
Depth Pro 2 vs VGGT: Metriskt djup eller multivygeometri
- 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
Rikta en telefon mot ett rum, gå runt i det och spela in fyrtio sekunder video. Två modeller kan omvandla det till geometri, och de kommer inte att vara överens om vad geometrin är. Depth Pro 2, Apples metriska monokulära djupmodell, returnerar ett djupvärde i meter för varje pixel i varje bildruta, med en brännvidd angiven. VGGT – Visual Geometry Grounded Transformer från Meta AI Research och University of Oxfords VGG-grupp, publicerad på CVPR 2025 – returnerar kamerans extrinsiska och intrinsiska parametrar, punktkartor, djupkartor och 3D-punktspår för hela uppsättningen vyer på en gång.
En av dessa utdata är en mätning. Den andra är en rekonstruktion. Att välja mellan dem handlar inte om vilken som är mer exakt, eftersom de två modellerna svarar på olika frågor, och det svar du behöver avgörs av vad som kommer efter modellen i din pipeline.
Vad varje modell byggdes för att göra
VGGT är ett framkopplat nätverk som inom loppet av sekunder härleder alla centrala 3D-attribut i en scen från en, några eller hundratals vyer. Det centrala är gemensam skattning: i stället för att köra en djupmodell per bildruta och sedan lösa kameraposer med ett separat structure-from-motion-steg producerar VGGT poser, intrinsikparametrar, djup och punktspår i en enda genomkörning, där vyerna uppmärksammar varandra. Det är därför påståendet om ”hundratals vyer” spelar roll — det ersätter en fotogrammetripipeline, inte ett tillägg till den.
Depth Pro 2 är en monokulär metrisk djupuppskattare, och ordet som gör jobbet är metrisk. Dess utdata är en djupkarta i meter längs kamerans betraktningsriktning, beräknad från en enda bild, utan att några kamerametadata krävs – modellen kan läsa en brännvidd från EXIF, acceptera en som du anger i pixlar eller förutsäga den med en separat uppskattare på 23,5 miljoner parametrar som levereras som ett eget kodförråd. Den hanterar även video, vilket är där "2" kommer ifrån: en transformer för flera vyer bearbetar bildrutor gemensamt, växlar attention inom varje bildruta och mellan bildrutor efter den första tredjedelen av sina block, och en DPT-avkodare avger en invers djupkarta per bildruta.

• Arbetsenhet — VGGT tar en uppsättning vyer; Depth Pro 2 tar ett foto, en video eller en direktström.
• Primär utdata — VGGT ger kameraparametrar, punktkartor, djupkartor och 3D-punktspår; Depth Pro 2 ger metriskt djup plus den brännvidd som användes.
• Kameraberäkning – VGGT uppskattar den som en del av det gemensamma problemet; Depth Pro 2 läser, accepterar eller förutsäger en brännvidd, utan extrinsiska parametrar.
• Skala — Depth Pro 2:s huvudsakliga utdata är meter; VGGT:s modellkort beskriver kameraparametrar, punktkartor, djup och spårningar och gör inte anspråk på metrisk skala.
• Utgåva — VGGT publicerades vid CVPR 2025 (arXiv 2503.11651); Depth Pro 2:s repositorier skapades i november 2026, och en teknisk rapport väntar fortfarande.
Skalfrågan avgör de flesta driftsättningar
Om du behöver veta att bordet är 0,74 meter bort, säger VGGT inte det direkt, men Depth Pro 2 gör det. Det är hela argumentet i en enda mening, och det är värt att vara precis om varför.
Depth Pro 2:s metriska påstående är arkitektoniskt, inte tillfälligt. Den ursprungliga Depth Pro byggdes som en grundmodell för zero-shot-metriskt djup, och repot är explicit om konventionerna: djup är z-koordinaten längs betraktningsriktningen snarare än radiellt avstånd, inversdjup normaliseras med brännvidden, och en brännvidd som är 10 procent för lång placerar allt 10 procent för långt bort. Det är konventionerna för en modell vars utdata är avsedd att läsas som en mätning, och Depth Pro 2 ärver dem oförändrade i alla fyra storlekar.
VGGT:s utdata är geometrisk. Kameraextrinsiker, intrinsiker, punktkartor och punktspår är internt konsistenta – rekonstruktionen är korrekt upp till en global likformighetstransform – och att återvinna absolut skala från den är ett separat steg, vanligtvis med en känd referens i scenen. För syntes av nya vyer, för en 3D-tillgång, för allt där du kommer att skala om scenen för att passa en betraktare, är det bra och ofta att föredra. För en robot som behöver veta om ett hinder är en meter eller tre meter bort, är det ett problem som du måste lösa utanför modellen.
Depth Pro 2 har sina egna problem med ärligheten här. Himmelpixlar returneras som oändligt djup, eller, särskilt i de mindre modellerna, som ett ändligt djup på flera kilometer, så ett naivt punktmoln byggt från dess utdata kommer att ha en vägg av falsk avlägsen geometri där himlen är. I README står det att man ska klippa djupintervallet innan man skapar ett punktmoln eller en färgbild, vilket är den typ av instruktion som bara dyker upp efter att någon har råkat ut för problemet.
Videokonsistens är det verkliga bidraget
Depth Pro 2 är inte så mycket en bättre Depth Pro som en tidsmässigt stabiliserad sådan, och mekanismen ligger helt och hållet i uppmärksamhetsmönstret. Efter den första tredjedelen av sina block varvar transformern uppmärksamhet inom varje bildruta med uppmärksamhet mellan bildrutor, och DPT-avkodaren sätter samman token från flera block till särdragskartor vid en upplösning på en trettioandra del till en fjärdedel av indataupplösningen. Poängen med den växlingen är Jitter – måttet på temporal konsistens – och projektsidan rapporterar det tillsammans med Boundary F1, i medeltal över dataseten Sintel och Spring, med påståendet att Depth Pro 2 överträffar tidigare arbete som arbetar med en enskild bildruta eller flera bildrutor på båda.
Det finns inga värden som åtföljer det påståendet, och inga baslinjer namnges. Sidan hänvisar endast till "tidigare arbeten som arbetar med en enskild bildruta eller flera bildrutor" och till "baslinjer med sina standardinställningar", och citatblocket lyder arXiv:261X.XXXXX — en platshållare, inte en artikel. Den som citerar en Boundary F1- eller Jitter-siffra för Depth Pro 2 läser den från ett diagram.

Depth Pro 2:s arbetsområde är snävare än vad videons inramning antyder, och den snävheten är dokumenterad. Standardläget bearbetar klipp med 16 bildrutor och fyra bildrutrors överlapp, och livevägen kör varje bildruta mot de femton som föregick den, vilket innebär att den första sekunden i varje ström är den skakigaste sekund du får. En enda brännvidd används för en hel video, vald som medianen över det inledande fönstret – så för ett klipp som zoomar tillämpas brännviddsuppskattningen från en enda bildruta på samtliga. Minnet skalas med bildrutors storlek och fönster, inte med varaktighet, och Apples åtgärd för en video som får slut på minne är att förkorta fönstret innan modellen krymps.
VGGT har inget motsvarande läge, eftersom det inte behöver något. Det hanterar redan hela vyuppsättningen gemensamt, vilket är en starkare form av samma garanti – förutsatt att du har råd med attention över hundratals vyer, och förutsatt att din applikation vill ha en rekonstruktion snarare än en djupavläsning per bildruta.
Storlekar, exporter och vad du faktiskt kör
Depth Pro 2 ger dig fyra storlekar med publicerade siffror: S med 24M parametrar och 97 MB, B med 97M och 386 MB, L med 334M och 1,3 GB, och H+ med 872M och 3,5 GB, där H+ är standard och S rekommenderas för bärbara datorer. Konfigurationsfilerna visar familjestrukturen – DINOv3 ViT-S- och ViT-B-backbones i det lilla paret med attention vid block 5, 7, 9 och 11, ViT-L med attention vid block 9 till 23, ViT-H+ vid block 11 till 31, med dekoderdimensioner på 64, 128, 256 och 256. Core ML-exporter för Apple silicon levereras som ett separat repository, och kodarkivet innehåller en Mac-demapp för live-djup från kameran.
VGGT-1B är en enda checkpoint med en miljard parametrar, och familjen har sedan dess gått vidare. VGGT-Omega släpptes den 18 maj 2026 som "nästa steg för VGGT", och en kommersiell checkpoint, VGGT-1B-Commercial, finns vid sidan av originalet med ett AUC@30 på 90,37 på Co3D jämfört med 89,98 för originalet – det enda benchmarkvärdet på modellkortet, och ett marginellt sådant. VGGT-1B har 748 148 nedladdningar vid tidpunkten för denna text, vilket säger något om hur brett forskarsamhället antog det som en baslinje.

Depth Pro 2 är den motsatta historien. Dess fyra checkpoints har tiotals nedladdningar, repona skapades i början av november 2026 och de enda gillningarna på card-repot är en handfull. Det är en modell som har publicerats men ännu inte fått genomslag. Det är värt att veta innan du satsar: om du stöter på en bugg är det du som får skapa ärendet.
Licensiering och den kommersiella kontrollpunkten
VGGT-1B är CC BY-NC 4.0, icke-kommersiell. Att VGGT-1B-Commercial finns är den intressanta detaljen – Meta släppte en kommersiellt licensierbar variant, vilket innebär att vägen från forskning till produkt finns utan licensförhandling. Depth Pro 2:s vikter omfattas av licensen Apple Machine Learning Research Model, endast för forskningsbruk, definierad av förvaret som icke-kommersiell vetenskaplig forskning och akademisk utvecklingsverksamhet.
Ingen av licenserna är en produktlicens för den öppna checkpointen. Skillnaden är att VGGT:s familj inkluderar ett kommersiellt alternativ medan Depth Pro 2:s inte gör det, så om du bygger för intäkter har en av dessa en dörr och den andra en vägg.
Det är samma beräkning som dyker upp ett lager upp i vilken produktionspipeline som helst. En rekonstruktionsmodell är ett anrop; runt den ligger delen som läser av en scen, avgör vad som ska göras och skriver ner det – språkmodellsarbete, där leverantören anger ett pris och en aggregator antingen förmedlar det vidare eller inte. OrcaRouters löfte är 0 % påslag på 217 modeller med automatisk failover mellan leverantörer, vilket spelar störst roll just här: när geometristeget är en forskningscheckpoint med en handfull nedladdningar och ingen utgivningskadens vill man att resten av pipelinen ska vara den tråkiga, redundanta delen.
Vem ska börja med vilket?
Börja med VGGT om du rekonstruerar en scen från många vyer och kommer att hantera skalan nedströms — syntes av nya vyer, en 3D-asset, ett dataset byggt från video där geometrin är slutprodukten. Den gemensamma kamera- och geometrilösningen är det som gör den värd miljarden parametrar, och VGGT-Omega är den nuvarande generationen om du börjar på nytt.
Börja med Depth Pro 2 om du behöver meter från en enda bildruta, eller om du behöver att djupet håller sig stabilt från bildruta till bildruta i en live-ström. Storleksvredet är på riktigt och laptoparbetsflödet är dokumenterat. Räkna med att klippa himmelsdjup, räkna med att vara den första personen som rapporterar de flesta buggarna och räkna med att behöva vänta på den tekniska rapporten innan du kan åberopa ett Boundary F1-värde för någon.
Vad du inte bör göra är att behandla detta som en direkt jämförelse. VGGT rekonstruerar, Depth Pro 2 mäter, och den enda ärliga jämförelsen är vilken av dem din nedströmskod kan konsumera. För de flesta 3D-pipelines är svaret VGGT och ett steg för att återställa skalan; för de flesta robotik- och AR-pipelines är det Depth Pro 2 och en robusthetsbudget för röken.
