Nvidia otwiera Florę: etykietowanie wideo dla robotów za 72 centy na godzinę, ale z haczykami

Nvidia udostępniła Florę, otwarty silnik danych, który zamienia wideo z robotami i ludźmi w etykiety do trenowania robotów. Jak opisuje The Decoder, według szacunków firmy godzina materiału kosztuje około 72 centów, a przy GPT-6 Astra – około 88,50 dolara. Wyniki są jednak mniej jednoznaczne, niż sugeruje różnica w cenie.

Trzy rodzaje etykiet w jednym systemie

Laboratorium GEAR Nvidii wskazuje, że duże modele robotyczne uczące się z wideo potrzebują trzech typów adnotacji. Pierwszy to opisy działań, które służą do wyboru danych treningowych. Drugi to ocena postępów robota krok po kroku, potrzebna do uczenia metodą prób i błędów. Trzeci to werdykt, czy zadanie się udało, wykorzystywany do monitorowania robotów po wdrożeniu. Większość istniejących narzędzi obsługuje tylko jeden z tych typów, a duże modele językowe są według źródła za drogie przy ogromnych zbiorach nagrań.

Flora składa się z trzech modeli opartych na Qwen3.5. Model 9B dzieli film na segmenty czasowe, a model 27B opisuje każde działanie, uwzględniając to, co działo się przed nim i po nim. Drugi model 27B, Flora-Rewarder, w zależności od zapytania ocenia sukces odcinka w skali 1–5, klasyfikuje każdy półsekundowy krok jako normalny, suboptymalny lub błąd albo przyznaje punkty według rubryk zdefiniowanych przez użytkownika. Modele są dostępne na Hugging Face, a kod i opis projektu na GitHubie. Nvidia deklaruje, że używa Flory przy trenowaniu własnych modeli GR00T i etykietuje nią do 200 tys. godzin wideo dziennie na 512 układach GB300.

Gdzie Flora wygrywa, a gdzie przegrywa

W teście na 50 filmach Flora osiągnęła według Nvidii 57,1 proc. jakości adnotacji przy 0,72 dolara za godzinę. GPT-6 Astra miał 53,7 proc. przy 88,49 dolara. Claude Opus 5 wypadł wyraźnie gorzej, a i tak kosztuje około 42 dolarów za godzinę.

Trzeba jednak pamiętać o zastrzeżeniach:

• Koszty to projekcje, nie pomiary produkcyjne. Nvidia oparła je na założeniu, że wynajem GPU kosztuje 10 dolarów za godzinę.
• Na publicznym WGO-Bench Flora jest najlepsza w wykrywaniu granic działań, ale ustępuje Astrze w wyniku ogólnym. Pod względem samej dokładności opisów wyprzedza ją też Gemini 3.8 Flash. Badacze tłumaczą przewagę Flory głównie lepszą lokalizacją w czasie.
• W DenseCaptionBench, własnym teście Nvidii, Flora prowadzi na nagraniach ludzi, ale przy filmach z robotami jest druga za Astrą.
• Autorzy przyznają się do problemu metodologicznego: GPT-6 Astra ocenia opisy, a jednocześnie sam jest jednym z testowanych modeli.

Najciekawiej wygląda ocena błędów. Na RoboRewardBench wskaźnik błędów Flory jest o 27,8 proc. niższy niż Astry. Część różnicy dokument wiąże z zadaniami wykonanymi tylko częściowo: gdy robot przewraca butelkę zamiast zrzucić ją ze stołu, Flora daje 3 punkty na 5, zgodnie z ludzkim wzorcem, a Astra tylko jeden. Flora-Rewarder wychwytuje 53,3 proc. nieudanych kroków w odcinku, a żaden konkurent nie przekracza 11,7 proc. Astra nie wychwyciła ani jednego. Ceną jest fałszywe oznaczanie około 11 proc. normalnych kroków jako błędów. Astra wciąż prowadzi w ocenach rubrykowych i w rankingu trajektorii.

W jednym z przykładów, na filmie z wieloma krótkimi ruchami ręki, Flora zidentyfikowała 34 z 37 działań referencyjnych, a Astra tylko cztery. Z drugiej strony Flora bywa zbyt drobiazgowa i potrafi pociąć dłuższą czynność na zbyt wiele kroków. Zdarza jej się też pomylić opis: robotyczna ręka przecierająca talerz ściereczką została opisana jako składanie serwetki.

Walka o warstwę danych

Według The Decoder Nvidia pozycjonuje Florę jako otwartą alternatywę dla komercyjnych usług, takich jak silnik danych Scale AI. Scale przedstawia swoją ofertę jako „The Data Engine for Physical AI”, opartą na danych z sieci fabryk danych robotycznych, zbieraczy danych i firm. W marcu 2026 roku firma ogłosiła integrację z Universal Robots, a według komunikatu rozwiązanie ma działać na sprzęcie używanym w ponad 100 tys. wdrożeń przemysłowych. To zupełnie inne podejście: Scale stawia na dane z realnych wdrożeń, Nvidia na automatyczną adnotację materiału, który już istnieje.

Flora wpisuje się w szerszą strategię Nvidii. Na GTC firma pokazała pipeline, który automatycznie przygotowuje, multiplikuje i ocenia dane treningowe dla robotów, a Flora dodaje do niego szczegółowe etykiety i sygnały nagrody. The Decoder zauważa, że Nvidia inwestuje miliardy w otwarte modele, żeby utrzymać programistów w swoim ekosystemie sprzętowym. Podobny etap szkolenia robotów, czyli rozpoznawanie kroków w filmach i oznaczanie nieudanych działań, obsługuje też niedawno ogłoszony Gemini 4 Argon od Google’a.