
Depth Pro 2 vs MoGe-2 : cohérence vidéo vs cartes de points
- OrcaNOUVEAUOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 par million de tokens · 186 tok/s
- tencentNOUVEAUTencent: Hy4 Flash2026-11-16$0.02 / $0.07 par million de tokens · 358 tok/s
- GoogleNOUVEAUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 par million de tokens · 87 tok/s
- AnthropicNOUVEAUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 par million de tokens · 139 tok/s
- orcaNOUVEAUOrca: OrcaC2 1.02026-11-0737 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 par million de tokens · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 par million de tokens · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 par million de tokens · 80 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 par million de tokens · 117 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 par million de tokens · 111 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 par million de tokens · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 par million de tokens · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 par million de tokens · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligence
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 par million de tokens · 210 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligence
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 par million de tokens · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligence
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 par million de tokens · 168 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligence
Depth Pro 2 et MoGe-2 sont tous deux des modèles de géométrie monoculaire métrique issus de grands laboratoires de recherche, et à ce jour personne n'a publié de chiffre permettant de les comparer l'un à l'autre. Depth Pro 2 d'Apple rapporte les métriques Boundary F1 et Jitter, moyennées sur les jeux de données Sintel et Spring. MoGe-2 de Microsoft rapporte la précision géométrique relative, l'échelle métrique et la préservation des détails sur sa propre combinaison d'évaluation. Les deux ensembles de métriques ne se recoupent pas, ce qui signifie que toute affirmation du type « X bat Y » que vous trouverez à propos de ce duo est soit inventée, soit empruntée à un benchmark qu'aucun des deux laboratoires n'a exécuté.
Ce n’est pas une esquive. C’est la chose la plus utile à savoir avant de passer une semaine à intégrer l’un ou l’autre. Ce que vous pouvez comparer, c’est ce que chaque dépôt livre réellement, les domaines dans lesquels chaque modèle a été conçu pour être médiocre, et laquelle de ces faiblesses se répercute sur votre pipeline. Cet article s’en charge, et il précise explicitement quelles affirmations proviennent d’un README de fournisseur et lesquelles ne reposent sur rien du tout.
Ce que contient réellement chaque dépôt
Depth Pro 2 est réparti sur plusieurs dépôts Hugging Face plutôt que sur un seul. Le dépôt de la fiche modèle, apple/DepthPro2, contient le README et les figures ; les poids sont répartis par taille entre apple/DepthPro2-S, apple/DepthPro2-B, apple/DepthPro2-L et apple/DepthPro2-H. Un dépôt distinct, apple/DepthPro2-focal, contient un estimateur de distance focale autonome de 23,5 M de paramètres qui se charge avec n'importe quelle taille. Un autre, apple/DepthPro2-coreml, contient des exports Core ML pour Apple silicon. Le dépôt de code est apple-aiml-research/ml-depth-pro-2 sur GitHub.

Les quatre tailles vont de 24 M de paramètres pour 97 Mo (S) à 97 M pour 386 Mo (B), puis 334 M pour 1,3 Go (L) et 872 M pour 3,5 Go (H+, la version par défaut). Leurs configurations confirment la parenté de la famille : S et B utilisent des backbones DINOv3 ViT-S et ViT-B avec une attention inter-images aux blocs 5, 7, 9 et 11 ; L étend cela aux blocs 9 à 23 avec un décodeur DPT à 256 dimensions ; H+ passe aux blocs 11 à 31 et assemble les tokens aux blocs 7, 15, 23 et 31.
MoGe-2 est disponible sous forme de quatre checkpoints au sein de l’organisation Ruicheng : moge-2-vitl avec 326M de paramètres sans normales, et les variantes -normal moge-2-vitl-normal avec 331M, moge-2-vitb-normal avec 104M et moge-2-vits-normal avec 35M. Chacun renvoie une carte de points métrique dans les coordonnées caméra OpenCV, une carte de profondeur, des paramètres intrinsèques de caméra normalisés et un masque de pixels valides, la carte des normales étant ajoutée sur les variantes qui l’incluent. MoGe-2 est la deuxième génération ; la famille est depuis passée à MoGe-3, annoncé le 18 août 2026 avec un modèle ViT-g de 1,25 milliard de paramètres, si bien que MoGe-2 est désormais la version précédente plutôt que la version actuelle.

Là où les deux conceptions divergent
• Modalité d'entrée — Depth Pro 2 accepte une photo, un fichier vidéo ou un flux de caméra en direct ; MoGe-2 accepte une seule image.
• Affirmation phare — Depth Pro 2 revendique une netteté et une cohérence temporelle ; MoGe-2 revendique une échelle métrique ainsi qu’un niveau de détail fin, obtenus grâce à une étape unifiée de raffinement des données qui utilise des étiquettes synthétiques nettes pour filtrer et compléter des données d’entraînement réelles.
• Surface de sortie — Depth Pro 2 renvoie la profondeur en mètres ainsi que la distance focale utilisée ; MoGe-2 renvoie une carte de points complète, la profondeur, les paramètres intrinsèques et un masque, avec les normales sur les variantes qui les incluent.
• Longueur focale — Depth Pro 2 est fourni avec un estimateur distinct et peut également lire les données EXIF ou accepter une longueur focale connue en pixels ; MoGe-2 peut utiliser le champ de vision comme vérité terrain facultative afin d'améliorer la précision.
• Échelle — MoGe-2 a ajouté une échelle métrique réelle par rapport à MoGe-1, qui produisait des cartes de points invariantes par transformation affine avec une échelle inconnue ; Depth Pro 2 hérite de l’échelle métrique du Depth Pro d’origine.
• Licence — Les poids de Depth Pro 2 sont sous la licence Apple Machine Learning Research Model, à usage de recherche uniquement, définie comme la recherche scientifique non commerciale et le développement académique. Le code de MoGe-2 est sous licence MIT, avec le DINOv2 intégré sous Apache 2.0.
La question de la vidéo, c’est tout l’argument.
La décision architecturale distinctive de Depth Pro 2 est qu’un transformer multi-vues traite une ou plusieurs images conjointement et, après le premier tiers de ses blocs, alterne l’attention au sein de chaque image et l’attention entre les images. Un décodeur DPT prédit ensuite une carte de profondeur inverse par image. C’est la mécanique derrière le nombre Jitter — la métrique de cohérence temporelle — et c’est pourquoi le modèle a une dimension vidéo.
En pratique, cela signifie deux modes de fonctionnement. Le mode par défaut, avec tampon, traite des clips de 16 images qui se chevauchent de quatre, ce qui maintient la profondeur stable là où les clips se rejoignent ; les paramètres de fenêtre et de chevauchement exposent la longueur du clip et le chevauchement. Le mode sans tampon prédit chaque image au fur et à mesure de son arrivée en utilisant cette image et les 15 précédentes, ce qui est le mode que vous voulez pour une caméra. La documentation d’Apple elle-même est franche sur le coût du chemin en direct : les premières images d’un flux ont moins d’images précédentes auxquelles s’attacher, de sorte que leur profondeur est moins stable. Une vidéo reçoit une seule longueur focale pour toutes ses images, prise comme la médiane des estimations sur sa première fenêtre.
MoGe-2 n'a pas d'équivalent. C'est un modèle à image unique, et l'exécuter sur de la vidéo revient à l'exécuter image par image et à accepter le scintillement qui en résulte. Pour une tâche de reconstruction statique — photogrammétrie, pipeline de conversion d'images fixes en actifs 3D, tout cas où chaque image est indépendante — ce n'est pas une limite du tout. Pour un robot ou une surcouche AR, c'est la différence entre utilisable et inutilisable.
Ce que « metric » signifie dans chaque sortie
Les deux modèles annoncent des mesures en mètres, et tous deux font quelque chose de légèrement différent avec ce mot. Depth Pro 2 renvoie la distance le long de la direction de visée de la caméra — la coordonnée z — et non la distance en ligne droite depuis la caméra. Il normalise aussi la profondeur inverse par la longueur focale, de sorte que la profondeur inverse est égale à la longueur focale en pixels divisée par le produit de la largeur de l’image et de la profondeur. Les pixels de ciel sont renvoyés avec une profondeur infinie ou, surtout sur les modèles plus petits, avec une profondeur finie de plusieurs kilomètres, un détail qu’il vaut la peine de traiter avant de construire un nuage de points.
MoGe-2 renvoie directement une carte de points, ce qui évite cette conversion. C'est la sortie la plus utile si vous passez de toute façon en 3D, et c'est pourquoi le modèle fournit les paramètres intrinsèques en même temps que la profondeur — la carte de points n'a de sens que dans un repère caméra que vous connaissez aussi. Aucune des deux sorties ne remplace un véritable capteur de profondeur lorsque la scène n'a pas de texture pour ancrer l'échelle ; les deux font une estimation, et les deux dériveront sur des surfaces réfléchissantes ou transparentes.
L’octroi de licences est la décision, pas le benchmark.
Aucun des deux modèles n’est utilisable à des fins commerciales en l’état, mais les contraintes diffèrent d’une manière qui compte pour un examen juridique. Les poids de Depth Pro 2 sont sous licence Apple Machine Learning Research Model, qui n’autorise l’utilisation qu’à des fins de recherche, le dépôt définissant cela comme des activités non commerciales de recherche scientifique et de développement académique. Le code fait l’objet d’une licence distincte, et le dépôt reconnaît qu’il s’appuie sur TIMM et DINOv3.
Le code de MoGe-2 est sous licence MIT, ce qui est proche de l'absence de contraintes, même si les poids ne font pas l'objet de conditions distinctes sur la fiche du modèle et que le code DINOv2 fourni est sous Apache 2.0. Si votre question est « puis-je intégrer ceci dans un produit », la réponse honnête pour les deux est que vous devez en parler avec le service juridique, et la conversation sur MoGe-2 est plus courte. Si votre question est « puis-je publier un article avec ceci », les deux conviennent.

Ce que les chiffres manquants devraient vous dire
Le rapport technique de Depth Pro 2 n’existe pas encore. Le bloc de citation du dépôt affiche toujours arXiv:261X.XXXXX, et les X ne sont pas une occultation — il s’agit d’un espace réservé qui n’a pas été rempli. La page du projet nomme les métriques qu’il prétend remporter, Boundary F1 et Jitter, et ne nomme aucune baseline, en se référant uniquement à « des travaux antérieurs opérant sur une seule image ou sur plusieurs images » et à « des baselines à leurs paramètres par défaut ».
MoGe-2 a un vrai article, arXiv 2507.02546, mais son résumé est tout aussi dépourvu de chiffres ; l’évaluation est renvoyée à un document séparé. Le tableau comparatif que vous espériez probablement n’existe donc d’un côté comme de l’autre, et tout article qui vous en fournit un ne fait que citer une lecture de graphique.
Ce qu'il vaut la peine de garder à l'esprit lorsque vous établissez le prix du reste de la stack. Un modèle de profondeur n'est qu'une étape d'un pipeline qui doit aussi décrire la scène, décider quoi faire à son sujet et écrire le résultat quelque part — et ces étapes sont des appels à des modèles de langage, dont les tarifs sont publiés et directement comparables. C'est l'argument en faveur du fait de les placer derrière une seule API plutôt que trois : OrcaRouter achemine 217 modèles avec une seule clé à 0 % de marge, ce qui signifie que le prix catalogue du fournisseur est répercuté sans modification, de sorte qu'une baisse de prix d'un fournisseur est effective le jour même, et non au moment où un agrégateur se resynchronise. Le basculement automatique entre fournisseurs compte pour la même raison, mais en sens inverse — si l'étape de raisonnement est celle qui doit rester opérationnelle, vous voulez que la tâche de profondeur soit la seule chose du pipeline autorisée à échouer silencieusement.
Lequel choisir
Si vous avez de la vidéo et que le scintillement vous importe, Depth Pro 2 est le seul des deux à apporter une réponse, et sa réponse repose sur une véritable architecture — attention inter-images, fenêtres chevauchantes, un mode direct avec une pénalité de préchauffage documentée. Commencez par S sur un ordinateur portable, comme le suggère la documentation d’Apple elle-même, et montez en gamme uniquement lorsque les contours ne sont pas assez nets.
Si vous disposez d’images fixes et que vous voulez une carte de points, MoGe-2 vous offre plus de surface de sortie par appel, et les variantes normales vous donnent un second signal que vous devriez sinon estimer. Son échelle métrique constitue l’amélioration par rapport à MoGe-1, et elle tient.
Ce qu’aucun des deux ne vous donne, c’est une affirmation défendable selon laquelle il est meilleur que l’autre, car aucun des deux laboratoires n’a réalisé l’expérience. Considérez cette paire comme deux outils différents aux noms qui se chevauchent, et non comme un classement, jusqu’à ce que quelqu’un publie les chiffres.
