AREX Feed Article
英伟达 GEAR 开源机器人视频标注引擎 Flora：称每小时 0.72 美元、质量 57.1% 胜过 GPT-6 Astra
英伟达 GEAR 研究实验室开源了 Flora，一个面向机器人视频的标注数据引擎：9B 的分割模型、27B 的说明模型和 27B 的奖励模型 Flora-Rewarder，全部微调自 Qwen3.5 系列开源视觉-语言模型，已挂在 Hugging Face 的 下，供公开下载。 于 10 月 25 日报道了这次发布。
按 NVIDIA 自己的测试口径，Flora 给一小时机器人视频做标注的质量为 57.1%，成本约 0.72 美元；同样的活儿交给 OpenAI 的 GPT-6 Astra，质量 53.7%，成本约 88.49 美元。但 同时点出：这组成本数字是按“每 GPU 小时 10 美元”租金假设折算的预测值，不是实测账单；研究人员也承认，在公开的 WGO-Bench 总分上，Astra 仍然更高。称，Flora 已经在 GR00T 模型训练期间投产运行，在 512 台 GB300 GPU 上每天标注最多 200,000 小时视频。
Flora 输出的标注示例：一段机器人开邮箱的视频，被切分为 00:02～00:10 的动作片段并自动生成英文说明。图：NVIDIA，经 The Decoder 报道发布
三个模型各管一段：先分割、再描述、最后打分
GEAR 在论文里把机器人训练所需的标注拆成三类：动作在何时发生的时间戳描述，用于筛选和平衡预训练数据；逐步的执行质量评分，用于强化学习后训练；任务是否完成的判定，用于监控真实部署。 称，现有工具大多一次只能产出其中一种，而 GPT-6 Astra 这类前沿模型虽然能兼得多项，按视频体量计费又太贵。
Flora 用三个模型把这条流水线补齐。9B 的 Flora-TempSeg 先把视频切成动作片段；27B 的 Flora-Captioner 给每段生成说明文字，并参考动作发生前后的上下文；27B 的 Flora-Rewarder 则按提示词切换三种角色——给整段任务打 1～5 分的结果评分（outcome）、把每 0.5 秒一步归类为正常/次优/失败的过程评分（process），或按自定义评分细则（rubric）逐项打分。 与均描述了这一分工。
论文页面的流水线图：左侧由分割与说明模型产出时间戳说明，右侧由单个奖励模型按提示词输出稠密评分（dense reward，0.5 秒步长）、结果评分（1～5 分）和评分细则得分。图：NVIDIA
写得更细：结果评分最多采样 64 帧判断整集成败，过程评分按 16 秒窗口、每秒 4 帧输入，输出是结构化文本再解析成分数；该模型从 Qwen/Qwen3.5-27B 全参数微调而来，连视觉编码器也一并训练，训练数据合计不到 100 万条标注、覆盖不到 10,000 小时视频，是多种本体的机器人相机画面配上奖励标签。论文还说明，SFT 用 NeMo AutoModel 完成，RL 走一套自定义流程（）。
成本账的出处：一次 50 段视频测试和一个假设
质量与成本对比来自 NVIDIA 的一次 50 段视频测试：Flora 标注质量 57.1%、每视频小时约 0.72 美元；GPT-6 Astra 被允许开满推理算力，得分 53.7%、约 88.49 美元。 称。同场测试里，Claude Opus 5 质量只有 30.4%、每小时约 41.70 美元，Gemini 3.8 Flash 得分 38.3%、每小时 8.48 美元。
NVIDIA 图表：Flora 以 57.1% 的质量、0.72 美元/小时位于左上角；GPT-6 Astra 为 53.7%、88.49 美元，Claude Opus 5 为 30.4%、41.70 美元，Gemini 3.8 Flash 为 38.3%、8.48 美元。图表注明 API 对比按最大推理算力进行。图：NVIDIA
成本一栏要打折看。 明确说，Flora 的成本是预测值，不是生产环境实测：NVIDIA 按假设的每 GPU 小时 10 美元租金折算。88.49 除以 0.72 约等于 123 倍，NVIDIA 的图表取整为“约 125 倍”。GEAR 联合负责人 Jim Fan 在宣布开源时用的也是这个口径：“我们构建了一个以约 125 倍更低的成本达到 Astra 级表现的机器人数据引擎。今天我们把权重开源。”（）
公开基准的另一面：Astra 在总分和机器人视频上仍领先
的基准表给出了另一面。在公开的 WGO-Bench 上，Flora 检测动作边界最强，分割 F1@0.75 为 50.3，高于 Astra 的 46.0；但整体落后——金标准窗口命中率（gold-window accuracy）64.7 对 77.4，联合语义 F1@0.75 为 34.5 对 39.0。 还指出，纯描述准确度上 Flora 落后于 Gemini 3.8 Flash；研究人员把 Flora 的收益主要归因于时间定位。
在 NVIDIA 自有的 DenseCaptionBench 上，Flora 在人类视频子集全指标领先；换到机器人视频子集，说明质量 73.7 对 80.2，排在 Astra 之后（）。 还点出一个研究人员自己承认的方法学问题：评测说明文字质量时，担任裁判的正是 GPT-6 Astra——它同时也是参赛模型之一。
失败步骤召回率：53.3% 对 0
说明文字质量上 Flora 只领先 3.4 个百分点，奖励标注的差距则大得多。在 RoboRewardBench 上，Flora 的错误率比 Astra 低 27.8%，平均绝对误差 40.0 对 55.4（）。 称，论文把差距归因于“部分完成”的任务：机器人把瓶子碰倒但没碰下桌，Flora 按人类参考答案给 3/5 分，Astra 只给 1 分。
稠密评分的对比更悬殊：Flora-Rewarder 能抓住一段视频里 53.3% 的失败步骤，其他参赛模型没有一个超过 11.7%，Astra 则一个都没抓到。代价是 Flora 会把约 11% 的正常步骤误报为错误（）。
Flora 也有两项落后：按评分细则打分（RubricBench 平均 L1 误差 3.6 对 6.5）和轨迹排序（Robometer 分布外 Kendall 系数 82.3 对 72.0）仍是 Astra 领先（）。定性对比同样两头都有例子：在一段包含大量短促手部动作的视频里，Flora 识别出 37 个参考动作中的 34 个，Astra 只认出 4 个；但 Flora 会把长动作切得过碎，也曾把“用布擦盘子”描述成“叠餐巾”（）。
权重开放，许可把用途锁在非商业研究
Hugging Face 的 下现有三个仓库：Flora-TempSeg、Flora-Captioner、Flora-Rewarder。显示 Flora-Rewarder 于 10 月 15 日发布；10 月 20 日，GEAR 联合负责人 Jim Fan 在 X 上宣布开源（）。这张模型卡还写明，Flora 是 NVIDIA 训练 GR00T-2 时使用的数据引擎，发布目的是帮助研究者扩展自定义机器人数据集。
把 Flora 定位为 Scale AI 的 Physical AI Data Engine 等商业标注服务的开源替代，并把它放进 NVIDIA 更大的版图里：今年年初的 GTC 大会上，NVIDIA 展示过自动准备、扩增、评分训练素材的数据管线，Flora 补上的正是视频标注和奖励信号一环；谷歌近日发布的 Gemini 4 Argon 也瞄准训练视频中的工作步骤识别和失败动作标记。
对外部研究者来说，这次的交付物附带一条清楚的边界：Flora-Rewarder 采用 NVIDIA OneWay 非商业许可，模型卡写明仅供研发使用，“不用于、也不支持商业或生产用途”，输出只是标注，不得直接控制机器人，也不得作为物理系统的唯一安全监控（）。至于那笔“0.72 美元一小时”的成本账，它眼下仍只是预测值——The Decoder 强调，NVIDIA 拿出的并非生产环境的实测账单（）。