跳到主要內容
2026-10-26 日報
模型發布

NVIDIA 開源機器人標註系統 Flora:每小時成本 0.72 美元較 GPT-6 Astra 降低 125 倍

The Decoder單一來源
已查原文 · 5 項主張

目前依單一來源整理,這是來源數量描述,不是對消息真假的判定。

經比對 NVIDIA GEAR 官方研究發布頁面、Hugging Face 開源模型庫及科技媒體報導原文,待查報導中有關 NVIDIA 開源機器人標註系統 Flora 的架構組成(基於 Qwen3.5 的 9B/27B 模型)、導入 GR00T 訓練與 512 顆 GB300 標註規模、相較 GPT-6 Astra 與 Claude Opus 5 的成本推估與官方聲明性質,以及在各基準測試(RoboRewardBench、WGO-Bench 等)中的優劣勢對比,均與已發布之研究數據及報導內容吻合。

NVIDIA GEAR 研究實驗室開源機器人影片標註資料引擎 Flora,模型權重於 Hugging Face 上線,並已導入 GR00T 模型訓練,在 512 顆 GB300 GPU 上每日可標註 20 萬小時影片。

NVIDIA 官方研究專案頁面及 Hugging Face 倉庫證實 Flora 資料引擎已開源且權重上線,並用於 GR00T 訓練,於 512 顆 GB300 每日可標註 20 萬小時。

labeling 200,000 hours of data per day across 512 GB300s.

查看原始出處

Flora: An Open Model Suite for Scaling Robotics Data Engines

查看原始出處

Flora 系統由三款微調自 Qwen3.5 的模型組成,包含 9B 動作切割模型、27B 動作描述模型,以及負責評估任務成功度、分類每 0.5 秒步驟與指標評分的 27B 模型 Flora-Rewarder。

報導原文載明 Flora 包含三款微調自 Qwen3.5 的模型,分別為 9B 切割模型、27B 描述模型與 27B Flora-Rewarder 模型,各自分工完成對應任務。

three fine-tuned Qwen3.5 models

查看原始出處

依 NVIDIA 假設每 GPU 每小時 10 美元租金推估,Flora 標註一小時影片成本約 0.72 美元,較 GPT-6 Astra 便宜約 125 倍,亦低於 Claude Opus 5,官方註記該數據為推估值而非實際生產環境測得。

NVIDIA 官方頁面與報導均證實其成本推估較 GPT-6 Astra 便宜約 125 倍(推估每小時 0.72 美元對比 88.5 美元與 Claude Opus 5 的 42 美元),且官方明確註記該數字為租金推估值而非實際生產測得。

cost figures are projections

查看原始出處

roughly ~125× cheaper than GPT-6 Astra.

查看原始出處

在 50 部影片測試中 Flora 表現略高於具完整推理能力的 GPT-6 Astra;在 RoboRewardBench 上錯誤率比 Astra 低 27.8%;Flora-Rewarder 能辨識 53.3% 單步失敗(競品在 11.7% 以下、Astra 為 0%),但有約 11% 正常步驟誤判為錯誤。

報導與官方評測數據顯示,Flora 在 RoboRewardBench 錯誤率比 Astra 低 27.8%,單步失敗辨識率達 53.3% 顯著高於競品,但亦伴隨約 11% 正常步驟誤判率。

error rate is 27.8 percent lower

查看原始出處

在動作捕捉方面,Flora 於短手勢測試中辨識出 37 個動作中的 34 個(Astra 僅 4 個),但 Astra 在純描述精確度等仍居領先,且 Flora 在 WGO-Bench 純描述準確率亦落後 Gemini 3.8 Flash,並偶有過度切分或誤判情況。

報導原文證實 Flora 具備優秀動作定位能力,但在純描述精確度、指標評分上落後 Astra,且 WGO-Bench 純描述準確率低於 Gemini 3.8 Flash,同時存在過度切割與誤判案例。

falls behind Gemini 3.8 Flash

查看原始出處
NVIDIA GEAR 研究實驗室開源機器人影片標註資料引擎 Flora,模型權重已於 Hugging Face 上線。該系統由三款微調自 Qwen3.5 的模型組成:9B 模型負責切割動作片段,27B 模型結合前後情境生成動作描述,另一款 27B 模型「Flora-Rewarder」則負責評估任務成功度(1 至 5 分)、將每 0.5 秒的步驟分類為正常、次佳或失敗,並依自訂指標評分。 NVIDIA 表示,該系統已導入 GR00T 模型的訓練流程中,在 512 顆 GB300 GPU 上每日可標註高達 20 萬小時影片。依 NVIDIA 以每 GPU 每小時 10 美元租金推估,Flora 標註一小時影片的成本約為 0.72 美元,相較於 GPT-6 Astra 的 88.5 美元便宜約 125 倍,亦低於 Claude Opus 5 的 42 美元,不過官方指出此數據為推估值而非實際生產環境測得。 在評測表現上,50 部影片測試中 Flora 表現略高於開啟用完整推理能力的 GPT-6 Astra。在 RoboRewardBench 上,Flora 因更擅長評估部分完成的任務,錯誤率比 Astra 低 27.8%;Flora-Rewarder 成功辨識出 53.3% 的單步動作失敗,顯著高於其他競品(皆在 11.7% 以下,Astra 為 0%),但也有約 11% 的正常步驟會被誤判為錯誤。在動作捕捉方面,Flora 雖能精確定位細微動作邊界(在短手勢測試中辨識出 37 個動作中的 34 個,Astra 僅 4 個),但 Astra 在純描述精確度、軌跡排序與依指標評分上仍居領先,且 Flora 在公開測試 WGO-Bench 的純描述準確率亦落後 Gemini 3.8 Flash,並存在將長動作過度切分或誤判動作內容的情況。
讀原始報導

背景

NVIDIA Isaac GR00T 是針對通用人型機器人設計的開放參考平台,協助開發者訓練與部署 AI 機器人模型。為了訓練這類大型機器人模型,系統需要大量標註動作時間戳記與獎勵評分的視訊資料,促使能擴展處理龐大視訊的資料引擎成為關鍵需求。

來源