
Depth Pro 2 uitgebracht zonder paper: wat de gewichten laten zien
- OrcaNIEUWOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1 mln tokens · 186 tok/s
- tencentNIEUWTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1 mln tokens · 358 tok/s
- GoogleNIEUWGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1 mln tokens · 87 tok/s
- AnthropicNIEUWAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1 mln tokens · 139 tok/s
- orcaNIEUWOrca: OrcaC2 1.02026-11-0737 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1 mln tokens · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1 mln tokens · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1 mln tokens · 80 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1 mln tokens · 117 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1 mln tokens · 111 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1 mln tokens · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 mln tokens · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 mln tokens · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligentie
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1 mln tokens · 210 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligentie
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1 mln tokens · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligentie
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1 mln tokens · 168 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligentie
Scroll naar de onderkant van de modelkaart van Apple's Depth Pro 2 en lees de citatie. Acht auteurs, een datum uit 2026, en een arXiv-identificatie die 261X.XXXXX luidt. De X'en zijn niet weggelakt. Het is een plaatsaanduiding die niemand ooit heeft ingevuld, en ze zijn de meest eerlijke samenvatting van de release: Depth Pro 2, het metrische monoculaire dieptemodel van Apple, bestaat als gewichten die je vandaag kunt downloaden, en het bestaat nog niet als een paper die je kunt lezen.
Die leemte is het verhaal. Geen lanceerevenement, geen benchmarktabel, geen demo-Space — de repository zelf markeert de Space als verborgen tot hij openbaar wordt, en op het moment van schrijven is dat nog niet gebeurd. Wat volgt is alles wat kenbaar is uit de repositories en de documentatie, gescheiden gehouden van wat nog niet bevestigd is.
Wat is er uitgebracht, en op welke data
De datums zijn het deel dat gedocumenteerd is, omdat Hugging Face elke repository die het host van een tijdsstempel voorziet. De modelcard-repository, apple/DepthPro2, is aangemaakt op 3 november 2026. De gewichten-repositories volgden twee dagen later, op 5 november, met apple/DepthPro2-H daarbij. De Core ML-exportrepository kwam op 9 november. De zelfstandige schatter voor brandpuntsafstand, apple/DepthPro2-focal, verscheen op 19 november — dezelfde dag dat de code-repository, apple-aiml-research/ml-depth-pro-2, openbaar werd op GitHub.
Lees die reeks als een technische tijdlijn in plaats van een marketingtijdlijn. De kaart, de gewichten, de export voor Apple silicon, het camera-kalibratiemodel en de code werden over zestien dagen gefaseerd klaargezet, en het laatste onderdeel dat erbij kwam, was het onderdeel dat het geheel uitvoerbaar maakt voor iemand die niet bij Apple zit. Niets aan de volgorde wijst op een gecoördineerde aankondiging; het wijst op een team dat artefacten naar buiten duwt zodra ze de beoordeling hadden doorstaan.
De ontvangst bevestigt het. De H+ weights-repository heeft 40 downloads en de card-repository 10 likes. De GitHub-repository heeft er één enkele commit achter. Voor een model uit het lab dat Depth Pro heeft geproduceerd, is dat geen releasecurve — het is een release die nog niet is opgemerkt.
Het artikel is een plaatsaanduiding, geen preprint.
Drie afzonderlijke plaatsen verwijzen naar een technisch rapport dat niet bestaat. De badge van de modelkaart linkt naar arxiv.org/abs/TODO. De badge van de GitHub-README linkt naar arxiv.org/abs/261X.XXXXX. Het BibTeX-blok in beide vermeldt journal = {arXiv preprint arXiv:261X.XXXXX} en url = {https://arxiv.org/abs/261X.XXXXX}.
Er is ook geen Apple Machine Learning-onderzoekspagina voor: machinelearning.apple.com/research/depth-pro-2 retourneert een 404, en de onderzoekssitemap van Apple vermeldt depth-pro wel, maar depth-pro-2 niet. De projectpagina waarnaar de badges verwijzen, apple-aiml-research.github.io/ml-depth-pro-2, is de enige door Apple gecontroleerde plek die wel bereikbaar is.
Dit is belangrijker dan het misschien lijkt. Een technisch rapport is de plek waar het evaluatieprotocol staat, en zonder dat rapport kunnen de cijfers die de kaart rapporteert niet worden getoetst aan de cijfers die de baselines rapporteren. Alles wat hieronder kwantitatief is, is daarom de eigen bewering van de leverancier, weergegeven zonder onafhankelijke verificatie, en als zodanig gelabeld.
Vier maten, plus een brandpuntsafstandschatter
De familie is ongewoon expliciet over haar eigen schaalvergroting. Apple publiceert parameteraantallen en downloadgroottes voor alle vier de leden, wat meer is dan bij de meeste diepte-releases gebruikelijk is:
• Klein (S) — 24M parameters, 97 MB download, de versie om mee te beginnen op een laptop.
Basis (B) — 97M parameters, 386 MB.
• Groot (L) — 334M parameters, 1,3 GB.
• H+ (H) — 872M parameters, 3,5 GB, en de standaard die de opdrachtregel downloadt als je -m niet meegeeft.
• Brandpuntsafstandschatter — 23,5M parameters, 94 MB, een aparte repository die samen met elk formaat wordt geladen en de brandpuntsafstand van de camera voorspelt wanneer de foto of video er geen bevat.
De naamgeving is het vermelden waard, want het brengt iedereen die een configuratiebestand schrijft in de war: de repository is apple/DepthPro2-H, maar de opdrachtregeloptie is -m depthpro2-h, terwijl de kaart die grootte H+ noemt. De documentatie gebruikt beide schrijfwijzen binnen een paar regels van elkaar.
De onderliggende architectuur is een multi-view transformer gevolgd door een per-frame DPT-decoder. Na het eerste derde deel van de transformerblokken wisselt de attention af tussen binnen een frame en tussen frames, en de decoder stelt tokens uit verschillende blokken samen tot feature maps op een tweeëndertigste tot een kwart van de invoerresolutie. De README noemt TIMM en DINOv3 als de code- en modelbasis.
De afwegingsgrafiek is het enige resultaat
De hele resultatensectie van de kaart bestaat uit één figuur en twee zinnen. De figuur zet Boundary F1 uit tegen Jitter, de twee metrieken die Apple koos, als een spreidingsdiagram van ongeveer twee dozijn single-frame- en multi-frame-dieptemodellen, met de vier Depth Pro 2-groottes in oranje en al het overige in blauw of groen, gemiddeld over de datasets Sintel en Spring. De twee zinnen zeggen dat Depth Pro 2 op beide datasets beter presteert dan eerder werk dat op één frame of meerdere frames werkt, en dat rechtsboven het beste is.

De assen zijn gelabeld: Boundary F1 loopt van 0 tot 0,3, jitter van 0,1 naar beneden tot 0. Als je posities van een spreidingsdiagram afleest, ligt de H+-marker nabij 0,29 Boundary F1 met jitter rond 0,017, tegenover ongeveer 0,235 en 0,095 voor de originele Depth Pro — een grote kloof op beide assen. Wat de figuur niet bevat, is een tabel, een uitsplitsing per dataset, enige snelheids- of geheugenmeting, of een vergelijking buiten de twee dozijn geplotte modellen. De kaart zegt dat het artikel de groottes vergelijkt, inclusief hun snelheid en geheugen — en het artikel bestaat nog niet.
Dat is geen reden om het model te wantrouwen. Het is een reden om elk artikel te wantrouwen dat je een Boundary F1 voor Depth Pro 2 geeft die tot drie decimalen is geciteerd, want de enige plek waar zo'n getal bestaat, is een scatterplot die je tot op ongeveer een honderdste kunt aflezen, terwijl het evaluatieprotocol wordt uitgesteld naar een rapport dat nog niet is gepubliceerd. Als je het cijfer nodig hebt voor een inkoopdocument, wacht je op het rapport.
Video is wat er een sequel van maakt.
De originele Depth Pro ging, in zijn eigen titel, over scherpte en snelheid: Scherpe monculaire metrische diepte in minder dan een seconde, 2,25 megapixel in 0,3 seconden op een standaard GPU. Depth Pro 2 behoudt de scherpte en voegt een tweede as toe — temporele consistentie — en de hele architectuurwijziging bestaat om die te dienen. Afwisselende attention binnen en tussen frames is hoe een transformer meerdere frames als één scène ziet in plaats van als meerdere afbeeldingen.

Daaruit komen twee werkmodi voort. De gebufferde modus, de standaard voor videobestanden, verwerkt clips van 16 frames die met vier overlappen, waardoor de diepte stabiel blijft waar opeenvolgende clips elkaar raken; --window en --overlap maken beide getallen zichtbaar. De niet-gebufferde modus voorspelt elk frame op het moment dat het binnenkomt, op basis van dat frame en de 15 daarvoor, en is de modus voor een livecamera. Apple is openhartig dat de eerste frames van een stream minder voorgaande frames hebben om aandacht aan te besteden, waardoor hun diepte minder stabiel is — een opwarmpenalty die in de documentatie wordt vermeld in plaats van in productie te worden ontdekt.
De rest van het videogedrag is een reeks gevolgen die het waard zijn om te kennen voordat je integreert. Een video krijgt één enkele brandpuntsafstand voor al zijn frames, genomen als de mediaan van de schattingen over het eerste venster. Het geheugengebruik groeit met de framegrootte en de vensterlengte, niet met de videoduur, dus de gedocumenteerde oplossing voor een clip die niet past, is eerst het venster verkorten en pas daarna naar een kleiner model overstappen, en de invoer alleen als laatste redmiddel van formaat wijzigen. En luchtpixels komen terug als oneindige diepte, of, vooral bij de kleinere modellen, als een eindige diepte van meerdere kilometers — de README zegt dat je het bereik moet afkappen voordat je een puntenwolk bouwt, wat het soort advies is dat alleen bestaat omdat iemand het niet deed.
Wat is er nog onbevestigd?
De eerlijke lijst met open vragen is kort en specifiek.
• Onafhankelijke evaluatie — geen. Geen enkele derde partij heeft een Boundary F1- of Jittercijfer gepubliceerd voor Depth Pro 2, en de eigen baselines van de kaart zijn niet met naam genoemd, verder dan "eerder werk dat op één frame of op meerdere frames werkt".
• Snelheid en geheugen — er wordt beweerd dat dit in het paper wordt vergeleken, wat een placeholder is. De enige concrete runtime-richtlijn is dat H+ 3,5 GB aan gewichten is en dat S de laptopoptie is.
• De demo — de Space is gelinkt in een HTML-comment, gemarkeerd als verborgen tot openbaar. Dat een demo bestaat en dat een demo bereikbaar is, zijn twee verschillende beweringen.
• De naam — "Depth Pro 2" verschijnt als DepthPro2 in repositorynamen, depth-pro-2 in het codepakket en de Core ML-repository, en depth_pro_2 in de Python-import. Zoek naar alle vier.

Het uitvoeren ervan voordat de paper verschijnt
Het installatietraject is bewust saai, wat in het voordeel is. Je installeert uv, kloont de repository en voert uv run depth-pro-2 predict -i assets/example.jpg -o out/ uit voor een foto, of hetzelfde commando met een .mp4 voor een video. De eerste run haalt H+ binnen van 3,5 GB, tenzij je -m depthpro2-s meegeeft. Het commando kiest het eerste beschikbare apparaat — CUDA, dan Apple silicon MPS, dan CPU — en draait onder bfloat16 autocast op GPU's, float32 op CPU. Er is een Core ML-export voor Apple-hardware en een minimale Mac-demo-app die macOS 15 en Xcode 16 vereist.
De uitvoerformaten zijn waar de praktische details zitten. Het commando schrijft altijd een kleurgecodeerde diepteafbeelding, rood dichtbij en blauw veraf. --save-png16 voegt 16-bits grijstinten-PNG's toe voor compositingtools, wit dichtbij en zwart veraf, geschaald naar het dieptebereik van de foto of van het eerste frame van een video — dus punten die later in een video dichterbij komen, satureren. --save-npz voegt de werkelijke dieptearray in meters toe plus focallength_px, dat is degene die je wilt als je iets numerieks doet.
Twee conventies bijten je als je de documentatie overslaat. Diepte is de afstand langs de kijkas van de camera, de z-coördinaat, niet de rechtstreekse afstand vanaf de lens. En inverse diepte in Python wordt genormaliseerd door de brandpuntsafstand: die is gelijk aan focallength_px / (width * depth). Heb je de brandpuntsafstand 10 procent verkeerd, dan komt alles 10 procent te ver weg uit.
Niets hiervan loopt via ons. Depth Pro 2 is een set gewichten met een onderzoekslicentie uit de eigen repositories van Apple, en als je het wilt draaien, download je het bij Apple. Wat OrcaRouter dekt, is de rest van de pijplijn eromheen — één API en één sleutel voor meer dan 200 gehoste modellen tegen 0% opslag bovenop de lijstprijs van de provider, met automatische failover tussen providers. Wanneer de dieptefase een onderzoekscheckpoint is met een placeholder-citatie en geen releasecadans, zijn de redeneer- en schrijffasen eromheen juist de onderdelen die saai en redundant moeten zijn.
Waar je op moet letten als je wacht in plaats van zelf bouwt: een arXiv-identifier die de X'en vervangt, een onderzoekspagina die verschijnt onder machinelearning.apple.com, en de demo-Space die van uitgecommentarieerd naar gelinkt gaat. Elk van die dingen zou dit van een weights-drop naar een release veranderen, en zou de grafiek hierboven de ontbrekende tabel per model geven.
