
Depth Pro 2 對決 Depth Anything 3:公尺還是相機姿態
- Orca新OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 每百萬 tokens · 186 tok/s
- tencent新Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 每百萬 tokens · 358 tok/s
- Google新Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 每百萬 tokens · 87 tok/s
- Anthropic新Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 每百萬 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 每百萬 tokens · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百萬 tokens · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 每百萬 tokens · 80 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 每百萬 tokens · 117 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百萬 tokens · 111 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百萬 tokens · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 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 每百萬 tokens · 210 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929智能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百萬 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 每百萬 tokens · 168 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740智能
{{1}}問這兩個模型同一個問題——這有多遠?——只有其中一個會以公尺回答。{{/1}} {{2}}Depth Pro 2 是 Apple 的公制單眼深度模型,會回傳沿相機視軸、以公尺為單位的深度圖,以及它所使用的焦距。{{/2}} {{3}}Depth Anything 3 是 ByteDance Seed 於 2025 年 11 月發布的基礎模型,它將「相對深度」列為首要能力,同時還具備相機姿態估計與姿態條件設定。{{/3}} {{4}}它提供的深度只到未知尺度,但也提供相機資訊,讓該尺度得以還原。{{/4}}
那個單一差異在多數整合案中,早在準確度成為討論重點之前就已決定一切,而這也是為什麼直接對這兩者做基準測試比較,其實不如表面上看起來那麼有用。這兩家實驗室報告的是不同指標、對照不同基準,而且雙方都沒有執行對方的評估。以下內容是各儲存庫實際記載的內容,並將廠商說法標示為廠商說法。
兩個不同的輸出,只差一個字母
Depth Anything 3 的預測物件是最清楚的起點,因為它異常明確。單次呼叫會回傳深度為 [N, H, W] float32、形狀相同的置信度圖、外參為 [N, 3, 4] 的 world-to-camera 矩陣,以及內參為 [N, 3, 3]。匯出格式包括 GLB、NPZ、PLY、mini-NPZ、Gaussian-splat PLY 或 Gaussian-splat 影片。
Depth Pro 2 的輸出範圍較窄,但如果你需要的答案是一個數字,它會更直接有用。它會回傳以公尺為單位的深度圖、以像素為單位的焦距,而在命令列的 NPZ 輸出中,就只有這兩個陣列,別無其他。轉換成點雲的工作則留給你處理,使用焦距和影像中心作為主點,或者若相機已校準,使用你實際的主點。
• 尺度 — Depth Pro 2 的輸出是公制;Depth Anything 3 的深度是相對的,並從它同時回傳的姿態與內參中還原尺度。
• 相機參數 — Depth Anything 3 會預測外參與內參;Depth Pro 2 僅預測焦距,且無法得知相機的位置。
• 置信度 — Depth Anything 3 會傳回逐像素的置信度圖;Depth Pro 2 則不會傳回。
• 輸入 — Depth Pro 2 可接受單張照片、影片檔案或即時攝影機饋送;Depth Anything 3 則接受一組影像清單作為單一檢視集。
• 授權 — Depth Pro 2 權重依 Apple Machine Learning Research Model 授權僅限研究用途;Depth Anything 3 在 0.08B 與 0.12B 為 Apache 2.0,在 0.35B 與 1.15B 為 CC BY-NC 4.0。
這四個尺寸對不上。
這兩個系列都發布了四個檢查點,參數量也幾乎落在相同的位置,讓人忍不住想將它們一一比較。別這麼做。
Depth Anything 3 發布 0.08B、0.12B、0.35B 與 1.15B;根據 safetensors 中繼資料,分別為 34.3M、135.4M、410.9M 與 1,355.7M 個參數。Depth Pro 2 發布 24M、97M、334M 與 872M。Depth Pro 2 的兩個最小尺寸明顯小於其 Depth Anything 3 對應版本,而最大尺寸也明顯小於 DA3 Giant。
授權條款的分界與模型大小相同,而這正是商業上關鍵的細節:Depth Anything 3 的兩個小型檢查點採用 Apache 2.0,兩個大型檢查點則採用 CC BY-NC 4.0。Depth Pro 2 的四個檢查點全都採用相同的僅限研究授權,該授權在儲存庫中定義為非商業科學研究與學術開發。因此,如果你需要可取得商業授權的深度模型,在這項比較中,Depth Anything 3-Small 或 -Base 是唯一選項,而 Depth Pro 2 無論哪種大小都不是。
Depth Anything 3 也有 1.1 修訂版,分別是 DA3-GIANT-1.1 與 DA3-LARGE-1.1,參數量與原版相同,且其儲存庫建立於 2025 年 12 月 11 日。原始的 GIANT 卡片將 3D Gaussian 估計描述為大型版本所具備的額外能力,因此其匯出範圍比僅有深度更廣。
每個實驗室各自主張什麼,又是相對於什麼
Depth Anything 3 的模型卡提出兩項比較性主張,並為兩者指名基線:在單目深度估計方面,它顯著優於 Depth Anything 2;在多視角深度與姿態估計方面,則優於 VGGT。這些是針對具名模型所提出、具體且可證偽的陳述,而詳細數字載於論文中,而非模型卡裡。
Depth Pro 2 的卡片提出了一項主張,並僅將其基準稱為「在單一影格或多個影格上運作的先前研究」。它回報 Depth Pro 2 在 Boundary F1 與 Jitter 上優於該組方法(在 Sintel 與 Spring 資料集上取平均),並以這兩個指標的散佈圖說明,其座標軸的 Boundary F1 從 0 到 0.3,Jitter 從 0.1 降至 0。

Depth Anything 3 就在那張圖表中——以 DA3-NGL 的形式出現,它是空心圓的多幀基線之一,大致落在 0.06 Boundary F1 與 0.018 jitter 附近。因此比較確實存在,但僅限於 Apple 的兩項指標,且在 Sintel 與 Spring 上取平均,旁邊沒有印出任何 Depth Anything 3 的深度數值。ByteDance 自己的比較集合是 Depth Anything 2 與 VGGT,採用 ByteDance 選擇的指標,而 DA3-NGL 在那裡未被討論。這兩組並未交會:無論你讀的是哪一張圖卡,座標軸都是由另一方實驗室選擇的,而且雙方都沒有發表共同表格。
這並不是在迴避選出贏家。這是證據的實際狀態,而且值得直白說明,因為另一種做法——挑選最能美化你早已偏好模型的那張廠商圖表——正是糟糕採購決策的成因。
影片一致性正是 Apple 的整套論點
Depth Pro 2 之所以存在,是因為單眼深度估計有一個特定弱點:在影片上逐幀執行模型時,深度會閃爍,因為每一幀都是在不瞭解相鄰幀的情況下估計的。Apple 的解決方案是架構層面的。該模型是對輸入幀運作的多視角 transformer,且在其前三分之一的區塊之後,注意力會在幀內與跨幀之間交替。接著,逐幀 DPT 解碼器會把來自數個區塊的 token 組合成特徵圖,解析度為輸入解析度的三十二分之一到四分之一。

運作模式由此而來。緩衝模式是影片檔案的預設模式,會處理 16 幀的片段,且片段之間重疊四幀,讓深度在片段邊界之間保持穩定。非緩衝模式則會在每一幀到達時,根據該幀及其前 15 幀來預測,供相機使用;文件中也註明,串流的前幾幀前序幀較少,因此深度較不穩定。一段影片的所有幀會採用同一個焦距——取第一個視窗內估計值的中位數。
Depth Anything 3 在設計上會聯合處理多個視圖,因為這正是視圖集模型的做法;但它的定位是重建,而非穩定化。這張卡的表述是關於從任意視圖恢復視覺空間,而輸出——外參、內參、點圖、高斯濺射——則是 3D 重建流程的語言。如果你的問題是「這段影片會閃爍」,Depth Pro 2 有對應模式,而 Depth Anything 3 是另一種產品。
無論如何都以公尺為單位取得深度
Depth Anything 3 的相對深度與其說是限制,不如說是一種分工:模型把相機交到你手上,而相機正是將相對深度轉換為公尺的關鍵。這個轉換是實實在在的工作——每個場景一個比例因子,可來自已知的基線、已知的物體尺寸或感測器——而這正是 Depth Pro 2 已經在內部完成的工作。
Depth Pro 2 的公制輸出帶有自身的失效模式,且這些模式已有文件記載。深度會隨焦距縮放,因此焦距若長了 10%,所有東西就會被放得遠了 10%。天空像素會回傳為無限深度,或者,特別是在較小的模型上,回傳為數公里的有限深度,因此 README 告訴你在建立點雲或彩色影像之前要先裁切範圍。在 Python 中,反深度會以焦距歸一化,等於 focallength_px / (width * depth)。一個串流屬於一支影片,並會保留其近期影格與焦距,直到你開啟新的串流。
這兩個模型都無法在無紋理或反光的表面上取代深度感測器。兩者都是從視覺證據推斷尺度,而且都會因為相同類型的理由,在相同類型的地方失敗。
同時運行兩者的成本
實務上的差異在於相依性圖。Depth Pro 2 可透過 uv 從 GitHub 儲存庫安裝為 Python 套件,提供命令列(uv run depth-pro-2 predict -i photo.jpg -o out/)與 Python API,並隨附適用於 Apple silicon 的 Core ML 匯出檔,以及一款 Mac 示範應用程式。該儲存庫明確表示,它包含執行模型的程式碼,但不含訓練或評估程式碼。
Depth Anything 3 可從 ByteDance Seed 儲存庫以可編輯套件的形式安裝,並提供 CLI(da3 auto path/to/images --export-format glb),還可選擇搭配後端程序來進行重複推論;這類細節通常只有在有人以迴圈方式執行時才會浮現。
兩者都是單一用途的研究檢查點,而且兩者都不是你會路由的對象。圍繞深度階段的是語言模型工作——描述場景、決定如何處理、把結果寫下來——而這正是單一端點發揮價值的地方:OrcaRouter 將 200 多個託管模型置於單一 OpenAI 相容 API 之後,且對供應商定價的加成是 0%,因此,圍繞你的深度模型的推理階段只需一組金鑰和一份帳單。深度檢查點仍然是你釘選的相依項;但圍繞它的管線不必如此。
該從哪一個開始
如果你要從多個視角重建場景,並希望在一次呼叫中取得相機、點圖與高斯潑濺,而且小型版本採用 Apache 2.0 授權正是讓專案得以成立的關鍵,那就從 Depth Anything 3 開始。它的比較集有明確名稱,輸出涵蓋範圍廣泛,而小型檢查點是本文中唯一可商業授權的東西。
如果你需要的答案是單一影格或即時串流中以公尺為單位的距離,而且你的應用程式少了影格之間的穩定性就無法運作,那就從 Depth Pro 2 開始。請預期要裁切天空深度、刻意固定焦距,並且要搶先採用——這些儲存庫的下載量只有數十次,程式碼只有一個 commit,技術報告也仍是佔位符。
這兩個模型都沒給你的,是一個站得住腳、能主張它勝過另一個的說法,因為兩家實驗室都沒跑過那項測試。你該根據輸出格式、授權條款,以及你的輸入是不是影片來做選擇。這三個問題今天都有答案;排行榜則沒有。

