Um cartão de título gerado para o Depth Pro 2, com o subtítulo Profundidade Monocular Métrica Nítida e Temporalmente Consistente, com quatro chips de tamanho dizendo S 24M, B 97M, L 334M e H+ 872M, um quinto chip dizendo estimador focal 23.5M, e uma nota de rodapé dizendo identificador arXiv ainda é um placeholder, além de um logotipo do OrcaRouter.
Guides & Insights

Depth Pro 2 lançado sem artigo: o que os pesos revelam

Autor

Gideon Frost

Data de publicação

Modelos mais recentes · 20Ver todos os modelos →
Benchmarks: Artificial Analysis · atualizado diariamente
Voltar para todas as publicações

Role até o final da ficha do modelo Depth Pro 2 da Apple e leia a citação. Oito autores, uma data de 2026 e um identificador arXiv que aparece como 261X.XXXXX. Os X não são uma ocultação. São um espaço reservado que ninguém voltou para preencher, e são o resumo mais honesto do lançamento: o Depth Pro 2, o modelo de profundidade monocular métrico da Apple, existe como pesos que você pode baixar hoje, e ainda não existe como um artigo que você possa ler.

Essa lacuna é a história. Não um evento de lançamento, não uma tabela de benchmark, não um Space de demonstração — o próprio repositório sinaliza o Space como oculto até que se torne público, e, até o momento desta redação, isso não aconteceu. O que segue é tudo o que é possível saber a partir dos repositórios e da documentação, mantido separado daquilo que ainda não foi confirmado.

O que foi lançado e em quais datas

As datas são a parte que está documentada, porque o Hugging Face registra o timestamp de cada repositório que hospeda. O repositório do model card, apple/DepthPro2, foi criado em 3 de novembro de 2026. Os repositórios de pesos vieram dois dias depois, em 5 de novembro, com apple/DepthPro2-H entre eles. O repositório de exportação para Core ML veio em 9 de novembro. O estimador de distância focal independente, apple/DepthPro2-focal, apareceu em 19 de novembro — no mesmo dia em que o repositório de código, apple-aiml-research/ml-depth-pro-2, tornou-se público no GitHub.

Leia essa sequência como uma linha do tempo de engenharia, e não de marketing. A placa, os pesos, a exportação para Apple silicon, o modelo de calibração de câmera e o código foram disponibilizados ao longo de dezesseis dias, e a última peça a chegar foi a que torna tudo executável por alguém que não está dentro da Apple. Nada na ordem sugere um anúncio coordenado; sugere uma equipe publicando artefatos à medida que passavam pela revisão.

A recepção confirma isso. O repositório de pesos H+ tem 40 downloads e o repositório do card tem 10 curtidas. O repositório no GitHub tem um único commit por trás. Para um modelo do laboratório que produziu o Depth Pro, isso não é uma curva de lançamento — é um lançamento que ainda não foi notado.

O artigo é um marcador de posição, não um preprint.

Três lugares separados apontam para um relatório técnico que não existe. O selo do cartão do modelo leva a arxiv.org/abs/TODO. O selo do README do GitHub leva a arxiv.org/abs/261X.XXXXX. O bloco BibTeX em ambos diz journal = {arXiv preprint arXiv:261X.XXXXX} e url = {https://arxiv.org/abs/261X.XXXXX}.

Também não há uma página de pesquisa do Apple Machine Learning para isso — machinelearning.apple.com/research/depth-pro-2 retorna um 404, e o sitemap de pesquisa da Apple lista depth-pro, mas não depth-pro-2. A página do projeto para a qual os badges apontam, apple-aiml-research.github.io/ml-depth-pro-2, é a única superfície controlada pela Apple que de fato resolve.

Isso importa mais do que parece. É em um relatório técnico que reside o protocolo de avaliação e, sem ele, não é possível verificar os números informados pelo cartão em relação aos números relatados pelos baselines. Portanto, tudo o que é quantitativo abaixo é uma alegação do próprio fornecedor, reproduzida sem verificação independente e identificada como tal.

Quatro tamanhos, além de um estimador de distância focal

A família é incomumente explícita sobre sua própria escala. A Apple publica contagens de parâmetros e tamanhos de download para todos os quatro membros, o que é mais do que a maioria dos lançamentos de profundidade se dá ao trabalho de fazer:

• Pequeno (S) — 24 milhões de parâmetros, 97 MB de download, o indicado para começar em um laptop.

• Base (B) — 97M parâmetros, 386 MB.

Grande (L) — 334 milhões de parâmetros, 1,3 GB.

• H+ (H) — 872M de parâmetros, 3,5 GB, e o padrão que a linha de comando baixa se você não passar -m.

• Estimador de distância focal — 23,5M de parâmetros, 94 MB, um repositório separado que é carregado junto com qualquer tamanho e prevê a distância focal da câmera quando a foto ou o vídeo não a inclui.

A nomenclatura merece uma observação, porque vai confundir qualquer pessoa que esteja escrevendo um arquivo de configuração: o repositório é apple/DepthPro2-H, mas a flag de linha de comando é -m depthpro2-h, enquanto a ficha chama esse tamanho de H+. A documentação usa as duas grafias a poucas linhas de distância uma da outra.

A arquitetura subjacente é um transformer multivisão seguido por um decodificador DPT por quadro. Após o primeiro terço dos blocos do transformer, a atenção alterna entre intraquadro e entre quadros, e o decodificador monta tokens de vários blocos em mapas de características de um trinta e dois avos a um quarto da resolução de entrada. O README credita TIMM e DINOv3 como as bases de código e de modelo.

O gráfico de trade-off é o único resultado

Toda a seção de resultados do cartão é uma figura e duas frases. A figura plota Boundary F1 contra Jitter, as duas métricas que a Apple escolheu, como um gráfico de dispersão de cerca de duas dúzias de modelos de profundidade de quadro único e de múltiplos quadros, com os quatro tamanhos do Depth Pro 2 em laranja e todo o resto em azul ou verde, com média sobre os conjuntos de dados Sintel e Spring. As duas frases dizem que o Depth Pro 2 supera trabalhos anteriores que operam em um único quadro ou em múltiplos quadros em ambas, e que o canto superior direito é o melhor.

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.

Os eixos estão rotulados: Boundary F1 vai de 0 a 0,3, e o jitter, de 0,1 até 0. Lendo as posições em um gráfico de dispersão, o marcador H+ fica perto de 0,29 de Boundary F1, com jitter em torno de 0,017, contra aproximadamente 0,235 e 0,095 do Depth Pro original — uma grande diferença em ambos os eixos. O que a figura não traz é uma tabela, um detalhamento por conjunto de dados, qualquer medição de velocidade ou memória, ou uma comparação fora das duas dúzias de modelos plotados. O card diz que o artigo compara os tamanhos, incluindo sua velocidade e memória — e o artigo ainda não existe.

Isso não é motivo para desconfiar do modelo. É motivo para desconfiar de qualquer artigo que lhe apresente um Boundary F1 para o Depth Pro 2 citado com três casas decimais, porque o único lugar onde tal número existe é um gráfico de dispersão que você consegue ler com precisão de cerca de um centésimo, com o protocolo de avaliação remetido a um relatório que ainda não foi publicado. Se você precisa do valor para um documento de aquisição, está esperando o relatório.

O vídeo é o que o torna uma sequência

O Depth Pro original era, em seu próprio título, sobre nitidez e velocidade: Profundidade Métrica Monocular Nítida em Menos de um Segundo, 2,25 megapixels em 0,3 segundos em uma GPU padrão. O Depth Pro 2 mantém a nitidez e adiciona um segundo eixo — consistência temporal — e toda a mudança de arquitetura existe para atendê-lo. A atenção alternada dentro e entre quadros é como um transformer vê vários quadros como uma única cena, em vez de várias imagens.

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.

Daí resultam dois modos de operação. O modo com buffer, o padrão para arquivos de vídeo, processa clipes de 16 quadros que se sobrepõem em quatro, o que mantém a profundidade estável onde clipes consecutivos se encontram; --window e --overlap expõem ambos os números. O modo sem buffer prevê cada quadro no momento em que ele chega, a partir desse quadro e dos 15 anteriores, e é o modo para uma câmera ao vivo. A Apple é sincera ao afirmar que os primeiros quadros de um fluxo têm menos predecessores para considerar, então sua profundidade é menos estável — uma penalidade de aquecimento declarada na documentação, em vez de descoberta em produção.

O restante do comportamento de vídeo é um conjunto de consequências que vale a pena conhecer antes de integrar. Um vídeo recebe uma única distância focal para todos os seus quadros, obtida como a mediana das estimativas ao longo de sua primeira janela. A memória cresce com o tamanho do quadro e o comprimento da janela, não com a duração do vídeo, então o remédio documentado para um clipe que não couber é encurtar a janela primeiro e passar para um modelo menor depois, redimensionando a entrada apenas como último recurso. E pixels de céu retornam como profundidade infinita ou, especialmente nos modelos menores, como uma profundidade finita de vários quilômetros — o README manda limitar o intervalo antes de construir uma nuvem de pontos, que é o tipo de conselho que só existe porque alguém não fez isso.

O que ainda não foi confirmado

A lista honesta de questões em aberto é curta e específica.

• Avaliação independente — nenhuma. Nenhum terceiro publicou um número de Boundary F1 ou Jitter para o Depth Pro 2, e as próprias baselines do cartão não recebem nome além de “trabalho anterior que opera em um único quadro ou em vários quadros”.

• Velocidade e memória — afirma-se que são comparadas no artigo, que é um placeholder. A única orientação concreta de execução é que H+ tem 3,5 GB de pesos e que S é a opção para notebook.

• A demo — o Space está vinculado dentro de um comentário HTML, marcado como oculto até se tornar público. Uma demo existir e uma demo estar acessível são afirmações diferentes.

• O nome — "Depth Pro 2" aparece como DepthPro2 nos nomes dos repositórios, depth-pro-2 no pacote de código e no repositório Core ML, e depth_pro_2 na importação do Python. Pesquise pelos quatro.

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.

Executando isso antes que o artigo seja publicado

O caminho de instalação é deliberadamente entediante, o que é um ponto a seu favor. Você instala o uv, clona o repositório e executa uv run depth-pro-2 predict -i assets/example.jpg -o out/ para uma foto, ou o mesmo comando com um .mp4 para um vídeo. A primeira execução baixa o H+ de 3,5 GB, a menos que você passe -m depthpro2-s. O comando escolhe o primeiro dispositivo disponível — CUDA, depois MPS do Apple silicon, depois CPU — e roda sob autocast bfloat16 em GPUs, float32 em CPU. Há uma exportação Core ML para hardware Apple e um app de demonstração minimalista para Mac que exige macOS 15 e Xcode 16.

É nos formatos de saída que estão os detalhes práticos. O comando grava sempre uma imagem de profundidade codificada por cores, vermelho para perto e azul para longe. --save-png16 acrescenta PNGs em tons de cinza de 16 bits para ferramentas de composição, branco para perto e preto para longe, escalados de acordo com o intervalo de profundidade da fotografia ou do primeiro fotograma de um vídeo — por isso, os pontos que se aproximam mais tarde num vídeo ficam saturados. --save-npz acrescenta a matriz de profundidade propriamente dita em metros, além de focallength_px, que é o que precisa se for fazer algo numérico.

Duas convenções vão te pegar se você ignorar a documentação. Profundidade é a distância ao longo do eixo de visão da câmera, a coordenada z, não a distância em linha reta a partir da lente. E a profundidade inversa em Python é normalizada pela distância focal: ela é igual a focallength_px / (width * depth). Erre a distância focal em 10 por cento e tudo vai parar 10 por cento longe demais.

Nada disso passa por nós. O Depth Pro 2 é um conjunto de pesos com licença de pesquisa dos próprios repositórios da Apple, e, se você quiser executá-lo, você o baixa da Apple. O que o OrcaRouter cobre é o restante do pipeline ao redor dele — uma única API e uma única chave para mais de 200 modelos hospedados com 0% de margem sobre o preço de tabela do provedor, com failover automático entre provedores. Quando a etapa de profundidade é um checkpoint de pesquisa com uma citação provisória e sem cadência de lançamentos, as etapas de raciocínio e escrita ao redor dela são as que você quer que sejam a parte entediante e redundante.

O que ficar de olho, se você está esperando em vez de construir: um identificador arXiv no lugar dos Xs, uma página de pesquisa surgindo em machinelearning.apple.com e o Space de demonstração passando de comentado para vinculado. Qualquer um desses transformaria isto de uma disponibilização de pesos em um lançamento de verdade, e daria ao gráfico acima a tabela por modelo que está faltando.