Nvidia в 125 раз удешевила подготовку видео для обучения роботов
Компания Nvidia выпустила открытый набор моделей Flora: он описывает, что происходит на видео с роботами и людьми, и превращает такие записи в данные для обучения роботов
Новый движок Flora состоит из трёх доработанных моделей Qwen3.5. Одна из них (9 млрд параметров) делит видео на фрагменты с действиями, другая (27 млрд параметров) описывает эти фрагменты с учётом контекста, а третья (Flora-Rewarder, тоже 27 млрд параметров) оценивает успешность выполнения задач, классифицирует шаги и выставляет баллы.
По оценкам Nvidia, разметка часа видео с помощью Flora обойдётся примерно в 72 цента, а с GPT-6 Astra — в 88,5 доллара. В тестах на 50 видео Flora справилась чуть лучше GPT-6 Astra, а Claude Opus 5 в тех же испытаниях обошёлся в 42 доллара за час.
Движок уже используется при обучении моделей GR00T, которые управляют роботами: на 512 графических процессорах он может разметить до 200 тысяч часов видео в день. На тесте WGO-Bench Flora точнее других определяет, где начинается и заканчивается каждое действие, но сами действия описывает хуже GPT-6 Astra и Gemini 3.8 Flash. На собственном тесте Nvidia DenseCaptionBench она лидирует по всем показателям для записей с людьми, а для видео с роботами уступает только Astra.
Nvidia видит в Flora открытую альтернативу коммерческим сервисам вроде Physical AI Data Engine от Scale AI. Движок поможет исследователям расширять наборы данных для робототехники и тестировать новые подходы, например перенос демонстраций действий человека на роботов.
Источник: The Decoder
