Nvidia研究部门GEAR开源了一套名为Flora的系统，可为机器人视频添加三类标签：正在执行什么动作、每个步骤完成得如何，以及整个任务是否成功。Nvidia称，该工具标注一小时视频的费用约为72美分；相比之下，使用OpenAI的GPT‑6 Astra约需$88.50。该成本估算以每GPU小时租用费用为$10为前提。
Flora由三个经过微调的Qwen 3.5模型构成。一个拥有90亿参数的模型负责将视频切分为动作片段；一个拥有270亿参数的模型会结合前后动作撰写说明；另一个同为270亿参数、名为Flora‑Rewarder的模型则负责给出成功率、逐步分类结果和评分标准得分。Nvidia称，该系统目前已在一组搭载512 GB300 GPU的集群上，每天标注多达200 000小时的视频；这些模型已发布在Hugging Face上。
Flora与其他大型语言模型的对比
在Nvidia对50段机器人视频进行的自有基准测试中，Flora的标注质量得分为57.1 %，每小时成本为$0.72；GPT‑6 Astra得分为53.7 %，每小时成本为$88.49。Claude Opus 5比Astra便宜，每小时约$42，但表现差得多。在公开的WGO‑Bench测试中，Flora擅长识别动作边界，但整体描述准确度不及Astra和Gemini 3.8 Flash。在Nvidia的DenseCaptionBench测试中，Flora在真人视频上领先，在机器人视频上则排在Astra之后。
低成本与能力对机器人开发者为何重要
标注大型视频数据集一直是训练机器人控制模型的一大瓶颈。降低每小时标注成本后，Flora或许能让规模较小的实验室和初创公司建立更大的训练集，而无需付费使用Scale AI的Physical AI Data Engine等商业服务。开源发布也让开发者能够将数据处理流程留在Nvidia硬件生态系统内，或许会带动更多Nvidia GPU采购。
为什么重要
对机器人团队来说，降低标注成本意味着他们可以用更大的数据集、更快地训练能力更强的模型，而无需投入巨额预算。开源也让研究人员能够定制数据处理流程；不过，成本说法依据的是Nvidia内部的定价假设，实际开支可能有所不同。
