Wygenerowana karta tytułowa dla Depth Pro 2 z podtytułem Ostra i spójna czasowo metryczna głębia monokularowa, czterema chipami rozmiaru o treści S 24M, B 97M, L 334M i H+ 872M, piątym chipem o treści estymator ogniskowej 23.5M oraz stopką o treści identyfikator arXiv wciąż jest symbolem zastępczym, a także logo OrcaRouter.
Guides & Insights

Depth Pro 2 wydany bez publikacji: co pokazują wagi

Autor

Gideon Frost

Data publikacji

Najnowsze modele · 20Zobacz wszystkie modele →
Benchmarki: Artificial Analysis · aktualizowane codziennie
Powrót do wszystkich wpisów

Przewiń na dół karty modelu Depth Pro 2 firmy Apple i przeczytaj cytowanie. Ośmioro autorów, data 2026 i identyfikator arXiv o treści 261X.XXXXX. Te X-y nie są cenzurą. To symbol zastępczy, do którego nikt nie wrócił, żeby go uzupełnić — i najuczciwsze podsumowanie wydania: Depth Pro 2, metryczny monokularowy model głębi firmy Apple, istnieje jako wagi, które można dziś pobrać, a jeszcze nie istnieje jako artykuł, który można przeczytać.

Ta luka jest sednem historii. Nie wydarzenie premierowe, nie tabela benchmarków, nie demo Space — samo repozytorium oznacza Space jako ukrytą do momentu upublicznienia, a w chwili pisania tego tekstu do tego nie doszło. To, co następuje, obejmuje wszystko, co da się poznać z repozytoriów i dokumentacji, oddzielone od tego, co nie zostało jeszcze potwierdzone.

Co zostało wydane i w jakich datach

Daty są tym, co zostało udokumentowane, ponieważ Hugging Face oznacza znacznikiem czasu każde hostowane przez siebie repozytorium. Repozytorium karty modelu, apple/DepthPro2, utworzono 3 listopada 2026. Repozytoria wag pojawiły się dwa dni później, 5 listopada, a wśród nich apple/DepthPro2-H. Repozytorium eksportu do Core ML pojawiło się 9 listopada. Samodzielny estymator ogniskowej, apple/DepthPro2-focal, pojawił się 19 listopada — tego samego dnia, w którym repozytorium kodu, apple-aiml-research/ml-depth-pro-2, stało się publiczne na GitHubie.

Odczytaj tę sekwencję jako harmonogram inżynierski, a nie marketingowy. Karta, wagi, eksport dla Apple silicon, model kalibracji kamery i kod były udostępniane etapami przez szesnaście dni, a ostatnim elementem, który się pojawił, był ten, który sprawia, że całość może uruchomić ktoś spoza Apple. Nic w tej kolejności nie sugeruje skoordynowanego ogłoszenia; sugeruje raczej zespół wypuszczający artefakty, gdy tylko przechodziły przegląd.

Odbiór to potwierdza. Repozytorium wag H+ ma 40 pobrań, a repozytorium karty 10 polubień. Za repozytorium GitHub stoi pojedynczy commit. Jak na model z laboratorium, które stworzyło Depth Pro, to nie jest krzywa wydania — to wydanie, którego jeszcze nie zauważono.

Praca jest placeholderem, a nie preprintem.

Trzy osobne miejsca wskazują na raport techniczny, który nie istnieje. Odznaka na karcie modelu prowadzi do arxiv.org/abs/TODO. Odznaka w README w GitHub prowadzi do arxiv.org/abs/261X.XXXXX. Blok BibTeX w obu miejscach zawiera journal = {arXiv preprint arXiv:261X.XXXXX} i url = {https://arxiv.org/abs/261X.XXXXX}.

Dla niego również nie istnieje strona badawcza Apple Machine Learning — machinelearning.apple.com/research/depth-pro-2 zwraca błąd 404, a mapa witryny badawczej Apple wymienia depth-pro, ale nie depth-pro-2. Strona projektu, na którą wskazują plakietki, apple-aiml-research.github.io/ml-depth-pro-2, jest jedynym kontrolowanym przez Apple zasobem, który faktycznie się ładuje.

To ma większe znaczenie, niż mogłoby się wydawać. To w raporcie technicznym mieści się protokół ewaluacji, a bez niego liczb raportowanych przez kartę nie można skonfrontować z liczbami raportowanymi przez modele bazowe. Wszystko poniżej, co ma charakter ilościowy, jest zatem twierdzeniem samego dostawcy, przytoczonym bez niezależnej weryfikacji i oznaczonym jako takie.

Cztery rozmiary oraz estymator ogniskowej

Ta rodzina jest wyjątkowo otwarta na temat własnego skalowania. Apple publikuje liczby parametrów i rozmiary plików do pobrania dla wszystkich czterech członków, co wykracza poza to, czym zwykle zajmuje się większość wydań modeli głębi:

• Mały (S) — 24 mln parametrów, 97 MB do pobrania, ten, od którego warto zacząć na laptopie.

• Base (B) — 97 mln parametrów, 386 MB.

• Duży (L) — 334 mln parametrów, 1,3 GB.

• H+ (H) — 872 mln parametrów, 3,5 GB i domyślny model, który wiersz poleceń pobiera, jeśli nie podasz -m.

• Estymator ogniskowej — 23,5 mln parametrów, 94 MB, osobne repozytorium, które wczytuje się wraz z dowolnym rozmiarem i przewiduje ogniskową aparatu, gdy zdjęcie lub film jej nie zawiera.

Nazewnictwo warte jest uwagi, bo potknie się o nie każdy, kto pisze plik konfiguracyjny: repozytorium to apple/DepthPro2-H, ale flaga wiersza poleceń to -m depthpro2-h, podczas gdy karta nazywa ten rozmiar H+. Dokumentacja używa obu zapisów w odstępie zaledwie kilku linijek.

Architektura bazowa to transformer wielowidokowy, po którym następuje dekoder DPT przetwarzający każdą ramkę osobno. Po pierwszych dwóch trzecich bloków transformera? Wait first third? "After the first third of the transformer's blocks" means after one-third of blocks, attention alternates. Polish: "Po pierwszej trzeciej części bloków transformera uwaga przełącza się naprzemiennie między wewnątrzramkową a międzyramkową, a dekoder składa tokeny z kilku bloków w mapy cech o rozdzielczości od jednej trzydziestej drugiej do jednej czwartej rozdzielczości wejściowej. README przypisuje TIMM i DINOv3 rolę fundamentów kodu i modelu." Need correct "pierwszej trzeciej części" may be ambiguous but okay. Could say "Po przejściu przez pierwszą trzecią bloków transformera". Good. Output.

Wykres kompromisów jest jedynym wynikiem.

Cała sekcja wyników na karcie to jeden rysunek i dwa zdania. Rysunek przedstawia Boundary F1 w zależności od Jittera — dwóch metryk wybranych przez Apple — jako wykres rozrzutu około dwóch tuzinów modeli głębi jedno- i wieloklatkowych, przy czym cztery rozmiary Depth Pro 2 zaznaczono kolorem pomarańczowym, a wszystkie pozostałe niebieskim lub zielonym; wartości uśredniono po zbiorach danych Sintel i Spring. Dwa zdania mówią, że Depth Pro 2 przewyższa wcześniejsze prace działające na pojedynczej klatce lub wielu klatkach w obu przypadkach, oraz że prawy górny róg jest najlepszy.

The sharpness-versus-temporal-consistency scatter published on the Depth Pro 2 model card, plotting Boundary F1 from 0 to 0.3 against Jitter from 0.1 down to 0, with the four Depth Pro 2 sizes clustered near 0.29 F1 and 0.02 Jitter, Depth Pro at roughly 0.235 and 0.095, and single-frame and multi-frame baselines including VGGT, MapAnything and DA3-NGL further down the jitter axis, footnoted as averaged over Sintel and Spring.

Osie mają etykiety: Boundary F1 przebiega od 0 do 0,3, a jitter od 0,1 w dół do 0. Odczytując pozycje z wykresu rozrzutu, znacznik H+ znajduje się blisko 0,29 Boundary F1 przy jitterze około 0,017, w porównaniu z mniej więcej 0,235 i 0,095 dla oryginalnego Depth Pro — duża różnica na obu osiach. Czego wykres nie zawiera, to tabela, rozbicie według zbiorów danych, jakikolwiek pomiar szybkości lub pamięci albo porównanie poza dwudziestoma czterema modelami naniesionymi na wykres. Karta mówi, że artykuł porównuje rozmiary, w tym ich szybkość i pamięć — a artykuł jeszcze nie istnieje.

To nie jest powód, by nie ufać modelowi. To powód, by nie ufać każdemu artykułowi, który podaje ci Boundary F1 dla Depth Pro 2 z dokładnością do trzech miejsc po przecinku, ponieważ jedyne miejsce, w którym taka liczba istnieje, to wykres rozrzutu, z którego można odczytać wartość z dokładnością do około jednej setnej, a protokół oceny odesłano do raportu, który nie został opublikowany. Jeśli potrzebujesz tej liczby do dokumentu przetargowego, czekasz na raport.

To wideo sprawia, że jest to sequel.

Oryginalny Depth Pro już w swoim tytule mówił o ostrości i szybkości: Ostra monokularowa głębokość metryczna w mniej niż sekundę, 2,25 megapiksela w 0,3 sekundy na standardowym GPU. Depth Pro 2 zachowuje ostrość i dodaje drugą oś — spójność czasową — a cała zmiana architektury istnieje po to, by jej służyć. Naprzemienna uwaga w obrębie klatek i między nimi sprawia, że transformer widzi kilka klatek jako jedną scenę, a nie kilka obrazów.

The method diagram from the Depth Pro 2 model card showing a multi-view transformer over the input frames followed by a DPT decoder per frame, annotated with the two numbered contributions: alternating within-frame and across-frame attention after the first third of blocks, and decoder feature maps at one thirty-second to one quarter of the input resolution.

Z tego wynikają dwa tryby działania. Tryb buforowany, domyślny dla plików wideo, przetwarza klipy po 16 klatek, które nakładają się na siebie o cztery, co utrzymuje stabilną głębię w miejscach styku kolejnych klipów; --window i --overlap udostępniają oba te parametry. Tryb niebuforowany przewiduje każdą klatkę w chwili jej nadejścia, na podstawie tej klatki i 15 poprzedzających ją, i jest to tryb przeznaczony dla kamery na żywo. Apple otwarcie przyznaje, że pierwsze klatki strumienia mają mniej poprzedników, na których można się oprzeć, więc ich głębia jest mniej stabilna — to kara za rozbieg, opisana w dokumentacji, a nie odkrywana dopiero na produkcji.

Pozostała część zachowania wideo to zestaw konsekwencji, które warto znać przed integracją. Film otrzymuje jedną ogniskową dla wszystkich klatek, przyjmowaną jako mediana szacunków z pierwszego okna. Pamięć rośnie wraz z rozmiarem klatki i długością okna, a nie z czasem trwania wideo, więc udokumentowanym rozwiązaniem dla klipu, który się nie mieści, jest najpierw skrócenie okna, a dopiero potem przejście na mniejszy model; zmiana rozmiaru danych wejściowych tylko w ostateczności. A piksele nieba są zwracane jako nieskończona głębokość albo — zwłaszcza w mniejszych modelach — jako skończona głębokość kilku kilometrów — README każe przyciąć zakres przed budowaniem chmury punktów, co jest rodzajem porady, która istnieje tylko dlatego, że ktoś tego nie zrobił.

Co nadal pozostaje niepotwierdzone

Uczciwa lista otwartych pytań jest krótka i konkretna.

• Niezależna ocena — brak. Żadna strona trzecia nie opublikowała wartości Boundary F1 ani Jitter dla Depth Pro 2, a same wartości odniesienia z karty nie zostały nazwane inaczej niż „wcześniejsze prace operujące na pojedynczej klatce lub wielu klatkach”.

• Szybkość i pamięć — twierdzono, że zostaną porównane w artykule, co jest placeholderem. Jedyną konkretną wskazówką dotyczącą działania jest to, że H+ to 3,5 GB wag, a S to opcja dla laptopa.

• Demo — Space jest podlinkowany wewnątrz komentarza HTML, oznaczony jako ukryty do momentu upublicznienia. To, że demo istnieje, a to, że da się do niego dotrzeć, to dwa różne twierdzenia.

• Nazwa — „Depth Pro 2” występuje jako DepthPro2 w nazwach repozytoriów, depth-pro-2 w pakiecie kodu i repozytorium Core ML oraz depth_pro_2 w imporcie Pythona. Wyszukaj wszystkie cztery.

A screenshot of the Hugging Face model card for apple/DepthPro2, showing the Depth Pro 2 title, the badge row linking to GitHub, the technical report and the project page, the licence and tags row, and the opening paragraph describing metric depth from a single photo, a whole video or a live feed at the input's full resolution.

Uruchamiamy to przed publikacją artykułu.

Ścieżka instalacji jest celowo nudna, co jest jej zaletą. Instalujesz uv, klonujesz repozytorium i uruchamiasz uv run depth-pro-2 predict -i assets/example.jpg -o out/ dla zdjęcia lub to samo polecenie z plikiem .mp4 dla wideo. Pierwsze uruchomienie pobiera H+ o rozmiarze 3,5 GB, chyba że podasz -m depthpro2-s. Polecenie wybiera pierwsze dostępne urządzenie — CUDA, potem Apple silicon MPS, a na końcu CPU — i działa w trybie autocast bfloat16 na GPU oraz float32 na CPU. Dostępny jest eksport do Core ML dla sprzętu Apple i minimalna aplikacja demonstracyjna na Maca, która wymaga macOS 15 i Xcode 16.

Formaty wyjściowe to miejsce, w którym kryją się praktyczne szczegóły. Polecenie zawsze zapisuje obraz głębi z kodowaniem kolorami — czerwony dla bliży, niebieski dla dali. --save-png16 dodaje 16-bitowe pliki PNG w odcieniach szarości dla narzędzi do komponowania, białe dla bliży i czarne dla dali, skalowane do zakresu głębi zdjęcia lub pierwszego kadru wideo — więc punkty, które później w wideo znajdą się bliżej, ulegają nasyceniu. --save-npz dodaje rzeczywistą tablicę głębi w metrach oraz focallength_px — to jest opcja, której potrzebujesz, jeśli robisz cokolwiek numerycznego.

Dwie konwencje zemszczą się, jeśli pominiesz dokumentację. Głębokość to odległość wzdłuż osi patrzenia kamery, współrzędna z, a nie odległość w linii prostej od obiektywu. Odwrotność głębokości w Pythonie jest normalizowana przez ogniskową: wynosi focallength_px / (width * depth). Pomyłka o 10 procent w ogniskowej sprawi, że wszystko znajdzie się o 10 procent za daleko.

Nic z tego nie jest kierowane przez nas. Depth Pro 2 to wagi z licencją badawczą z własnych repozytoriów Apple'a, a jeśli chcesz je uruchomić, pobierasz je od Apple. OrcaRouter obejmuje pozostałą część pipeline'u wokół tego — jedno API i jeden klucz dla ponad 200 hostowanych modeli przy 0% marży ponad cennik dostawcy, z automatycznym przełączaniem awaryjnym między dostawcami. Gdy etap głębi to badawczy checkpoint z zastępczym cytowaniem i bez rytmu wydań, to właśnie etapy rozumowania i pisania wokół niego są tymi, które chcesz mieć jako nudną, redundantną część.

Na co patrzeć, jeśli czekasz, zamiast budować: identyfikator arXiv w miejsce X-ów, strona badawcza pojawiająca się pod machinelearning.apple.com oraz demo Space przechodzący z zakomentowanego na podlinkowany. Każdy z tych elementów zamieniłby to z wrzutki wag w wydanie i dałby powyższemu wykresowi brakującą mu tabelę dla poszczególnych modeli.