
Depth Pro 2 vs VGGT: Profondità metrica o geometria multi-vista
- 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
Punta un telefono verso una stanza, ci gira intorno e registra quaranta secondi di video. Due modelli possono trasformarlo in geometria, e non saranno d'accordo su cosa sia la geometria. Depth Pro 2, il modello di profondità monoculare metrico di Apple, restituisce un valore di profondità in metri per ogni pixel di ogni fotogramma, con una lunghezza focale associata. VGGT — il Visual Geometry Grounded Transformer di Meta AI Research e del gruppo VGG dell'Università di Oxford, pubblicato a CVPR 2025 — restituisce parametri estrinseci e intrinseci della camera, mappe di punti, mappe di profondità e tracce di punti 3D per l'intero insieme di viste contemporaneamente.
Uno di questi output è una misurazione. L'altro è una ricostruzione. Scegliere tra loro non è una questione di quale sia più accurato, perché i due modelli rispondono a domande diverse, e la risposta di cui hai bisogno è decisa da ciò che viene dopo il modello nella tua pipeline.
Cosa è stato progettato per fare ciascun modello
VGGT è una rete feed-forward che inferisce tutti i principali attributi 3D di una scena da una, poche o centinaia di viste, in pochi secondi. Il punto chiave è la stima congiunta: invece di eseguire un modello di profondità per ogni fotogramma e poi risolvere le pose della fotocamera con una fase separata di structure-from-motion, VGGT produce pose, intrinseci, profondità e tracce di punti in un'unica passata, con le viste che si prestano attenzione a vicenda. Ecco perché l'affermazione "centinaia di viste" è importante: è un sostituto di una pipeline di fotogrammetria, non un'aggiunta a essa.
Depth Pro 2 è uno stimatore monoculare di profondità metrica, e la parola che fa il lavoro è "metrica". Il suo output è una mappa di profondità in metri lungo la direzione di visuale della fotocamera, calcolata da una singola immagine, senza che siano richiesti metadati della fotocamera — il modello può leggere una lunghezza focale da EXIF, accettarne una fornita in pixel oppure prevederla con uno stimatore separato da 23,5M di parametri che viene distribuito come repository a sé stante. Gestisce anche i video, ed è da qui che viene il "2": un transformer multi-view elabora i fotogrammi congiuntamente, alternando l'attenzione all'interno di ciascun fotogramma e tra i fotogrammi dopo il primo terzo dei suoi blocchi, e un decoder DPT emette una mappa di profondità inversa per ogni fotogramma.

• Unità di lavoro — VGGT riceve un insieme di viste; Depth Pro 2 riceve una foto, un video o un flusso live.
• Output principale — VGGT fornisce parametri della camera, mappe di punti, mappe di profondità e tracce di punti 3D; Depth Pro 2 fornisce profondità metrica più la lunghezza focale utilizzata.
• Risoluzione della camera — VGGT la stima come parte del problema congiunto; Depth Pro 2 legge, accetta o predice una lunghezza focale, senza parametri estrinseci.
• Scala — L'output principale di Depth Pro 2 è espresso in metri; la scheda modello di VGGT descrive parametri della fotocamera, mappe di punti, profondità e tracce e non dichiara una scala metrica.
• {{1}}Rilascio{{/1}} — {{2}}VGGT{{/2}} è stato pubblicato a {{3}}CVPR 2025{{/3}} ({{4}}arXiv 2503.11651{{/4}}); i repository di {{5}}Depth Pro 2{{/5}} sono stati creati a {{6}}novembre 2026{{/6}}, con un {{7}}rapporto tecnico{{/7}} ancora in sospeso.
La questione della scala determina la maggior parte dei deployment
Se hai bisogno di sapere che il tavolo è a 0,74 metri di distanza, VGGT non te lo dice direttamente, mentre Depth Pro 2 sì. È l'intero argomento racchiuso in una frase, e vale la pena essere precisi sul perché.
La rivendicazione metrica di Depth Pro 2 è architetturale, non accessoria. Il Depth Pro originale è stato costruito come modello di base per la profondità metrica zero-shot, e il repository è esplicito riguardo alle convenzioni: la profondità è la coordinata z lungo la direzione di vista anziché la distanza radiale, la profondità inversa è normalizzata rispetto alla lunghezza focale, e una lunghezza focale troppo lunga del 10 percento colloca tutto il 10 percento troppo lontano. Queste sono le convenzioni di un modello il cui output è pensato per essere letto come una misura, e Depth Pro 2 le eredita invariate in tutte e quattro le dimensioni.
L'output di VGGT è geometrico. I parametri estrinseci e intrinseci della camera, le mappe di punti e le tracce di punti sono internamente coerenti — la ricostruzione è corretta a meno di una trasformazione di similarità globale — e recuperare da essa la scala assoluta è un passaggio separato, che di solito implica un riferimento noto nella scena. Per la sintesi da nuove viste, per un asset 3D, per qualsiasi cosa in cui ridimensionerai la scena per adattarla a un visualizzatore, va bene e spesso è preferibile. Per un robot che deve sapere se un ostacolo è a un metro o a tre metri di distanza, è un problema che devi risolvere al di fuori del modello.
Anche Depth Pro 2 ha i suoi problemi di onestà in questo frangente. I pixel del cielo restituiscono una profondità infinita o, soprattutto nei modelli più piccoli, una profondità finita di diversi chilometri; di conseguenza, una nuvola di punti costruita ingenuamente dal suo output avrà una parete di geometria spuria in lontananza dove c’è il cielo. Il README ti dice di ritagliare l’intervallo di profondità prima di creare una nuvola di punti o un’immagine a colori, che è il tipo di istruzione che compare solo dopo che qualcuno ci è rimasto scottato.
La coerenza video è il vero contributo
Depth Pro 2 non è tanto un Depth Pro migliore quanto un Depth Pro stabilizzato temporalmente, e il meccanismo risiede interamente nel pattern di attenzione. Dopo il primo terzo dei suoi blocchi, il transformer alterna l'attenzione all'interno di ciascun frame e l'attenzione tra frame, e il decoder DPT assembla token da diversi blocchi in mappe di feature a una risoluzione compresa tra un trentaduesimo e un quarto della risoluzione di input. Lo scopo di tale alternanza è Jitter — la metrica di coerenza temporale — e la pagina del progetto la riporta insieme a Boundary F1, mediata sui dataset Sintel e Spring, con l'affermazione che Depth Pro 2 supera i lavori precedenti che operano su un singolo frame o su più frame su entrambe.
Nessun valore accompagna tale affermazione, e non viene nominata alcuna baseline. La pagina fa riferimento solo a «lavori precedenti che operano su un singolo frame o su più frame» e a «baseline alle loro impostazioni predefinite», e il blocco della citazione riporta arXiv:261X.XXXXX — un segnaposto, non un articolo. Chiunque citi un numero di Boundary F1 o Jitter per Depth Pro 2 lo sta leggendo da un grafico.

L'envelope operativo di Depth Pro 2 è più ristretto di quanto suggerisca l'inquadratura video, e tale ristrettezza è documentata. La sua modalità predefinita consuma clip di 16 fotogrammi con quattro fotogrammi di sovrapposizione, e il percorso live confronta ogni fotogramma con i quindici che lo precedono, il che significa che il primo secondo di qualsiasi stream è il secondo più instabile che otterrai. Una sola lunghezza focale serve un intero video, scelta come mediana sulla finestra iniziale: quindi a una clip che esegue uno zoom verrà applicata la stima focale di un solo fotogramma a tutti i fotogrammi. La memoria scala con la dimensione dei fotogrammi e la finestra, non con la durata, e il rimedio di Apple per un video con memoria esaurita è accorciare la finestra prima di ridurre il modello.
VGGT non ha una modalità equivalente, perché non ne ha bisogno. Gestisce già l'intero insieme di viste in modo congiunto, che è una forma più forte della stessa garanzia — a condizione che ci si possa permettere l'attenzione su centinaia di viste e che la propria applicazione richieda una ricostruzione anziché una lettura di profondità per fotogramma.
Dimensioni, esportazioni e ciò che esegui effettivamente
Depth Pro 2 offre quattro dimensioni con i conteggi pubblicati: S con 24M parametri e 97 MB, B con 97M e 386 MB, L con 334M e 1,3 GB e H+ con 872M e 3,5 GB, con H+ come predefinito e S consigliato per i laptop. I file di configurazione mostrano la struttura della famiglia: backbone DINOv3 ViT-S e ViT-B sulla coppia piccola con attenzione ai blocchi 5, 7, 9 e 11, ViT-L con attenzione ai blocchi da 9 a 23, ViT-H+ ai blocchi da 11 a 31, con dimensioni del decoder di 64, 128, 256 e 256. Le esportazioni Core ML per Apple silicon vengono fornite come repository separato, e il repository del codice include un'app demo per Mac per la profondità in tempo reale dalla fotocamera.
VGGT-1B è un singolo checkpoint da un miliardo di parametri, e da allora la famiglia è andata avanti. VGGT-Omega è stato rilasciato il 18 maggio 2026 come "il passo successivo di VGGT", e accanto all'originale esiste un checkpoint commerciale, VGGT-1B-Commercial, con un AUC@30 di 90,37 su Co3D rispetto a 89,98 dell'originale — l'unico numero di benchmark sulla scheda del modello, e per giunta marginale. VGGT-1B conta 748.148 download al momento in cui scriviamo, il che dice qualcosa su quanto ampiamente la comunità di ricerca lo abbia adottato come baseline.

Depth Pro 2 è la storia opposta. I suoi quattro checkpoint hanno download nell'ordine delle decine, i repository sono stati creati ai primi di novembre 2026, e gli unici like sul repository della card sono una manciata. È un modello che è stato pubblicato e non è ancora stato ripreso. Vale la pena saperlo prima di impegnarti: se incontri un bug, sarai tu ad aprire la segnalazione.
Licenze e checkpoint commerciale
VGGT-1B è CC BY-NC 4.0, non commerciale. L'esistenza di VGGT-1B-Commercial è il dettaglio interessante: Meta ha distribuito una variante con licenza commerciale, il che significa che il percorso dalla ricerca al prodotto esiste senza bisogno di negoziare una licenza. I pesi di Depth Pro 2 sono soggetti alla licenza Apple Machine Learning Research Model, solo per uso di ricerca, definita dal repository come attività di ricerca scientifica e sviluppo accademico non commerciali.
Nessuna delle due licenze è una licenza di prodotto sul checkpoint aperto. La differenza è che la famiglia di VGGT include un'opzione commerciale e quella di Depth Pro 2 no, quindi se stai costruendo per generare ricavi, uno di questi ha una porta e l'altro ha un muro.
È lo stesso calcolo che compare uno livello più in alto in qualsiasi pipeline di produzione. Un modello di ricostruzione è una singola chiamata; attorno ad esso c’è la parte che legge una scena, decide cosa fare e la registra — lavoro da modello linguistico, in cui il fornitore indica un prezzo e un aggregatore o lo trasmette così com’è oppure no. La proposta di OrcaRouter è uno markup dello 0% su 217 modelli con failover automatico tra provider, e questo conta soprattutto qui: quando lo stadio di geometria è un checkpoint di ricerca con una manciata di download e nessuna cadenza di rilascio, vuoi che il resto della pipeline sia la parte noiosa e ridondante.
Chi dovrebbe iniziare con quale
Parti da VGGT se stai ricostruendo una scena da molte viste e gestirai la scala a valle — sintesi di nuove viste, un asset 3D, un dataset costruito da video in cui la geometria è il risultato finale. La risoluzione congiunta di camera e geometria è ciò che giustifica il miliardo di parametri, e VGGT-Omega è la generazione attuale se parti da zero.
Inizia con Depth Pro 2 se ti servono metri da un singolo fotogramma, o se ti serve che la profondità rimanga stabile da un fotogramma all'altro in un feed live. Il selettore delle dimensioni è reale e il flusso di lavoro su laptop è documentato. Aspettati che la profondità del cielo vada in clipping, di essere la prima persona a segnalare la maggior parte dei bug e di dover aspettare il rapporto tecnico prima di poter citare a chiunque un valore Boundary F1.
Quello che non dovresti fare è trattarlo come un confronto diretto. VGGT ricostruisce, Depth Pro 2 misura, e l’unico confronto onesto è quale dei due il tuo codice a valle riesce a consumare. Per la maggior parte delle pipeline 3D la risposta è VGGT più un passaggio di recupero della scala; per la maggior parte delle pipeline di robotica e AR è Depth Pro 2 più un budget di robustezza per il fumo.
