo. Cualquiera que cite una cifra de Boundary F1 o Jitter para Depth Pro 2 la está sacando de un gráfico.

La envolvente operativa de Depth Pro 2 es más estrecha de lo que sugiere su encuadre de vídeo, y esa estrechez está documentada. Su modo predeterminado consume clips de 16 fotogramas con cuatro fotogramas de solapamiento, y la ruta en vivo procesa cada fotograma contra los quince que lo precedieron, lo que significa que el primer segundo de cualquier flujo es el segundo más inestable que obtendrás. Una sola distancia focal sirve para todo un vídeo, elegida como la mediana sobre la ventana inicial, así que a un clip que hace zoom se le aplicará a todos los fotogramas la estimación focal correspondiente a uno solo. La memoria escala con el tamaño del fotograma y la ventana, no con la duración, y el remedio de Apple cuando un vídeo se queda sin memoria es acortar la ventana antes que reducir el modelo.
VGGT no tiene un modo equivalente, porque no lo necesita. Ya maneja todo el conjunto de vistas de forma conjunta, lo que constituye una forma más sólida de la misma garantía —siempre que puedas asumir el coste de la atención sobre cientos de vistas y que tu aplicación quiera una reconstrucción en lugar de una lectura de profundidad por fotograma.
Tamaños, exportaciones y lo que realmente ejecutas
Depth Pro 2 ofrece cuatro tamaños con cifras publicadas: S con 24 M de parámetros y 97 MB, B con 97 M y 386 MB, L con 334 M y 1,3 GB, y H+ con 872 M y 3,5 GB, con H+ como opción predeterminada y S recomendada para portátiles. Los archivos de configuración muestran la estructura de la familia: backbones DINOv3 ViT-S y ViT-B en el par pequeño que atienden en los bloques 5, 7, 9 y 11, ViT-L atiende en los bloques 9 a 23, ViT-H+ en los bloques 11 a 31, con dimensiones de decodificador de 64, 128, 256 y 256. Las exportaciones de Core ML para Apple silicon se distribuyen como un repositorio separado, y el repositorio de código incluye una app de demostración para Mac para profundidad en vivo desde la cámara.
VGGT-1B es un único checkpoint de mil millones de parámetros, y la familia ha avanzado desde entonces. VGGT-Omega se lanzó el 18 de mayo de 2026 como «el siguiente paso de VGGT», y existe un checkpoint comercial, VGGT-1B-Commercial, junto al original con un AUC@30 de 90,37 en Co3D frente a 89,98 del original —la única cifra de benchmark en la ficha del modelo, y además marginal—. VGGT-1B acumula 748.148 descargas en el momento de redactar esto, lo que dice algo sobre lo ampliamente que la comunidad investigadora lo adoptó como referencia.

Depth Pro 2 es la historia opuesta. Sus cuatro checkpoints tienen descargas en las decenas, los repositorios se crearon a principios de noviembre de 2026 y los únicos «me gusta» en el repositorio de la ficha son un puñado. Es un modelo que se ha publicado y aún no se ha adoptado. Vale la pena saberlo antes de comprometerte: si encuentras un error, serás tú quien abra la incidencia.
Licenciamiento y el punto de control comercial
VGGT-1B es CC BY-NC 4.0, no comercial. La existencia de VGGT-1B-Commercial es el detalle interesante: Meta distribuyó una variante con licencia comercial, lo que significa que existe un camino desde la investigación hasta el producto sin necesidad de negociar una licencia. Los pesos de Depth Pro 2 están bajo la licencia Apple Machine Learning Research Model, solo para uso en investigación, definida por el repositorio como actividades de investigación científica y desarrollo académico no comerciales.
Ninguna de las dos licencias es una licencia de producto sobre el checkpoint abierto. La diferencia es que la familia de VGGT incluye una opción comercial y la de Depth Pro 2 no, así que si vas a construir para generar ingresos, una de estas tiene una puerta y la otra tiene una pared.
Este es el mismo cálculo que aparece una capa más arriba en cualquier pipeline de producción. Un modelo de reconstrucción es una sola llamada; a su alrededor está la parte que lee una escena, decide qué hacer y lo deja por escrito —trabajo de modelos de lenguaje, donde el proveedor fija un precio y un agregador lo traslada tal cual o no. La propuesta de OrcaRouter es un margen del 0 % en 217 modelos con conmutación por error automática entre proveedores, algo que importa sobre todo precisamente aquí: cuando la etapa de geometría es un checkpoint de investigación con un puñado de descargas y sin cadencia de lanzamientos, quieres que el resto del pipeline sea la parte aburrida y redundante.
¿Quién debería empezar con cuál?
Empieza con VGGT si vas a reconstruir una escena a partir de muchas vistas y vas a gestionar la escala en etapas posteriores —síntesis de vistas novedosas, un recurso 3D, un conjunto de datos creado a partir de vídeo donde la geometría es el producto final. La resolución conjunta de cámara y geometría es lo que hace que merezca la pena los mil millones de parámetros, y VGGT-Omega es la generación actual si empiezas desde cero.
Empieza por Depth Pro 2 si necesitas metros a partir de un solo fotograma, o si necesitas que la profundidad se mantenga estable fotograma a fotograma en una emisión en vivo. El ajuste de tamaño es real y el flujo de trabajo en portátil está documentado. Entra con la expectativa de recortar la profundidad del cielo, de ser la primera persona en reportar la mayoría de los errores y de tener que esperar al informe técnico antes de poder citarle a alguien una cifra de Boundary F1.
Lo que no deberías hacer es tratarlo como una confrontación directa. VGGT reconstruye, Depth Pro 2 mide, y la única comparación honesta es cuál de los dos puede consumir tu código posterior. Para la mayoría de los pipelines 3D, la respuesta es VGGT y un paso de recuperación de escala; para la mayoría de los pipelines de robótica y AR, es Depth Pro 2 y un presupuesto de robustez para el humo.
