NvidiaのオープンデータエンジンFloraでは、1時間のロボット動画を88ドルから72セントでラベル付けすると謳っている。しかし、GPT-6 Astraとの比較は、価格表示が示すほど一方的なものではない。
ロボット用の大規模AIモデルは、テキストによる注釈が必要なビデオから学習する。NvidiaのGEAR研究ラボによると、これには3種類のラベルが必要である。第一に、ビデオ内で何が起こるかの説明であり、トレーニングデータの選択に利用される。第二に、ロボットが段階的にどれだけうまく進むかの評価であり、試行錯誤を通じて学習するためのものである。第三に、タスクが成功裏に完了したかどうかの判断であり、実際の運用中にロボットの状態を監視するために利用される。現在のほとんどのツールは、これらのうち1種類しか提供していない。GPT-6 Astraのような大規模言語モデルは複数のラベルを生成できるが、関連するビデオの大量データに対しては費用が高すぎる。
論文によると、Floraはすべてのものをカバーしています。Nvidiaによると、このシステムはGR00Tモデルのトレーニング中にすでに動作しており、512 GB300 GPUを使って1日あたり20万時間のビデオをアノテーションしています。これらのモデルはHugging Faceで利用可能です。
Floraは、3つの高度に調整されたQwen3.5モデルで構成されています。9Bモデルは動画をアクションのセグメントに分け、27Bモデルは各アクションの前後が何であったかを考慮してそれらを記述します。Flora-Rewarderという別の27Bモデルは、プロンプトに応じて3つの役割を担い、エピソードの成功度を1から5のスケールで評価し、各半秒ステップを正常、不十分、または失敗と分類し、自己定義の基準に基づいてスコアを付与します。
Nvidia自身の推定によると、125倍も安くなるとされる
50本のビデオを使ったテストで、FloraはNvidiaによるとGPT-6 Astraよりわずかに優れていました。これは、OpenAIのモデルが全能力を発揮できるようにしたにもかかわらずです。Nvidiaの推定によると、1時間のビデオのラベリングにかかる費用はFloraで約72セントであり、GPT-6 Astraでは約88.50ドルでした。Claude Opus 5は同じテストではるかに劣っており、それでも1時間あたり約42ドルかかりました。
Floraのコスト数値は予測値であり、生産量の測定値ではありません。Nvidiaは、GPU1台あたり1時間につき10ドルの賃貸価格を仮定してこれらを計算しました。
フローラは行動を好むが、アストラはそれらをより正確に描写することが多い
公開されたWGO-Bench上で、Floraは行動の境界を検出する能力が最も優れていますが、全体的なスコアではAstraに劣り、純粋な記述精度ではGemini 3.8 Flashに劣っています。研究者によると、この改善は主に時間的局所化によるものです。
Nvidia自身のDenseCaptionBenchにおいて、Floraは人間の録音データに関するすべての指標で首位を占めるが、ロボット動画の場合はAstraに次いで2位となる。研究者たちも、ある方法論上の問題があることを認めている。GPT-6 Astraは説明を評価する一方で、テスト対象モデルの一つでもある。
ほとんど他のモデルはエピソード中の誤りを捉えられない
RoboRewardBenchにおいて、Floraのエラー率はAstraより27.8％低い。論文では、この差が部分的に完了していないタスクによるものだと述べている。ロボットがテーブルからボトルを落とすのではなく、ただ傾けるだけの場合、Floraは人間の基準に合わせて5点中3点を与え、Astraは1点しか与えない。
Flora-Rewarderは、一エピソード内の失敗ステップの53.3％を検出する。一方、他の競争者は11.7％を超えることはなく、Astraは一つも検出できない。その代償として、Floraは通常のステップの約11％を誤差として誤ってマークする。Astraは依然として、評価基準に基づくスコアと軌道ランキングで首位を保つ。
短い動作が多く含まれるビデオで、Floraは37の個別動作のうち34を特定したが、Astraは4つしか特定できなかった。一方、Floraは長い動作をあまりにも多くの小さなステップに分けることがあり、時には説明を間違えることもある。あるビデオでは、ロボットの手が布で皿を拭く動作だが、Floraはそれをナプキンを折る動作と説明した。
Nvidiaは、Scale AIの物理AIデータエンジンといった商業サービスに対するオープンな代替手段としてFloraを位置づけている。研究者は、自身のロボティクスデータセットを拡大し、人間の行動を示すデータをロボットに転送するような方法をテストするためにFloraを利用できる。Nvidiaは、ハードウェアエコシステム内の開発者を維持し、チップへの需要を促進するために、オープンAIモデルに数十億ドルを投資している。Floraも同じ目的を果たす。
同社は、ロボティクス向けトレーニングデータの不足を、シミュレーションと自動化されたデータ処理を通じて補うために、しばらくの間取り組んでいる。今年初めのGTCで、Nvidiaはトレーニング資料を自動的に準備し、乗算し、評価するデータパイプラインを展示した。Floraは、ビデオから詳細なラベルと報酬信号をそのパイプラインに追加する。
これらすべては、Nvidiaがロボティクス価値チェーン全体をカバーする戦略に反映される。これにはハードウェアやトレーニングデータ、シミュレーション、AIモデル自体まで含まれる。Googleが最近発表したGemini 4 Argonは、ロボティクストレーニングプロセスの同様の部分を対象としており、ビデオ内の作業ステップを特定し、失敗した動作を指摘する。