واحد پژوهشی GEAR در انویدیا سامانه‌ای به نام Flora را متن‌باز کرده که سه نوع برچسب به ویدئوهای ربات‌ها اضافه می‌کند: اینکه چه عملی در حال انجام است، هر مرحله چقدر خوب اجرا می‌شود و آیا کل کار به موفقیت می‌رسد یا نه. این شرکت می‌گوید این ابزار می‌تواند یک ساعت ویدئو را با هزینه‌ای حدود ۷۲ سنت برچسب‌گذاری کند؛ درحالی‌که همین کار با GPT‑6 Astra شرکت OpenAI حدود ۸۸٫۵۰ دلار هزینه دارد. این برآورد با فرض اجاره GPU به قیمت ۱۰ دلار برای هر ساعت محاسبه شده است.
Flora از سه مدل Qwen 3.5 تنظیم‌دقیق‌شده ساخته شده است. مدل ۹ میلیاردپارامتری ویدئوها را به بخش‌های کنشی تقسیم می‌کند. یک مدل ۲۷ میلیاردپارامتری با درنظرگرفتن کنش‌های پیرامونی، شرح ویدئو را می‌نویسد و مدل ۲۷ میلیاردپارامتری دیگر، با نام Flora‑Rewarder، امتیاز موفقیت، دسته‌بندی مرحله‌به‌مرحله و امتیازهای مبتنی بر معیار را تولید می‌کند. انویدیا می‌گوید این سامانه هم‌اکنون روزانه تا ۲۰۰٬۰۰۰ ساعت ویدئو را روی خوشه‌ای متشکل از ۵۱۲ GPU از نوع GB300 حاشیه‌نویسی می‌کند و مدل‌ها در Hugging Face منتشر شده‌اند.
مقایسه Flora با دیگر مدل‌های زبانی بزرگ
در بنچمارک داخلی انویدیا روی ۵۰ ویدئوی ربات، Flora با هزینه ۰٫۷۲ دلار برای هر ساعت، امتیاز کیفیت حاشیه‌نویسی ۵۷٫۱٪ گرفت؛ درحالی‌که امتیاز GPT‑6 Astra با هزینه ۸۸٫۴۹ دلار برای هر ساعت، ۵۳٫۷٪ بود. Claude Opus 5 با حدود ۴۲ دلار برای هر ساعت از Astra ارزان‌تر بود، اما عملکرد بسیار ضعیف‌تری داشت. در WGO‑Bench عمومی، Flora در تشخیص مرز کنش‌ها عملکرد خوبی داشت، اما از نظر دقت کلی توصیف، از Astra و Gemini 3.8 Flash عقب ماند. در DenseCaptionBench انویدیا، Flora برای ویدئوهای ضبط‌شده از انسان‌ها پیشتاز بود، اما در ویدئوهای ربات‌ها پس از Astra در جایگاه دوم قرار گرفت.
اهمیت هزینه و قابلیت‌ها برای توسعه‌دهندگان رباتیک
برچسب‌گذاری مجموعه‌داده‌های بزرگ ویدئویی، گلوگاهی در آموزش مدل‌های کنترل ربات است. کاهش هزینه هر ساعت حاشیه‌نویسی با Flora می‌تواند به آزمایشگاه‌های کوچک‌تر و استارتاپ‌ها امکان دهد بدون پرداخت هزینه به سرویس‌های تجاری مانند Physical AI Data Engine شرکت Scale AI، مجموعه‌های آموزشی بزرگ‌تری بسازند. انتشار متن‌باز همچنین به توسعه‌دهندگان اجازه می‌دهد خط لوله پردازش داده را در اکوسیستم سخت‌افزاری انویدیا نگه دارند؛ اتفاقی که ممکن است خرید GPUهای این شرکت را افزایش دهد.
چرا مهم است
برای تیم‌های رباتیک، ارزان‌ترشدن برچسب‌گذاری یعنی می‌توانند با بودجه‌ای کمتر، مجموعه‌داده‌های بزرگ‌تری بسازند و مدل‌های توانمندتری را سریع‌تر آموزش دهند. متن‌بازبودن این ابزار به پژوهشگران امکان می‌دهد خط لوله را مطابق نیازشان تغییر دهند؛ اما برآورد هزینه به فرض‌های داخلی انویدیا درباره قیمت‌گذاری وابسته است و هزینه‌های واقعی ممکن است متفاوت باشد.
