Kartu judul yang dihasilkan untuk Depth Pro 2, dengan subjudul Kedalaman Monokular Metrik yang Tajam dan Konsisten Secara Temporal, dengan empat chip ukuran bertuliskan S 24M, B 97M, L 334M, dan H+ 872M, chip kelima bertuliskan estimator fokal 23.5M, dan catatan kaki bertuliskan pengenal arXiv masih placeholder, plus logo OrcaRouter.
Guides & Insights

Depth Pro 2 Dirilis Tanpa Makalah: Apa yang Ditunjukkan oleh Bobotnya

Penulis

Gideon Frost

Tanggal Terbit

Model terbaru · 20Lihat semua model →
Benchmark: Artificial Analysis · diperbarui setiap hari
Kembali ke semua artikel

Gulir ke bagian paling bawah kartu model Apple Depth Pro 2 dan baca sitasinya. Delapan penulis, tanggal 2026, dan pengenal arXiv yang tertulis 261X.XXXXX. Huruf X bukanlah hasil penyensoran. Itu adalah placeholder yang belum ada orang yang kembali untuk mengisinya, dan itu adalah ringkasan paling jujur dari rilis ini: Depth Pro 2, model kedalaman monokular metrik Apple, ada sebagai bobot yang dapat Anda unduh hari ini, dan belum ada sebagai makalah yang dapat Anda baca.

Kesenjangan itulah inti ceritanya. Bukan acara peluncuran, bukan tabel benchmark, bukan demo Space — repositori itu sendiri menandai Space sebagai tersembunyi sampai menjadi publik, dan sampai tulisan ini dibuat, hal itu belum terjadi. Berikut ini adalah semua yang dapat diketahui dari repositori dan dokumentasi, dipisahkan dari hal-hal yang belum dikonfirmasi.

Apa yang dirilis, dan pada tanggal berapa

Tanggal-tanggal itulah bagian yang terdokumentasi, karena Hugging Face memberi stempel waktu pada setiap repositori yang dihostingnya. Repositori kartu model, apple/DepthPro2, dibuat pada 3 November 2026. Repositori bobot menyusul dua hari kemudian, pada 5 November, termasuk apple/DepthPro2-H di antaranya. Repositori ekspor Core ML muncul pada 9 November. Estimator panjang fokus mandiri, apple/DepthPro2-focal, muncul pada 19 November — hari yang sama ketika repositori kode, apple-aiml-research/ml-depth-pro-2, menjadi publik di GitHub.

Bacalah urutan itu sebagai lini masa rekayasa, bukan lini masa pemasaran. Kartu, bobot, ekspor Apple silicon, model kalibrasi kamera, dan kode disiapkan secara bertahap selama enam belas hari, dan bagian terakhir yang tiba adalah bagian yang membuat semuanya dapat dijalankan oleh orang yang bukan dari dalam Apple. Tidak ada apa pun dalam urutannya yang menunjukkan pengumuman terkoordinasi; ini menunjukkan tim yang mendorong artefak keluar begitu lolos tinjauan.

Penerimaannya mengonfirmasi hal itu. Repositori bobot H+ memiliki 40 unduhan dan repositori kartunya 10 suka. Repositori GitHub hanya didukung oleh satu commit. Untuk sebuah model dari lab yang menghasilkan Depth Pro, itu bukan kurva rilis — melainkan rilis yang belum diperhatikan.

Makalah ini hanyalah placeholder, bukan pracetak.

Tiga tempat terpisah menunjuk ke laporan teknis yang tidak ada. Lencana kartu model tautan ke arxiv.org/abs/TODO. Lencana README GitHub tautan ke arxiv.org/abs/261X.XXXXX. Blok BibTeX di kedua tempat menyebutkan journal = {arXiv preprint arXiv:261X.XXXXX} dan url = {https://arxiv.org/abs/261X.XXXXX}.

Untuk itu juga tidak ada halaman riset Apple Machine Learning — machinelearning.apple.com/research/depth-pro-2 mengembalikan 404, dan peta situs riset Apple mencantumkan depth-pro tetapi tidak depth-pro-2. Halaman proyek yang ditunjuk lencana, apple-aiml-research.github.io/ml-depth-pro-2, adalah satu-satunya antarmuka yang dikendalikan Apple yang dapat diakses.

Ini lebih penting daripada yang terdengar. Laporan teknis adalah tempat protokol evaluasi berada, dan tanpanya, angka yang dilaporkan kartu tidak dapat diperiksa terhadap angka yang dilaporkan baseline. Oleh karena itu, semua hal kuantitatif di bawah ini merupakan klaim vendor sendiri, direproduksi tanpa verifikasi independen, dan diberi label demikian.

Empat ukuran, ditambah estimator panjang fokus

Keluarga ini luar biasa eksplisit tentang penskalaannya sendiri. Apple menerbitkan jumlah parameter dan ukuran unduhan untuk keempat anggotanya, yang lebih dari yang biasanya dilakukan sebagian besar rilis kedalaman:

• Kecil (S) — 24 juta parameter, unduhan 97 MB, pilihan untuk memulai di laptop.

• Base (B) — 97 juta parameter, 386 MB.

• Besar (L) — 334 juta parameter, 1,3 GB.

• H+ (H) — 872M parameter, 3.5 GB, dan default yang diunduh command line jika Anda tidak meneruskan -m.

• Estimator fokus — 23,5 juta parameter, 94 MB, repositori terpisah yang dimuat bersama model berbagai ukuran dan memprediksi panjang fokus kamera saat foto atau video tidak menyertakannya.

Penamaannya perlu dicatat, karena akan membingungkan siapa pun yang menulis file konfigurasi: repositorinya adalah apple/DepthPro2-H tetapi flag baris perintahnya adalah -m depthpro2-h, sementara kartunya menyebut ukuran itu H+. Dokumentasi menggunakan kedua ejaan itu dalam jarak beberapa baris saja.

Arsitektur di bawahnya adalah transformer multi-tampilan yang diikuti dekoder DPT per-bingkai. Setelah sepertiga blok transformer pertama, atensi bergantian antara dalam-bingkai dan antar-bingkai, dan dekoder menyusun token dari beberapa blok menjadi peta fitur pada resolusi satu per tiga puluh dua hingga seperempat dari resolusi masukan. README mencantumkan TIMM dan DINOv3 sebagai fondasi kode dan model.

Grafik tradeoff adalah satu-satunya hasil

Seluruh bagian hasil pada kartu ini terdiri dari satu gambar dan dua kalimat. Gambar tersebut memplot Boundary F1 terhadap Jitter, dua metrik yang dipilih Apple, sebagai sebaran sekitar dua lusin model kedalaman satu frame dan multi-frame, dengan empat ukuran Depth Pro 2 berwarna oranye dan sisanya berwarna biru atau hijau, dirata-ratakan pada dataset Sintel dan Spring. Kedua kalimat tersebut menyatakan bahwa Depth Pro 2 mengungguli karya sebelumnya yang beroperasi pada satu frame atau beberapa frame pada keduanya, dan bahwa posisi kanan atas adalah yang terbaik.

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.

Sumbu-sumbunya diberi label: Boundary F1 berkisar dari 0 hingga 0,3, jitter dari 0,1 turun ke 0. Membaca posisi dari diagram sebar, penanda H+ berada di sekitar 0,29 Boundary F1 dengan jitter sekitar 0,017, dibandingkan dengan kira-kira 0,235 dan 0,095 untuk Depth Pro asli — jarak yang besar pada kedua sumbu. Yang tidak dimuat oleh gambar tersebut adalah tabel, rincian per dataset, pengukuran kecepatan atau memori apa pun, atau perbandingan di luar dua lusin model yang diplot. Kartu tersebut menyatakan bahwa makalahnya membandingkan ukuran-ukuran tersebut, termasuk kecepatan dan memorinya — dan makalahnya belum ada.

Itu bukan alasan untuk tidak mempercayai model tersebut. Itu adalah alasan untuk tidak mempercayai artikel mana pun yang memberi Anda Boundary F1 untuk Depth Pro 2 yang dikutip hingga tiga desimal, karena satu-satunya tempat angka seperti itu ada adalah diagram sebar yang dapat Anda baca hingga sekitar seperseratus, dengan protokol evaluasi yang diserahkan kepada laporan yang belum diterbitkan. Jika Anda memerlukan angka itu untuk dokumen pengadaan, Anda sedang menunggu laporan tersebut.

Video adalah yang membuatnya menjadi sekuel

Depth Pro yang asli, sebagaimana tersirat dalam judulnya sendiri, berfokus pada ketajaman dan kecepatan: Kedalaman Metrik Monokular yang Tajam dalam Waktu Kurang dari Satu Detik, 2,25 megapiksel dalam 0,3 detik pada GPU standar. Depth Pro 2 mempertahankan ketajaman tersebut dan menambahkan sumbu kedua — konsistensi temporal — dan seluruh perubahan arsitektur dibuat untuk melayani hal itu. Attention bergantian di dalam dan antar-frame adalah cara sebuah transformer melihat beberapa frame sebagai satu adegan, bukan sebagai beberapa gambar terpisah.

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.

Dari situ muncul dua mode operasi. Mode buffered, default untuk file video, memproses klip berisi 16 frame yang tumpang tindih sebanyak empat frame, sehingga kedalaman tetap stabil di titik pertemuan klip berurutan; --window dan --overlap mengungkap kedua angka tersebut. Mode unbuffered memprediksi setiap frame begitu tiba, berdasarkan frame itu dan 15 frame sebelumnya, dan merupakan mode untuk kamera live. Apple berterus terang bahwa frame-frame pertama dalam suatu aliran memiliki lebih sedikit pendahulu untuk diperhatikan, sehingga kedalamannya kurang stabil — penalti pemanasan yang dinyatakan dalam dokumentasi, bukan ditemukan saat produksi.

Sisa perilaku video adalah serangkaian konsekuensi yang perlu diketahui sebelum Anda mengintegrasikannya. Sebuah video mendapatkan satu panjang fokus untuk semua frame-nya, yang diambil sebagai median dari estimasi selama jendela pertamanya. Memori tumbuh seiring ukuran frame dan panjang jendela, bukan durasi video, jadi solusi yang didokumentasikan untuk klip yang tidak muat adalah mempersingkat jendela terlebih dahulu, baru kemudian beralih ke model yang lebih kecil, dan mengubah ukuran input hanya sebagai upaya terakhir. Dan piksel langit kembali sebagai kedalaman tak terbatas, atau, terutama pada model yang lebih kecil, sebagai kedalaman terbatas beberapa kilometer — README memberi tahu Anda untuk memotong rentang sebelum membangun point cloud, yang merupakan jenis saran yang hanya ada karena seseorang tidak melakukannya.

Apa yang masih belum dikonfirmasi

Daftar jujur berisi pertanyaan-pertanyaan terbuka itu singkat dan spesifik.

• Evaluasi independen — tidak ada. Tidak ada pihak ketiga yang telah menerbitkan angka Boundary F1 atau Jitter untuk Depth Pro 2, dan baseline milik kartu itu sendiri tidak diberi nama selain "pekerjaan sebelumnya yang beroperasi pada satu frame atau beberapa frame".

• Kecepatan dan memori — diklaim dibandingkan dalam makalah, yang merupakan placeholder. Satu-satunya panduan runtime yang konkret adalah bahwa H+ adalah 3.5 GB bobot dan bahwa S adalah opsi laptop.

• Demo — Space ditautkan di dalam komentar HTML, ditandai tersembunyi hingga publik. Demo yang ada dan demo yang dapat dijangkau adalah dua klaim yang berbeda.

• Nama — "Depth Pro 2" muncul sebagai DepthPro2 dalam nama repositori, depth-pro-2 dalam paket kode dan repositori Core ML, serta depth_pro_2 dalam impor Python. Cari keempatnya.

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.

Menjalankannya sebelum makalahnya terbit

Jalur instalasinya sengaja dibuat membosankan, dan itu justru menjadi nilai plus. Anda menginstal uv, meng-clone repositori, lalu menjalankan uv run depth-pro-2 predict -i assets/example.jpg -o out/ untuk foto atau perintah yang sama dengan file .mp4 untuk video. Eksekusi pertama akan mengunduh H+ sebesar 3,5 GB kecuali Anda meneruskan -m depthpro2-s. Perintah ini memilih perangkat pertama yang tersedia — CUDA, lalu Apple silicon MPS, lalu CPU — dan berjalan dengan autocast bfloat16 pada GPU, float32 pada CPU. Tersedia ekspor Core ML untuk perangkat keras Apple dan aplikasi demo Mac minimal yang memerlukan macOS 15 dan Xcode 16.

Format keluaran adalah tempat detail praktisnya berada. Perintah ini selalu menulis citra kedalaman berkode warna, merah untuk dekat dan biru untuk jauh. --save-png16 menambahkan PNG skala abu-abu 16-bit untuk alat compositing, putih untuk dekat dan hitam untuk jauh, diskalakan ke rentang kedalaman foto atau frame pertama video — sehingga titik-titik yang menjadi lebih dekat di kemudian hari dalam video akan mengalami saturasi. --save-npz menambahkan array kedalaman aktual dalam meter plus focallength_px, yang merupakan pilihan yang Anda inginkan jika Anda melakukan hal-hal yang bersifat numerik.

Dua konvensi akan merugikan Anda jika melewatkan dokumentasi. Kedalaman adalah jarak sepanjang sumbu pandang kamera, yaitu koordinat z, bukan jarak garis lurus dari lensa. Dan kedalaman invers dalam Python dinormalisasi oleh panjang fokus: nilainya sama dengan focallength_px / (width * depth). Jika panjang fokus salah 10 persen, semuanya akan berada 10 persen terlalu jauh.

Tidak ada dari ini yang dirutekan melalui kami. Depth Pro 2 adalah bobot berlisensi riset dari repositori Apple sendiri, dan jika Anda ingin menjalankannya, Anda mengunduhnya dari Apple. Yang dicakup OrcaRouter adalah bagian lain dari pipeline di sekitarnya — satu API dan satu kunci untuk 200+ model terhosting dengan markup 0% di atas harga daftar penyedia, dengan failover otomatis antarpenyedia. Ketika tahap kedalaman adalah checkpoint riset dengan sitasi placeholder dan tanpa irama rilis, tahap penalaran dan penulisan di sekitarnya adalah bagian yang Anda ingin menjadi bagian yang membosankan dan redundan.

Apa yang perlu diperhatikan, jika Anda menunggu alih-alih membangun: pengenal arXiv yang menggantikan X, halaman riset yang muncul di bawah machinelearning.apple.com, dan Space demo yang berubah dari dikomentari menjadi ditautkan. Salah satu dari itu akan mengubah ini dari sekadar pelepasan bobot menjadi rilis, dan akan memberi grafik di atas tabel per model yang hilang.