以72美分而非88美元标注1小时机器人视频，是Nvidia对其开放数据引擎Flora的承诺。但与GPT-6 Astra的对比并不像价格标签所显示的那样一边倒。
用于机器人的大型AI模型从需要文本注释的视频中学习，根据Nvidia的GEAR研究实验室，这需要三类标签。第一，描述视频中何时发生何种动作，用于选择训练数据。第二，对机器人逐步进展情况的评分，使其能够通过试错学习。第三，对任务是否成功完成的判断，用于在部署期间监控机器人。大多数现有工具只能提供其中一种类型。像 GPT-6 Astra 这样的大型语言模型可以生成多种标签，但对于所涉及的海量视频来说，它们的成本太高。
根据该论文，Flora涵盖了所有三类。Nvidia表示，该系统已经在训练其GR00T模型期间运行，在512块GB300 GPU上每天标注多达200,000小时的视频。这些模型已在 Hugging Face.
上提供。Flora由三个微调的 Qwen3.5模型组成。一个9B模型将视频切分为动作片段，一个27B模型在描述它们时考虑到每个动作之前和之后发生的事情。第二个名为Flora-Rewarder的27B模型根据提示承担三种角色。它以1到5的量表评定一个回合的成功程度，将每个半秒步骤分类为正常、次优或失败，并根据自定义评分标准打分。
按Nvidia自己的估算，成本最多便宜125倍
在一项包含50个视频的测试中，Nvidia称Flora的得分略高于GPT-6 Astra，尽管OpenAI的模型被允许使用其全部推理能力。按Nvidia的估算，用Flora标注1小时视频的成本约为72美分，而用GPT-6 Astra则约为88.50美元。 Claude Opus 5 在同一测试中得分差得多，但每小时成本仍约为42美元。
不过，Flora的成本数据是预测值，而非生产环境测量值。Nvidia是基于假设的每小时每GPU 10美元的租用价格计算得出的。
Flora更善于发现动作，但Astra往往描述得更精确
在公开的WGO-Bench上，Flora最擅长检测动作边界，但在总分上落后于Astra，并且在纯描述准确性方面落后于 Gemini 3.8 Flash 。研究人员表示，这些提升主要来自时间定位。
在Nvidia自己的DenseCaptionBench上，Flora在人类录像的所有指标上均领先，但对于机器人视频，该模型排名第二，落后于Astra。研究人员也承认存在一个方法论问题。GPT-6 Astra既评估这些描述，本身又是被测试的模型之一。
几乎没有其他模型能捕获回合中途的错误
在 RoboRewardBench 上，Flora 的错误率比 Astra 低 27.8%。论文将这一差距归因于部分完成的任务。当机器人只是把瓶子碰倒而不是碰下桌子时，Flora 会给 3 分（满分 5 分）以匹配人类参考，而 Astra 只给 1 分。
Flora-Rewarder 能够捕捉一个回合内53.3%的失败步骤，而没有任何竞争对手超过11.7%，Astra 则一个也捕捉不到。代价是 Flora 会将约11%的正常步骤错误标记为错误。Astra 在基于评分标准的打分和轨迹排序方面仍然领先。
在一个包含许多短促手部动作的视频中，Flora 识别出37个单独动作中的34个，而 Astra 只捕捉到4个。另一方面，Flora 有时会把较长的动作拆分成过多的小步骤，偶尔也会出现描述错误。在一个视频中，机器人手用布擦拭盘子，但 Flora 将其描述为折叠餐巾。
Nvidia 将 Flora 定位为商业服务（如 Scale AI 的 Physical AI Data Engine）的开源替代方案。研究人员可以用它来扩展自己的机器人数据集，并测试将人类演示迁移到机器人等方法。Nvidia 正在 开放 AI 模型 上投资数十亿美元，以将开发者留在其硬件生态系统中并推动对其芯片的需求，而 Flora 正是服务于同一目标。
该公司一段时间以来也一直在努力通过 仿真和自动化数据处理来弥补机器人训练数据的短缺。在今年早些时候的 GTC 大会上，Nvidia 展示了一条自动准备、倍增和评分训练材料的数据流水线。Flora 在该流水线基础上增加了来自视频的详细标签和奖励信号。
所有这些都服务于 Nvidia 覆盖整个机器人价值链的战略，从硬件和训练数据到仿真以及 AI 模型本身。Google 最近发布的 Gemini 4 Argon 瞄准了机器人训练流程中类似的部分，同样在训练视频中识别工作步骤并标记失败动作。