
Depth Pro 2 vs MoGe-2: Videokonsistens vs punktkartor
- OrcaNYOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1M tokens · 186 tok/s
- tencentNYTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1M tokens · 358 tok/s
- GoogleNYGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1M tokens · 87 tok/s
- AnthropicNYAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1M tokens · 139 tok/s
- orcaNYOrca: OrcaC2 1.02026-11-0737 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1M tokens · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1M tokens · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1M tokens · 80 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1M tokens · 117 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1M tokens · 111 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1M tokens · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M tokens · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M tokens · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligens
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1M tokens · 210 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligens
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1M tokens · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligens
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1M tokens · 168 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligens
{{1}}Depth Pro 2{{/1}} och {{2}}MoGe-2{{/2}} är båda metriska monokulära geometrimodeller från stora forskningslabb, och i skrivande stund har ingen publicerat en siffra som ställer dem mot varandra. {{3}}Apples Depth Pro 2{{/3}} rapporterar {{4}}Boundary F1{{/4}} och {{5}}Jitter{{/5}}, genomsnittligt över datamängderna {{6}}Sintel{{/6}} och {{7}}Spring{{/7}}. {{8}}Microsofts MoGe-2{{/8}} rapporterar relativ geometrisk noggrannhet, metrisk skala och detaljbevarande på sin egen utvärderingsmix. De två uppsättningarna mätvärden överlappar inte, vilket innebär att varje påstående om att ”X slår Y” som du hittar om det här paret antingen är påhittat eller lånat från ett riktmärke som inget av labben har kört.
Det är ingen undanflykt. Det är det enskilt mest användbara att veta innan du lägger en vecka på att integrera någon av dem. Det du kan jämföra är vad varje repositorium faktiskt levererar, vad varje modell designades för att vara dålig på, och vilka av dessa svagheter som hamnar i din pipeline. Den här artikeln gör det, och den är tydlig med vilka påståenden som kommer från en leverantörs README och vilka som inte kommer från något alls.
Vad varje repository faktiskt innehåller
Depth Pro 2 finns i flera Hugging Face-repositorier i stället för ett. Kortrepositoriet apple/DepthPro2 innehåller README och figurerna; vikterna är uppdelade efter storlek i apple/DepthPro2-S, apple/DepthPro2-B, apple/DepthPro2-L och apple/DepthPro2-H. Ett separat repositorium, apple/DepthPro2-focal, innehåller en fristående brännviddsuppskattare med 23,5 M parametrar som laddas tillsammans med valfri storlek. Ett annat, apple/DepthPro2-coreml, innehåller Core ML-exporter för Apple silicon. Kodrepositoriet är apple-aiml-research/ml-depth-pro-2 på GitHub.

De fyra storlekarna sträcker sig från 24M parametrar vid 97 MB (S) via 97M vid 386 MB (B) och 334M vid 1,3 GB (L) till 872M vid 3,5 GB (H+, standard). Deras konfigurationer bekräftar släktskapet: S och B använder DINOv3 ViT-S- och ViT-B-ryggradsnät med uppmärksamhet mellan bildrutor vid block 5, 7, 9 och 11; L utökar detta till block 9 till 23 med en DPT-dekoder med 256 dimensioner; H+ går till block 11 till 31 och sammanställer tokens vid block 7, 15, 23 och 31.
MoGe-2 levereras som fyra checkpoints under Ruicheng-organisationen: moge-2-vitl med 326M parametrar utan normaler, och normalvarianterna moge-2-vitl-normal med 331M, moge-2-vitb-normal med 104M och moge-2-vits-normal med 35M. Var och en returnerar en metrisk punktkarta i OpenCV-kamerakoordinater, en djupkarta, normaliserade kameraintrinsics och en mask för giltiga pixlar, med normalmapen tillagd på de varianter som har den. MoGe-2 är den andra generationen; familjen har sedan dess gått vidare till MoGe-3, som tillkännagavs den 18 augusti 2026 med en ViT-g-modell på 1,25 miljarder parametrar, så MoGe-2 är nu den föregående utgåvan snarare än den nuvarande.

Där de två designerna skiljer sig åt
• Indatamodalitet – Depth Pro 2 tar ett foto, en videofil eller en direktström från kameran; MoGe-2 tar en enskild bild.
• Huvudpåstående — Depth Pro 2 hävdar skärpa och tidsmässig konsistens; MoGe-2 hävdar metrisk skala plus fina detaljer, uppnått genom ett enhetligt dataförädlingssteg som använder skarpa syntetiska etiketter för att filtrera och komplettera verklig träningsdata.
• Utdata — Depth Pro 2 returnerar djup i meter plus den brännvidd som användes; MoGe-2 returnerar en komplett punktkarta, djup, intrinsics och en mask, med normaler på de varianter som inkluderar dem.
• Brännvidd — Depth Pro 2 levereras med en separat estimator och kan även läsa EXIF eller acceptera en känd brännvidd i pixlar; MoGe-2 kan ta synfält som valfri grundsanning för att förbättra noggrannheten.
• Skala — MoGe-2 tillförde metrisk skala för verkligheten jämfört med MoGe-1, som producerade affininvarianta punktkartor med okänd skala; Depth Pro 2 ärver metrisk skala från den ursprungliga Depth Pro.
• Licens — Vikterna för Depth Pro 2 omfattas av licensen Apple Machine Learning Research Model, endast för forskningsändamål, definierat som icke-kommersiell vetenskaplig forskning och akademisk utveckling. Koden för MoGe-2 är MIT, med den medföljande DINOv2 under Apache 2.0.
Videofrågan är hela argumentet
Det utmärkande arkitektoniska beslutet i Depth Pro 2 är att en multi-view-transformer bearbetar en eller flera bildrutor gemensamt och, efter den första tredjedelen av sina block, alternerar mellan attention inom varje bildruta och attention mellan bildrutor. En DPT-avkodare förutsäger sedan en invers djupkarta per bildruta. Det är maskineriet bakom Jitter-talet – måttet för temporal konsistens – och det är därför modellen överhuvudtaget har en videoförmåga.
I praktiken innebär det två driftlägen. Standardläget, det buffrade läget, bearbetar klipp med 16 bildrutor som överlappar med fyra, vilket håller djupet stabilt där klippen möts; inställningarna för fönster och överlappning visar klipplängden och överlappningen. Obuffrat läge förutsäger varje bildruta när den anländer med hjälp av den bildrutan och de 15 före den, vilket är läget du vill ha för en kamera. Apples egen dokumentation är öppen om kostnaden för direktvägen: de första bildrutorna i en ström har färre bildrutor före sig att ta hänsyn till, så deras djup är mindre stabilt. En video får en brännvidd för alla sina bildrutor, tagen som medianen av uppskattningarna över dess första fönster.
MoGe-2 har ingen motsvarighet. Det är en enbildsmodell, och att köra den på video innebär att köra den bildruta för bildruta och acceptera vilket flimmer som än uppstår. För en statisk rekonstruktionsuppgift – fotogrammetri, en pipeline för 3D-tillgångar från stillbilder, vad som helst där varje bildruta är oberoende – är det inte en begränsning alls. För en robot eller ett AR-overlay är det skillnaden mellan användbart och inte.
Vad "metric" betyder i varje utdata
Båda modellerna uppger att enheten är meter, och båda gör något lite olika med ordet. Depth Pro 2 returnerar avståndet längs kamerans betraktningsriktning – z-koordinaten – inte det raka avståndet från kameran. Den normaliserar även inversdjupet med brännvidden, så att inversdjupet är lika med brännvidden i pixlar delat med produkten av bildbredden och djupet. Himlapixlar returneras som oändligt djup, eller, särskilt i de mindre modellerna, som ett ändligt djup på flera kilometer, vilket är en detalj som är värd att hantera innan du bygger ett punktmoln.
MoGe-2 returnerar en punktkarta direkt, vilket kringgår den konverteringen. Det är den mer användbara utdata om du ändå ska till 3D, och det är därför modellen rapporterar intrinsiska parametrar tillsammans med djupet – punktkartan är bara meningsfull i ett kamerakoordinatsystem som du också känner till. Ingen av utdata ersätter en riktig djupsensor när scenen saknar textur att förankra skalan i; båda gör uppskattningar och båda kommer att uppvisa drift på reflekterande eller genomskinliga ytor.
Licensiering är beslutet, inte jämförelsemåttet.
Ingen av modellerna kan användas kommersiellt i befintligt skick, men begränsningarna skiljer sig på sätt som är viktiga för en juridisk granskning. Vikterna för Depth Pro 2 omfattas av licensen Apple Machine Learning Research Model, som endast tillåter användning för forskningsändamål, där repositoriet definierar detta som icke-kommersiell vetenskaplig forskning och akademiska utvecklingsaktiviteter. Koden är separat licensierad, och repositoriet anger att den bygger på TIMM och DINOv3.
MoGe-2:s kod är MIT, vilket i stort sett är utan restriktioner, även om vikterna inte har separata villkor på modellkortet och den medföljande DINOv2-koden är Apache 2.0. Om din fråga är "kan jag leverera detta i en produkt" är det ärliga svaret för båda att du behöver ett samtal med juridikavdelningen, och samtalet om MoGe-2 är kortare. Om din fråga är "kan jag publicera en artikel med detta" är båda okej.

Vad de saknade siffrorna borde berätta för dig
Depth Pro 2:s tekniska rapport finns inte ännu. Repots citeringsblock anger fortfarande arXiv:261X.XXXXX, och X:en är inte en maskning – de är en platshållare som inte har fyllts i. Projektsidan anger de mätvärden som den uppger sig vinna, Boundary F1 och Jitter, och anger inga baslinjer, utan hänvisar endast till ”tidigare arbeten som arbetar med en enskild bildruta eller flera bildrutor” och till ”baslinjer med sina standardinställningar”.
MoGe-2 har en riktig artikel, arXiv 2507.02546, men dess abstrakt är lika fritt från siffror; utvärderingen skjuts upp till ett separat dokument. Så jämförelsetabellen du förmodligen hoppades på finns inte på någon av sidorna, och varje artikel som ger dig en citerar en diagramavläsning.
Vilket är värt att ha i åtanke när du prissätter resten av stacken. En djupmodell är ett steg i en pipeline som också måste beskriva scenen, besluta vad som ska göras åt den och skriva resultatet någonstans – och dessa steg är språkmodellanrop, där prissättningen är offentlig och direkt jämförbar. Det är argumentet för att lägga dem bakom ett enda API i stället för tre: OrcaRouter dirigerar 217 modeller på en enda nyckel med 0 % påslag, vilket innebär att leverantörens listpris passerar oförändrat, så en leverantörsprissänkning slår igenom samma dag i stället för när en aggregator råkar synka om. Automatisk failover mellan leverantörer spelar roll av samma anledning, fast omvänt – om det är resonemangssteget som måste vara uppe vill du att djupjobbet är det enda i pipelinen som får misslyckas tyst.
Vilken att välja
Om du har video och bryr dig om flimmer är Depth Pro 2 den enda av dessa två som har ett svar, och dess svar är riktig arkitektur – uppmärksamhet mellan bildrutor, överlappande fönster, ett live-läge med ett dokumenterat uppvärmningsstraff. Börja med S på en bärbar dator, som Apples egen dokumentation rekommenderar, och gå bara vidare när kanterna inte är tillräckligt skarpa.
Om du har stillbilder och vill ha en punktkarta ger MoGe-2 dig mer outputyta per anrop, och normalvarianterna ger dig en andra signal som du annars skulle estimera. Dess metriska skala är förbättringen jämfört med MoGe-1, och den håller.
Det som ingendera ger dig är ett försvarbart påstående att det ena är bättre än det andra, eftersom inget av laboratorierna utförde experimentet. Behandla paret som två olika verktyg med överlappande namn, inte som en rangordnad lista, tills någon publicerar siffrorna.
