
Depth Pro 2 против VGGT: метрическая глубина или многовьюзовая геометрия?
- OrcaНОВИНКАOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 за 1 млн токенов · 186 tok/s
- tencentНОВИНКАTencent: Hy4 Flash2026-11-16$0.02 / $0.07 за 1 млн токенов · 358 tok/s
- GoogleНОВИНКАGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 за 1 млн токенов · 87 tok/s
- AnthropicНОВИНКАAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 за 1 млн токенов · 139 tok/s
- orcaНОВИНКАOrca: OrcaC2 1.02026-11-0737 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 за 1 млн токенов · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 за 1 млн токенов · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 за 1 млн токенов · 80 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 за 1 млн токенов · 117 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 за 1 млн токенов · 111 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 за 1 млн токенов · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 за 1 млн токенов · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 за 1 млн токенов · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Интеллект
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 за 1 млн токенов · 210 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Интеллект
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 за 1 млн токенов · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Интеллект
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 за 1 млн токенов · 168 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Интеллект
Наведите телефон на комнату, обойдите её и запишите сорок секунд видео. Две модели могут превратить это в геометрию, и они не сойдутся в том, что это за геометрия. {{1}}Depth Pro 2{{/1}}, метрическая монокулярная модель глубины от Apple, возвращает значение глубины в метрах для каждого пикселя каждого кадра вместе с привязанным фокусным расстоянием. {{2}}VGGT{{/2}} — Visual Geometry Grounded Transformer от Meta AI Research и группы VGG University of Oxford, опубликованный на CVPR 2025 — возвращает внешние и внутренние параметры камеры, карты точек, карты глубины и 3D-треки точек для всего набора видов сразу.
Один из этих результатов — измерение. Другой — реконструкция. Выбор между ними не сводится к вопросу, какой из них точнее, поскольку две модели отвечают на разные вопросы, а нужный вам ответ определяется тем, что идёт после модели в вашем конвейере.
Для чего была создана каждая модель
VGGT — это сеть прямого распространения, которая за секунды выводит все ключевые 3D-атрибуты сцены из одного, нескольких или сотен ракурсов. Суть предложения — совместное оценивание: вместо того чтобы запускать модель глубины для каждого кадра и затем решать задачу определения поз камеры на отдельном этапе structure-from-motion, VGGT выдаёт позы, внутренние параметры, глубину и точечные треки за один проход, при этом ракурсы учитывают друг друга. Вот почему утверждение о «сотнях ракурсов» важно — это замена фотограмметрическому конвейеру, а не дополнение к нему.
Depth Pro 2 — это монокулярный оценщик метрической глубины, и ключевое слово здесь — «метрической». На выходе получается карта глубины в метрах вдоль направления обзора камеры, вычисленная по одному изображению без необходимости в метаданных камеры: модель может прочитать фокусное расстояние из EXIF, принять значение, которое вы зададите в пикселях, или предсказать его с помощью отдельного оценщика на 23,5 млн параметров, поставляемого как собственный репозиторий. Она также обрабатывает видео — отсюда и «2»: многовидовой трансформер обрабатывает кадры совместно, попеременно применяя внимание внутри каждого кадра и между кадрами после первой трети своих блоков, а декодер DPT выдаёт карту обратной глубины для каждого кадра.

• Единица работы — VGGT принимает набор ракурсов; Depth Pro 2 принимает фотографию, видео или живой поток.
• Основной результат — VGGT выдаёт параметры камеры, карты точек, карты глубины и 3D-треки точек; Depth Pro 2 выдаёт метрическую глубину плюс использованное фокусное расстояние.
• Решение параметров камеры — VGGT оценивает их как часть совместной задачи; Depth Pro 2 считывает, принимает или предсказывает фокусное расстояние без внешних параметров.
• Масштаб — основной выходной результат Depth Pro 2 выражается в метрах; карточка модели VGGT описывает параметры камеры, карты точек, глубину и треки и не заявляет метрический масштаб.
• Релиз — VGGT был опубликован на CVPR 2025 (arXiv 2503.11651); репозитории Depth Pro 2 были созданы в ноябре 2026 года, а технический отчёт всё ещё ожидается.
Вопрос масштаба решает судьбу большинства внедрений.
Если вам нужно знать, что стол находится на расстоянии 0,74 метра, VGGT не сообщает вам это напрямую, а Depth Pro 2 — да. Вот весь аргумент в одном предложении, и стоит точно объяснить, почему.
Утверждение Depth Pro 2 о метричности имеет архитектурный, а не случайный характер. Оригинальный Depth Pro был создан как фундаментальная модель для zero-shot метрической глубины, и репозиторий явно описывает соглашения: глубина — это координата z вдоль направления взгляда, а не радиальное расстояние; обратная глубина нормируется на фокусное расстояние; а фокусное расстояние, завышенное на 10 процентов, помещает всё на 10 процентов дальше. Это соглашения модели, вывод которой должен восприниматься как измерение, и Depth Pro 2 наследует их без изменений во всех четырёх размерах.
Выход VGGT является геометрическим. Внешние и внутренние параметры камеры, карты точек и треки точек внутренне согласованы — реконструкция корректна с точностью до глобального преобразования подобия — а восстановление абсолютного масштаба из неё является отдельным шагом, обычно включающим известный ориентир в сцене. Для синтеза новых ракурсов, для 3D-ассета, для чего угодно, где вы будете масштабировать сцену, чтобы она поместилась в просмотрщик, это нормально и часто предпочтительно. Для робота, которому нужно знать, находится ли препятствие в одном метре или трёх метрах, это проблема, которую нужно решить вне модели.
У Depth Pro 2 здесь свои проблемы с честностью. Пиксели неба возвращаются как бесконечная глубина или, особенно на меньших моделях, как конечная глубина в несколько километров, поэтому наивное облако точек, построенное по выходным данным модели, получит стену ложной дальней геометрии там, где находится небо. В README сказано обрезать диапазон глубины перед созданием облака точек или цветного изображения — это из тех указаний, которые появляются только после того, как кто-то на них обжёгся.
Согласованность видео — вот настоящий вклад.
Depth Pro 2 — не столько более совершенная версия Depth Pro, сколько стабилизированная во времени, и весь механизм заключён в паттерне внимания. После первой трети своих блоков трансформер чередует внимание внутри каждого кадра и внимание между кадрами, а декодер DPT собирает токены из нескольких блоков в карты признаков с разрешением от 1/32 до 1/4 входного. Смысл такого чередования — Jitter (метрика временной согласованности), и на странице проекта она приводится вместе с Boundary F1, усреднёнными по наборам данных Sintel и Spring; там же утверждается, что Depth Pro 2 превосходит предшествующие работы, работающие с одним кадром или несколькими кадрами, по обоим показателям.
Никакие значения не сопровождают это утверждение, и никакие базовые модели не названы. На странице упоминаются только «предыдущие работы, работающие с одним кадром или несколькими кадрами» и «базовые модели с настройками по умолчанию», а в блоке цитирования указано arXiv:261X.XXXXX — заглушка, а не статья. Любой, кто приводит число Boundary F1 или Jitter для Depth Pro 2, считывает его с графика.

Рабочий диапазон Depth Pro 2 уже, чем можно предположить по его видеокадрированию, и эта узость задокументирована. В режиме по умолчанию он обрабатывает 16-кадровые клипы с перекрытием в четыре кадра, а потоковый путь сопоставляет каждый кадр с пятнадцатью предыдущими, то есть первая секунда любого потока — самая нестабильная из возможных. На всё видео приходится одно фокусное расстояние, выбранное как медиана по начальному окну, — поэтому к клипу с зумом будет применена оценка фокусного расстояния, полученная по одному кадру, ко всем кадрам. Память масштабируется с размером кадра и окном, а не с длительностью, и средство Apple при нехватке памяти на видео — сократить окно, прежде чем уменьшать модель.
У VGGT нет эквивалентного режима, потому что он ему не нужен. Он уже обрабатывает весь набор ракурсов совместно, что является более сильной формой той же гарантии — при условии, что вы можете позволить себе механизм внимания по сотням ракурсов и что вашему приложению нужна реконструкция, а не оценка глубины для каждого кадра.
Размеры, экспорты и что вы на самом деле запускаете
Depth Pro 2 предлагает четыре размера с опубликованными значениями: S — 24 млн параметров и 97 МБ, B — 97 млн и 386 МБ, L — 334 млн и 1,3 ГБ, H+ — 872 млн и 3,5 ГБ; H+ используется по умолчанию, а S рекомендуется для ноутбуков. Файлы конфигурации показывают структуру семейства: бэкбоны DINOv3 ViT-S и ViT-B в паре малых моделей используют внимание на блоках 5, 7, 9 и 11, ViT-L — на блоках с 9 по 23, ViT-H+ — на блоках с 11 по 31, при размерностях декодера 64, 128, 256 и 256. Экспорты Core ML для Apple silicon поставляются в виде отдельного репозитория, а репозиторий кода включает демонстрационное приложение для Mac для получения глубины с камеры в реальном времени.
VGGT-1B — это один чекпойнт с миллиардом параметров, и с тех пор семейство продвинулось дальше. VGGT-Omega был выпущен 18 мая 2026 года как «следующий шаг VGGT», а коммерческий чекпойнт VGGT-1B-Commercial существует наряду с оригиналом: AUC@30 90,37 на Co3D против 89,98 у оригинала — единственное бенчмарк-число на карточке модели, и то маргинальное. По состоянию на момент написания VGGT-1B имеет 748 148 загрузок, что кое-что говорит о том, насколько широко исследовательское сообщество приняло его в качестве базовой модели.

Depth Pro 2 — противоположная история. У четырёх её чекпойнтов скачивания исчисляются десятками, репозитории были созданы в начале ноября 2026 года, а на репозитории с карточкой всего несколько лайков. Эта модель опубликована, но ещё не подхвачена. Это стоит знать до того, как вы решите её использовать: если вы наткнётесь на баг, issue придётся заводить именно вам.
Лицензирование и коммерческий контрольный этап
VGGT-1B распространяется по лицензии CC BY-NC 4.0 — некоммерческой. Интересная деталь — существование VGGT-1B-Commercial: Meta выпустила вариант с коммерческой лицензией, а значит, путь от исследований до продукта существует и без переговоров о лицензии. Веса Depth Pro 2 распространяются по лицензии Apple Machine Learning Research Model — только для исследовательского использования; в репозитории она определена как некоммерческие научные исследования и академическая разработка.
Ни одна из этих лицензий не является продуктовой лицензией на открытый чекпоинт. Разница в том, что семейство VGGT включает коммерческую опцию, а Depth Pro 2 — нет, так что если вы строите бизнес ради выручки, у одного из них есть дверь, а у другого — стена.
Это тот же расчёт, который проявляется на уровень выше в любом продакшен-пайплайне. Модель реконструкции — это один вызов; вокруг него находится часть, которая читает сцену, решает, что делать, и записывает это, — работа языковой модели, где поставщик указывает цену, а агрегатор либо передаёт её без наценки, либо нет. Предложение OrcaRouter — 0% наценки на 217 моделей с автоматическим переключением при сбое между провайдерами, и это важнее всего именно здесь: когда геометрический этап представляет собой исследовательский чекпойнт с парой скачиваний и без регулярного графика релизов, вы хотите, чтобы остальная часть пайплайна была скучной, избыточной частью.
Кому с чего начать?
Начните с VGGT, если вы реконструируете сцену по множеству ракурсов, а масштаб будете обрабатывать на последующих этапах — синтез новых ракурсов, 3D-ассет, набор данных, собранный из видео, где геометрия является конечным результатом. Совместное решение задачи камеры и геометрии — вот что оправдывает миллиард параметров, а VGGT-Omega — текущее поколение, если вы начинаете с нуля.
Начните с Depth Pro 2, если вам нужны метры из одного кадра или если нужно, чтобы глубина оставалась стабильной от кадра к кадру в live-потоке. Регулятор размера действительно есть, а workflow на ноутбуке задокументирован. Приготовьтесь к тому, что глубина неба будет обрезаться, что вы станете первым, кто сообщит о большинстве багов, и что придётся ждать технического отчёта, прежде чем вы сможете назвать кому-либо значение Boundary F1.
Не стоит воспринимать это как прямое сравнение. VGGT реконструирует, Depth Pro 2 измеряет, и единственное честное сравнение — что из них может потреблять ваш код ниже по потоку. Для большинства 3D-пайплайнов ответ — VGGT и шаг восстановления масштаба; для большинства робототехнических и AR-пайплайнов — Depth Pro 2 и бюджет робастности для дымового теста.
