工具教程 · 神机百见-具身解读
一小时视频从 88.5 美元压到 0.72 美元：英伟达开源 Flora，把机器人数据标注拆成了三个小模型
训练机器人最贵的一道工序不是显卡是标注。英伟达把这条流水线拆成三个微调过的 Qwen3.5，挂上 Hugging Face——但许可证上写着「不可商用」。
一分钟速览
- 开源落地：英伟达 GEAR 实验室开源机器人数据标注套件 Flora，三份权重已上线 Hugging Face，许可为 NVIDIA OneWay 非商业研究用途。
- 成本口径：按英伟达自测估算，标注一小时机器人视频约 0.72 美元，同一任务用 GPT-6 Astra 估算约 88.5 美元，差约 125 倍；该数字按每 GPU 每小时 10 美元租金推算，非实测账单。
- 三模型分工：9B 的 Flora-TempSeg 切动作片段，27B 的 Flora-Captioner 写动作描述，27B 的 Flora-Rewarder 同时打结果奖励与过程奖励。
- 真实产能：已在 GR00T 训练中实际运行，512 块 GB300 每天标注约 20 万小时视频。
- 并非全面领先：WGO-Bench 边界检测 F1@0.75 为 50.3（GPT-6 Astra 为 46.0），但金窗口准确率 64.7 落后 Astra 的 77.4，纯描述准确率亦逊于对手。
数据来源与边界
主信源为 The Decoder 2026-10-25 报道与 NVIDIA GEAR 项目页及 Hugging Face 模型卡（模型卡标注日期 2026-10-15）；中文落地源为网易号 2026-10-26 10:37（网易 ↗ ）与站长之家 2026-10-26（chinaz.com ↗ ）。素材时间窗为当日 09:00 → 19:00；事件本体在窗口外（10-15 权重上线、10-25 英文报道），本窗口新增量为 10-26 白天中文技术媒体的系统性解读落地，故按「窗口外事件+窗口内新增量」收录。需切开的边界：①「125 倍」与 0.72/88.5 美元均为英伟达自设租金假设下的推算，不是生产环境实测账单；②许可证为非商业用途，机器人团队不能直接商用；③各基准对比数字来自项目页自报表格，未经第三方复测。事实与判断已切开，判断均以「判断：」开头标注；文末版权与免责声明由模板自动附加。本文事实信息来自上方标注的公开来源；解读、判断与延伸部分为作者个人见解，写作过程使用了 AI 工具辅助整理，已由作者人工核实，不代表信息来源方立场。如有雷同纯属巧合；如涉及版权或权益问题，请联系 shenjibailian@shenjibailian.com，我们将在核实后及时删除或更正。
主要来源
The Decoder 2026-10-25 报道与 NVIDIA GEAR 项目页/模型卡；网易号 2026-10-26 10:37 中文解读；站长之家 2026-10-26 转述查看原文 ↗机器人模型要学一个动作，需要的标签有三种：判断整段任务成没成的结果奖励、判断每半秒一步走得好不好的过程奖励、以及带时间戳的动作描述。多数现成工具只能覆盖其中一种；通用大模型三种都能干，但按小时计价喂海量视频，账单撑不住。Flora 的出发点就是把这道工序用便宜的小模型整段接过来。
三个模型，三道工序
Flora-TempSeg（9B）：从 Qwen3.5-9B 后训练而来，负责在视频窗口里定位操作发生的区间，并标记操作是否越出可见窗口，供引擎把碎片拼成完整事件。
Flora-Captioner / Rewarder（各 27B）：Captioner 结合前后文为区间写动作指令；Rewarder 按提示词切换评分角色，给整段任务打一到五分、给半秒步骤判定正常或失败、按自定义细则打分。
| 基准 | Flora | GPT-6 Astra | 谁更强 |
|---|---|---|---|
| WGO-Bench 边界检测 F1@0.75 | 50.3 | 46.0 | Flora |
| WGO-Bench 金窗口准确率 | 64.7 | 77.4 | Astra |
| RoboRewardBench 平均绝对误差（越低越好） | 40.0 | 55.4 | Flora |
| DenseCaptionBench 机器人录像子集 | 51.0 | 57.9 | Astra |
Flora 与 GPT-6 Astra 的基准对比摘录，数字来自 NVIDIA 项目页自报表格，经网易号 2026-10-26 与 The Decoder 2026-10-25 转述。
产能侧的数据是这套工具最有说服力的部分：英伟达称 Flora 已在其 GR00T 模型训练中实际运行，512 块 GB300 每天标注约 20 万小时视频。按 0.72 美元/小时的推算口径，一天标注开销不到 15 万美元——放在过去，这个量级的视频标注要么外包给上千人团队，要么按通用大模型 API 计价烧钱。
想上手前必读的三条限制
① 许可证为 NVIDIA OneWay Noncommercial：权重开放但仅限非商业研究，机器人公司想把它接进生产数据管线，需要另谈授权或自行训练替代品；② 0.72 美元是按「每 GPU 每小时 10 美元租金」推算的预估成本，论文与项目页自己写明了这一点；③ Flora 论文披露约 11% 的正常动作会被误判为失败，作奖励模型用时要留人工抽检。
判断：Flora 真正改变的不是「标注贵不贵」，而是「评价口径统不统一」——当所有团队用同一套开源模型切分、描述、打分，不同来源的数据集才有了互相比较和合并复用的可能，这对国内训练场各自为政的数采现状是直接对症的。但精确描述仍要靠大模型兜底：边界检测它赢了，金窗口和机器人录像描述它输了，所以更现实的用法是 Flora 做初筛与打分、前沿模型做抽检精标，两级流水线。顺带提醒国内同行：非商业许可意味着「白嫖权重」这条路对商用产品是走不通的，工程上的正确姿势是参考它的三模型分工，用自己的数据训小模型。
来源：The Decoder 2026-10-25；NVIDIA GEAR 项目页与 Hugging Face 模型卡；网易号 2026-10-26 10:37；站长之家 2026-10-26。素材时间窗 2026-10-26 09:00 → 19:00（事件本体为窗口外，增量见 SRC 说明）。