Nvidia Flora开源：机器人视频标注仅72美分
\n Nvidia's new data engine Flora labels one hour of robot video for 72 cents instead of $88 with GPT-6 Astra, while scoring slightly higher on quality. The open system, bu
正文為 SEO 深度以中文為主；上方要點已本地化。可用語言切換與深鏈進行全球導航。
这是什么？ Nvidia Flora是一个完全开源的机器人视频标注引擎，由Nvidia GEAR实验室开发，已于2026年10月对全网开放。使用三款Qwen3.5微调模型（9B分段+27B描述+27B奖励评分），它能为机器人视频自动生成动作分割、时间戳描述、执行评级和任务完成判断，单小时视频标注成本仅72美分（官方投影），对比GPT-6 Astra约88.5美元，质量略优。
谁适用？ 机器人开发者、数据标注团队、GR00T模型训练者，以及任何希望降低物理AI训练数据成本的人。尤其适合本地部署或通过GrokCode API中转搭建高效标注流水线的人。
怎么决策？ 如果你正在收集机器人视频数据并训练动作识别或强化学习模型，Flora可直接替代商业服务（如Scale AI）。决策时需对比官方质量基准和本地部署可行性，避免直接对比美元成本（受GPU租金影响）。
Nvidia在2026年10月25日正式开源Flora，旨在解决机器人训练数据的根本瓶颈。该系统已在GR00T模型训练中每日标注高达20万小时视频，已在512个H100 GPU上运行。模型权重已上传至Hugging Face公开仓库，用户可直接下载运行。
为什么机器人视频标注是关键瓶颈
机器人AI（如GR00T系列）高度依赖视频数据，但人工标注效率极低。现有工具通常只能提供单一标签（如动作描述），而完整训练需要三种核心信号：
- 动作时间段分割（select training data）
- 每步执行评级（trial-and-error学习）
- 任务最终成功判断（部署监控）
大规模视频数据（数百万小时）让商用标注服务成本飙升。Flora一次性覆盖全部三种需求，大幅降低门槛。
Flora的技术组成与工作原理
Flora由三款Qwen3.5微调模型组成，协同完成全流程标注：
- 9B分割模型：将长视频拆分成时间段，精准识别动作边界
- 27B描述模型：为每段动作生成时间戳描述，同时考虑前因后果
- 27B奖励评分模型（Flora-Rewarder）：灵活切换角色，输出1-5分成功率、每半秒子步正常/次优/失败分类，以及自定义评分规则
一个视频从分割、描述到评分只需一次推理。Nvidia官方测试显示，Flora在WGO-Bench上动作边界检测领先，RoboRewardBench上中途错误捕获率比Astra低27.8%，DenseCaptionBench上人类录制视频各项指标领先。
72美分 vs 88.5美元：真实对比数据
Nvidia官方测试（50个视频）结果如下：
| 项目 | Flora | GPT-6 Astra | 备注 |
|---|---|---|---|
| 标注质量 | 57.1% | 53.7% | 略高 |
| 成本（每小时视频） | $0.72 | $88.49 | GPU租金假设$10/小时 |
| 成功率评分 | 领先 | 领先 | 部分场景Astra更精细 |
| 中途错误捕获率 | 27.8%更低 | - | Flora对部分完成任务判断更准 |
Claude Opus 5在同一测试中质量远差，但成本约$42/小时。成本投影基于GPU租金，实际以挂牌页当日数据为准。
本地部署与中转集成方案
作为GrokCode用户，您无需等待官方部署，直接通过我们的API中转服务部署Flora。结合vLLM引擎可实现多卡并行推理，显著提升标注吞吐量。
推荐部署路径：
- 在API中转页面选择Flora模型包（已支持Qwen3.5微调权重）
- 通过Grok API调用进行视频分段与评分
- 与本地vLLM仓库绑定，实现高可用标注流水线
与其他模型对比与边界
在公开基准中，Flora在机器人视频特定场景表现突出，但描述精度有时不及GPT-6 Astra。实际应用时建议：
- 结合模拟数据与真实视频混合使用
- 设置自定义评分rubric提升特定任务匹配度
- 定期验证标注质量以避免数据漂移
延伸阅读
风险与边界
本地部署Flora属于工程可核验方案，但仍需注意GPU算力消耗与推理延迟。官方测试仅在特定硬件上验证，实际性能可能因模型优化程度、输入分辨率或显存配置差异而变。数据标注质量受输入视频质量影响大，建议作为流水线重要一环而非唯一方案。
非法律意见声明：本文仅供技术参考，不构成任何投资、法律或商业建议。使用任何AI模型需自行承担风险，建议参考官方Hugging Face仓库最新权重与基准测试结果。
English summary
Nvidia Flora is an open-source robotics video annotation engine that breaks down robot footage into action segments, generates precise captions, and assigns success ratings and step-by-step scores. Using three Qwen3.5-based models (9B for segmentation, 27B for description, 27B for reward), it labels one hour of video for about $0.72—125 times cheaper than GPT-6 Astra—while matching or slightly exceeding quality on NVIDIA’s internal benchmarks. The system already powers GR00T training at massive scale and is now available on Hugging Face for immediate local or cloud deployment. GrokCode users can integrate it instantly through our API transit and vLLM channels for high-throughput data pipelines. In benchmarks, Flora excels at temporal localization and error detection on partially completed tasks, though description accuracy trails GPT-6 Astra in some cases. Ideal for robotics researchers, data teams, and anyone training physical AI models who wants to scale datasets without commercial annotation costs. Always verify current pricing and performance on official sources, as results depend on hardware and configuration.
适用于 GrokCode 倍率榜。信息仅供参考，不构成购买、投资或法律意见。