我们提出Depth Anything 3（DA3），一种能够从任意数量的视觉输入中预测空间一致几何结构的模型，无论输入是否包含已知的相机位姿。在追求极简建模的驱动下，DA3揭示了两个关键发现：仅使用一个通用的Transformer结构（如原始的DINO编码器）作为主干网络即可，无需进行架构上的特殊设计；同时，采用单一的深度-射线预测目标，可避免复杂多任务学习的必要性。通过教师-学生训练范式，DA3在细节表现与泛化能力方面达到了与Depth Anything 2（DA2）相当的水平。我们构建了一个全新的视觉几何基准，涵盖相机位姿估计、任意视角几何重建以及视觉渲染任务。在该基准上，DA3在所有任务中均取得了新的最先进性能，相较于先前的最先进方法VGGT，相机位姿估计准确率平均提升44.3%，几何重建准确率平均提升25.1%。此外，在单目深度估计任务中，DA3的表现也优于DA2。所有模型均仅在公开的学术数据集上进行训练。