# Nvidia veröffentlicht Flora: Robotervideos günstiger labeln

> Flora kann laut Nvidia eine Stunde Robotervideo für etwa $0.72 labeln – angeblich 125-mal günstiger als OpenAI’s GPT‑6 Astra.

Oossa · 2026-10-25 · https://oossa.com/de/nvidia-releases-open-source-flora-to-cut-robot-video-labeling-costs

Nvidias Forschungsabteilung GEAR hat das System Flora als Open Source veröffentlicht. Es versieht Robotervideos mit drei Arten von Labels: welche Handlung gerade ausgeführt wird, wie gut jeder einzelne Schritt gelingt und ob die Aufgabe insgesamt erfolgreich ist. Laut Nvidia kostet es mit dem Tool etwa 72 Cent, eine Stunde Videomaterial zu labeln. Mit OpenAI’s GPT‑6 Astra wären es demnach rund $88.50. Die Kostenschätzung geht von einem Mietpreis von $10 pro GPU-Stunde aus.

Flora basiert auf drei feinabgestimmten Qwen 3.5-Modellen. Ein Modell mit 9 Milliarden Parametern teilt Videos in Handlungsabschnitte auf. Ein Modell mit 27 Milliarden Parametern erstellt Bildunterschriften, die auch den Kontext der umliegenden Handlungen berücksichtigen. Ein zweites Modell mit 27 Milliarden Parametern – Flora‑Rewarder genannt – bewertet den Erfolg, klassifiziert die einzelnen Schritte und vergibt Punktzahlen anhand von Bewertungskriterien. Nvidia zufolge annotiert das System bereits bis zu 200 000 Videostunden pro Tag auf einem Cluster mit 512 GB300-GPUs. Die Modelle sind auf Hugging Face verfügbar.

## Wie Flora im Vergleich zu anderen großen Sprachmodellen abschneidet

In Nvidias eigenem Test mit 50 Robotervideos erreichte Flora eine Annotationsqualität von 57.1 % bei Kosten von $0.72 pro Stunde. GPT‑6 Astra kam auf 53.7 % und $88.49 pro Stunde. Claude Opus 5 war mit rund $42 pro Stunde günstiger als Astra, schnitt aber deutlich schlechter ab. Beim öffentlichen WGO‑Bench überzeugte Flora darin, Handlungsgrenzen zu erkennen, lag bei der Genauigkeit der Gesamtbeschreibungen jedoch hinter Astra und Gemini 3.8 Flash. Auf Nvidias DenseCaptionBench lag Flora bei Aufnahmen von Menschen vorn, bei Robotervideos dagegen hinter Astra auf Platz zwei.

## Warum Kosten und Leistungsumfang für Robotikentwickler wichtig sind

Die Kennzeichnung großer Videodatensätze ist ein Engpass beim Training von Modellen zur Robotersteuerung. Senkt Flora die Kosten pro annotierter Stunde, könnten kleinere Labore und Start-ups größere Trainingsdatensätze erstellen, ohne für kommerzielle Dienste wie Scale AI’s Physical AI Data Engine bezahlen zu müssen. Die Veröffentlichung als Open Source ermöglicht es Entwicklern außerdem, die Datenpipeline innerhalb von Nvidias Hardware-Ökosystem zu betreiben – was den Kauf weiterer Nvidia-GPUs fördern könnte.

## Die Fakten

- Flora labelt Robotervideos laut Nvidias Schätzung für $0.72 pro Stunde, verglichen mit $88.50 pro Stunde für GPT‑6 Astra.
- Das System nutzt drei Qwen 3.5-Modelle: ein 9‑B-Modell zur Segmentierung, ein 27‑B-Modell für Bildunterschriften und ein 27‑B-Modell namens Flora‑Rewarder für Bewertungen.
- Nvidia zufolge kann Flora auf 512 GB300-GPUs bis zu 200 000 Videostunden pro Tag verarbeiten.
- In einem Test mit 50 Videos erreichte Flora eine Qualität von 57.1 %, Astra 53.7 %; Claude Opus 5 kostete rund $42 pro Stunde und schnitt schlechter ab.
- Floras Fehlerrate beim RoboRewardBench liegt 27.8 % unter der von Astra. Der Rewarder erkennt 53.3 % der fehlgeschlagenen Schritte, Astra hingegen keinen. 

## Warum es wichtig ist

Günstigeres Labeling ermöglicht es Robotikteams, mit größeren Datensätzen und schneller leistungsfähigere Modelle zu trainieren, ohne dafür riesige Budgets zu benötigen. Dank der Open-Source-Veröffentlichung können Forschende die Pipeline anpassen. Die Kostenangaben beruhen jedoch auf Nvidias internen Preisannahmen; die tatsächlichen Ausgaben können daher abweichen.

## Quellen und Referenzen

1. [Nvidia open-sources Flora to make robot video labeling 125x cheaper than GPT-6 Astra](https://the-decoder.com/nvidia-open-sources-flora-to-make-robot-video-labeling-125x-cheaper-than-gpt-6-astra/) – The Decoder, 2026-10-25
2. [FLORA: An Open Model Suite for Scaling Robotics Data Engines](https://arxiv.org/abs/2610.31779) – arXiv cs.RO, 2026-10-26

Zuletzt aktualisiert: 2026-10-26