
Depth Pro 2 vs MoGe-2: Consistência de Vídeo vs Mapas de Pontos
- OrcaNOVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 por 1M de tokens · 186 tok/s
- tencentNOVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 por 1M de tokens · 358 tok/s
- GoogleNOVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 87 tok/s
- AnthropicNOVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 139 tok/s
- orcaNOVOOrca: OrcaC2 1.02026-11-0737 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 por 1M de tokens · 80 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 por 1M de tokens · 117 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 111 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligência
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 210 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligência
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligência
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 por 1M de tokens · 168 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligência
Depth Pro 2 e MoGe-2 são ambos modelos de geometria monocular métrica de grandes laboratórios de pesquisa e, até o momento desta redação, ninguém publicou um número que coloque um contra o outro. O Depth Pro 2, da Apple, reporta Boundary F1 e Jitter, calculados como média sobre os conjuntos de dados Sintel e Spring. O MoGe-2, da Microsoft, reporta acurácia de geometria relativa, escala métrica e preservação de detalhes em sua própria mistura de avaliação. Os dois conjuntos de métricas não se intersectam, o que significa que toda alegação de que “X vence Y” que você encontrar sobre esse par é inventada ou tomada emprestada de um benchmark que nenhum dos dois laboratórios executou.
Isso não é uma esquiva. É a coisa mais útil a se saber antes de passar uma semana integrando qualquer um dos dois. O que você pode comparar é o que cada repositório de fato entrega, o que cada modelo foi projetado para fazer mal, e qual dessas fraquezas recai sobre o seu pipeline. Este artigo faz isso, e é explícito sobre quais afirmações vêm de um README de fornecedor e quais não vêm de lugar nenhum.
O que cada repositório realmente contém
O Depth Pro 2 está distribuído por vários repositórios do Hugging Face, em vez de um único. O repositório do model card, apple/DepthPro2, contém o README e as figuras; os pesos são divididos por tamanho em apple/DepthPro2-S, apple/DepthPro2-B, apple/DepthPro2-L e apple/DepthPro2-H. Um repositório separado, apple/DepthPro2-focal, contém um estimador de distância focal autônomo de 23,5M de parâmetros que é carregado junto com qualquer tamanho. Outro, apple/DepthPro2-coreml, contém exportações Core ML para Apple silicon. O repositório de código é apple-aiml-research/ml-depth-pro-2 no GitHub.

Os quatro tamanhos vão de 24M de parâmetros em 97 MB (S) a 97M em 386 MB (B) e 334M em 1,3 GB (L), até 872M em 3,5 GB (H+, o padrão). Suas configurações confirmam a relação de família: S e B usam backbones DINOv3 ViT-S e ViT-B com atenção entre quadros nos blocos 5, 7, 9 e 11; L amplia isso para os blocos 9 a 23 com um decodificador DPT de 256 dimensões; H+ vai para os blocos 11 a 31 e monta tokens nos blocos 7, 15, 23 e 31.
O MoGe-2 é disponibilizado como quatro checkpoints na organização Ruicheng: moge-2-vitl com 326M parâmetros sem normais, e as variantes -normal moge-2-vitl-normal com 331M, moge-2-vitb-normal com 104M e moge-2-vits-normal com 35M. Cada um retorna um mapa de pontos métrico em coordenadas de câmera do OpenCV, um mapa de profundidade, intrínsecos de câmera normalizados e uma máscara de pixels válidos, com o mapa de normais adicionado nas variantes que o incluem. O MoGe-2 é a segunda geração; a família desde então avançou para o MoGe-3, anunciado em 18 de agosto de 2026 com um modelo ViT-g de 1,25B parâmetros, portanto o MoGe-2 agora é a versão anterior, e não a atual.

Onde os dois designs divergem
• Modalidade de entrada — Depth Pro 2 aceita uma foto, um arquivo de vídeo ou um feed de câmera ao vivo; MoGe-2 aceita uma única imagem.
• Alegação principal — O Depth Pro 2 alega nitidez e consistência temporal; o MoGe-2 alega escala métrica e detalhes finos, alcançados por meio de uma etapa unificada de refinamento de dados que usa rótulos sintéticos nítidos para filtrar e completar dados reais de treinamento.
• Superfície de saída — o Depth Pro 2 retorna profundidade em metros, além da distância focal utilizada; o MoGe-2 retorna um mapa de pontos completo, profundidade, intrínsecos e uma máscara, com normais nas variantes que as incluem.
• Distância focal — O Depth Pro 2 inclui um estimador separado e também pode ler EXIF ou aceitar uma distância focal conhecida em pixels; o MoGe-2 pode usar o campo de visão como referência opcional para melhorar a precisão.
• Escala — o MoGe-2 adicionou escala métrica do mundo real em relação ao MoGe-1, que produzia mapas de pontos invariantes a transformações afins com escala desconhecida; o Depth Pro 2 herda a escala métrica do Depth Pro original.
• Licença — Os pesos do Depth Pro 2 estão sob a licença Apple Machine Learning Research Model, apenas para uso em pesquisa, definido como pesquisa científica não comercial e desenvolvimento acadêmico. O código do MoGe-2 é MIT, com o DINOv2 incluído sob Apache 2.0.
A questão do vídeo é todo o argumento.
A decisão arquitetural distintiva do Depth Pro 2 é que um transformer multivisão processa um ou mais quadros em conjunto e, após o primeiro terço de seus blocos, alterna entre atenção dentro de cada quadro e atenção entre quadros. Um decodificador DPT então prevê um mapa de profundidade inversa por quadro. Essa é a maquinaria por trás do número Jitter — a métrica de consistência temporal — e é por isso que o modelo tem, afinal, uma proposta para vídeo.
Na prática, isso significa dois modos de operação. O modo padrão, com buffer, processa clipes de 16 quadros que se sobrepõem em quatro, o que mantém a profundidade estável onde os clipes se encontram; as configurações de janela e sobreposição expõem o comprimento do clipe e a sobreposição. O modo sem buffer prevê cada quadro conforme ele chega, usando esse quadro e os 15 anteriores, que é o modo indicado para uma câmera. A documentação da própria Apple é franca sobre o custo do caminho ao vivo: os primeiros quadros de um fluxo têm menos quadros anteriores para considerar, então sua profundidade é menos estável. Um vídeo recebe uma única distância focal para todos os seus quadros, obtida como a mediana das estimativas ao longo de sua primeira janela.
MoGe-2 não tem equivalente. É um modelo de imagem única, e executá-lo em vídeo significa processá-lo quadro a quadro e aceitar qualquer cintilação que surgir. Para uma tarefa de reconstrução estática — fotogrametria, um pipeline de assets de imagens estáticas para 3D, qualquer coisa em que cada quadro seja independente — isso não é limitação alguma. Para um robô ou uma sobreposição de realidade aumentada, é a diferença entre utilizável e não utilizável.
O que "metric" significa em cada saída
Ambos os modelos afirmam usar metros, e ambos fazem algo ligeiramente diferente com a palavra. O Depth Pro 2 retorna a distância ao longo da direção de visualização da câmera — a coordenada z — não a distância em linha reta até a câmera. Ele também normaliza a profundidade inversa pela distância focal, então a profundidade inversa é igual à distância focal em pixels dividida pelo produto da largura da imagem e da profundidade. Os pixels do céu retornam como profundidade infinita ou, especialmente nos modelos menores, como uma profundidade finita de vários quilômetros, o que é um detalhe que vale a pena tratar antes de construir uma nuvem de pontos.
O MoGe-2 retorna diretamente um mapa de pontos, o que contorna essa conversão. Essa é a saída mais útil se você for trabalhar com 3D de qualquer forma, e é por isso que o modelo informa os parâmetros intrínsecos junto com a profundidade — o mapa de pontos só faz sentido em um referencial de câmera que você também conhece. Nenhuma das saídas substitui um sensor de profundidade real quando a cena não tem textura para ancorar a escala; ambas estão estimando, e ambas sofrerão deriva em superfícies refletivas ou transparentes.
O licenciamento é a decisão, não o benchmark.
Nenhum dos modelos é utilizável comercialmente como fornecido, mas as restrições diferem de maneiras que importam para uma análise jurídica. Os pesos do Depth Pro 2 estão sob a licença Apple Machine Learning Research Model, que permite uso exclusivamente para fins de pesquisa, com o repositório definindo isso como atividades de pesquisa científica não comercial e desenvolvimento acadêmico. O código é licenciado separadamente, e o repositório reconhece que se baseia em TIMM e DINOv3.
O código do MoGe-2 é MIT, o que é quase irrestrito, embora os pesos não tenham termos separados no cartão do modelo e o código DINOv2 incluído seja Apache 2.0. Se a sua pergunta é "posso distribuir isto em um produto", a resposta honesta para ambos é que você precisa conversar com o jurídico, e a conversa sobre o MoGe-2 é mais curta. Se a sua pergunta é "posso publicar um artigo com isto", ambos estão ok.

O que os números ausentes deveriam lhe dizer
O relatório técnico do Depth Pro 2 ainda não existe. O bloco de citação do repositório ainda exibe arXiv:261X.XXXXX, e os X não são uma ocultação — são um espaço reservado que ainda não foi preenchido. A página do projeto nomeia as métricas que ele afirma vencer, Boundary F1 e Jitter, e não nomeia nenhuma linha de base, referindo-se apenas a "trabalhos anteriores que operam em um único frame ou em vários frames" e a "linhas de base com suas configurações padrão".
O MoGe-2 tem um artigo de verdade, arXiv 2507.02546, mas seu resumo também não traz números; a avaliação fica para um documento separado. Portanto, a tabela comparativa que você provavelmente esperava não existe de nenhum dos lados, e qualquer artigo que lhe apresente uma está citando a leitura de um gráfico.
O que vale a pena ter em mente quando você precifica o restante da stack. Um modelo de profundidade é um estágio de um pipeline que também precisa descrever a cena, decidir o que fazer a respeito e gravar o resultado em algum lugar — e esses estágios são chamadas a modelos de linguagem, cujos preços são publicados e diretamente comparáveis. Esse é o argumento para colocá-los atrás de uma única API em vez de três: O OrcaRouter roteia 217 modelos com uma única chave a 0% de markup, o que significa que o preço de tabela do provedor passa intacto, de modo que um corte de preço do fornecedor entra em vigor no mesmo dia, em vez de quando um agregador ressincroniza. O failover automático entre provedores importa pelo mesmo motivo, invertido — se o estágio de raciocínio é o que precisa permanecer no ar, você quer que o job de profundidade seja a única coisa no pipeline que pode falhar silenciosamente.
Qual escolher
Se você tem vídeo e se importa com cintilação, o Depth Pro 2 é o único dos dois com uma resposta, e a resposta dele é arquitetura de verdade — atenção entre quadros, janelas sobrepostas, um modo ao vivo com uma penalidade de aquecimento documentada. Comece com S em um laptop, como a própria documentação da Apple sugere, e avance só quando as bordas não estiverem nítidas o suficiente.
Se você tem imagens estáticas e quer um mapa de pontos, o MoGe-2 oferece mais superfície de saída por chamada, e as variantes de normais dão um segundo sinal que você, de outra forma, estimaria. Sua escala métrica é a melhoria em relação ao MoGe-1, e ela se mantém.
O que nenhum dos dois lhe oferece é uma alegação defensável de que seja melhor que o outro, porque nenhum dos laboratórios realizou o experimento. Trate o pareamento como duas ferramentas diferentes com nomes sobrepostos, não como uma lista classificatória, até que alguém publique os números.
