Das Angebot von Nvidia für Flora – einen Stundenlangen Robotvideoset – beträgt 72 Cent anstatt 88 Dollar. Doch der Vergleich mit GPT-6 Astra ist nicht so extrem wie die Preisangabe vermuten lässt.
Große AI-Modelle für Roboter lernen aus Videos, die Textanmerkungen benötigen. Laut dem GEAR-Forschungslabor von Nvidia erfordern diese Anmerkungen drei Arten von Labeln. Erstens sind Beschreibungen dazu, welche Handlung im Video stattfindet, die zur Auswahl der Trainingsdaten verwendet werden. Zweitens sind Bewertungen dazu, wie gut ein Roboter Schritt für Schritt vorankommt, damit er durch Probespiele lernt. Drittens sind Urteile dazu, ob eine Aufgabe erfolgreich abgeschlossen wurde, die zur Überwachung der Roboter während der Einsatzphase verwendet werden. Die meisten bestehenden Tools bieten nur einen dieser Arten an. Große Sprachmodelle wie GPT-6 Astra können mehrere Arten generieren, aber sie sind zu teuer für die großen Mengen an Videos.
Laut dem Artikel umfasst Flora alle drei. Nvidia sagt, dass das System bereits während der Trainierung seiner GR00T-Modelle läuft und täglich bis zu 200.000 Stunden an Videos über 512 GB300 GPUs annotiert. Die Modelle sind auf Hugging Face verfügbar.
Flora besteht aus drei fein abgestimmten Qwen3.5-Modellen. Ein 9B-Modell teilt Videos in Handlungsabschnitte auf, und ein 27B-Modell beschreibt sie, indem es das Vorher und Nachher vor jeder Handlung berücksichtigt. Ein zweiter 27B-Modell namens Flora-Rewarder übernimmt drei verschiedene Aufgaben je nach Prompt. Er bewertet den Erfolg eines Episoden auf einer Skala von 1 bis 5, klassifiziert jeden halbe Sekunden-Schritt als normal, suboptimal oder Fehler und gibt Punkte basierend auf selbst definierten Kriterien zu.
Bis zu 125-mal billiger laut Nvidias eigenen Schätzungen
In einer Test mit 50 Videos erzielte Flora laut Nvidia ein etwas besseres Ergebnis als GPT-6 Astra, obwohl das Modell von OpenAI seine volle Rechenkapazität nutzen durfte. Laut Nvidias Schätzung kostet die Benennung eines Stunden-Videos bei Flora etwa 72 Cent, während GPT-6 Astra etwa 88,50 Dollar kostet. Claude Opus 5 erzielte in demselben Test ein viel schlechteres Ergebnis und kostete immer noch etwa 42 Dollar pro Stunde.
Die Kostenangaben für Flora sind Projektionen, nicht Produktionsmessungen. Nvidia hat sie auf der Grundlage eines annahmenlosen Mietpreises von 10 Dollar pro GPU pro Stunde berechnet.
Flora findet die Handlungen besser, aber Astra beschreibt sie oft genauer
Auf dem öffentlichen WGO-Bench ist Flora am besten bei der Erkennung von Aktionsgrenzen, verliert aber im Gesamtpunktestand gegenüber Astra und liegt hinter Gemini 3.8 Flash in der reinen Beschreibungsgenauigkeit. Laut den Forschern kommen die Vorteile hauptsächlich von der zeitlichen Lokalisierung.
Bei Nvidias eigenem DenseCaptionBench führt Flora bei allen Metriken für menschliche Aufnahmen, aber bei Robotvideos erreicht das Modell einen zweiten Platz hinter Astra. Es gibt auch eine methodische Besonderheit, die die Forscher anerkennen. GPT-6 Astra bewertet die Beschreibungen und ist zugleich eines der getesteten Modelle.
Fast kein anderes Modell behebt Fehler während der Episode
Auf RoboRewardBench ist das Fehlerrate von Flora 27,8 Prozent niedriger als bei Astra. Die Studie erklärt den Unterschied mit unvollendeten Aufgaben. Wenn ein Robotikgerät nur eine Flasche umstößt, anstatt sie vom Tisch zu werfen, gibt Flora 3 von 5 Punkten für den Vergleich zum Menschen, während Astra nur einen Punkt erhält.
Flora-Rewarder erkennt 53,3 Prozent der fehlgeschlagenen Schritte in einer Episode, während kein anderer Konkurrent mehr als 11,7 Prozent erreicht und Astra keinen einzigen erkennt. Der Preis ist jedoch, dass Flora etwa 11 Prozent der normalen Schritte fälschlicherweise als Fehler markiert. Astra bleibt dennoch in der Bewertung nach Kriterien und im Ranking der Trajektion vorne.
In einem Video mit vielen kurzen Bewegungen identifiziert Flora 34 von 37 einzelnen Handbewegungen, während Astra nur vier erkennt. Andererseits teilt Flora manchmal längere Handbewegungen in zu viele kleine Schritte auf und gibt gelegentlich falsche Beschreibungen an. In einem Video wischt eine Roboterhand einen Teller mit einem Tuch ab, aber Flora beschreibt dies als das Falten eines Taschentuchs.
Nvidia positioniert Flora als offene Alternative zu kommerziellen Dienstleistungen wie dem Scale AI’s Physical AI Data Engine. Forscher können es verwenden, um ihre eigenen Robotik-Datensätze zu erweitern und Ansätze wie die Übertragung menschlicher Demonstrationen an Roboter zu testen. Nvidia investiert Milliarden in offene AI-Modelle, um Entwickler in seinem Hardware-Ökosystem zu halten und nachfrage nach seinen Chips zu fördern – und Flora verfolgt denselben Ziel.
Das Unternehmen arbeitet seit einiger Zeit daran, das Mangelproblem an Robotik-Trainingsdaten durch Simulation und automatisierten Datenverarbeitung auszugleichen. Bei GTC im Frühjahr dieses Jahres zeigte Nvidia eine Datenpipeline, die das Trainingsmaterial automatisch vorbereitet, multipliziert und bewertet. Flora fügt dieser Pipeline detaillierte Beschriftungen und Belohnungssignale aus Videos hinzu.
All das trägt zur Nvidias Strategie bei, den gesamten Wertschöpfungskreislauf der Robotik abzudecken, von Hardware und Trainingsdaten bis hin zu Simulationen und den AI-Modellen selbst. Goxys kürzlich veröffentlichte Gemini 4 Argon zielt auf einen ähnlichen Teil des Robotik-Trainingsprozesses ab, indem es auch die Arbeitsschritte in Trainingsvideos identifiziert und fehlgeschlagene Aktionen markiert.