机器人视频标注成本降至GPT-6 Astra的百分之一

机器人AI模型的训练依赖大量带有文字标注的视频数据。英伟达GEAR研究实验室指出，这类标注通常需要三种类型：描述视频中各动作发生时间节点的内容标注、评估机器人逐步执行质量的奖励信号，以及判断任务是否成功完成的结果评分。现有工具往往只能提供其中一种，而GPT-6 Astra等大型语言模型虽能覆盖多种类型，但面对海量视频时成本过高，难以规模化应用。

Flora由三个微调自Qwen3.5的模型构成。一个9B参数模型负责将视频切分为动作片段，一个27B模型结合前后文对每段动作进行描述，另一个名为Flora-Rewarder的27B模型则根据不同提示词承担三种评分角色：将整段任务的完成情况评为1至5分、将每半秒的执行步骤分类为正常、次优或失败，以及依据自定义评分标准给出综合得分。这一架构使Flora能够在单一系统内完成此前需要多个工具协作才能实现的标注流程。

在误差检测能力上，Flora的表现尤为突出。在RoboRewardBench基准测试中，Flora的错误率比Astra低27.8个百分点。Flora-Rewarder能够识别出53.3%的任务中途失败步骤，而所有竞争对手的识别率均未超过11.7%，GPT-6 Astra甚至一个都未能检测到。在一段包含大量细小手部动作的视频中，Flora识别出37个参考动作中的34个，而Astra仅识别出4个。不过，Flora也存在将较长动作过度切分的问题，偶尔会出现描述错误，例如将机器人用布擦盘子的动作误判为折叠餐巾。

在成本与质量的综合对比上，Flora并非在所有维度都占优。在公开基准WGO-Bench上，Flora在动作边界检测方面表现最佳，但总体得分落后于Astra，在纯描述准确性上也不及Gemini 3.8 Flash。在英伟达自建的DenseCaptionBench中，Flora在人类操作视频上领先所有指标，但在机器人视频上排名第二，仍落后于Astra。此外，Flora的成本数据是基于每GPU每小时10美元的假设租用价格推算而来，并非实际生产环境的测量值。

从战略层面看，Flora是英伟达构建机器人全价值链布局的关键一环。英伟达此前已在GTC上展示了一套能够自动准备、扩充和评分训练数据的流水线，Flora则为该流水线补充了来自视频的详细标注和奖励信号。与此同时，英伟达持续投入开源AI模型，旨在将开发者留在其硬件生态系统内，拉动芯片需求。谷歌近期发布的Gemini 4 Argon也瞄准了类似的机器人训练场景，能够识别训练视频中的工作步骤并标记失败动作，双方在这一赛道上的竞争正在加剧。

要点

• Flora将机器人视频标注成本压缩至每小时约0.72美元，较GPT-6 Astra的88.49美元降低约125倍，但成本数据基于假设算力价格推算，非实测值。
• Flora在中途失败步骤检测上具有压倒性优势，识别率达53.3%，而所有竞争对手均低于11.7%，GPT-6 Astra识别率为零。
• Flora在描述准确性和基于评分标准的综合评分上仍落后于GPT-6 Astra，且存在将长动作过度切分及偶发描述错误的问题。
• Flora已集成至英伟达GR00T模型训练流程，每日可处理多达20万小时视频，相关模型已在Hugging Face开源发布。
• Flora是英伟达覆盖机器人硬件、训练数据、仿真及AI模型全价值链战略的组成部分，同时也是对Scale AI等商业数据服务的开源竞争回应。