# 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」。

### TLDR

- **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。

### SRC

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（https://www.163.com/dy/article/LA5LFG4V0556OXHR.html ）与站长之家 2026-10-26（https://www.chinaz.com/ainews/31869.shtml ）。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。

### BODY

<p>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<b>结果奖励</b>、判断每半秒一步走得好不好的<b>过程奖励</b>、以及带时间戳的<b>动作描述</b>。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。</p>

<div class="sec">
<div class="eyebrow">三个模型，三道工序</div>
<div class="jx-cols">
<div style="flex:50">
<p><strong>Flora-TempSeg（9B）</strong>：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。</p>
</div>
<div style="flex:50">
<p><strong>Flora-Captioner / Rewarder（各 27B）</strong>：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。</p>
</div>
</div>
</div>

<div class="tbl-wrap"><table><thead><tr><th>基准</th><th>Flora</th><th>GPT-6 Astra</th><th>谁更强</th></tr></thead><tbody>
<tr><td>WGO-Bench 边界检测 F1@0.75</td><td>50.3</td><td>46.0</td><td>Flora</td></tr>
<tr><td>WGO-Bench 金窗口准确率</td><td>64.7</td><td>77.4</td><td>Astra</td></tr>
<tr><td>RoboRewardBench 平均绝对误差（越低越好）</td><td>40.0</td><td>55.4</td><td>Flora</td></tr>
<tr><td>DenseCaptionBench 机器人录像子集</td><td>51.0</td><td>57.9</td><td>Astra</td></tr>
</tbody></table></div>
<div class="cap">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。</div>

<p>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。</p>

<div class="sec">
<div class="eyebrow">想上手前必读的三条限制</div>
<div class="jx-note">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。</div>
</div>

<div class="keypoint">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。</div>

<div class="srcline">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）。</div>

---

*来源：神机百见-具身解读 · https://www.shenjibailian.com/jiedu/article/nvidia-flora-annotation-engine-125x/*