Nvidia’s onderzoekstak GEAR heeft Flora open source gemaakt. Het systeem voegt drie soorten labels toe aan robotvideo’s: welke handeling wordt uitgevoerd, hoe goed elke stap verloopt en of de taak als geheel slaagt. Volgens het bedrijf kan de tool een uur beeldmateriaal labelen voor ongeveer 72 cent, tegenover circa $88.50 met OpenAI’s GPT‑6 Astra. De kostenraming gaat uit van een huurprijs van $10 per GPU-uur.
Flora bestaat uit drie fijn-afgestelde Qwen 3.5-modellen. Een model met 9 miljard parameters verdeelt video’s in handelingen. Een model met 27 miljard parameters schrijft bijschriften waarin ook omliggende handelingen worden meegewogen. Een tweede model met 27 miljard parameters, Flora‑Rewarder genaamd, geeft de slaagscore, classificeert de stappen en kent scores toe op basis van beoordelingscriteria. Nvidia meldt dat het systeem al tot 200 000 video-uren per dag annoteert op een cluster van 512 GB300-GPU’s. De modellen zijn beschikbaar op Hugging Face.
Hoe Flora zich verhoudt tot andere grote taalmodellen
In Nvidia’s eigen benchmark met 50 robotvideo’s behaalde Flora een annotatiekwaliteitsscore van 57.1 % voor $0.72 per uur. GPT‑6 Astra scoorde 53.7 % voor $88.49 per uur. Claude Opus 5 was met ongeveer $42 per uur goedkoper dan Astra, maar presteerde veel slechter. Op de openbare WGO‑Bench was Flora goed in het vinden van de grenzen tussen handelingen, maar bleef het achter bij Astra en Gemini 3.8 Flash wat betreft de nauwkeurigheid van beschrijvingen. Op Nvidia’s DenseCaptionBench was Flora het beste bij opnames van mensen, maar eindigde het bij robotvideo’s als tweede, achter Astra.
Waarom de kosten en mogelijkheden ertoe doen voor roboticaontwikkelaars
Het labelen van grote videodatasets is een knelpunt bij het trainen van modellen voor robotbesturing. Doordat annoteren per uur goedkoper wordt, kunnen kleinere labs en startups mogelijk grotere trainingssets samenstellen zonder te betalen voor commerciële diensten zoals Physical AI Data Engine van Scale AI. Dankzij de opensourcerelease kunnen ontwikkelaars de datapijplijn bovendien binnen Nvidia’s hardware-ecosysteem houden, wat de verkoop van Nvidia-GPU’s kan aanjagen.
Waarom het ertoe doet
Voor roboticateams betekent goedkoper labelen dat ze met grotere datasets en zonder enorme budgetten sneller capabelere modellen kunnen trainen. Dankzij de opensourceaanpak kunnen onderzoekers de pijplijn aanpassen, maar de kostenclaims zijn gebaseerd op Nvidia’s interne aannames over prijzen. De werkelijke kosten kunnen dus anders uitvallen.
