
Depth Pro 2 対 Depth Anything 3:メートルかカメラポーズか
- OrcaNEWOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 100万トークンあたり · 186 tok/s
- tencentNEWTencent: Hy4 Flash2026-11-16$0.02 / $0.07 100万トークンあたり · 358 tok/s
- GoogleNEWGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 100万トークンあたり · 87 tok/s
- AnthropicNEWAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 100万トークンあたり · 139 tok/s
- orcaNEWOrca: OrcaC2 1.02026-11-0737 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 100万トークンあたり · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 100万トークンあたり · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 100万トークンあたり · 80 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 100万トークンあたり · 117 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 100万トークンあたり · 111 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 100万トークンあたり · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 100万トークンあたり · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 100万トークンあたり · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447知能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 100万トークンあたり · 210 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929知能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 100万トークンあたり · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733知能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 100万トークンあたり · 168 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740知能
両方のモデルに同じ質問をしてみましょう——これはどれくらい離れているのか?——そしてメートル単位で答えるのは片方だけです。Appleのメートル単位の単眼深度モデルである{{1}}Depth Pro 2{{/1}}は、カメラの視線軸に沿ったメートル単位の深度マップと、使用した焦点距離を返します。2025年11月にリリースされたByteDance Seedの基盤モデルである{{2}}Depth Anything 3{{/2}}は、最初の機能として「相対深度」を挙げ、カメラのポーズ推定とポーズ条件付けも備えています。これは未知のスケールまでの深度を提供し、そのスケールを復元可能にするカメラも提供します。
その一つの違いが、精度の話に入る前にほとんどの統合の可否を決めてしまう。そして、この2つを単純にベンチマーク比較しても見た目ほど有用でないのは、そのためだ。2つのラボは異なる指標を異なるベースラインに対して報告しており、どちらも相手の評価を実行していない。以下では、各リポジトリが実際に文書化している内容を示し、ベンダーの主張にはその旨を明記する。
1文字だけ違う2つの出力
Depth Anything 3の予測オブジェクトは、非常に明示的であるため、最初に取り掛かるのに最も分かりやすい場所です。1回の呼び出しで、深度を[N, H, W] float32として、同じ形状の信頼度マップを、外部パラメータを[N, 3, 4]のワールド座標系からカメラ座標系への行列として、内部パラメータを[N, 3, 3]として返します。エクスポート先はGLB、NPZ、PLY、mini-NPZ、Gaussian-splat PLY、またはGaussian-splat動画です。
Depth Pro 2 の出力は、必要な答えが数値であれば、より限定的で即座に役立ちます。深度マップをメートル単位で、焦点距離をピクセル単位で返し、コマンドラインの NPZ 出力では、それら2つの配列だけを返します。点群への変換は利用者に委ねられており、焦点距離と画像中心を主点として、またはカメラがキャリブレーション済みであれば実際の主点を使用して行います。
• スケール — Depth Pro 2 の出力はメートル単位の実寸値です。一方、Depth Anything 3 の深度は相対値であり、スケールは同モデルが併せて返すポーズとカメラ内部パラメータから復元されます。
• カメラパラメータ — Depth Anything 3 は外部パラメータと内部パラメータを予測します。一方、Depth Pro 2 は焦点距離のみを予測し、カメラがどこにあるかという概念を持ちません。
• 信頼度 — Depth Anything 3 はピクセル単位の信頼度マップを返しますが、Depth Pro 2 は返しません。
• 入力 — Depth Pro 2 は1枚の写真、動画ファイル、またはライブカメラフィードを受け取ります。Depth Anything 3 は画像のリストを1つのビューセットとして受け取ります。
• ライセンス — Depth Pro 2 の重みは Apple Machine Learning Research Model ライセンスの下で研究用途限定です。Depth Anything 3 は 0.08B と 0.12B が Apache 2.0、0.35B と 1.15B が CC BY-NC 4.0 です。
4つのサイズが揃っていません
両方のファミリーが4つのチェックポイントを公開しており、パラメータ数もほぼ同じ値になるため、つい1対1で比較したくなります。しかし、それは避けてください。
Depth Anything 3は、safetensorsメタデータによると、0.08B、0.12B、0.35B、1.15B、つまり34.3M、135.4M、410.9M、1,355.7Mのパラメータを公開しています。Depth Pro 2は24M、97M、334M、872Mを公開しています。Depth Pro 2の最小2サイズは、対応するDepth Anything 3より実質的に小さく、最大サイズはDA3 Giantより実質的に小さいです。
ライセンスはサイズと同じラインで分かれており、これが商業的に重要なポイントです。Depth Anything 3の2つの小規模チェックポイントはApache 2.0で、2つの大規模チェックポイントはCC BY-NC 4.0です。Depth Pro 2の4つはすべて同じ研究専用ライセンスの下にあり、リポジトリでは非商業的な科学研究および学術開発と定義されています。したがって、商業的にライセンス可能な深度モデルがどうしても必要な場合、この比較で唯一の選択肢はDepth Anything 3-Smallまたは-Baseであり、Depth Pro 2はいずれのサイズでも該当しません。
Depth Anything 3には1.1リビジョンもあり、DA3-GIANT-1.1とDA3-LARGE-1.1は元のモデルと同じパラメータ数で、2025年12月11日に作成されたリポジトリです。元のGIANTカードでは、3Dガウス推定がラージサイズが備える追加機能として説明されているため、エクスポート可能な範囲は深度だけよりも広くなっています。
各ラボが何を主張し、何に対して主張しているか
Depth Anything 3 のカードでは、2つの比較上の主張を行い、その両方についてベースラインを明記している。すなわち、単眼深度推定では Depth Anything 2 を大幅に上回り、多視点深度およびポーズ推定では VGGT を大幅に上回るというものである。これらは名前付きモデルに関する具体的で反証可能な記述であり、詳細な数値はカードではなく論文に記載されている。
Depth Pro 2 のカードは 1 つの主張を示しており、そのベースラインを「単一フレームまたは複数フレームで動作する先行研究」とのみ呼んでいる。Depth Pro 2 が、Sintel データセットと Spring データセットで平均した Boundary F1 と Jitter においてその集合を上回ると報告し、それら 2 つの指標の散布図で示している。その軸は Boundary F1 が 0 から 0.3、Jitter が 0.1 から 0 へと設定されている。

Depth Anything 3 はそのチャートに含まれている。DA3-NGL として、白抜き丸のマルチフレームベースラインの一つで、おおよそ 0.06 の Boundary F1 と 0.018 のジッターに位置している。したがって比較は存在するが、それは Apple の2つの指標のみで、Sintel と Spring で平均されており、Depth Anything 3 の深度数値は並記されていない。ByteDance 自身の比較セットは Depth Anything 2 と VGGT で、ByteDance が選んだ指標上にあり、DA3-NGL はそこで議論されていない。二つのセットは交わらない。どちらのカードを読んでも、軸を選んだのはもう一方のラボであり、どちらも共通の表を公開していない。
それは勝者を選ばずに済ませるための逃げではない。それは証拠の実際の状態であり、率直に言う価値がある。なぜなら、代替案——すでに好んでいるモデルに都合よく見せるベンダーの図表を選ぶこと——こそが、悪い調達判断を生むやり方だからだ。
動画の一貫性こそがAppleの主張のすべてだ
Depth Pro 2 が存在するのは、単眼深度推定における特定の弱点のためだ。フレームごとのモデルを動画に対して実行すると深度がちらつく。各フレームが隣接フレームの情報なしに推定されるからだ。Apple の修正はアーキテクチャによるものだ。このモデルは入力フレームに対するマルチビュー Transformer であり、ブロックの最初の 3 分の 1 を過ぎると、アテンションはフレーム内とフレーム間で交互に切り替わる。その後、フレームごとの DPT デコーダが複数のブロックからのトークンを、入力解像度の 32 分の 1 から 4 分の 1 の特徴マップに組み立てる。

動作モードはそこから導かれる。バッファモードは動画ファイルのデフォルトで、16フレームのクリップを4フレーム重ねて処理するため、クリップ境界をまたいでも深度が安定する。アンバッファモードはカメラ用途向けで、各フレームが到着した時点で、そのフレームと直前の15フレームから予測する。ただし、ストリームの最初のフレームは先行フレームが少ないため深度が安定しにくいという注意事項が文書化されている。動画では全フレームを通して1つの焦点距離が使われる。最初のウィンドウでの推定値の中央値である。
Depth Anything 3は設計上、複数ビューを同時に扱います。それはビューセットモデルがそうするからですが、その枠組みは安定化ではなく再構成です。このカードの言葉は任意のビューから視覚空間を復元することについてであり、出力—外部パラメータ、内部パラメータ、ポイントマップ、Gaussian splats—は3D再構成パイプラインの言葉です。あなたの問題が「この動画がちらつく」ことなら、Depth Pro 2にはそのためのモードがあり、Depth Anything 3は別の製品です。
どちらにしても深さをメートル単位で表す
Depth Anything 3 の相対深度は制限というより役割分担だ。モデルはカメラを渡し、そのカメラが相対深度をメートルに変える。その変換は実際の作業だ—シーンごとのスケール係数を、既知のベースライン、既知の物体サイズ、またはセンサーから求める—そしてそれは Depth Pro 2 が内部ですでに行っている作業と同じだ。
Depth Pro 2 のメトリック出力には固有の失敗モードがあり、それらはドキュメント化されています。奥行きは焦点距離に比例するため、焦点距離が10%長すぎると、すべてが10%遠くなります。空のピクセルは無限の深度として返されるか、特に小型モデルでは数キロメートルという有限の深度として返されるため、README では点群やカラー画像を構築する前に範囲をクリップするよう指示されています。Python では、逆深度は焦点距離で正規化され、focallength_px / (width * depth) に等しくなります。ストリームは1つの動画に属し、新しいストリームを開くまで、最近のフレームと焦点距離を保持します。
テクスチャのない面や反射する面では、どちらのモデルも深度センサーの代わりにはなりません。どちらも視覚的な証拠からスケールを推定しており、同じ種類の場所で同じ種類の理由から失敗します。
両方を動かすのにいくらかかるか
実用上の違いは依存関係グラフにあります。Depth Pro 2 は GitHub リポジトリから uv を使って Python パッケージとしてインストールでき、コマンドライン(uv run depth-pro-2 predict -i photo.jpg -o out/)と Python API を提供し、Apple Silicon 向けの Core ML エクスポートに加えて Mac デモアプリも同梱しています。このリポジトリは、モデルを実行するためのコードは含むものの、トレーニングや評価のコードは含まないことを明言しています。
Depth Anything 3はByteDance Seedリポジトリから編集可能パッケージとしてインストールされ、CLI(da3 auto path/to/images --export-format glb)を公開し、繰り返し推論用のオプションのバックエンドプロセスを備えています。これは、誰かがそれをループで実行しているときに初めて現れる種類の詳細です。
どちらも単一目的の研究用チェックポイントであり、どちらもルーティングする対象ではありません。深度ステージの周囲にあるのは言語モデルの作業——シーンを記述し、それに対して何をするかを決め、結果を書き留める——であり、そこが単一エンドポイントの価値が発揮される場所です: OrcaRouterは200以上のホステッドモデルを、プロバイダーの定価に対して0%のマークアップで、1つのOpenAI互換APIの背後に配置します。そのため、深度モデルの周囲にある推論ステージは1つのキーと1つの請求で済みます。深度チェックポイントは固定する依存関係のままですが、その周囲のパイプラインはそうである必要はありません。
どれから始めますか
複数のビューからシーンを再構成していて、カメラ、ポイントマップ、ガウシアンスプラットを1回の呼び出しで取得したいなら、また小さいサイズでのApache 2.0ライセンスがそもそもプロジェクトを可能にするなら、Depth Anything 3から始めましょう。その比較セットは明示されており、出力は幅広く、小さいチェックポイントはこの記事で唯一商業的にライセンス可能なものです。
単一フレームまたはライブフィードから必要な答えがメートル単位の距離であり、フレーム間の安定性がアプリケーションに欠かせない特性なら、Depth Pro 2 から始めよう。空の深度をクリップすること、焦点距離を意図的に固定すること、そしてまだ早い段階であることを覚悟して臨もう——リポジトリのダウンロード数は数十件、コードのコミットは1件、技術レポートはまだプレースホルダーだ。
どちらのモデルも、相手を上回るという擁護可能な主張を与えてはくれない。どちらのラボもそのテストを実施していないからだ。判断材料にすべきは、出力形式、ライセンス、そして入力が動画かどうかだ。これら3つの問いには今日答えがある。リーダーボードにはない。

