近日，英伟达GEAR研究实验室正式开源机器人视频训练专用数据引擎Flora，三份模型权重已上线Hugging Face。该引擎已被用于GR00T系列机器人模型训练，核心任务是把海量原始机器人视频转化为基础模型训练所需的高质量监督信号。

Flora由三个分工明确的模型组成：时间分段模型预测每个动作的开始与结束时间；动作描述模型结合视觉上下文说明机器人在该时段做了什么，并能识别操作主体之间的分工；奖励模型Flora-Rewarder评估执行步骤与整体任务的完成情况。三个模型均基于开源Qwen3.5系列视觉语言模型微调，覆盖动作边界检测、逐步执行评分与任务成功判断三类核心标注需求。

成本与规模数据是Flora最引人注目的部分：按官方测算，标注一小时机器人视频约需0.72美元，同等任务交给GPT-6 Astra的API成本约88.49美元，相差约125倍，且Flora的标注质量得分还高出约3.3个百分点。在内部实践中，该引擎依托512块GB300 GPU每天标注约20万小时数据，并在动作分段基准指标上位居首位。

对企业而言，Flora展示了一条用垂直微调开源模型替代高成本通用大模型完成数据工程任务的路径：凡是涉及海量视频、图像标注与质量评估的业务，从工业质检到巡检影像，都可以参照这一思路评估专用模型流水线的成本空间，具身智能的数据生产门槛也随之显著下降。

来源：太平洋电脑网 原文链接