Nvidia Công Khai Flora Để Gán Nhãn Video Robot Rẻ Hơn 125 Lần

Flora xử lý việc tạo chú thích cho video robot, nơi model cần ba loại nhãn: mô tả hành động xảy ra khi nào để chọn dữ liệu huấn luyện, chấm mức tiến triển theo từng bước để học qua thử và sai, và xác nhận một nhiệm vụ đã hoàn thành để theo dõi robot khi triển khai.

Nvidia nói Flora bao quát cả ba loại nhãn này. Hệ thống đang chạy trong huấn luyện các model GR00T, ghi nhãn tới 200.000 giờ video mỗi ngày trên 512 GPU GB300. Các model có trên Hugging Face.

Flora gồm ba model Qwen3.5 đã tinh chỉnh. Bản 9B tách video thành các đoạn hành động, còn bản 27B mô tả chúng và xét cả những gì xảy ra trước và sau mỗi hành động. Một model 27B khác là Flora-Rewarder làm ba việc tùy câu lệnh: chấm mức thành công từ 1 đến 5, phân loại từng bước nửa giây thành bình thường, kém tối ưu hoặc thất bại, và cho điểm theo bộ tiêu chí do nó tự đặt.

Trong thử nghiệm với 50 video, Flora được Nvidia nói là nhỉnh hơn GPT-6 Astra, dù model của OpenAI được phép dùng toàn bộ năng lực suy luận. Ước tính của Nvidia cho thấy ghi nhãn một giờ video bằng Flora tốn khoảng 72 xu, so với khoảng 88,50 đô la bằng GPT-6 Astra. Claude Opus 5 thấp hơn nhiều trong cùng thử nghiệm và vẫn tốn khoảng 42 đô la mỗi giờ.

Trên WGO-Bench công khai, Flora tốt nhất ở việc phát hiện ranh giới hành động nhưng đứng sau Astra về điểm tổng và sau Gemini 3.8 Flash về độ chính xác mô tả thuần túy. Nhóm nghiên cứu nói lợi thế chủ yếu đến từ định vị theo thời gian.

Trên DenseCaptionBench của Nvidia, Flora dẫn đầu mọi chỉ số với video người, nhưng với video robot thì đứng thứ hai sau Astra. Trên RoboRewardBench, tỷ lệ lỗi của Flora thấp hơn Astra 27,8%, và chênh lệch được quy cho các nhiệm vụ hoàn thành dở dang.