Nous présentons Depth Anything 3 (DA3), un modèle capable de prédire une géométrie spatialement cohérente à partir d’un nombre arbitraire d’entrées visuelles, qu’avec ou sans connaissances des poses de caméra. Dans une optique de modélisation minimale, DA3 fournit deux constatations clés : un simple transformateur (par exemple, un encodeur DINO vanilla) est suffisant comme architecture principale sans nécessiter de spécialisation architecturale, et une seule cible de prédiction de profondeur-rayon élimine la nécessité d’un apprentissage multi-tâches complexe. Grâce à notre paradigme d’entraînement enseignant-étudiant, le modèle atteint un niveau de détail et de généralisation équivalent à celui de Depth Anything 2 (DA2). Nous établissons une nouvelle référence en géométrie visuelle couvrant l’estimation de pose de caméra, la géométrie à vue multiple et le rendu visuel. Sur cette référence, DA3 établit un nouveau record sur toutes les tâches, dépassant l’ancien état de l’art (VGGT) d’une moyenne de 44,3 % en précision de pose de caméra et de 25,1 % en précision géométrique. En outre, il surpasse DA2 dans l’estimation de profondeur monoculaire. Tous les modèles sont entraînés exclusivement sur des jeux de données académiques publics.