NvidiaのFlora、ロボット学習用動画のラベル付けコストを大幅削減
Nvidiaの新システム「Flora」は、ロボット学習用動画のラベル付けをGPT-6 Astraよりはるかに低コストで行えるが、すべてのテストで上回るわけではない。
Illustration made on Lumeta with GPT Image 2.5Make one like it
Nvidiaは、ロボット学習用動画にラベルを付けるシステム「Flora」をオープンソースで公開した。同社は2026年10月25日、GPT-6 Astraを使えば元動画1時間あたり約$88.49かかる可能性のある作業を、Floraなら約$0.72で処理できると発表した。膨大な動画データセットで学習を行うロボティクスチームにとっては重要な話だが、この価格差は実際の運用時の請求額ではなく推定値に基づいている。研究者は公開されたモデルをすでにHugging Faceで試すことができる。
何が変わったのか
Floraは、ロボット動画から3種類のラベルを生成するよう設計されている。タイムスタンプ付きの動作説明、ステップごとの進捗評価、そしてタスク全体に対する最終的な成否判定だ。Nvidiaによれば、このシステムはすでに同社のGR00Tモデルの学習に使われており、512基のGB300 GPUで1日最大200,000時間分の動画を処理しているという。内部では、ファインチューニングされた3つのQwen3.5モデルが使われている。内訳は9Bのセグメンターと、キャプション生成および報酬スコアリングを担う2つの27Bモデルだ。

Illustration made on Lumeta with GPT Image 2.5Make one like it
価格の主張が意味するもの
Nvidiaの50本の動画を使ったテストでは、アノテーション品質でFloraが57.1%、GPT-6 Astraが53.7%のスコアを記録した。コストはNvidiaの推定で、動画1時間あたりFloraが$0.72、Astraが$88.49だった。論文によると、Floraのコストは1 GPU時間あたり$10というGPUレンタル価格を仮定して算出した見積もりで、実際の運用で計測された請求額ではない。同じ比較で、Claude Opus 5は動画1時間あたり$41.70、Gemini 3.8 Flashは$8.48と報告されている。
Floraが強い領域と、そうでない領域
Nvidiaの結果からは、Floraが特に動作の区切りを見つけること、エピソード内で失敗したステップを見抜くこと、そしてロボットがタスクを完了できなくても一定の進捗を見せた場合に部分点を与えることに優れていることがうかがえる。RoboRewardBenchでは、Floraのエラー率がAstraより27.8%低く、Flora-Rewarderは失敗ステップの53.3%を検出した一方、同テストでAstraは1つも検出できなかったとNvidiaは述べている。ただし、WGO-Benchの総合スコア、NvidiaのDenseCaptionBenchにおけるロボット動画の結果、ルーブリックに基づく採点、軌跡のランキングなど、いくつかの指標では依然としてAstraがリードしている。つまりFloraは、最先端のマルチモーダルモデルを完全に置き換えるものというより、低コストかつ大量のロボティクス用アノテーションを大規模に必要とする研究機関向けの、特化型オープンな選択肢と見るのが妥当だろう。


