Nvidia открыла Flora: разметка видео для роботов по её оценке в 125 раз дешевле GPT-6 Astra

Nvidia выпустила Flora, открытый «движок данных» для разметки видео, на котором учатся большие модели для роботов. По словам исследовательской лаборатории Nvidia GEAR, таким моделям нужны три типа разметки. Первый: описания того, какое действие и когда происходит в видео, по ним отбирают обучающие данные. Второй: оценки того, насколько успешно робот продвигается шаг за шагом, чтобы он мог учиться методом проб и ошибок. Третий: суждения о том, выполнена ли задача, они нужны для контроля роботов в работе. Большинство существующих инструментов дают только один тип. Большие языковые модели вроде GPT-6 Astra могут выдать несколько типов, но слишком дороги при таких объёмах видео.

По статье Flora закрывает все три типа. Nvidia заявляет, что система уже работает при обучении её моделей GR00T и размечает до 200 000 часов видео в сутки на 512 GPU GB300. Модели доступны на Hugging Face.

Flora состоит из трёх дообученных моделей на базе Qwen3.5. Модель на 9 млрд параметров делит видео на сегменты действий, модель на 27 млрд описывает их с учётом того, что было до и после каждого действия. Вторая модель на 27 млрд, Flora-Rewarder, выполняет три роли в зависимости от запроса: оценивает успешность эпизода по шкале от 1 до 5, классифицирует каждый полусекундный шаг как обычный, неоптимальный или сбойный и выставляет баллы по самостоятельно составленным критериям.

Стоимость. В тесте на 50 видео Flora, по данным Nvidia, оказалась немного лучше GPT-6 Astra, хотя модели OpenAI разрешили использовать полный объём рассуждений. Час видео обходится примерно в 72 цента с Flora по оценке Nvidia против примерно $88,50 с GPT-6 Astra. Claude Opus 5 в том же тесте показала заметно худший результат и всё равно стоила около $42 за час. Это проекции, а не замеры в производстве: Nvidia считала, исходя из предполагаемой аренды GPU по $10 за GPU в час. Заголовочный множитель «до 125 раз» в тексте статьи не расписан, в теле даны только 72 цента и около $88,50.

Качество на тестах. На открытом WGO-Bench Flora лучше всех находит границы действий, но уступает Astra по общему баллу и проигрывает Gemini 3.8 Flash в чистой точности описаний; по словам исследователей, выигрыш даёт в основном временная локализация. На собственном DenseCaptionBench Nvidia Flora лидирует по всем метрикам на записях людей, а на видео с роботами второй после Astra. Исследователи признают методологическую оговорку: GPT-6 Astra оценивает описания, будучи при этом одной из тестируемых моделей.

На RoboRewardBench доля ошибок у Flora на 27,8 % ниже, чем у Astra; в статье разницу объясняют частично выполненными задачами. Если робот лишь опрокинул бутылку, а не столкнул её со стола, Flora ставит 3 балла из 5, как человек-эталон, а Astra даёт один. Flora-Rewarder ловит 53,3 % сбойных шагов внутри эпизода, ни один конкурент не поднимается выше 11,7 %, а Astra не ловит ни одного. Расплата: Flora ложно помечает ошибками около 11 % обычных шагов. Astra по-прежнему впереди по оценке на основе критериев и ранжированию траекторий.

В видео с множеством коротких движений руки Flora распознала 34 из 37 отдельных действий, Astra только четыре. Зато Flora иногда дробит длинные действия на слишком мелкие шаги и порой ошибается в описаниях: в одном ролике рука робота вытирает тарелку тряпкой, а Flora описала это как складывание салфетки.

Nvidia позиционирует Flora как открытую альтернативу коммерческим сервисам вроде Physical AI Data Engine от Scale AI. Исследователи смогут масштабировать с ней собственные наборы данных для робототехники и проверять подходы вроде переноса демонстраций людей на роботов. По оценке The Decoder, Nvidia вкладывает миллиарды в открытые модели ИИ, чтобы удерживать разработчиков в своей аппаратной экосистеме и поддерживать спрос на чипы, и Flora служит той же цели. Ранее, на GTC в этом году, компания показала конвейер данных, который готовит, размножает и оценивает обучающий материал; Flora добавляет к нему подробные метки и сигналы вознаграждения из видео. Похожую часть процесса обучения роботов, по тексту, затрагивает недавно анонсированная Google модель Gemini 4 Argon: она тоже выделяет рабочие шаги в обучающих видео и помечает неудачные действия.

Ключевые факты

• Flora от лаборатории Nvidia GEAR: три дообученные модели на базе Qwen3.5 (9 млрд и две по 27 млрд параметров), модели доступны на Hugging Face.
• По оценке Nvidia, час видео стоит около 72 центов против примерно $88,50 у GPT-6 Astra; Claude Opus 5 в том же тесте хуже и около $42 за час. Это проекции при аренде GPU по $10 в час, а не замеры.
• В тесте на 50 видео Flora, по данным Nvidia, немного лучше Astra; на RoboRewardBench доля ошибок на 27,8 % ниже, а сбойные шаги внутри эпизода Flora-Rewarder ловит в 53,3 % случаев (у конкурентов не выше 11,7 %).
• Astra сильнее на ряде тестов: общий балл на WGO-Bench, видео с роботами на DenseCaptionBench, оценка по критериям, ранжирование траекторий; Flora ложно помечает ошибкой около 11 % обычных шагов.
• Nvidia заявляет, что Flora уже работает при обучении GR00T и размечает до 200 000 часов видео в сутки на 512 GPU GB300.

Почему это важно

Для обучения моделей роботов нужны огромные объёмы размеченного видео, а большие языковые модели вроде GPT-6 Astra для такой разметки слишком дороги. Flora предлагает открытую и, по оценке Nvidia, намного более дешёвую замену: около 72 центов за час видео против примерно $88,50. Кроме того, она одна даёт все три типа меток (описания действий, пошаговые оценки прогресса, суждения об успехе), тогда как большинство инструментов дают только один. Nvidia позиционирует Flora как открытую альтернативу коммерческим сервисам вроде Physical AI Data Engine от Scale AI и встраивает её в стратегию охвата всей цепочки робототехники: от оборудования и данных до симуляции и самих моделей.

Кому это важно

Исследователям и командам, которые собирают собственные наборы данных для робототехники: Flora можно использовать для их масштабирования и для проверки подходов вроде переноса демонстраций людей на роботов. Также это важно тем, кто сейчас платит за разметку видео коммерческим сервисам или большим моделям, и тем, кто следит за конкуренцией на рынке данных для роботов (рядом упоминается недавно анонсированная Google Gemini 4 Argon, которая решает похожую задачу).

Как это применить

Модели Flora доступны на Hugging Face, к ним есть статья. Роли моделей: 9-миллиардная режет видео на сегменты действий, 27-миллиардная описывает их, Flora-Rewarder оценивает эпизод по шкале 1-5, классифицирует полусекундные шаги и оценивает по самостоятельно составленным критериям. Лицензия моделей в источнике не указана, поэтому условия использования стоит проверить на странице моделей. Стоимость в 72 цента за час видео посчитана Nvidia исходя из аренды GPU по $10 в час; при другой цене GPU итог будет другим.

Можно ли доверять

Главные цифры (72 цента против $88,50, слегка лучший результат в тесте на 50 видео) принадлежат Nvidia, а не независимой проверке. The Decoder прямо отмечает, что стоимость это проекции, а не производственные замеры, и что сравнение с GPT-6 Astra не так однобоко, как подсказывает ценник. Множитель 125 в заголовке в тексте не расписан. Исследователи сами признают методологическую оговорку: на DenseCaptionBench GPT-6 Astra одновременно оценивает описания и входит в число тестируемых моделей. В источнике нет данных, какой режим рассуждений Astra и какая ценовая база дали $88,50, нет числовых оценок Flora в тесте на 50 видео, нет сведений о составе человеческих оценщиков и размере бенчмарков.

Риски и подводные камни

Flora ложно помечает ошибками около 11 % обычных шагов, иногда дробит длинные действия на слишком мелкие шаги и порой путает описания (вытирание тарелки тряпкой она описала как складывание салфетки). Astra остаётся сильнее на нескольких тестах: общий балл WGO-Bench, видео с роботами на DenseCaptionBench, оценка по критериям и ранжирование траекторий, а по чистой точности описаний на WGO-Bench Flora уступает Gemini 3.8 Flash. По оценке The Decoder, Nvidia вкладывает в открытые модели, чтобы удерживать разработчиков в своей аппаратной экосистеме и поддерживать спрос на чипы, так что выпуск служит и коммерческой цели компании.