
Depth Pro 2 vs MoGe-2: Konsistensi Video vs Peta Titik
- OrcaBARUOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1 juta token · 186 tok/s
- tencentBARUTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1 juta token · 358 tok/s
- GoogleBARUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1 juta token · 87 tok/s
- AnthropicBARUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1 juta token · 139 tok/s
- orcaBARUOrca: OrcaC2 1.02026-11-0737 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1 juta token · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1 juta token · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1 juta token · 80 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1 juta token · 117 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1 juta token · 111 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1 juta token · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Kecerdasan
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1 juta token · 210 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Kecerdasan
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1 juta token · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Kecerdasan
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1 juta token · 168 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Kecerdasan
Depth Pro 2 dan MoGe-2 sama-sama merupakan model geometri monokular metrik dari laboratorium riset besar, dan sampai tulisan ini dibuat belum ada yang menerbitkan angka yang membandingkan keduanya secara langsung. Depth Pro 2 dari Apple melaporkan Boundary F1 dan Jitter, yang dirata-ratakan pada dataset Sintel dan Spring. MoGe-2 dari Microsoft melaporkan akurasi geometri relatif, skala metrik, dan preservasi detail pada campuran evaluasinya sendiri. Kedua rangkaian metrik tersebut tidak saling beririsan, yang berarti setiap klaim "X mengalahkan Y" yang Anda temukan tentang pasangan ini entah dibuat-buat atau dipinjam dari benchmark yang tidak dijalankan oleh kedua laboratorium tersebut.
Itu bukan penghindaran. Itu adalah hal paling berguna untuk diketahui sebelum Anda menghabiskan waktu seminggu mengintegrasikan salah satunya. Yang bisa Anda bandingkan adalah apa yang sebenarnya disediakan masing-masing repositori, apa yang memang dirancang menjadi kelemahan tiap model, dan kelemahan mana yang berdampak pada pipeline Anda. Artikel ini melakukan itu, dan jelas tentang klaim mana yang berasal dari README vendor dan mana yang tidak berasal dari apa pun.
Apa isi sebenarnya dari setiap repositori
Depth Pro 2 tersebar di beberapa repositori Hugging Face, bukan hanya dalam satu repositori. Repositori kartu, apple/DepthPro2, berisi README dan gambar-gambarnya; bobotnya dipisahkan berdasarkan ukuran menjadi apple/DepthPro2-S, apple/DepthPro2-B, apple/DepthPro2-L, dan apple/DepthPro2-H. Repositori terpisah, apple/DepthPro2-focal, memuat estimator panjang fokus mandiri berparameter 23,5 juta yang dapat dimuat bersama ukuran apa pun. Repositori lainnya, apple/DepthPro2-coreml, berisi ekspor Core ML untuk Apple silicon. Repositori kodenya adalah apple-aiml-research/ml-depth-pro-2 di GitHub.

Keempat ukuran berkisar dari 24M parameter pada 97 MB (S), 97M pada 386 MB (B), dan 334M pada 1,3 GB (L), hingga 872M pada 3,5 GB (H+, default). Konfigurasinya mengonfirmasi hubungan keluarga: S dan B menggunakan backbone DINOv3 ViT-S dan ViT-B dengan cross-frame attention pada blok 5, 7, 9, dan 11; L memperluasnya ke blok 9 hingga 23 dengan decoder DPT berdimensi 256; H+ mencakup blok 11 hingga 31 dan merakit token pada blok 7, 15, 23, dan 31.
MoGe-2 dirilis sebagai empat checkpoint di bawah organisasi Ruicheng: moge-2-vitl dengan 326M parameter tanpa normal, dan varian -normal yaitu moge-2-vitl-normal dengan 331M, moge-2-vitb-normal dengan 104M, dan moge-2-vits-normal dengan 35M. Masing-masing mengembalikan peta titik metrik dalam koordinat kamera OpenCV, peta kedalaman, intrinsik kamera ternormalisasi, dan mask piksel valid, dengan peta normal ditambahkan pada varian yang memilikinya. MoGe-2 adalah generasi kedua; keluarga ini sejak itu beralih ke MoGe-3, yang diumumkan pada 18 Agustus 2026 dengan model ViT-g berparameter 1,25B, sehingga MoGe-2 kini menjadi rilis sebelumnya, bukan rilis saat ini.

Di mana kedua desain itu berbeda
• Modalitas masukan — Depth Pro 2 menerima satu foto, berkas video, atau feed kamera langsung; MoGe-2 menerima satu gambar.
• Klaim utama — Depth Pro 2 mengklaim ketajaman dan konsistensi temporal; MoGe-2 mengklaim skala metrik plus detail halus, yang dicapai melalui langkah penyempurnaan data terpadu yang menggunakan label sintetis tajam untuk memfilter dan melengkapi data pelatihan nyata.
• Permukaan keluaran — Depth Pro 2 mengembalikan kedalaman dalam meter plus panjang fokus yang digunakannya; MoGe-2 mengembalikan peta titik penuh, kedalaman, intrinsik, dan masker, dengan normal pada varian yang menyertakannya.
• Panjang fokus — Depth Pro 2 menyertakan estimator terpisah dan juga dapat membaca EXIF atau menerima panjang fokus yang diketahui dalam piksel; MoGe-2 dapat menerima bidang pandang sebagai ground truth opsional untuk meningkatkan akurasi.
• Skala — MoGe-2 menambahkan skala metrik dunia nyata dibandingkan MoGe-1, yang menghasilkan peta titik invarian-afin dengan skala yang tidak diketahui; Depth Pro 2 mewarisi skala metrik dari Depth Pro asli.
• Lisensi — Bobot Depth Pro 2 berada di bawah lisensi Apple Machine Learning Research Model, hanya untuk penggunaan riset, yang didefinisikan sebagai riset ilmiah non-komersial dan pengembangan akademik. Kode MoGe-2 adalah MIT, dengan DINOv2 yang disertakan di bawah Apache 2.0.
Pertanyaan tentang video itulah keseluruhan argumennya.
Keputusan arsitektural yang membedakan Depth Pro 2 adalah bahwa transformer multi-view memproses satu atau lebih frame secara bersamaan, dan setelah sepertiga pertama blok-bloknya, ia bergantian antara atensi di dalam setiap frame dan atensi antar-frame. Dekoder DPT kemudian memprediksi peta kedalaman invers per frame. Itulah mekanisme di balik angka Jitter — metrik konsistensi temporal — dan itulah sebabnya model ini memiliki kaitan dengan video sama sekali.
Dalam praktiknya, itu berarti dua mode operasi. Mode bawaan, yaitu buffered, memproses klip berisi 16 frame yang tumpang tindih sebanyak empat, sehingga kedalaman tetap stabil di titik pertemuan klip; pengaturan window dan overlap menunjukkan panjang klip dan tumpang tindihnya. Mode unbuffered memprediksi setiap frame saat tiba menggunakan frame itu dan 15 frame sebelumnya, yang merupakan mode yang Anda inginkan untuk kamera. Dokumentasi Apple sendiri terus terang tentang biaya jalur live: frame-frame pertama dalam suatu stream memiliki lebih sedikit frame sebelumnya untuk diperhatikan, sehingga kedalamannya kurang stabil. Sebuah video mendapatkan satu panjang fokus untuk semua frame-nya, yang diambil sebagai median dari estimasi selama window pertamanya.
MoGe-2 tidak memiliki padanan. Ini adalah model satu-gambar, dan menjalankannya pada video berarti menjalankannya bingkai demi bingkai dan menerima flicker apa pun yang muncul. Untuk tugas rekonstruksi statis — fotogrametri, pipeline aset still-to-3D, apa pun yang tiap bingkainya independen — itu sama sekali bukan keterbatasan. Untuk robot atau overlay AR, itu adalah perbedaan antara bisa dipakai dan tidak.
Apa arti "metric" pada setiap output
Kedua model mengklaim satuan meter, dan keduanya melakukan sesuatu yang sedikit berbeda dengan kata tersebut. Depth Pro 2 mengembalikan jarak sepanjang arah pandang kamera — koordinat z — bukan jarak garis lurus dari kamera. Model ini juga menormalisasi kedalaman invers dengan panjang fokus, sehingga kedalaman invers sama dengan panjang fokus dalam piksel dibagi hasil kali lebar gambar dan kedalaman. Piksel langit dikembalikan sebagai kedalaman tak hingga, atau, terutama pada model yang lebih kecil, sebagai kedalaman berhingga beberapa kilometer, yang merupakan detail yang layak ditangani sebelum Anda membangun point cloud.
MoGe-2 mengembalikan peta titik secara langsung, yang menghindari konversi tersebut. Itu adalah keluaran yang lebih berguna jika Anda memang akan menuju 3D, dan itulah sebabnya model melaporkan intrinsik bersama kedalaman — peta titik hanya bermakna dalam kerangka kamera yang juga Anda ketahui. Tidak ada dari kedua keluaran itu yang merupakan pengganti sensor kedalaman nyata ketika adegan tidak memiliki tekstur untuk menjadi jangkar skala; keduanya melakukan estimasi, dan keduanya akan melenceng pada permukaan reflektif atau transparan.
Lisensi adalah keputusan, bukan tolok ukur
Tidak satu pun dari kedua model ini dapat digunakan secara komersial dalam kondisi sebagaimana dirilis, tetapi batasannya berbeda dalam hal-hal yang penting bagi tinjauan hukum. Bobot Depth Pro 2 berada di bawah lisensi Apple Machine Learning Research Model, yang mengizinkan penggunaan secara eksklusif untuk tujuan penelitian, dengan repositori mendefinisikannya sebagai kegiatan penelitian ilmiah nonkomersial dan pengembangan akademik. Kode tersebut dilisensikan secara terpisah, dan repositori mengakui bahwa ini dibangun di atas TIMM dan DINOv3.
Kode MoGe-2 berlisensi MIT, yang hampir bebas hambatan, meskipun bobotnya tidak diberikan ketentuan terpisah di kartu model dan kode DINOv2 yang disertakan berlisensi Apache 2.0. Jika pertanyaan Anda adalah "bisakah saya merilis ini dalam sebuah produk," jawaban jujurnya untuk keduanya adalah Anda perlu berbicara dengan bagian hukum, dan percakapan tentang MoGe-2 lebih singkat. Jika pertanyaan Anda adalah "bisakah saya menerbitkan makalah dengan ini," keduanya aman.

Apa yang seharusnya diberitahukan oleh angka-angka yang hilang kepada Anda
Laporan teknis Depth Pro 2 belum ada. Blok sitasi repositori masih tertulis arXiv:261X.XXXXX, dan huruf X bukanlah penyamaran—itu placeholder yang belum diisi. Halaman proyek menyebut metrik yang diklaim dimenangkannya, Boundary F1 dan Jitter, dan tidak menyebut baseline apa pun, hanya merujuk pada "karya sebelumnya yang beroperasi pada satu frame atau beberapa frame" dan "baseline pada pengaturan defaultnya."
MoGe-2 memiliki makalah sungguhan, arXiv 2507.02546, tetapi abstraknya sama-sama tanpa angka; evaluasinya ditunda ke dokumen terpisah. Jadi tabel perbandingan yang mungkin Anda harapkan tidak ada di kedua sisi, dan artikel apa pun yang menyodorkan satu kepada Anda sedang mengutip pembacaan grafik.
Yang perlu diingat saat Anda menetapkan harga untuk bagian lain dari tumpukan. Model kedalaman adalah salah satu tahap dari pipeline yang juga harus mendeskripsikan adegan, memutuskan apa yang harus dilakukan terhadapnya, dan menulis hasilnya di suatu tempat — dan tahap-tahap itu adalah panggilan model bahasa, yang harganya dipublikasikan dan dapat dibandingkan secara langsung. Itulah argumen untuk menempatkan semuanya di balik satu API alih-alih tiga: OrcaRouter merutekan 217 model dengan satu kunci dengan markup 0%, artinya harga daftar penyedia diteruskan tanpa perubahan, sehingga pemotongan harga vendor langsung berlaku pada hari yang sama alih-alih menunggu kapan pun aggregator melakukan sinkronisasi ulang. Failover otomatis antarpenyedia penting untuk alasan yang sama secara terbalik — jika tahap penalaran adalah tahap yang harus tetap aktif, Anda ingin pekerjaan kedalaman menjadi satu-satunya hal dalam pipeline yang boleh gagal secara diam-diam.
Yang mana yang harus dipilih
Jika Anda memiliki video dan peduli tentang kedipan, Depth Pro 2 adalah satu-satunya di antara kedua ini yang punya jawaban, dan jawabannya adalah arsitektur sungguhan — atensi lintas-frame, jendela yang tumpang tindih, mode langsung dengan penalti pemanasan yang terdokumentasi. Mulailah dengan S di laptop, seperti yang disarankan dokumentasi Apple sendiri, dan naikkan hanya ketika tepinya belum cukup tajam.
Jika Anda memiliki gambar diam dan menginginkan peta titik, MoGe-2 memberi Anda lebih banyak permukaan keluaran per pemanggilan, dan varian normalnya memberi Anda sinyal kedua yang jika tidak demikian harus Anda perkirakan sendiri. Skala metriknya merupakan peningkatan dibandingkan MoGe-1, dan itu tetap berlaku.
Yang tidak diberikan oleh keduanya adalah klaim yang dapat dipertahankan bahwa yang satu lebih baik daripada yang lain, karena tidak ada laboratorium yang menjalankan eksperimen tersebut. Anggaplah pasangan ini sebagai dua alat berbeda dengan nama yang tumpang tindih, bukan sebagai daftar berperingkat, sampai seseorang menerbitkan angkanya.
