Ett genererat titelkort för Depth Pro 2, med undertiteln Skarp och tidsmässigt konsekvent metriskt monokulärt djup, med fyra storlekschips med texten S 24M, B 97M, L 334M och H+ 872M, ett femte chips med texten fokalestimator 23.5M, och en sidfotsnotering med texten arXiv-identifierare fortfarande en platshållare, plus en OrcaRouter-logotyp.
Guides & Insights

Depth Pro 2 släpptes utan en artikel: vad vikterna visar

Författare

Gideon Frost

Publiceringsdatum

Senaste modellerna · 20Visa alla modeller →
Benchmarks: Artificial Analysis · uppdateras dagligen
Tillbaka till alla inlägg

Scrolla till botten av Apples modellkort för Depth Pro 2 och läs citeringen. Åtta författare, ett datum 2026 och en arXiv-identifierare som lyder 261X.XXXXX. X:en är inte en maskning. De är en platshållare som ingen har kommit tillbaka för att fylla i, och de är den ärligaste sammanfattningen av lanseringen: Depth Pro 2, Apples metriska monokulära djupmodell, finns som vikter du kan ladda ner i dag, och den finns ännu inte som en artikel du kan läsa.

Det gapet är historien. Inte ett lanseringsevenemang, inte en benchmarktabell, inte ett demo-Space – själva repot flaggar Space som dolt tills det blir offentligt, och i skrivande stund har det inte blivit det. Det som följer är allt som går att veta utifrån reporna och dokumentationen, hållet åtskilt från det som ännu inte är bekräftat.

Vad levererades, och på vilka datum

Datumen är den del som är dokumenterad, eftersom Hugging Face tidsstämplar varje repo som de är värd för. Modellkortets repo, apple/DepthPro2, skapades den 3 november 2026. Viktrepona följde två dagar senare, den 5 november, med apple/DepthPro2-H bland dem. Core ML-exportrepot kom den 9 november. Den fristående brännviddsuppskattaren, apple/DepthPro2-focal, dök upp den 19 november – samma dag som kodrepot, apple-aiml-research/ml-depth-pro-2, blev offentligt på GitHub.

Läs den sekvensen som en ingenjörstidslinje snarare än en marknadsföringstidslinje. Kortet, vikterna, Apple silicon-exporten, kamerakalibreringsmodellen och koden publicerades etappvis under sexton dagar, och den sista pusselbiten som landade var den som gör att hela saken kan köras av någon som inte sitter inom Apple. Inget i ordningen tyder på ett samordnat tillkännagivande; det tyder på ett team som släppte artefakter allteftersom de klarade granskning.

Mottagandet bekräftar det. H+ viktrepositoriet har 40 nedladdningar och kortrepositoriet 10 gillningar. GitHub-repositoriet har en enda commit bakom sig. För en modell från labbet som tog fram Depth Pro är det inte en lanseringskurva – det är en lansering som ännu inte har uppmärksammats.

Artikeln är en platshållare, inte en preprint.

Tre separata ställen pekar på en teknisk rapport som inte finns. Modellkortets badge länkar till arxiv.org/abs/TODO. GitHub-README:ns badge länkar till arxiv.org/abs/261X.XXXXX. BibTeX-blocket i båda anger journal = {arXiv preprint arXiv:261X.XXXXX} och url = {https://arxiv.org/abs/261X.XXXXX}.

Det finns inte heller någon Apple Machine Learning-forskningssida för det – machinelearning.apple.com/research/depth-pro-2 returnerar 404, och Apples forskningssitemap listar depth-pro men inte depth-pro-2. Projektsidan som badgarna pekar på, apple-aiml-research.github.io/ml-depth-pro-2, är den enda Apple-kontrollerade yta som faktiskt går att nå.

Detta är viktigare än det låter. En teknisk rapport är platsen där utvärderingsprotokollet finns, och utan den kan siffrorna som kortet rapporterar inte kontrolleras mot siffrorna som baslinjerna rapporterar. Allt kvantitativt nedan är därför leverantörens eget påstående, återgivet utan oberoende verifiering och märkt som sådant.

Fyra storlekar, plus en brännviddsuppskattare

Familjen är ovanligt explicit om sin egen skalning. Apple publicerar parameterantal och nedladdningsstorlekar för alla fyra medlemmarna, vilket är mer än vad de flesta djupmodellsutgåvor bryr sig om:

{{1}}Liten (S){{/1}} — 24 miljoner parametrar, 97 MB nedladdning, den man ska börja med på en bärbar dator.

• Bas (B) — 97M parametrar, 386 MB.

• Stor (L) — 334M parametrar, 1,3 GB.

• H+ (H) — 872M parametrar, 3,5 GB och standardvalet som kommandoraden laddar ner om du inte anger -m.

• Fokalestimerare — 23,5 miljoner parametrar, 94 MB, ett separat arkiv som laddas tillsammans med alla storlekar och förutsäger kamerans brännvidd när fotot eller videon saknar en.

Namngivningen är värd en kommentar, eftersom den kommer att ställa till problem för alla som skriver en konfigurationsfil: repot heter apple/DepthPro2-H men kommandoradsflaggan är -m depthpro2-h, medan kortet kallar den storleken H+. Dokumentationen använder båda stavningarna inom några rader från varandra.

Den underliggande arkitekturen är en transformer för flera vyer följd av en DPT-avkodare per frame. Efter den första tredjedelen av transformatorns block växlar attentionen mellan inom-frame och mellan-frame, och avkodaren sammanställer tokens från flera block till feature maps vid en trettioandra del till en fjärdedel av indataupplösningen. I README anges TIMM och DINOv3 som kod- och modellgrunderna.

Avvägningsdiagrammet är det enda resultatet

Kortets hela resultatavsnitt består av en figur och två meningar. Figuren visar Boundary F1 mot Jitter, de två mätvärden Apple valde, i ett punktdiagram med ungefär två dussin enkelbilds- och flerbildsbaserade djupmodeller, där de fyra storlekarna av Depth Pro 2 är orange och allt annat blått eller grönt, medelvärdesberäknat över datamängderna Sintel och Spring. De två meningarna säger att Depth Pro 2 överträffar tidigare arbete som arbetar med en enskild bild eller flera bilder på båda, och att det övre högra hörnet är bäst.

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.

Axlarna är märkta: Boundary F1 går från 0 till 0,3, jitter från 0,1 ner till 0. Om man läser av positioner i ett spridningsdiagram ligger H+-markören nära 0,29 Boundary F1 med jitter runt 0,017, jämfört med ungefär 0,235 och 0,095 för original-Depth Pro – ett stort gap på båda axlarna. Det figuren inte innehåller är en tabell, en uppdelning per dataset, någon mätning av hastighet eller minne, eller en jämförelse utanför de två dussin modeller som plottats. Kortet säger att artikeln jämför storlekarna, inklusive deras hastighet och minne – och artikeln finns inte ännu.

Det är inte ett skäl att misstro modellen. Det är ett skäl att misstro varje artikel som ger dig ett Boundary F1 för Depth Pro 2 angivet med tre decimaler, eftersom det enda stället där ett sådant tal finns är ett spridningsdiagram som du kan avläsa till ungefär en hundradel, med utvärderingsprotokollet hänvisat till en rapport som inte har publicerats. Om du behöver siffran för ett upphandlingsdokument väntar du på rapporten.

Videon är det som gör den till en uppföljare

Den ursprungliga Depth Pro handlade, enligt sin egen titel, om skärpa och hastighet: Skarpt monokulärt metriskt djup på mindre än en sekund, 2,25 megapixlar på 0,3 sekunder på en vanlig GPU. Depth Pro 2 behåller skärpan och lägger till en andra axel – tidsmässig konsistens – och hela arkitekturändringen finns för att tjäna den. Omväxlande uppmärksamhet inom och mellan bildrutor är hur en transformer ser flera bildrutor som en enda scen i stället för flera bilder.

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.

Det ger två driftlägen. Buffrat läge, standard för videofiler, bearbetar klipp med 16 bildrutor som överlappar med fyra, vilket håller djupet stabilt där intilliggande klipp möts; --window och --overlap gör båda värdena synliga. Obuffrat läge förutsäger varje bildruta i samma stund som den anländer, utifrån den bildrutan och de 15 före den, och är läget för en livekamera. Apple är öppna med att de första bildrutorna i en ström har färre föregångare att ta hänsyn till, så deras djup är mindre stabilt – en uppvärmningsnackdel som anges i dokumentationen i stället för att upptäckas i produktion.

Resten av videobeteendet är en uppsättning konsekvenser som är värda att känna till innan du integrerar. En video får en enda brännvidd för alla sina bildrutor, tagen som medianen av uppskattningarna över dess första fönster. Minnet växer med bildrutestorleken och fönsterlängden, inte med videons längd, så den dokumenterade åtgärden för ett klipp som inte får plats är att först korta fönstret och sedan byta till en mindre modell, och bara som sista utväg ändra storlek på indata. Och himmelspixlar returneras som oändligt djup, eller, särskilt i de mindre modellerna, som ett ändligt djup på flera kilometer – README säger att du ska klippa intervallet innan du bygger ett punktmoln, vilket är den sorts råd som bara finns för att någon inte gjorde det.

Vad är fortfarande obekräftat

Den ärliga listan över öppna frågor är kort och specifik.

• Oberoende utvärdering – ingen. Ingen tredje part har publicerat något Boundary F1- eller Jitter-värde för Depth Pro 2, och kortets egna baslinjer namnges inte utöver "tidigare arbete som bearbetar en enskild bildruta eller flera bildrutor".

• Hastighet och minne – uppges jämföras i artikeln, vilket är en platshållare. Den enda konkreta vägledningen för körning är att H+ är 3,5 GB vikter och att S är laptop-alternativet.

• Demon — Space är länkad inuti en HTML-kommentar, markerad som dold tills den blir offentlig. Att en demo existerar och att en demo går att nå är två olika påståenden.

• Namnet – "Depth Pro 2" förekommer som DepthPro2 i repositorienamn, depth-pro-2 i kodpaketet och Core ML-repositoriet samt depth_pro_2 i Python-importen. Sök efter alla fyra.

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.

Kör det innan pappret landar

Installationsvägen är medvetet tråkig, vilket är ett plus. Du installerar uv, klonar repot och kör uv run depth-pro-2 predict -i assets/example.jpg -o out/ för ett foto eller samma kommando med en .mp4 för en video. Första körningen laddar ner H+ på 3,5 GB om du inte anger -m depthpro2-s. Kommandot väljer den första tillgängliga enheten – CUDA, sedan Apple silicon MPS, sedan CPU – och körs under bfloat16-autocast på GPU:er, float32 på CPU. Det finns en Core ML-export för Apple-hårdvara och en minimal Mac-demoapp som kräver macOS 15 och Xcode 16.

Det är i utdataformaten som de praktiska detaljerna finns. Kommandot skriver alltid en färgkodad djupbild, röd nära och blå långt borta. --save-png16 lägger till 16-bitars gråskaliga PNG-filer för kompositeringsverktyg, vit nära och svart långt borta, skalade till djupintervallet för fotot eller för en videos första bildruta – så punkter som kommer närmare senare i en video mättas. --save-npz lägger till själva djupmatrisen i meter plus focallength_px, vilket är det du vill ha om du gör något numeriskt.

Två konventioner kommer att ställa till problem för dig om du hoppar över dokumentationen. Djup är avståndet längs kamerans betraktningsaxel, z-koordinaten, inte det raka avståndet från linsen. Och invers djup i Python normaliseras med brännvidden: det är lika med focallength_px / (width * depth). Får du brännvidden 10 procent fel hamnar allt 10 procent för långt bort.

Inget av detta dirigeras via oss. Depth Pro 2 är forskningslicensierade vikter från Apples egna repon, och vill du köra det laddar du ner det från Apple. Det OrcaRouter täcker är resten av pipelineen runt det – ett API och en nyckel för över 200 hostade modeller till 0 % påslag på leverantörens listpris, med automatisk failover mellan leverantörer. När djupsteget är en forskningscheckpunkt med en platshållarcitering och ingen utgivningstakt, är det resonemangs- och skrivstegen runt det som du vill ska vara den tråkiga, redundanta delen.

Vad du ska hålla utkik efter, om du väntar i stället för att bygga: en arXiv-identifierare som ersätter X:en, en forskningssida som dyker upp under machinelearning.apple.com, och att demo-Spacen går från utkommenterad till länkad. Vilken som helst av dessa skulle förvandla det här från ett viktsläpp till en lansering, och skulle ge diagrammet ovan den tabell per modell som det saknar.