
Depth Pro 2 so với VGGT: Độ sâu mét hay hình học đa góc nhìn
- OrcaMỚIOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 trên 1 triệu token · 186 tok/s
- tencentMỚITencent: Hy4 Flash2026-11-16$0.02 / $0.07 trên 1 triệu token · 358 tok/s
- GoogleMỚIGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 trên 1 triệu token · 87 tok/s
- AnthropicMỚIAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 trên 1 triệu token · 139 tok/s
- orcaMỚIOrca: OrcaC2 1.02026-11-0737 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 trên 1 triệu token · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 trên 1 triệu token · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 trên 1 triệu token · 80 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 trên 1 triệu token · 117 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 trên 1 triệu token · 111 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 trên 1 triệu token · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 trên 1 triệu token · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 trên 1 triệu token · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Trí tuệ
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 trên 1 triệu token · 210 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Trí tuệ
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 trên 1 triệu token · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Trí tuệ
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 trên 1 triệu token · 168 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Trí tuệ
Chĩa điện thoại vào một căn phòng, đi vòng quanh nó và quay bốn mươi giây video. Hai mô hình có thể biến thứ đó thành hình học, và chúng sẽ không thống nhất với nhau về việc hình học đó là gì. Depth Pro 2, mô hình độ sâu đơn mắt theo hệ mét của Apple, trả về giá trị độ sâu tính bằng mét cho mỗi pixel của mỗi khung hình, kèm theo tiêu cự. VGGT — Visual Geometry Grounded Transformer đến từ Meta AI Research và nhóm VGG của Đại học Oxford, được công bố tại CVPR 2025 — trả về thông số ngoại và nội của camera, bản đồ điểm, bản đồ độ sâu và các vết điểm 3D cho toàn bộ tập khung nhìn cùng một lúc.
Một trong những đầu ra đó là một phép đo. Cái còn lại là một bản tái dựng. Việc chọn giữa chúng không phải là câu hỏi về cái nào chính xác hơn, bởi vì hai mô hình đang trả lời những câu hỏi khác nhau, và câu trả lời bạn cần được quyết định bởi những gì diễn ra sau mô hình trong pipeline của bạn.
Mỗi mô hình được xây dựng để làm gì
VGGT là một mạng truyền thẳng suy ra tất cả các thuộc tính 3D then chốt của một cảnh từ một, một vài hoặc hàng trăm góc nhìn, trong vài giây. Điểm nhấn là ước lượng đồng thời: thay vì chạy một mô hình độ sâu cho từng khung hình rồi giải tư thế camera bằng một giai đoạn structure-from-motion riêng, VGGT tạo ra tư thế, thông số nội tại, độ sâu và vết điểm trong một lượt duy nhất, với các góc nhìn chú ý lẫn nhau. Đó là lý do tuyên bố "hàng trăm góc nhìn" quan trọng — nó thay thế quy trình photogrammetry, chứ không phải bổ sung vào đó.
Depth Pro 2 là một bộ ước lượng độ sâu metric đơn mắt, và từ đóng vai trò then chốt là “metric”. Đầu ra của nó là một bản đồ độ sâu tính bằng mét dọc theo hướng nhìn của camera, được tính từ một ảnh duy nhất, không cần metadata của camera — mô hình có thể đọc tiêu cự từ EXIF, chấp nhận tiêu cự bạn cung cấp bằng pixel, hoặc dự đoán tiêu cự đó bằng một bộ ước lượng riêng 23.5M tham số được phát hành dưới dạng kho lưu trữ riêng. Nó cũng xử lý video, và đây là nguồn gốc của số “2”: một transformer đa khung nhìn xử lý các khung hình cùng lúc, sau một phần ba đầu tiên các khối của nó thì luân phiên attention trong từng khung hình và giữa các khung hình, và một bộ giải mã DPT phát ra bản đồ độ sâu nghịch đảo cho mỗi khung hình.

• Đơn vị công việc — VGGT nhận một tập hợp các khung nhìn; Depth Pro 2 nhận một bức ảnh, một video hoặc một luồng trực tiếp.
• Đầu ra chính — VGGT cung cấp tham số camera, bản đồ điểm, bản đồ độ sâu và các vết điểm 3D; Depth Pro 2 cung cấp độ sâu theo hệ mét cùng tiêu cự mà nó đã sử dụng.
• Giải camera — VGGT ước lượng nó như một phần của bài toán chung; Depth Pro 2 đọc, chấp nhận hoặc dự đoán tiêu cự, mà không cần thông số ngoại.
• Tỷ lệ — đầu ra chính của Depth Pro 2 là mét; thẻ mô hình của VGGT mô tả tham số camera, bản đồ điểm, độ sâu và các vết theo dõi, đồng thời không tuyên bố có thang đo mét.
• Phát hành — VGGT đã được công bố tại CVPR 2025 (arXiv 2503.11651); các kho lưu trữ của Depth Pro 2 được tạo vào tháng 11 năm 2026, với báo cáo kỹ thuật vẫn đang chờ.
Câu hỏi về quy mô quyết định hầu hết các lần triển khai
Nếu bạn cần biết rằng chiếc bàn cách đó 0,74 mét, VGGT không trực tiếp cho bạn biết điều đó, còn Depth Pro 2 thì có. Đó là toàn bộ lập luận trong một câu, và đáng để nói chính xác vì sao.
Tuyên bố metric của Depth Pro 2 mang tính kiến trúc, không phải ngẫu nhiên. Depth Pro nguyên bản được xây dựng như một mô hình nền tảng cho độ sâu metric zero-shot, và kho lưu trữ nói rõ về các quy ước: độ sâu là tọa độ z dọc theo hướng nhìn thay vì khoảng cách xuyên tâm, độ sâu nghịch đảo được chuẩn hóa theo tiêu cự, và tiêu cự dài hơn 10 phần trăm khiến mọi thứ xa hơn 10 phần trăm. Đó là những quy ước của một mô hình mà đầu ra của nó được hiểu như một phép đo, và Depth Pro 2 kế thừa chúng không thay đổi trên cả bốn kích thước.
Đầu ra của VGGT mang tính hình học. Ngoại tham số camera, nội tham số, bản đồ điểm và vết điểm đều nhất quán nội tại — bản tái dựng là đúng tới một phép biến đổi tương tự toàn cục — và việc khôi phục tỉ lệ tuyệt đối từ đó là một bước riêng, thường liên quan đến một tham chiếu đã biết trong cảnh. Đối với tổng hợp góc nhìn mới, đối với một tài sản 3D, đối với bất kỳ thứ gì mà bạn sẽ tái định tỉ lệ cảnh để vừa với trình xem, điều đó là ổn và thường là lựa chọn tốt hơn. Đối với một robot cần biết một vật cản cách xa một mét hay ba mét, đó là một vấn đề bạn phải giải quyết bên ngoài mô hình.
Depth Pro 2 cũng có những vấn đề về độ trung thực của riêng nó ở đây. Các pixel bầu trời được trả về với độ sâu vô hạn, hoặc, đặc biệt là trên các mô hình nhỏ hơn, với độ sâu hữu hạn vài kilômét, vì vậy một đám mây điểm ngây thơ được dựng từ đầu ra của nó sẽ có một bức tường hình học xa giả tạo ở nơi có bầu trời. README bảo bạn cắt khoảng độ sâu trước khi tạo đám mây điểm hoặc ảnh màu, đó là kiểu hướng dẫn chỉ xuất hiện sau khi ai đó đã bị nó cắn.
Tính nhất quán của video mới là đóng góp thực sự
Depth Pro 2 không hẳn là một Depth Pro tốt hơn mà là một phiên bản được ổn định theo thời gian, và cơ chế nằm hoàn toàn ở mẫu attention. Sau một phần ba số block đầu tiên, transformer luân phiên giữa attention trong từng frame và attention xuyên frame, và bộ giải mã DPT tập hợp các token từ nhiều block thành các feature map ở độ phân giải từ một phần ba mươi hai đến một phần tư độ phân giải đầu vào. Mục đích của sự luân phiên đó là Jitter — chỉ số nhất quán thời gian — và trang dự án báo cáo nó cùng với Boundary F1, được lấy trung bình trên các bộ dữ liệu Sintel và Spring, với tuyên bố rằng Depth Pro 2 vượt trội so với công trình trước đó hoạt động trên một frame hoặc nhiều frame ở cả hai.
Không có giá trị nào đi kèm tuyên bố đó, và không có baseline nào được nêu tên. Trang chỉ đề cập đến "công trình trước đây vận hành trên một khung hình hoặc nhiều khung hình" và "các baseline ở cài đặt mặc định của chúng," còn khối trích dẫn ghi arXiv:261X.XXXXX — một chỗ giữ chỗ, không phải một bài báo. Bất kỳ ai trích dẫn một con số Boundary F1 hoặc Jitter cho Depth Pro 2 đều đang đọc nó ra từ một biểu đồ.

Dải hoạt động của Depth Pro 2 hẹp hơn so với khung hình video của nó gợi ý, và độ hẹp đó đã được ghi nhận trong tài liệu. Chế độ mặc định của nó xử lý các clip 16 khung hình với bốn khung chồng lấn, và luồng trực tiếp chạy từng khung so với mười lăm khung trước đó, nghĩa là giây đầu tiên của bất kỳ luồng nào cũng là giây rung nhất mà bạn sẽ gặp. Một tiêu cự phục vụ toàn bộ video, được chọn là trung vị trên cửa sổ mở đầu — vì vậy một clip có thu phóng sẽ có ước lượng tiêu cự của một khung được áp dụng cho tất cả các khung. Bộ nhớ tỉ lệ với kích thước khung và cửa sổ, không phải với thời lượng, và biện pháp khắc phục của Apple cho video hết bộ nhớ là rút ngắn cửa sổ trước khi thu nhỏ mô hình.
VGGT không có chế độ tương đương, vì nó không cần. Nó vốn đã xử lý đồng thời toàn bộ tập khung nhìn, một dạng mạnh hơn của cùng bảo đảm đó — miễn là bạn đủ khả năng đáp ứng chi phí attention trên hàng trăm khung nhìn, và miễn là ứng dụng của bạn muốn một bản tái dựng thay vì đọc độ sâu theo từng khung hình.
Kích thước, xuất và những gì bạn thực sự chạy
Depth Pro 2 cung cấp cho bạn bốn kích thước với số lượng tham số được công bố: S với 24M tham số và 97 MB, B với 97M và 386 MB, L với 334M và 1,3 GB, và H+ với 872M và 3,5 GB, trong đó H+ là mặc định và S được khuyến nghị cho máy tính xách tay. Các tệp cấu hình cho thấy cấu trúc họ mô hình — các backbone DINOv3 ViT-S và ViT-B trên cặp mô hình nhỏ thực hiện attention tại các khối 5, 7, 9 và 11, ViT-L thực hiện attention tại các khối 9 đến 23, ViT-H+ tại các khối 11 đến 31, với số chiều bộ giải mã là 64, 128, 256 và 256. Các bản xuất Core ML cho Apple silicon được phát hành dưới dạng một kho lưu trữ riêng, và kho lưu trữ mã bao gồm một ứng dụng demo Mac để đo độ sâu trực tiếp từ camera.
VGGT-1B là một checkpoint đơn lẻ với một tỷ tham số, và dòng mô hình này đã tiến xa hơn kể từ đó. VGGT-Omega được phát hành vào ngày 18 tháng 5 năm 2026 với tư cách là "bước tiến tiếp theo của VGGT," và một checkpoint thương mại, VGGT-1B-Commercial, tồn tại song song với bản gốc, với AUC@30 đạt 90.37 trên Co3D so với 89.98 của bản gốc — con số benchmark duy nhất trên model card, và cũng chỉ là mức cải thiện không đáng kể. Tính đến thời điểm viết bài, VGGT-1B có 748,148 lượt tải xuống, điều này phần nào cho thấy cộng đồng nghiên cứu đã áp dụng nó làm baseline rộng rãi đến mức nào.

Depth Pro 2 là câu chuyện ngược lại. Bốn checkpoint của nó chỉ có lượt tải ở mức vài chục, các repository được tạo vào đầu tháng 11 năm 2026, và chỉ có vài lượt thích trên repository thẻ. Đây là một mô hình đã được công bố nhưng chưa được đón nhận. Điều đó đáng để biết trước khi bạn cam kết: nếu bạn gặp lỗi, bạn sẽ là người tạo issue.
Cấp phép và điểm kiểm soát thương mại
VGGT-1B dùng giấy phép CC BY-NC 4.0, phi thương mại. Sự tồn tại của VGGT-1B-Commercial là chi tiết đáng chú ý — Meta đã phát hành một biến thể có thể cấp phép thương mại, nghĩa là tồn tại con đường từ nghiên cứu đến sản phẩm mà không cần đàm phán giấy phép. Trọng số của Depth Pro 2 thuộc giấy phép Apple Machine Learning Research Model, chỉ dùng cho nghiên cứu, được kho lưu trữ định nghĩa là các hoạt động nghiên cứu khoa học phi thương mại và phát triển học thuật.
{{1}}Cả hai giấy phép đều không phải là giấy phép sản phẩm đối với checkpoint mở.{{/1}} Điểm khác biệt là {{2}}dòng sản phẩm của VGGT có một tùy chọn thương mại{{/2}} còn {{3}}của Depth Pro 2 thì không{{/3}}, vì vậy nếu bạn đang xây dựng để tạo doanh thu, {{4}}một trong số này có cửa còn cái kia có tường{{/4}}.
Đây là cùng một phép tính xuất hiện ở tầng cao hơn trong bất kỳ pipeline sản xuất nào. Một mô hình tái tạo chỉ là một lần gọi; xung quanh nó là phần đọc cảnh, quyết định làm gì và ghi lại — công việc của mô hình ngôn ngữ, nơi nhà cung cấp niêm yết một mức giá và một aggregator hoặc chuyển thẳng mức giá đó qua hoặc không. Điểm bán của OrcaRouter là 0% markup trên 217 mô hình với tự động chuyển đổi dự phòng giữa các nhà cung cấp, điều đặc biệt quan trọng chính ở đây: khi giai đoạn hình học là một checkpoint nghiên cứu với vài lượt tải xuống và không có nhịp phát hành, bạn muốn phần còn lại của pipeline là phần nhàm chán, dư thừa.
Ai nên bắt đầu với cái nào
Hãy bắt đầu với VGGT nếu bạn đang tái dựng một cảnh từ nhiều góc nhìn và sẽ xử lý tỷ lệ ở các bước sau — tổng hợp góc nhìn mới, một asset 3D, một tập dữ liệu dựng từ video mà hình học là sản phẩm đầu ra. Việc giải đồng thời camera và hình học chính là điều khiến nó xứng đáng với hàng tỷ tham số, và VGGT-Omega là thế hệ hiện tại nếu bạn bắt đầu từ đầu.
Hãy bắt đầu với Depth Pro 2 nếu bạn cần số mét từ một khung hình duy nhất, hoặc nếu bạn cần độ sâu ổn định qua từng khung hình trong luồng trực tiếp. Núm chỉnh kích thước là có thật và quy trình làm việc trên laptop đã được ghi lại. Khi bắt đầu, hãy chuẩn bị tinh thần rằng bạn sẽ bị cắt độ sâu bầu trời, sẽ là người đầu tiên báo phần lớn lỗi, và sẽ phải chờ báo cáo kỹ thuật trước khi có thể trích dẫn một con số Boundary F1 cho bất kỳ ai.
Điều bạn không nên làm là coi đây như một cuộc đối đầu trực diện. VGGT tái dựng, Depth Pro 2 đo đạc, và phép so sánh trung thực duy nhất là cái mà mã nguồn phía sau của bạn có thể dùng được. Với hầu hết pipeline 3D, câu trả lời là VGGT cùng một bước khôi phục tỉ lệ; với hầu hết pipeline robotics và AR, đó là Depth Pro 2 cùng một ngân sách độ bền cho khói.
