Thẻ tiêu đề được tạo cho Depth Pro 2 vs Depth Anything 3, với cột bên trái hiển thị độ sâu theo mét, khung hình đơn, video và luồng trực tiếp, cùng bốn kích cỡ lên đến 872M; cột bên phải hiển thị độ sâu tương đối, tư thế và thông số nội tại của camera, cùng bốn kích cỡ lên đến 1.15B, kèm logo OrcaRouter.
Guides & Insights

Depth Pro 2 so với Depth Anything 3: Mét hay Tư thế camera

Tác giả

jinhao.song

Ngày đăng

Mô hình mới nhất · 20Xem tất cả mô hình →
Benchmark: Artificial Analysis · cập nhật hằng ngày
Quay lại tất cả bài viết

Hãy hỏi cả hai mô hình cùng một câu hỏi — vật này ở cách bao xa? — và chỉ một trong số chúng trả lời bằng mét. Depth Pro 2, mô hình độ sâu đơn mắt theo hệ mét của Apple, trả về bản đồ độ sâu bằng mét dọc theo trục nhìn của camera, cùng với tiêu cự mà nó đã dùng. Depth Anything 3, mô hình nền tảng ByteDance Seed ra mắt vào tháng 11 năm 2025, liệt kê “độ sâu tương đối” là năng lực đầu tiên, cùng với ước lượng tư thế camera và điều kiện hóa tư thế. Nó cho bạn độ sâu đến một tỷ lệ chưa biết, và nó cho bạn các camera giúp khôi phục được tỷ lệ đó.

Sự khác biệt duy nhất đó quyết định phần lớn các tích hợp trước khi độ chính xác được đưa vào cuộc thảo luận, và đó là lý do khiến việc so sánh điểm chuẩn trực tiếp giữa hai bên ít hữu ích hơn vẻ ngoài của nó. Hai phòng thí nghiệm báo cáo các chỉ số khác nhau, dựa trên các đường cơ sở khác nhau, và không bên nào chạy đánh giá của bên kia. Phần sau đây là những gì mỗi kho lưu trữ thực sự ghi lại, với các tuyên bố của nhà cung cấp được dán nhãn đúng như vậy.

Hai kết quả đầu ra khác nhau, chỉ cách nhau một chữ cái

Đối tượng dự đoán của Depth Anything 3 là nơi rõ ràng nhất để bắt đầu, vì nó đặc biệt tường minh. Một lệnh gọi duy nhất trả về độ sâu dưới dạng [N, H, W] float32, một bản đồ độ tin cậy có cùng kích thước, ngoại tham dưới dạng ma trận [N, 3, 4] từ thế giới sang camera, và nội tham dưới dạng [N, 3, 3]. Các định dạng xuất bao gồm GLB, NPZ, PLY, mini-NPZ, PLY Gaussian-splat hoặc video Gaussian-splat.

Đầu ra của Depth Pro 2 hẹp hơn và hữu ích tức thì hơn nếu câu trả lời bạn cần là một con số. Nó trả về bản đồ độ sâu tính bằng mét, tiêu cự tính bằng pixel, và — trong đầu ra NPZ của dòng lệnh — chỉ hai mảng đó và không gì khác. Việc chuyển đổi sang đám mây điểm được để cho bạn, sử dụng tiêu cự và tâm ảnh làm điểm chính, hoặc điểm chính thực của bạn nếu camera đã được hiệu chuẩn.

• Tỷ lệ — Đầu ra của Depth Pro 2 là theo hệ mét; độ sâu của Depth Anything 3 là tương đối, với tỷ lệ được khôi phục từ tư thế và thông số nội tại mà nó cũng trả về.

• Thông số camera — Depth Anything 3 dự đoán thông số ngoại và nội; Depth Pro 2 chỉ dự đoán tiêu cự và không có khái niệm về vị trí của camera.

• Độ tin cậy — Depth Anything 3 trả về bản đồ độ tin cậy theo từng pixel; Depth Pro 2 không trả về bản đồ nào.

• Đầu vào — Depth Pro 2 nhận một ảnh, một tệp video hoặc nguồn camera trực tiếp; Depth Anything 3 nhận danh sách ảnh dưới dạng một tập hợp góc nhìn.

• Giấy phép — Trọng số Depth Pro 2 chỉ dành cho mục đích nghiên cứu theo giấy phép Apple Machine Learning Research Model; Depth Anything 3 dùng Apache 2.0 ở 0.08B và 0.12B, CC BY-NC 4.0 ở 0.35B và 1.15B.

Bốn kích cỡ không thẳng hàng.

Cả hai dòng mô hình đều công bố bốn checkpoint, và số lượng tham số nằm ở gần như cùng những mức, khiến người ta dễ bị cám dỗ so sánh chúng từng cặp một. Đừng mắc bẫy đó.

Depth Anything 3 công bố 0.08B, 0.12B, 0.35B và 1.15B — tương ứng 34.3M, 135.4M, 410.9M và 1,355.7M tham số theo metadata safetensors. Depth Pro 2 công bố 24M, 97M, 334M và 872M. Hai kích thước nhỏ nhất của Depth Pro 2 nhỏ hơn đáng kể so với các phiên bản tương ứng của Depth Anything 3, và kích thước lớn nhất nhỏ hơn đáng kể so với DA3 Giant.

Giấy phép được phân chia theo cùng tiêu chí với kích cỡ, và đây là chi tiết quan trọng về mặt thương mại: hai checkpoint nhỏ của Depth Anything 3 dùng Apache 2.0, còn hai checkpoint lớn dùng CC BY-NC 4.0. Cả bốn checkpoint của Depth Pro 2 đều thuộc cùng một giấy phép chỉ dùng cho nghiên cứu, được định nghĩa trong kho mã là nghiên cứu khoa học phi thương mại và phát triển học thuật. Vì vậy, nếu bạn cần một mô hình độ sâu có thể cấp phép thương mại, Depth Anything 3-Small hoặc -Base là lựa chọn duy nhất trong so sánh này, còn Depth Pro 2 thì không phải lựa chọn đó ở bất kỳ kích cỡ nào.

Depth Anything 3 cũng có bản sửa đổi 1.1, DA3-GIANT-1.1 và DA3-LARGE-1.1, với số lượng tham số giống hệt bản gốc và các kho lưu trữ được tạo vào ngày 11 tháng 12 năm 2025. Thẻ gốc của GIANT mô tả ước lượng Gaussian 3D là một khả năng bổ sung mà các kích thước lớn mang theo, vì vậy bề mặt xuất rộng hơn chỉ độ sâu.

Mỗi phòng thí nghiệm tuyên bố điều gì, và so với cái gì

Thẻ của Depth Anything 3 đưa ra hai tuyên bố so sánh và nêu tên các mô hình cơ sở cho cả hai: nó vượt trội đáng kể so với Depth Anything 2 về ước lượng độ sâu đơn mắt, và VGGT về ước lượng độ sâu và tư thế đa góc nhìn. Đó là những phát biểu cụ thể, có thể kiểm chứng sai về các mô hình được nêu tên, và các con số chi tiết nằm trong bài báo chứ không phải trong thẻ.

Thẻ của Depth Pro 2 đưa ra một khẳng định và chỉ nêu đường cơ sở của nó là “công trình trước đây vận hành trên một khung hình hoặc nhiều khung hình”. Nó báo cáo rằng Depth Pro 2 vượt trội so với tập hợp đó trên Boundary F1 và Jitter, được lấy trung bình trên các bộ dữ liệu Sintel và Spring, và minh họa điều này bằng một biểu đồ phân tán của hai chỉ số đó, với các trục chạy Boundary F1 từ 0 đến 0,3 và Jitter từ 0,1 xuống 0.

The sharpness-versus-temporal-consistency scatter from 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 lower on the jitter axis, averaged over Sintel and Spring.

Depth Anything 3 có trong biểu đồ đó — với tên DA3-NGL, một trong những baseline đa khung hình chấm tròn rỗng nằm ở khoảng 0,06 Boundary F1 và 0,018 jitter. Vậy là có một phép so sánh, nhưng chỉ trên hai chỉ số của Apple, lấy trung bình trên Sintel và Spring, mà không có số liệu độ sâu Depth Anything 3 nào được in kèm. Bộ so sánh của chính ByteDance là Depth Anything 2 và VGGT, trên các chỉ số do ByteDance chọn, và DA3-NGL không được thảo luận ở đó. Hai bộ này không giao nhau: dù bạn đọc thẻ nào, phòng thí nghiệm còn lại đã chọn các trục, và không bên nào công bố một bảng chung.

Đó không phải là sự né tránh việc chọn ra một người thắng cuộc. Đó là thực trạng của bằng chứng, và đáng nói thẳng, bởi vì lựa chọn thay thế — chọn bất kỳ biểu đồ nhà cung cấp nào tô hồng mô hình mà bạn vốn đã ưa thích — chính là cách những quyết định mua sắm tồi tệ được đưa ra.

Tính nhất quán của video chính là toàn bộ lập luận của Apple.

Depth Pro 2 ra đời nhờ một điểm yếu cụ thể của độ sâu đơn mắt: khi chạy mô hình từng khung hình trên video, độ sâu bị nhấp nháy, vì mỗi khung hình được ước lượng mà không biết các khung hình lân cận. Cách khắc phục của Apple mang tính kiến trúc. Mô hình là một transformer đa góc nhìn trên các khung hình đầu vào, và sau một phần ba số khối đầu tiên, cơ chế chú ý luân phiên giữa trong khung hình và xuyên khung hình. Sau đó, một bộ giải mã DPT từng khung hình tập hợp token từ một số khối thành bản đồ đặc trưng ở độ phân giải từ một phần ba mươi hai đến một phần tư độ phân giải đầu vào.

The architecture diagram from the Depth Pro 2 model card showing a multi-view transformer processing input frames jointly, followed by a DPT decoder producing an inverse depth map per frame, with numbered annotations for alternating within-frame and across-frame attention and multi-scale decoder feature maps.

Các chế độ hoạt động suy ra từ đó. Chế độ đệm, mặc định cho tệp video, xử lý các clip gồm 16 khung hình chồng lấn bốn khung để độ sâu giữ ổn định qua ranh giới clip. Chế độ không đệm dự đoán từng khung hình khi nó đến từ khung đó và 15 khung trước đó, dùng cho camera, với lưu ý đã được ghi trong tài liệu rằng những khung hình đầu tiên của một luồng có ít khung trước hơn và do đó độ sâu kém ổn định hơn. Một video nhận một tiêu cự cho tất cả các khung hình — trung vị của các ước lượng trên cửa sổ đầu tiên.

Depth Anything 3 xử lý đồng thời nhiều góc nhìn theo đúng thiết kế, vì đó là việc mà một mô hình tập hợp góc nhìn làm, nhưng cách đóng khung của nó là tái dựng chứ không phải ổn định hóa. Ngôn ngữ của card nói về việc khôi phục không gian thị giác từ bất kỳ góc nhìn nào, và các đầu ra — tham số ngoại, tham số nội, bản đồ điểm, Gaussian splat — là ngôn ngữ của một pipeline tái dựng 3D. Nếu vấn đề của bạn là “video này bị nhấp nháy”, Depth Pro 2 có một chế độ dành cho việc đó còn Depth Anything 3 là một sản phẩm khác.

Đưa độ sâu về mét theo cả hai cách

Độ sâu tương đối của Depth Anything 3 không hẳn là một hạn chế mà đúng hơn là một cách phân công lao động: mô hình trao cho bạn các camera, và chính các camera là thứ biến độ sâu tương đối thành mét. Việc chuyển đổi đó là công việc thực sự — một hệ số tỉ lệ cho mỗi cảnh, được rút ra từ một đường cơ sở đã biết, một kích thước vật thể đã biết, hoặc một cảm biến — và đó cũng chính là công việc mà Depth Pro 2 đã thực hiện sẵn ở bên trong.

Đầu ra metric của Depth Pro 2 mang theo các chế độ lỗi riêng, và chúng đã được ghi lại trong tài liệu. Độ sâu tỉ lệ với tiêu cự, nên tiêu cự dài hơn 10 phần trăm sẽ khiến mọi thứ xa hơn 10 phần trăm. Các pixel bầu trời trả về độ sâu vô cực, hoặc, đặc biệt trên các mô hình nhỏ hơn, độ sâu hữu hạn vài kilômét, nên README bảo bạn cắt khoảng giá trị trước khi dựng đám mây điểm hoặc ảnh màu. Trong Python, độ sâu nghịch đảo được chuẩn hóa theo tiêu cự và bằng focallength_px / (width * depth). Một luồng thuộc về một video và giữ các khung hình gần đây cùng tiêu cự của nó cho đến khi bạn mở một luồng mới.

Không mô hình nào thay thế được cảm biến độ sâu trên bề mặt không có kết cấu hoặc phản xạ. Cả hai đều đang suy ra tỷ lệ từ bằng chứng thị giác và cả hai sẽ thất bại ở cùng những loại vị trí vì cùng những loại lý do.

Chi phí để vận hành cả hai

Sự khác biệt thực tế nằm ở đồ thị phụ thuộc. Depth Pro 2 được cài đặt dưới dạng gói Python từ kho lưu trữ GitHub bằng uv, cung cấp giao diện dòng lệnh (uv run depth-pro-2 predict -i photo.jpg -o out/) và API Python, đồng thời phát hành các bản xuất Core ML cho Apple silicon cùng ứng dụng demo trên Mac. Kho lưu trữ nêu rõ rằng nó chứa mã để chạy các mô hình nhưng không có mã huấn luyện hay đánh giá.

Depth Anything 3 được cài đặt dưới dạng gói editable từ kho lưu trữ ByteDance Seed và cung cấp một CLI (da3 auto path/to/images --export-format glb) cùng một tiến trình backend tùy chọn để suy luận lặp lại, một chi tiết chỉ xuất hiện khi có người chạy nó trong một vòng lặp.

Cả hai đều là các checkpoint nghiên cứu chuyên dụng, và không cái nào là thứ bạn định tuyến. Những gì nằm xung quanh một giai đoạn depth là công việc của mô hình ngôn ngữ — mô tả một cảnh, quyết định làm gì với nó, ghi lại kết quả — và đó là nơi một endpoint duy nhất chứng minh được giá trị của mình: OrcaRouter đặt hơn 200 mô hình được lưu trữ phía sau một API tương thích OpenAI với mức cộng thêm 0% so với giá niêm yết của nhà cung cấp, vì vậy các giai đoạn suy luận xung quanh mô hình depth của bạn chỉ cần một key và một hóa đơn. Checkpoint depth vẫn là một dependency bạn ghim; pipeline xung quanh nó thì không nhất thiết phải vậy.

Nên bắt đầu với cái nào

Hãy bắt đầu với Depth Anything 3 nếu bạn đang tái dựng một cảnh từ nhiều góc nhìn và muốn có camera, bản đồ điểm và Gaussian splat trong một lần gọi, và nếu giấy phép Apache 2.0 ở các kích thước nhỏ chính là thứ khiến dự án khả thi ngay từ đầu. Tập so sánh của nó được nêu tên, các đầu ra của nó rộng, và các checkpoint nhỏ là những thứ duy nhất có thể cấp phép thương mại trong bài viết này.

Hãy bắt đầu với Depth Pro 2 nếu câu trả lời bạn cần là khoảng cách tính bằng mét từ một khung hình đơn lẻ hoặc một luồng trực tiếp, và nếu độ ổn định giữa các khung hình là thuộc tính mà ứng dụng của bạn không thể thiếu. Hãy chuẩn bị tinh thần rằng bạn sẽ phải cắt bỏ độ sâu của bầu trời, chủ động ghim tiêu cự, và còn ở giai đoạn rất sớm — các kho lưu trữ chỉ có số lượt tải ở mức hàng chục, mã nguồn chỉ có một commit, và báo cáo kỹ thuật vẫn chỉ là bản tạm.

Điều mà cả hai mô hình đều không mang lại cho bạn là một tuyên bố có cơ sở rằng mô hình này vượt trội mô hình kia, vì không phòng thí nghiệm nào đã chạy thử nghiệm đó. Hãy chọn dựa trên định dạng đầu ra, giấy phép và việc đầu vào của bạn có phải là video hay không. Ba câu hỏi đó hiện đã có câu trả lời; còn bảng xếp hạng thì không.

A generated two-column scoreboard comparing Depth Pro 2 and Depth Anything 3 across six dimensions: depth type, camera parameters, video handling, largest model size, licence and published numbers, with a footer noting that no shared benchmark exists.