Exakte Version
Prüfe Modellkennung, Datum und ob sich der Alias ändern kann.
Veröffentlichte Ergebnisse und von den Quellen angegebene Bedingungen. Zahlen sind nur vergleichbar, wenn Version, Konfiguration, Metrik und Datum übereinstimmen.
| Modell | Organisation | Ergebnis | Metrik | Bedingungen |
|---|---|---|---|---|
| Depth Pro 2 S | Apple | 8,0 | GiB · niedriger ist besser | Apple-Messungen auf einer NVIDIA B200 mit BF16 und unkompiliertem PyTorch: 32 Bilder in 1080p werden in einem Aufruf verarbeitet, einschließlich Brennweitenschätzer. FPS und reservierter Speicher gelten für dieses Protokoll, nicht für Einzelbildlatenz oder beliebige GPUs. |
| Depth Pro 2 B | Apple | 14,0 | GiB · niedriger ist besser | Apple-Messungen auf einer NVIDIA B200 mit BF16 und unkompiliertem PyTorch: 32 Bilder in 1080p werden in einem Aufruf verarbeitet, einschließlich Brennweitenschätzer. FPS und reservierter Speicher gelten für dieses Protokoll, nicht für Einzelbildlatenz oder beliebige GPUs. |
| Depth Pro 2 L | Apple | 21,7 | GiB · niedriger ist besser | Apple-Messungen auf einer NVIDIA B200 mit BF16 und unkompiliertem PyTorch: 32 Bilder in 1080p werden in einem Aufruf verarbeitet, einschließlich Brennweitenschätzer. FPS und reservierter Speicher gelten für dieses Protokoll, nicht für Einzelbildlatenz oder beliebige GPUs. |
| Depth Pro 2 H+ | Apple | 29,5 | GiB · niedriger ist besser | Apple-Messungen auf einer NVIDIA B200 mit BF16 und unkompiliertem PyTorch: 32 Bilder in 1080p werden in einem Aufruf verarbeitet, einschließlich Brennweitenschätzer. FPS und reservierter Speicher gelten für dieses Protokoll, nicht für Einzelbildlatenz oder beliebige GPUs. |
Prüfe Modellkennung, Datum und ob sich der Alias ändern kann.
Prüfe Werkzeuge, Aufwand, Anzahl der Versuche, Prompt und Inferenzbudget.
Validiere das Ergebnis mit Aufgaben, Sprachen, Formaten und Fehlern, die für dein Produkt repräsentativ sind.
Ein öffentlicher Benchmark bietet Orientierung, ersetzt jedoch keine Bewertung mit deinen Daten, Tools, deinem Budget und deiner Fehlertoleranz.
Ein beweglicher Alias und ein Snapshot können unterschiedliche Ergebnisse liefern. Erfasse Modell, Datum und Anbieter.
Prompt, Reasoning, Tools, Anzahl der Versuche und Budget müssen für einen Vergleich gleichwertig sein.
Ein kleiner Unterschied kann zwischen Ausführungen verschwinden. Bewahre Stichproben, Streuung und Fehler auf, nicht nur den Mittelwert.
Validiere, ob die Verbesserung über Sprachen, Formate und reale Fälle hinweg Bestand hat, die deinem Produkt nahekommen.
Eine Metrik ist nur dann nützlich, wenn wir die Aufgabe, die Bedingungen und den Fehler kennen, auf die es ankommt. Das Ergebnis beginnt bereits bei der Gestaltung des Tests.