英伟达开源 Flora，给机器人视频做标注降价九成以上

机器人学动作，靠的是看视频，但视频需要配文字说明才能当教材。给一小时机器人视频打标，用顶级大模型要花约 88 美元——这是英伟达想用 Flora 砍掉的成本。

一、发生了什么

英伟达 GEAR 研究实验室开源了数据引擎 Flora，模型放在 Hugging Face 上可下载。据该公司披露，机器人训练视频需要三类标注：什么时候发生了什么动作、每一步做得算不算好、整件事最终有没有完成。市面上多数工具只能包办其中一类，通用大模型三类都能写，但面对海量视频太烧钱。

Flora 的做法是拿三个微调过的千问系模型分工：一个 9B 模型负责把视频切成动作段落，一个 27B 模型结合前后文给每段写描述，另一个 27B 模型按提示词切换角色，给任务成败打一至五分、给每半秒的动作归类成正常或不合格。按厂商自述，这套系统已接入其 GR00T 机器人的训练流程，用 512 块 GB300 芯片每天可处理最多二十万小时视频——这是官方口径，未经第三方验证。

差距在哪，论文里给了一组很直观的对比：一段包含三十七个细碎手部动作的视频，Flora 认出了三十四个，通用大模型只认出四个。反过来也有翻车案例——机器人拿布擦盘子，Flora 把它描述成了叠餐巾。英伟达把 Flora 定位成商业数据服务之外的开源选择，直接的对手是 Scale AI 的物理智能数据引擎。

在打分环节上，Flora 的优势更明显：面对「只把瓶子碰倒、没碰下桌」这类半完成的任务，它按人的参照标准给了三分，通用大模型只给一分。误差率比对手低约 27.8%。代价是约一成一的正常步骤被误判为失败。

二、跟你有什么关系

做具身智能数据的人：开源替代方案出现了，商业标注服务多了一个议价对象。训练 VLA 模型的团队：奖励信号可以直接从视频里来，不必再为每条失败动作单独录数据。关注英伟达的人：这家公司在把机器人的数据问题转化成算力问题，Flora 是把开发者留在自家硬件生态的一环。

三、怎么判断

1. 先看成本口径。所谓便宜一百二十五倍，是按每小时视频 0.72 美元对 88.49 美元算的，且这是基于每块芯片每小时 10 美元租价的推算，不是实际账单。
2. 再看质量口径。在厂商的五十条视频测试里，Flora 标注质量 57.1%，略高于对手的 53.7%——差距很小，而且允许对手全功率推理。
3. 还要看谁当裁判。论文作者自己承认，评测里给描述打分的模型，恰好也是被测对象之一，这种既当选手又当裁判的环节要打折扣听。

四、三个别信的说法

标注从此不要钱了。 便宜是真的，但质量并非全面领先。在公开的 WGO 基准上整体分数落后于通用大模型，纯描述准确度也不如谷歌的轻量模型；机器人视频的描述质量排在第二。它强的是把动作切准、把失败步骤揪出来。

失败检测越严越好。 Flora 能抓到一半以上的失败步骤，其他模型普遍不到一成二，但代价是约一成一的正常步骤被误报为失败。误报太多，奖励信号会教歪策略。

开源就是送福利。 英伟达在机器人链路上从芯片、仿真到模型全线布局，开放数据工具的收益最终回到芯片需求上。用它没问题，账要算在自己头上。

五、一句话结论

机器人视频标注的价格被打下来了，但质量高低要分任务看，厂商的倍数先除以二再信。

信息来源

• 英伟达开源 Flora，机器人视频标注便宜 125 倍（The Decoder，2026-10-25）
• Flora 项目页（NVIDIA GEAR，2026-10）

功能与价格以官方公告为准。本文写于 2026 年 10 月 26 日。