
Depth Pro 2 vs MoGe-2: spójność wideo kontra mapy punktów
- OrcaNOWOŚĆOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 za 1 mln tokenów · 186 tok/s
- tencentNOWOŚĆTencent: Hy4 Flash2026-11-16$0.02 / $0.07 za 1 mln tokenów · 358 tok/s
- GoogleNOWOŚĆGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 za 1 mln tokenów · 87 tok/s
- AnthropicNOWOŚĆAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 za 1 mln tokenów · 139 tok/s
- orcaNOWOŚĆOrca: OrcaC2 1.02026-11-0737 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 za 1 mln tokenów · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 za 1 mln tokenów · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 za 1 mln tokenów · 80 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 za 1 mln tokenów · 117 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 za 1 mln tokenów · 111 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 za 1 mln tokenów · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 za 1 mln tokenów · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 za 1 mln tokenów · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencja
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 za 1 mln tokenów · 210 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencja
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 za 1 mln tokenów · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligencja
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 za 1 mln tokenów · 168 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligencja
Depth Pro 2 i MoGe-2 to monokularowe modele geometrii metrycznej pochodzące z dużych laboratoriów badawczych, a w chwili pisania tego tekstu nikt nie opublikował wyniku, który stawia je bezpośrednio przeciwko sobie. Depth Pro 2 od Apple podaje Boundary F1 i Jitter, uśrednione na zbiorach Sintel i Spring. MoGe-2 od Microsoftu podaje względną dokładność geometrii, skalę metryczną i zachowanie szczegółów na własnym zestawie danych ewaluacyjnych. Te dwa zestawy metryk nie mają części wspólnej, co oznacza, że każde twierdzenie typu „X wygrywa z Y”, jakie znajdziesz na temat tej pary, jest albo wymyślone, albo zapożyczone z benchmarku, którego nie przeprowadziło żadne z tych laboratoriów.
To nie jest unik. To najbardziej użyteczna rzecz, jaką warto wiedzieć, zanim spędzisz tydzień na integracji któregokolwiek z nich. To, co możesz porównać, to to, co każde repozytorium faktycznie dostarcza, w czym każdy model został zaprojektowany, by być słaby, oraz które z tych słabości trafiają na twój pipeline. Ten tekst to robi i wprost mówi, które twierdzenia pochodzą z README dostawcy, a które nie mają żadnego źródła.
Co tak naprawdę zawiera każde repozytorium
Depth Pro 2 jest rozproszony po kilku repozytoriach Hugging Face, a nie w jednym. Repozytorium karty, apple/DepthPro2, zawiera README i ilustracje; wagi są podzielone według rozmiaru na apple/DepthPro2-S, apple/DepthPro2-B, apple/DepthPro2-L i apple/DepthPro2-H. Osobne repozytorium, apple/DepthPro2-focal, zawiera samodzielny estymator ogniskowej z 23,5 mln parametrów, który można załadować wraz z dowolnym rozmiarem. Kolejne, apple/DepthPro2-coreml, przechowuje eksporty Core ML dla Apple silicon. Repozytorium kodu to apple-aiml-research/ml-depth-pro-2 na GitHub.

Cztery rozmiary obejmują od 24 mln parametrów przy 97 MB ({{1}}S{{/1}}) przez 97 mln przy 386 MB ({{2}}B{{/2}}) i 334 mln przy 1,3 GB ({{3}}L{{/3}}) po 872 mln przy 3,5 GB ({{4}}H+, domyślny{{/4}}). Ich konfiguracje potwierdzają pokrewieństwo w rodzinie: {{5}}S{{/5}} i {{6}}B{{/6}} wykorzystują szkielety DINOv3 ViT-S i ViT-B z mechanizmem uwagi międzyklatkowej w blokach 5, 7, 9 i 11; {{7}}L{{/7}} rozszerza to na bloki od 9 do 23 z dekoderem DPT o wymiarze 256; {{8}}H+{{/8}} sięga bloków od 11 do 31 i łączy tokeny w blokach 7, 15, 23 i 31.
MoGe-2 jest dostarczany w postaci czterech checkpointów w organizacji Ruicheng: moge-2-vitl z 326 mln parametrów bez map normalnych oraz warianty -normal: moge-2-vitl-normal z 331 mln parametrów, moge-2-vitb-normal ze 104 mln parametrów i moge-2-vits-normal z 35 mln parametrów. Każdy zwraca metryczną mapę punktów we współrzędnych kamery OpenCV, mapę głębi, znormalizowane parametry wewnętrzne kamery i maskę prawidłowych pikseli, a w wariantach, które ją zawierają, dodatkowo mapę normalnych. MoGe-2 to druga generacja; rodzina przeszła od tego czasu na MoGe-3, zapowiedziany 18 sierpnia 2026 r. z modelem ViT-g o 1,25 mld parametrów, więc MoGe-2 jest teraz poprzednim wydaniem, a nie bieżącym.

Gdzie oba projekty się rozchodzą
• Modalność wejściowa — Depth Pro 2 przyjmuje jedno zdjęcie, plik wideo lub transmisję z kamery na żywo; MoGe-2 przyjmuje pojedynczy obraz.
• Główna teza — Depth Pro 2 deklaruje ostrość i spójność czasową; MoGe-2 deklaruje skalę metryczną oraz drobne szczegóły, osiągane dzięki ujednoliconemu etapowi udoskonalania danych, który wykorzystuje ostre syntetyczne etykiety do filtrowania i uzupełniania rzeczywistych danych treningowych.
Dane wyjściowe — Depth Pro 2 zwraca głębię w metrach oraz użytą ogniskową; MoGe-2 zwraca pełną mapę punktów, głębię, parametry wewnętrzne i maskę, a w wariantach, które je zawierają, także normalne.
{{1}}Ogniskowa{{/1}} — Depth Pro 2 jest dostarczany z osobnym estymatorem i może również odczytywać EXIF lub przyjmować znaną ogniskową w pikselach; MoGe-2 może przyjmować pole widzenia jako opcjonalne dane referencyjne, aby poprawić dokładność.
• Skala — MoGe-2 wprowadził rzeczywistą skalę metryczną w stosunku do MoGe-1, który generował mapy punktów niezmiennicze względem przekształceń afinicznych o nieznanej skali; Depth Pro 2 dziedziczy skalę metryczną po oryginalnym Depth Pro.
• Licencja — wagi Depth Pro 2 są objęte licencją Apple Machine Learning Research Model, wyłącznie do użytku badawczego, rozumianego jako niekomercyjne badania naukowe i rozwój akademicki. Kod MoGe-2 jest udostępniany na licencji MIT, a dołączony do niego DINOv2 — na licencji Apache 2.0.
Pytanie o wideo to cały argument.
Wyróżniającą decyzją architektoniczną Depth Pro 2 jest to, że transformator wielowidokowy przetwarza jedną lub więcej klatek łącznie, a po pierwszych dwóch trzecich swoich bloków naprzemiennie stosuje uwagę wewnątrz każdej klatki i uwagę między klatkami. Następnie dekoder DPT przewiduje mapę odwrotnej głębi dla każdej klatki. To mechanizm stojący za liczbą Jitter — metryką spójności czasowej — i dlatego model w ogóle ma zastosowanie do wideo.
W praktyce oznacza to dwa tryby działania. Domyślny, buforowany tryb przetwarza klipy po 16 klatek, które nakładają się na siebie o cztery, co utrzymuje stabilną głębię w miejscach styku klipów; ustawienia okna i nakładania określają długość klipu oraz wielkość nakładania. Tryb niebuforowany przewiduje każdą klatkę w momencie jej nadejścia, wykorzystując tę klatkę i 15 poprzedzających ją, co jest trybem pożądanym w przypadku kamery. Dokumentacja Apple sama otwarcie mówi o koszcie ścieżki na żywo: pierwsze klatki strumienia mają mniej poprzedzających klatek do uwzględnienia, więc ich głębia jest mniej stabilna. Dla wideo przyjmuje się jedną ogniskową dla wszystkich klatek, wyznaczaną jako mediana oszacowań w pierwszym oknie.
MoGe-2 nie ma odpowiednika. Jest to model działający na pojedynczym obrazie, a uruchamianie go na wideo oznacza przetwarzanie klatka po klatce i akceptowanie dowolnego migotania, jakie się z tego pojawi. W zadaniu rekonstrukcji statycznej — fotogrametrii, pipeline'ie assetów od zdjęcia do 3D, w czymkolwiek, gdzie każda klatka jest niezależna — nie jest to wcale ograniczeniem. Dla robota lub nakładki AR to różnica między użytecznym a nieużytecznym.
Co oznacza „metryka” w każdym z wyników?
Oba modele deklarują metry i oba robią z tym słowem coś nieco innego. Depth Pro 2 zwraca odległość wzdłuż kierunku patrzenia kamery — współrzędną z — a nie odległość w linii prostej od kamery. Normalizuje także odwrotną głębokość przez ogniskową, więc odwrotna głębokość równa się ogniskowej w pikselach podzielonej przez iloczyn szerokości obrazu i głębokości. Piksele nieba zwracane są jako nieskończona głębokość lub, zwłaszcza w mniejszych modelach, jako skończona głębokość kilku kilometrów, co jest szczegółem wartym obsłużenia przed zbudowaniem chmury punktów.
MoGe-2 zwraca mapę punktów bezpośrednio, co pozwala obejść tę konwersję. To bardziej użyteczne wyjście, jeśli i tak zmierzasz do 3D, i dlatego model podaje parametry wewnętrzne kamery wraz z głębią — mapa punktów ma sens tylko w układzie kamery, który również znasz. Żadne z tych wyjść nie zastępuje prawdziwego czujnika głębi, gdy scena nie ma tekstury do zakotwiczenia skali; oba dokonują estymacji i oba będą dryfować na powierzchniach odbijających lub przezroczystych.
Licencjonowanie to decyzja, a nie benchmark.
Żadnego z modeli nie można używać komercyjnie w dostarczonej postaci, ale ograniczenia różnią się w sposób istotny z punktu widzenia przeglądu prawnego. Wagi Depth Pro 2 są objęte licencją Apple Machine Learning Research Model, która zezwala na wykorzystanie wyłącznie w celach badawczych, przy czym repozytorium definiuje to jako niekomercyjną naukową działalność badawczą i akademicką działalność rozwojową. Kod jest objęty odrębną licencją, a repozytorium przyznaje, że bazuje na TIMM i DINOv3.
Kod MoGe-2 jest na licencji MIT, która jest bliska brakowi obciążeń, choć wagi nie mają osobnych warunków na karcie modelu, a dołączony kod DINOv2 jest na licencji Apache 2.0. Jeśli Twoje pytanie brzmi „czy mogę to wdrożyć w produkcie?”, uczciwa odpowiedź w obu przypadkach jest taka, że musisz porozmawiać z działem prawnym, a rozmowa dotycząca MoGe-2 jest krótsza. Jeśli Twoje pytanie brzmi „czy mogę opublikować z tym artykuł?”, oba są w porządku.

Co powinny ci powiedzieć brakujące liczby
Raport techniczny Depth Pro 2 jeszcze nie istnieje. Blok cytowania w repozytorium nadal zawiera arXiv:261X.XXXXX, a te X-y nie są zredagowanym fragmentem — to placeholder, którego nie uzupełniono. Strona projektu wymienia metryki, w których twierdzi, że wygrywa — Boundary F1 i Jitter — i nie wymienia żadnych baseline'ów, odwołując się wyłącznie do „wcześniejszych prac działających na pojedynczej klatce lub wielu klatkach” oraz do „baseline'ów w ich domyślnych ustawieniach”.
MoGe-2 ma prawdziwą publikację, arXiv 2507.02546, ale jej streszczenie jest równie pozbawione liczb; ocena została odłożona do osobnego dokumentu. Zatem tabela porównawcza, na którą prawdopodobnie liczyłeś, nie istnieje po żadnej ze stron, a każdy artykuł, który ją podaje, cytuje odczyt z wykresu.
Co warto mieć na uwadze, wyceniając resztę stosu. Model głębi to jeden z etapów potoku, który musi też opisać scenę, zdecydować, co z nią zrobić, i gdzieś zapisać wynik — a te etapy to wywołania modeli językowych, których ceny są publikowane i bezpośrednio porównywalne. To argument za tym, by umieścić je za jednym API, a nie trzema:OrcaRouter kieruje do 217 modeli za pomocą jednego kluczaz marżą 0%, co oznacza, że cena katalogowa dostawcy jest przekazywana bez zmian, dzięki czemu obniżka ceny przez dostawcę zaczyna obowiązywać tego samego dnia, a nie dopiero wtedy, gdy agregator ponownie zsynchronizuje dane. Automatyczne przełączanie awaryjne między dostawcami ma znaczenie z tego samego powodu, tyle że w drugą stronę — jeśli to etap rozumowania musi pozostać dostępny, chcesz, aby zadanie głębi było jedyną rzeczą w potoku, której wolno po cichu zawieść.
Po który sięgnąć
Jeśli masz wideo i zależy Ci na migotaniu, Depth Pro 2 jest jedynym z tych dwóch, który ma na to odpowiedź, a jego odpowiedzią jest prawdziwa architektura — uwaga międzyklatkowa, nakładające się okna, tryb na żywo z udokumentowaną karą za rozgrzewanie. Zacznij od S na laptopie, jak sugeruje sama dokumentacja Apple, i przechodź wyżej dopiero wtedy, gdy krawędzie nie będą wystarczająco ostre.
Jeśli masz nieruchome obrazy i chcesz uzyskać mapę punktów, MoGe-2 daje większą powierzchnię wynikową na jedno wywołanie, a warianty normalne dają drugi sygnał, który w przeciwnym razie musiałbyś szacować. Jego skala metryczna to ulepszenie względem MoGe-1 i się utrzymuje.
To, czego żadne z nich ci nie daje, to możliwe do obrony twierdzenie, że jedno jest lepsze od drugiego, ponieważ żadne z laboratoriów nie przeprowadziło eksperymentu. Traktuj tę parę jako dwa różne narzędzia o nakładających się nazwach, a nie jako ranking, dopóki ktoś nie opublikuje wyników.
