
Depth Pro 2 vs MoGe-2: coerenza video vs mappe di punti
- OrcaNUOVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1M di token · 186 tok/s
- tencentNUOVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1M di token · 358 tok/s
- GoogleNUOVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1M di token · 87 tok/s
- AnthropicNUOVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1M di token · 139 tok/s
- orcaNUOVOOrca: OrcaC2 1.02026-11-0737 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1M di token · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1M di token · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1M di token · 80 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1M di token · 117 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1M di token · 111 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1M di token · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M di token · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M di token · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligenza
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1M di token · 210 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligenza
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1M di token · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligenza
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1M di token · 168 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligenza
Depth Pro 2 e MoGe-2 sono entrambi modelli di geometria monoculare metrica sviluppati da grandi laboratori di ricerca e, al momento in cui scriviamo, nessuno ha pubblicato un numero che metta l'uno a confronto con l'altro. Depth Pro 2 di Apple riporta Boundary F1 e Jitter, mediati sui dataset Sintel e Spring. MoGe-2 di Microsoft riporta l'accuratezza geometrica relativa, la scala metrica e la conservazione dei dettagli sul proprio insieme di valutazione. I due insiemi di metriche non si intersecano, il che significa che ogni affermazione del tipo "X batte Y" che troverete su questo abbinamento è inventata oppure presa in prestito da un benchmark che nessuno dei due laboratori ha eseguito.
Non è una scusa per eludere la questione. È la cosa più utile da sapere prima di passare una settimana a integrare l'una o l'altra. Ciò che puoi confrontare è quello che ciascun repository mette effettivamente a disposizione, ciò in cui ciascun modello è stato progettato per essere carente e quale di queste debolezze ricade sulla tua pipeline. Questo articolo lo fa, ed è esplicito su quali affermazioni provengono da un README del fornitore e quali non provengono da nulla.
Cosa contiene effettivamente ciascun repository
Depth Pro 2 è distribuito su diversi repository Hugging Face anziché su uno solo. Il repository della card, apple/DepthPro2, contiene il README e le figure; i pesi sono suddivisi per dimensione in apple/DepthPro2-S, apple/DepthPro2-B, apple/DepthPro2-L e apple/DepthPro2-H. Un repository separato, apple/DepthPro2-focal, contiene uno stimatore autonomo della lunghezza focale da 23,5M di parametri che si carica insieme a qualsiasi dimensione. Un altro, apple/DepthPro2-coreml, contiene le esportazioni Core ML per Apple silicon. Il repository del codice è apple-aiml-research/ml-depth-pro-2 su GitHub.

Le quattro taglie spaziano da 24M parametri a 97 MB (S) a 97M a 386 MB (B) e 334M a 1,3 GB (L), fino a 872M a 3,5 GB (H+, l'impostazione predefinita). Le loro configurazioni confermano la relazione di famiglia: S e B utilizzano backbone DINOv3 ViT-S e ViT-B con attenzione cross-frame ai blocchi 5, 7, 9 e 11; L la estende ai blocchi da 9 a 23 con un decoder DPT a 256 dimensioni; H+ arriva ai blocchi da 11 a 31 e assembla i token ai blocchi 7, 15, 23 e 31.
MoGe-2 è disponibile come quattro checkpoint nell'organizzazione Ruicheng: moge-2-vitl con 326M parametri senza normali, e le varianti -normal moge-2-vitl-normal con 331M, moge-2-vitb-normal con 104M e moge-2-vits-normal con 35M. Ognuno restituisce una mappa di punti metrica in coordinate camera OpenCV, una mappa di profondità, intrinsics di camera normalizzati e una maschera dei pixel validi, con la mappa delle normali aggiunta sulle varianti che la includono. MoGe-2 è la seconda generazione; la famiglia è passata nel frattempo a MoGe-3, annunciato il 18 agosto 2026 con un modello ViT-g da 1.25B parametri, quindi MoGe-2 è ora il rilascio precedente anziché quello attuale.

Dove i due progetti divergono
• Modalità di input — Depth Pro 2 accetta una foto, un file video o un feed dalla fotocamera live; MoGe-2 accetta una singola immagine.
• Affermazione principale — Depth Pro 2 dichiara nitidezza e coerenza temporale; MoGe-2 dichiara scala metrica e dettaglio fine, ottenuti tramite un passaggio unificato di raffinamento dei dati che utilizza etichette sintetiche nitide per filtrare e completare i dati di addestramento reali.
• Superficie di output — Depth Pro 2 restituisce la profondità in metri più la lunghezza focale utilizzata; MoGe-2 restituisce una mappa completa dei punti, la profondità, i parametri intrinseci e una maschera, con le normali sulle varianti che le includono.
• Lunghezza focale — Depth Pro 2 include un estimatore separato e può anche leggere i dati EXIF o accettare una lunghezza focale nota in pixel; MoGe-2 può assumere il campo visivo come ground truth opzionale per migliorare l'accuratezza.
• Scala — MoGe-2 ha introdotto una scala metrica reale rispetto a MoGe-1, che produceva mappe di punti invarianti alle trasformazioni affini con scala sconosciuta; Depth Pro 2 eredita la scala metrica dal Depth Pro originale.
Licenza — I pesi di Depth Pro 2 sono soggetti alla licenza Apple Machine Learning Research Model, esclusivamente per uso di ricerca, definito come ricerca scientifica non commerciale e sviluppo accademico. Il codice di MoGe-2 è MIT, con DINOv2 incluso sotto Apache 2.0.
La questione del video è l'intero argomento
La decisione architetturale distintiva di Depth Pro 2 è che un transformer multi-vista elabora congiuntamente uno o più fotogrammi e, dopo il primo terzo dei suoi blocchi, alterna l'attenzione all'interno di ciascun fotogramma e l'attenzione tra i fotogrammi. Un decoder DPT predice poi una mappa di profondità inversa per ogni fotogramma. È il meccanismo che sta dietro al valore Jitter — la metrica di coerenza temporale — ed è il motivo per cui il modello può gestire anche il video.
In pratica questo significa due modalità operative. La modalità predefinita, con buffer, elabora clip di 16 fotogrammi che si sovrappongono per quattro, il che mantiene stabile la profondità dove le clip si incontrano; le impostazioni relative alla finestra e alla sovrapposizione espongono la lunghezza della clip e la sovrapposizione. La modalità senza buffer predice ogni fotogramma man mano che arriva usando quel fotogramma e i 15 precedenti, ed è la modalità che si desidera per una fotocamera. La documentazione di Apple è schietta riguardo al costo del percorso live: i primi fotogrammi di un flusso hanno meno fotogrammi precedenti a cui fare riferimento, quindi la loro profondità è meno stabile. A un video viene assegnata una sola lunghezza focale per tutti i suoi fotogrammi, presa come mediana delle stime sulla sua prima finestra.
MoGe-2 non ha un equivalente. È un modello per singola immagine, ed eseguirlo su video significa eseguirlo fotogramma per fotogramma e accettare qualunque sfarfallio ne derivi. Per un compito di ricostruzione statica — fotogrammetria, una pipeline di asset da immagine statica a 3D, qualunque cosa in cui ogni fotogramma sia indipendente — non è affatto un limite. Per un robot o una sovrapposizione AR, è la differenza tra utilizzabile e non utilizzabile.
Che cosa significa "metric" in ciascun output
Entrambi i modelli dichiarano metri, ed entrambi fanno qualcosa di leggermente diverso con questa parola. Depth Pro 2 restituisce la distanza lungo la direzione di visuale della fotocamera — la coordinata z — non la distanza in linea retta dalla fotocamera. Normalizza inoltre la profondità inversa rispetto alla lunghezza focale, quindi la profondità inversa è pari alla lunghezza focale in pixel divisa per il prodotto tra larghezza dell'immagine e profondità. I pixel del cielo vengono restituiti con profondità infinita o, soprattutto nei modelli più piccoli, con una profondità finita di diversi chilometri, un dettaglio che vale la pena gestire prima di costruire una nuvola di punti.
MoGe-2 restituisce direttamente una mappa di punti, il che aggira quella conversione. È l'output più utile se devi comunque passare al 3D, ed è per questo che il modello riporta i parametri intrinseci insieme alla profondità — la mappa di punti ha senso solo in un sistema di riferimento della camera che conosci anche. Nessuno dei due output sostituisce un vero sensore di profondità quando la scena non ha texture su cui ancorare la scala; entrambi stimano, ed entrambi presenteranno deriva su superfici riflettenti o trasparenti.
La licenza è la decisione, non il benchmark
Nessuno dei due modelli è utilizzabile commercialmente nella forma distribuita, ma i vincoli differiscono in modi che contano per una revisione legale. I pesi di Depth Pro 2 sono soggetti alla licenza Apple Machine Learning Research Model, che ne consente l’uso esclusivamente per scopi di ricerca, con il repository che definisce tali scopi come attività di ricerca scientifica non commerciale e di sviluppo accademico. Il codice è concesso in licenza separatamente e il repository riconosce di basarsi su TIMM e DINOv3.
Il codice di MoGe-2 è MIT, il che è vicino a essere libero da vincoli, anche se ai pesi non vengono assegnati termini separati sulla model card e il codice DINOv2 incluso è Apache 2.0. Se la tua domanda è «posso distribuirlo in un prodotto?», la risposta onesta per entrambi è che devi parlarne con l'ufficio legale, e la conversazione su MoGe-2 è più breve. Se la tua domanda è «posso pubblicare un articolo con questo?», vanno bene entrambi.

Che cosa dovrebbero dirti i numeri mancanti
Il rapporto tecnico di Depth Pro 2 non esiste ancora. Il blocco delle citazioni del repository riporta ancora arXiv:261X.XXXXX, e le X non sono una censura — sono un segnaposto che non è stato compilato. La pagina del progetto nomina le metriche che dichiara di vincere, Boundary F1 e Jitter, e non nomina alcuna baseline, riferendosi solo a "lavori precedenti che operano su un singolo frame o su più frame" e a "baseline alle loro impostazioni predefinite."
MoGe-2 ha un paper vero, arXiv 2507.02546, ma anche il suo abstract è ugualmente privo di numeri; la valutazione è rinviata a un documento separato. Quindi la tabella comparativa che probabilmente speravi di trovare non esiste da nessuna delle due parti, e qualsiasi articolo che te ne fornisca una sta citando la lettura di un grafico.
Il che vale la pena tenere presente quando si determina il prezzo del resto dello stack. Un modello di profondità è una fase di una pipeline che deve anche descrivere la scena, decidere cosa fare al riguardo e scrivere il risultato da qualche parte — e quelle fasi sono chiamate a modelli linguistici, dove i prezzi sono pubblicati e direttamente comparabili. Questo è l'argomento a favore del metterli dietro un'unica API anziché tre: OrcaRouter instrada 217 modelli con un'unica chiave a markup 0%, il che significa che il prezzo di listino del fornitore passa intatto, così un taglio di prezzo del fornitore è attivo lo stesso giorno anziché quando un aggregatore si risincronizza. Il failover automatico tra fornitori conta per lo stesso motivo al contrario — se la fase di ragionamento è quella che deve rimanere attiva, vuoi che il lavoro di profondità sia l'unica cosa nella pipeline autorizzata a fallire in silenzio.
Quale scegliere
Se hai video e ti importa dello sfarfallio, Depth Pro 2 è l'unico dei due ad avere una risposta, e la sua risposta è vera architettura: attenzione tra fotogrammi, finestre sovrapposte, una modalità live con una penalità di warm-up documentata. Parti da S su un laptop, come suggerisce la documentazione stessa di Apple, e sali di livello solo quando i bordi non sono abbastanza nitidi.
Se hai immagini fisse e vuoi una mappa di punti, MoGe-2 ti offre più superficie di output per chiamata, e le varianti normali ti danno un secondo segnale che altrimenti dovresti stimare. La sua scala metrica è il miglioramento rispetto a MoGe-1, e regge.
Quello che nessuno dei due ti dà è un’affermazione difendibile che sia migliore dell’altro, perché nessuno dei due laboratori ha eseguito l’esperimento. Considera la coppia come due strumenti diversi con nomi sovrapposti, non come una classifica, finché qualcuno non pubblica i numeri.
