10 月 20 日，NVIDIA GEAR 实验室（Jim Fan 团队）开源 Flora 模型套件，把人类和机器人操作视频转成带时间戳的动作描述、过程奖励、结果奖励和评分细则。套件含 Flora-Captioner 27B、Flora-Rewarder 27B（均基于 Qwen3.5-27B）和 Flora-TempSeg 9B（Qwen3.5-9B 上的 LoRA），权重已上 Hugging Face，采用 NVIDIA 非商用许可。官方称它是训练 GR00T 的内部数据引擎，每天在 512 张 GB300 上标注 20 万小时视频，标注质量与 GPT-6 Astra 相当，成本约低 125 倍。
核心要点速览
- ✓三款模型分工：TempSeg 9B 切分动作片段，Captioner 27B 为每段写一句动作指令，Rewarder 27B 输出逐步过程奖励和整段成功分
- ✓成本（官方估算）：8 卡 GB300、按每 GPU 小时 10 美元计，每小时源视频标注约 0.72 美元；GPT-6 Astra 最高推理档约 88.49 美元，约 122–125 倍差距
- ✓质量（官方 50 段内部评测）：Flora 57.1%，GPT-6 Astra 53.7%；DenseRewardBench 失败召回 53.3%，前沿 API 模型多在 1% 以下
- ✓规模：官方称每天在 512 张 GB300 上标注 20 万小时视频，用于训练 GR00T-2
- ✓许可：NVIDIA OneWay Noncommercial，仅限非商用研究，官方明确不支持商用或生产部署
开发者 3 秒速决决策指标
把技术选型换算成你的开发预算
40 款主流编程套餐横向比价，支持输入/输出 Token 真实账单模拟
相关资源与官方项目出处
免代理直达深度技术解析与实战评估
核心背景与行业痛点
机器人基础模型的训练离不开大量带标签的数据：预训练要用带时间戳的动作描述来过滤和平衡数据，强化学习后训练要用逐步的过程奖励，真实部署要用结果奖励来监控成败。这些标签过去主要靠人工或调用昂贵的前沿多模态 API，几十万小时视频的规模下成本难以承受。NVIDIA GEAR 实验室这次把自家训练 GR00T 用的数据引擎 Flora 开放出来，直接针对这个瓶颈。
架构亮点与底层机制
Flora 是一条三段式流水线：Flora-TempSeg 9B（Qwen3.5-9B 上的 LoRA 适配器）按窗口定位操作片段，再拼接成整段事件；Flora-Captioner 27B（基于 Qwen3.5-27B，先 SFT 再 RL）结合前后文为每个片段写一句英文动作指令；Flora-Rewarder 27B 输出整段成功分和短时间步上的动作质量分，并能给出失败原因。三者同时覆盖人类第一视角视频和机器人视频。官方称这套引擎每天在 512 张 GB300 上标注 20 万小时视频。
权威 Benchmark 与实测跑分对比
以下均为 NVIDIA 官方口径：在 50 段内部评测上，Flora 质量 57.1%，GPT-6 Astra（最高推理档）53.7%。公开基准方面，DenseCaptionBench 人类子集分段 [email protected] 为 54.6，GPT-6 Astra 44.2；但机器人子集上 Astra 71.9 高于 Flora 66.9。RoboReward MAE 40.0（越低越好），Astra 55.4；DenseRewardBench 失败召回 53.3%，Astra 为 0。成本按 8 卡 GB300、每 GPU 小时 10 美元估算，每小时源视频约 0.72 美元，Astra 约 88.49 美元，约 125 倍差距；吞吐量为建模估计，并非实测。
开发者实战落地与开箱指南
三款权重已在 Hugging Face 的 nvidia/flora 合集上线，可用 transformers（TempSeg 需配合 PEFT 加载 LoRA）推理；官方提示要保留 FP32 的 Gated DeltaNet 参数与 BF16 主权重的混合精度。适合做机器人数据清洗、子任务切分、RL 奖励信号和部署监控的研究。注意许可是 NVIDIA OneWay Noncommercial，只能用于非商用研究；官方也强调输出只是标注，不能直接控制机器人或作为唯一安全监控。论文 PDF 和完整对比表见项目主页。
即刻查看该技术对应模型与主流工具的实测差异，或一键测算团队 API 调用与 $20/月套餐盈亏平衡点。
讨论与评论
0登录后即可参与深度讨论
与广大 AI 开发者、工程师交流评测心得与前沿洞察