
Depth Pro 2 與 Marigold:公制深度還是擴散先驗?
- 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
Marigold 不預測深度。它生成深度,一次一個去噪步驟,由一個從 Stable Diffusion 2 微調而成的潛在擴散模型生成。Depth Pro 2 則預測深度,在單次前向傳遞中,由一個直接針對該任務訓練的 transformer 完成。兩者都產生看起來正確的深度圖,兩者都是研究授權,而它們之間的差異,就是取樣器與回歸器之間的差異——這首先會以帳單的形式顯現,其次以延遲概況的形式顯現,最後才以準確度顯現。
這種排序是刻意的。常見的比較會把 AbsRel 放在一邊、Boundary F1 放在另一邊,然後宣佈勝負,但在這裡做不到:Marigold 的數字和 Depth Pro 2 的數字來自不同數據集上的不同協定,且從未由任一實驗室將兩者相互對測。可比較的是取得答案的成本、答案所採用的尺度慣例,以及各授權條款允許什麼。這三個問題都有確切的答案。
從像素中取得數值的兩種方法
Marigold 的模型卡明確說明其自身類型:一個基於生成式潛在擴散的仿射不變單眼深度估計器,並從 stable-diffusion-2 微調而來。v1.1 檢查點 prs-eth/marigold-depth-v1-1 建立於 2024 年 12 月 12 日,獲得 34 個讚與約 6,600 次下載。它專為 DDIM 排程器設計,支援 1 到 50 個去噪步驟,並繼承基礎擴散模型約 768 像素的有效解析度,因此較大的輸入應先將長邊調整為 768 再輸入。
Depth Pro 2 是一種判別式模型。這張卡片描述了一個作用於輸入影格上的多視圖 Transformer,以及一個 DPT 解碼器;後者會為每張影格預測一張逆深度圖,並將來自數個區塊的 token 組合成特徵圖,其解析度為輸入解析度的 1/32 到 1/4。一次呼叫、一個輸出,且輸出為輸入的完整解析度——卡片對此有明確說明,而這與 768 像素的工作解析度正好相反。
• 推論 — Marigold 每張影像執行 1 到 50 個去噪步驟;Depth Pro 2 執行一次前向傳遞。
• 工作解析度 — Marigold 的有效解析度約為長邊 768 像素;Depth Pro 2 則以輸入的完整解析度進行預測。
• 集成——只有當多個預測以數量大於二的方式進行集成時,Marigold 才會產生不確定性地圖,而這會再次倍增成本;Depth Pro 2 則不返回不確定性。
• 尺度 — Marigold 的輸出具仿射不變性,數值介於 0 到 1 之間,會在模型自行選擇的近平面與遠平面之間插值;Depth Pro 2 的輸出則為公制,以公尺為單位。
• 輸入 — Depth Pro 2 可接收照片、影片檔案或即時攝影機影像;Marigold v1.1 則接收單一影像。
Marigold 是一款取樣器,而這是要付費的。
步數不是註腳。擴散深度模型的品質,取決於它執行多少個去噪步驟,以及它集成了多少個樣本,而這兩者都是你可以設定的旋鈕。在低端,你會得到一張快速但粗糙的地圖;在 50 步並搭配集成取樣時,你會得到更好的地圖,但對同一張影像而言,運算成本也大得多。Marigold 的卡片將此定位為一項特性——1 到 50 步是一個範圍,由你選擇要落在其中哪個位置——這很誠實,但這也意味著「Marigold 的準確度」不是單一數字。它是一條曲線,而這條曲線有一個成本軸。
Depth Pro 2 沒有對應的旋鈕。尺寸就是那個旋鈕——S、B、L 或 H+——而它改變的是權重,不是執行遍數。無論如何,一次預測就是一遍。對 Notebook 而言,這個差異只是學術上的;但對每秒處理 30 幀視訊串流的服務而言,這就是整個設計的核心。
這就是為什麼圍繞深度模型的成本討論不會只停留在模型本身。消耗深度圖的那個階段——描述場景、決定該做什麼、寫出結果——是語言模型的工作,而這正是每次呼叫成本會被公布且可相互比較的部分。OrcaRouter 以 0% 加價,透過單一金鑰,將供應商定價原樣傳遞至 200 多個託管模型,並提供跨供應商的自動容錯移轉。視覺階段中帶有集成倍數的擴散取樣器,正是那種會讓你希望整條管線其餘部分保持可預測的成本。
Depth Pro 2 一次即可給出答案
單次遍歷設計有其自身限制,而這些限制是被記錄下來的,而非隱藏起來。深度是沿相機視軸的距離——也就是 z 座標,而不是徑向距離。Python 中的逆深度會以焦距正規化:focallength_px / (width * depth)。深度會隨焦距縮放,因此焦距若長了 10%,就會讓所有東西的距離遠了 10%。

視訊行為正是這套架構發揮價值之處。緩衝模式會處理 16 個影格的片段,片段之間重疊四個影格,讓深度在片段邊界之間保持穩定;非緩衝模式則會在每個影格到達時,根據該影格及其前 15 個影格進行預測,並帶有文件記載的暖機代價:串流開頭的影格前序影格較少,因此深度較不穩定。一段視訊的所有影格共用一個焦距,取第一個視窗的中位數。記憶體用量會隨影格大小與視窗長度增長,而不是隨影片長度增長。
這些在 Marigold 裡都沒有對應功能,因為 Marigold v1.1 是單張影像模型。把它用在影片上,就是逐幀執行,而輸出什麼樣的閃爍,你就得交付什麼樣的閃爍。
相對於度量的仿射不變性
這是決定多數整合案的段落,而重點不在品質。Marigold 的輸出具仿射不變性:預測值落在 0 與 1 之間,並在模型所選的近平面與遠平面之間進行插值。對於 matte、合成用深度通道,或任何會被重新縮放以符合某個範圍的內容而言,這是相當理想的表示法——而且這也是擴散深度文獻中的標準慣例,理由很充分:這正是這類模型真正擅長的事。
Depth Pro 2 的輸出是以公尺為單位的測量值,並附帶焦距。對機器人而言,當它要判斷障礙物是在一公尺還是三公尺外;對必須定位在實際物理距離上的 AR 疊加層而言;對位於真實座標框架中的點雲而言,這個差異正是整項工作的關鍵。從仿射不變的深度圖中還原絕對尺度,是另一個步驟,需要場景中已知的參考物或感測器,而這正是 Depth Pro 2 已在內部完成的工作。
兩者沒有哪個更好。它們是同一個詞的不同產物,而你需要哪一個,取決於使用這張地圖的是什麼。
Marigold V2 在 2026 年有哪些改變?
「Marigold」這個名稱如今涵蓋了兩個世代,而第二代並非小幅更新。Marigold V2(huawei-bayerlab/marigold-v2-0)於 2026 年 8 月 27 日建立,並於 2026 年 9 月 8 日首次發布。它採用的是擴散 Transformer,而非 UNet:它是 Qwen/Qwen-Image-Edit-2509 的 LoRA 微調版本,並隨 SIGGRAPH Asia 2026 論文一同發表於 ACM Transactions on Graphics 45(6),arXiv 2609.08084。
能力範圍大幅擴展。Marigold V2 推出多種檢查點:涵蓋對數、線性與視差參數化的深度,可預測玻璃後方幾何結構的分層變體,以及表面法線與反照率——其中最後一項,是只有已經理解成像過程的生成模型才說得通的輸出類型。在 1024² 解析度下推論約需 17 GB 的 GPU 記憶體,在 2048² 下則需 29 GB,因此 24 GB 的顯示卡足以涵蓋前者,而後者則需要 32 GB。
其深度輸出仍具仿射不變性——每張影像的深度可相差一個未知的尺度與平移——因此上述尺度論證在生成方式改變後仍完整成立。改變的是準確度與解析度:在 Pixel-Perfect Depth 協定下回報的零樣本結果,AbsRel(越低越好)與 δ1(百分比)為 NYUv2 上的 3.6 / 98.0、KITTI 上的 5.4 / 97.4、ETH3D 上的 2.8 / 99.2、ScanNet 上的 3.7 / 97.9,以及 DIODE 上的 5.2 / 97.1。表面法線在 NYUv2 上的平均角度誤差為 16.6 度,且有 61.2% 落在 11.25 度以內;Hypersim 上的 albedo 則為 PSNR 20.78、SSIM 0.811、LPIPS 0.195。這些是廠商回報的數據,此處並未重現。
雙方各自允許你引用的內容
Marigold V2 發佈了一張表格。Depth Pro 2 發佈了一張帶有標註座標軸的散點圖,且沒有逐模型表格。這種不對稱是這組配對中最未被充分報導的事實,也與「較新的模型必定是文件記錄更完善的那一個」這一假設相悖。

Depth Pro 2 的模型卡報告了在 Sintel 與 Spring 上取平均的 Boundary F1 與 Jitter,聲稱在兩者上均優於以單幀或多幀運作的先前研究,並繪出約二十多個基線——但 Marigold 不在其中。Apple 的圖表上沒有 Marigold 標記,Marigold V2 的表格中也沒有 Depth Pro 2 這一列,因此兩家實驗室都沒有把這兩個模型放在同一座標軸上。引用區塊仍寫著 arXiv:261X.XXXXX——一個佔位符——而且 machinelearning.apple.com 上沒有 Depth Pro 2 的研究頁面。模型卡所稱、比較各尺寸在速度與記憶體方面表現的技術報告,目前還不存在。
因此,採購文件今天可以引用 Marigold V2 的 AbsRel 和 δ1,但附帶條件是:這些是廠商在你並未實際執行過的評測協定上所給的數字。它完全無法引用 Depth Pro 2 的任何數字。這並非貶低該模型;而是關於這次發布的事實,而且一旦報告出爐,情況就會改變。
授權:OpenRAIL、Apache、僅限研究
三個檢查點分別對應三份許可,且它們不可互換。
• Marigold v1.1 — CreativeML OpenRAIL++-M,即 Stable Diffusion 2 社群授權條款,其帶有基於用途的限制,而非單純的非商業性禁令。
• Marigold V2 — 釋出的權重採用 Apache 2.0,而基礎的 Qwen-Image-Edit-2509 保留其自身授權,因此你的義務取決於兩者。
• Depth Pro 2 — Apple Machine Learning Research Model 授權條款,儲存庫將其定義為僅允許用於研究目的,亦即非商業性科學研究與學術開發。
實際後果是:Marigold V2 是這三者當中唯一有可能真正推出的,但須視 Qwen 基礎模型的要求而定。Depth Pro 2 則不然,無論哪個規模都一樣,而其程式碼授權條款也改變不了這點。Depth Pro 2 的程式碼另外註明 TIMM 與 DINOv3 為其基礎。
該選哪一個
如果你想要把深度圖當作多個輸出之一——法線、反照率、分層可透視深度——而且你大致在 1024² 解析度下工作,並且仿射不變慣例沒問題,因為你的下游反正會重新縮放,那就選 Marigold V2。它是更靈活的模型,會公布數值,而且它的授權是這裡唯一寬鬆的。
如果需要以{{2}}公尺{{/2}}為單位,請選用 {{1}}Depth Pro 2{{/1}};如果輸入是{{3}}影片{{/3}}或{{4}}即時串流{{/4}};或者需要在{{6}}完整解析度{{/6}}下取得{{5}}銳利邊界{{/5}},且無法{{7}}重新取樣{{/7}}至 {{8}}768{{/8}}。依照{{11}}Apple 的說明文件{{/11}}建議,在{{10}}筆記型電腦{{/10}}上先從 {{9}}S{{/9}} 開始,並預期會{{12}}截斷天空深度{{/12}}——這是{{13}}README{{/13}}本身的建議,因為{{14}}天空像素{{/14}}在{{17}}小型模型{{/17}}上會傳回{{15}}無限深度{{/15}}或{{16}}數公里的有限值{{/16}}。
你不該做的,是把這兩張卡片當成排行榜來讀。Marigold V2 的 AbsRel 和 Depth Pro 2 的 Boundary F1 並不是同一個實驗,而關於它們的相對品質,唯一誠實的說法是:沒有人做過這項比較——Apple 繪製了二十幾個基線,Marigold 並不在其中;而 Marigold V2 的論文則是在 Pixel-Perfect Depth 協定上,與自身的前代版本進行評估。

