Nvidia、ロボット動画のラベル付けを低コスト化するFloraを公開

Nvidiaの研究部門GEARは、ロボット動画に3種類のラベルを付けるシステム「Flora」をオープンソース化した。どんな動作が行われているか、各手順がどの程度うまくできているか、タスク全体が成功したかどうかを判定する。動画1時間分のラベル付けにかかる費用は約72セントで、OpenAIのGPT‑6 Astraを使う場合の約$88.50と比べて安いという。費用の試算では、GPUのレンタル料金を1時間あたり$10としている。

Floraは、ファインチューニングした3つのQwen 3.5モデルで構成される。90億パラメーターのモデルが動画を動作ごとの区間に分割する。270億パラメーターのモデルは前後の動作を考慮したキャプションを作成し、同じく270億パラメーターの「Flora‑Rewarder」が成功度の評価、手順ごとの分類、評価基準に基づくスコア付けを行う。Nvidiaによると、システムはすでに512台のGB300 GPUを備えた計算環境で、1日あたり最大20万時間分の動画にラベルを付けている。モデルはHugging Faceで公開されている。

Floraと他の大規模言語モデルを比較

Nvidiaがロボット動画50本を使って実施した独自ベンチマークでは、Floraは1時間あたり$0.72でラベル付け品質スコア57.1％を記録した。一方、GPT‑6 Astraは1時間あたり$88.49で53.7％だった。Claude Opus 5はAstraより安く、1時間あたり約$42だったが、性能は大きく劣った。公開ベンチマークのWGO‑Benchでは、Floraは動作の境界を見つける能力に優れた一方、説明全体の正確さではAstraとGemini 3.8 Flashを下回った。NvidiaのDenseCaptionBenchでは、人間の動作を撮影した動画でFloraが首位だったが、ロボット動画ではAstraに次ぐ2位だった。

コストと機能がロボット開発者にとって重要な理由

大規模な動画データセットへのラベル付けは、ロボット制御モデルの学習におけるボトルネックだ。ラベル付けの時間単価を下げるFloraを使えば、小規模な研究機関やスタートアップも、Scale AIのPhysical AI Data Engineのような商用サービスに費用を払わずに、より大きな学習用データセットを構築できる可能性がある。また、オープンソースで公開することで、開発者はデータ処理のパイプラインをNvidiaのハードウェア環境内に保てる。これにより、Nvidia GPUの購入がさらに増える可能性もある。