
Depth Pro 2 对比 Depth Anything 3:米制深度还是相机位姿
- Orca新OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 每百万 tokens · 186 tok/s
- tencent新Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 每百万 tokens · 358 tok/s
- Google新Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 每百万 tokens · 87 tok/s
- Anthropic新Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 每百万 tokens · 139 tok/s
- orca新Orca: OrcaC2 1.02026-11-0737 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 每百万 tokens · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百万 tokens · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 每百万 tokens · 80 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 每百万 tokens · 117 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百万 tokens · 111 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百万 tokens · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百万 tokens · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百万 tokens · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447智能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 每百万 tokens · 210 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929智能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百万 tokens · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733智能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 每百万 tokens · 168 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740智能
问两个模型同一个问题——这有多远?——只有一个用米来回答。苹果的度量单目深度模型 Depth Pro 2 会返回沿相机视轴以米为单位的深度图,以及它使用的焦距。字节跳动 Seed 于 2025 年 11 月发布的基础模型 Depth Anything 3,则将“相对深度”列为首项能力,同时还具备相机位姿估计和位姿条件化能力。它提供的是未知尺度下的深度,并给出使该尺度可被恢复的相机参数。
这一单一差异在准确性进入讨论之前就决定了大多数集成选择,这也是为什么对这两者进行直接的基准比较并不像看起来那么有用。两家实验室报告的指标不同,所对比的基线也不同,而且双方都没有运行过对方的评估。下文是每个代码仓库实际记录的内容,其中厂商声明会按厂商声明加以标注。
两个不同的输出,仅相差一个字母
Depth Anything 3 的预测对象是最清晰的起点,因为它表达得异常明确。单次调用会返回深度,格式为 [N, H, W] float32;与之形状相同的置信度图;作为 [N, 3, 4] 世界到相机矩阵的外参;以及作为 [N, 3, 3] 的内参。导出格式包括 GLB、NPZ、PLY、mini-NPZ、高斯泼溅 PLY 或高斯泼溅视频。
Depth Pro 2 的输出范围更窄;如果你需要的答案是一个数字,它会更直接有用。它返回以米为单位的深度图、以像素为单位的焦距,并且在命令行的 NPZ 输出中——只有这两个数组,没有其他内容。转换为点云的工作留给你自己完成:使用焦距和图像中心作为主点,或者如果相机已标定,则使用你真实的主点。
• 尺度——Depth Pro 2 的输出是度量化的;Depth Anything 3 的深度是相对的,其尺度可由它同时返回的位姿与内参恢复。
• 相机参数——Depth Anything 3 预测外参和内参;Depth Pro 2 仅预测焦距,并且对相机的位置毫无概念。
• 置信度 — Depth Anything 3 返回逐像素置信度图;Depth Pro 2 则不返回。
• 输入 — Depth Pro 2 可接收一张照片、一个视频文件或实时摄像头画面;Depth Anything 3 则将图像列表作为一个视图集处理。
• 许可证 — Depth Pro 2 权重依据 Apple Machine Learning Research Model 许可证仅限研究用途;Depth Anything 3 在 0.08B 和 0.12B 规模下采用 Apache 2.0 许可证,在 0.35B 和 1.15B 规模下采用 CC BY-NC 4.0 许可证。
这四个尺寸对不上。
两个系列都发布了四个检查点,参数量也几乎落在相同的区间,这让人很想把它们逐一对应地比较。别这么做。
Depth Anything 3 发布了 0.08B、0.12B、0.35B 和 1.15B——根据 safetensors 元数据,分别为 34.3M、135.4M、410.9M 和 1,355.7M 参数。Depth Pro 2 发布了 24M、97M、334M 和 872M。Depth Pro 2 的两个最小规格明显小于 Depth Anything 3 的对应规格,而最大规格明显小于 DA3 Giant。
许可证的划分与模型规模如出一辙,而这正是商业上至关重要的细节:Depth Anything 3 的两个小型检查点采用 Apache 2.0 许可证,两个大型检查点则采用 CC BY-NC 4.0 许可证。Depth Pro 2 的四个检查点则全部采用同一项仅限研究的许可证,该许可证在代码库中被定义为非商业性科学研究与学术开发用途。因此,如果你确实需要一个可商业授权的深度模型,那么在这次对比中,Depth Anything 3-Small 或 -Base 是唯一的选择,而 Depth Pro 2 无论哪个规模都不符合条件。
Depth Anything 3 还有 1.1 修订版,即 DA3-GIANT-1.1 和 DA3-LARGE-1.1,其参数量与原始版本完全相同,相关仓库创建于 2025 年 12 月 11 日。原始的 GIANT 模型卡将 3D 高斯估计描述为大型尺寸版本所具备的附加能力,因此其导出范围比单纯的深度更广。
每个实验室声称了什么,以及针对什么
Depth Anything 3 的模型卡提出了两项比较性主张,并分别为这两项主张指明了基线:在单目深度估计方面,它显著优于 Depth Anything 2;在多视图深度和位姿估计方面,它显著优于 VGGT。这些都是关于具名模型的具体且可证伪的陈述,详细数字在论文中,而不在模型卡中。
Depth Pro 2 的模型卡提出了一项主张,并且仅将其基线称为“在单帧或多帧上运行的先前工作”。它报告称,Depth Pro 2 在 Boundary F1 和 Jitter 上优于该集合(在 Sintel 和 Spring 数据集上取平均),并用这两个指标的散点图加以说明,其坐标轴范围分别为 Boundary F1 从 0 到 0.3,Jitter 从 0.1 降至 0。

Depth Anything 3 就在那张图里——以 DA3-NGL 的形式出现,属于空心圆标记的多帧基线之一,大致位于 Boundary F1 约 0.06、抖动约 0.018 的位置。所以比较是存在的,但仅限于 Apple 的两个指标,且是在 Sintel 和 Spring 上取平均,旁边并没有印出 Depth Anything 3 的深度数值。ByteDance 自己的对比集合是 Depth Anything 2 和 VGGT,用的是 ByteDance 选定的指标,其中并未讨论 DA3-NGL。这两组对比并不相交:无论你看哪一张图表,坐标轴都是另一家实验室选定的,而且双方都没有发布一张共同的表格。
这不是在回避谁胜出。这就是证据的实际状态,值得直截了当地说明,因为另一种做法——挑选那张最能美化你本就偏好的模型的厂商图表——正是糟糕采购决策产生的方式。
视频一致性正是 Apple 的全部论点
Depth Pro 2 之所以存在,是因为单目深度存在一个特定弱点:对视频逐帧运行模型时,深度会闪烁,因为每一帧的估计都不了解相邻帧。Apple 的修复方案是架构层面的。该模型是对输入帧的多视角 Transformer,并且在其前三分之一的模块之后,注意力在帧内与跨帧之间交替。然后,逐帧 DPT 解码器将来自多个模块的 token 组装成输入分辨率的三十二分之一到四分之一的特征图。

运行模式由此而来。缓冲模式是视频文件的默认模式,它处理的是以四帧重叠的 16 帧片段,因此深度在片段边界处保持稳定。非缓冲模式在每一帧从相机到达时,依据该帧及其之前的 15 帧进行预测,适用于相机使用场景,但有一个文档中说明的注意事项:视频流的最初几帧可用的前序帧较少,因此深度稳定性较差。一个视频的所有帧共用一个焦距——即第一个窗口内各估计值的中位数。
Depth Anything 3 在设计上会联合处理多个视图,因为这正是视图集模型所做的事;但它的定位是重建,而不是稳定化。其产品卡片上的表述讲的是从任意视图恢复视觉空间,而输出——外参、内参、点图、高斯泼溅——都是 3D 重建流程的语言。如果你的问题是“这段视频闪烁”,Depth Pro 2 有针对这一问题的模式,而 Depth Anything 3 则是另一款产品。
无论如何都要把深度换算成米
Depth Anything 3 的相对深度与其说是局限,不如说是一种分工:模型把相机交给你,而正是相机将相对深度转换为米。这种转换是实打实的工作——每个场景一个比例因子,来自已知基线、已知物体尺寸或传感器——而这正是 Depth Pro 2 已经在内部完成的工作。
Depth Pro 2 的度量输出带有其自身的失效模式,而且这些模式已有文档记录。深度会随焦距缩放,因此焦距长出 10% 会让所有物体的距离都远了 10%。天空像素会以无限深度返回,或者,尤其是在较小的模型上,会以几公里的有限深度返回,所以 README 告诉你,在构建点云或彩色图像之前要裁剪范围。在 Python 中,逆深度会按焦距归一化,并等于 focallength_px / (width * depth)。一个流属于一个视频,并会保留其最近的帧及其焦距,直到你打开一个新的流。
两种模型都无法在无纹理或反光表面上替代深度传感器。它们都在根据视觉证据推断尺度,并且都会因同类原因在同类场景中失败。
运行两者的成本
实际差别在于依赖关系图。Depth Pro 2 通过 uv 从 GitHub 仓库作为 Python 包安装,提供命令行(uv run depth-pro-2 predict -i photo.jpg -o out/)和 Python API,并为 Apple 芯片提供 Core ML 导出以及一个 Mac 演示应用。该仓库明确说明,其中包含运行模型的代码,但不包含训练或评估代码。
Depth Anything 3 以可编辑包的形式从 ByteDance Seed 仓库安装,并提供 CLI(da3 auto path/to/images --export-format glb),还附带一个可选的后端进程用于重复推理——这类细节只有在有人循环运行它时才会显现出来。
两者都是单一用途的研究检查点,都不是需要你去路由的东西。围绕深度阶段展开的,是语言模型的工作——描述场景、决定该如何处理、把结果记录下来——而这正是单一端点发挥价值的地方:OrcaRouter 将 200 多个托管模型置于同一个兼容 OpenAI 的 API 之后,相比供应商标价零加价,因此你深度模型周边的各个推理阶段只需一个密钥、一份账单。深度检查点仍是你固定下来的依赖项;但它周边的流水线则不必如此。
从哪一个开始呢
如果你要从多个视角重建一个场景,并希望在一次调用中获得相机、点图和 Gaussian splats,那就从 Depth Anything 3 开始;如果小尺寸模型上的 Apache 2.0 许可证正是让这个项目得以成立的关键,也请从它开始。它的对比集有明确名称,它的输出范围很广,而小尺寸检查点是本文中唯一可商业许可的东西。
如果你需要的答案是单帧或实时视频流中以米为单位的距离,并且你的应用离不开帧间稳定性,那就从 Depth Pro 2 开始。要预料到会截断天空深度、会有意固定焦距,并且要趁早——这些仓库的下载量只有几十次,代码只有一个提交,技术报告仍是个占位符。
两个模型都无法给你的,是一个站得住脚的、声称自己胜过对方的主张,因为两家实验室都没跑过这项测试。要选就按输出格式、许可证,以及你的输入是不是视频来选。这三个问题今天都有答案;排行榜没有。

