Eine Stunde Robotervideo für 72 Cent beschriften statt für 88 Dollar: Das verspricht Nvidia mit seiner offenen Daten-Engine Flora. Ganz so eindeutig, wie der Preis vermuten lässt, fällt der Vergleich mit GPT-6 Astra allerdings nicht aus.
Große KI-Modelle für Roboter lernen aus Videos, die mit Details in Textform versehen sein müssen. Laut Nvidias Forschungslabor GEAR braucht es dafür drei Arten von Angaben: Beschreibungen, welche Handlung wann im Video passiert, für die Auswahl der Trainingsdaten; Bewertungen, wie gut ein Roboter Schritt für Schritt vorankommt, um durch Versuch und Irrtum dazuzulernen; und Urteile, ob eine Aufgabe am Ende gelungen ist, zur Kontrolle von Robotern im Einsatz. Bisherige Werkzeuge liefern meist nur eine dieser Angaben. Große Sprachmodelle wie GPT-6 Astra können mehrere erzeugen, sind für die riesigen Videomengen aber zu teuer.
Flora zerlegt Videos in Zeitabschnitte, beschreibt jede Aktion und bewertet Ausführung und Ergebnis einer Episode. | Bild: NvidiaFlora soll laut dem Paper alle drei abdecken. Laut Nvidia läuft das System bereits beim Training der GR00T-Modelle und annotiert auf 512 GB300-GPUs bis zu 200.000 Stunden Video pro Tag. Die Modelle sind auf Hugging Face verfügbar.
Technisch besteht Flora aus drei feinjustierten Qwen3.5-Modellen. Ein 9B-Modell zerlegt Videos in Aktionsabschnitte, ein 27B-Modell beschreibt sie unter Einbezug der Ereignisse davor und danach. Ein weiteres 27B-Modell, Flora-Rewarder, übernimmt je nach Prompt drei Rollen: Es bewertet den Erfolg einer Episode auf einer Skala von 1 bis 5, stuft jeden halbsekündigen Schritt als normal, suboptimal oder Fehler ein und vergibt Punkte nach selbst definierten Rubriken.
Ein Segmentierungs- und ein Captioning-Modell erzeugen die Zeitstempel-Beschreibungen, ein einzelnes Reward-Modell liefert alle drei Bewertungsarten. | Bild: NvidiaHochgerechnet bis zu 125-mal günstiger
In einem Test mit 50 Videos beschriftete Flora laut Nvidia etwas besser als GPT-6 Astra, obwohl OpenAIs Modell dabei seine volle Denkleistung nutzen durfte. Der große Unterschied liegt im Preis: Eine Stunde Video zu beschriften kostet mit Flora nach Nvidias Schätzung rund 72 Cent, mit GPT-6 Astra knapp 88,50 US-Dollar. Claude Opus 5 schnitt im selben Test deutlich schlechter ab und kostete rund 42 US-Dollar pro Stunde.
Flora erreicht laut Nvidia 57,1 Prozent Annotationsqualität bei 0,72 US-Dollar pro Videostunde, GPT-6 Astra kommt auf 53,7 Prozent bei 88,49 US-Dollar. | Bild: NvidiaDie Flora-Kosten sind allerdings nur eine Hochrechnung. Nvidia hat sie nicht im laufenden Betrieb gemessen, sondern mit einem angenommenen Mietpreis von 10 US-Dollar pro Grafikchip und Stunde kalkuliert.
Flora findet Aktionen besser, Astra beschreibt sie oft genauer
Bei den Videobeschreibungen ist das Bild gemischt. Auf dem öffentlichen WGO-Bench erkennt Flora Aktionsgrenzen am besten, liegt aber in der Gesamtwertung hinter Astra und bei der reinen Beschreibungsgenauigkeit auch hinter Gemini 3.8 Flash. Die Gewinne stammen nach Angaben der Forscher primär aus der zeitlichen Lokalisierung.
Auf dem eigens entwickelten DenseCaptionBench führt Flora bei menschlichen Aufnahmen in allen Metriken. Bei Robotervideos landet das Modell hinter Astra auf Platz zwei. Ein methodischer Haken, den die Forscher zugeben: Die Beschreibungen bewertet GPT-6 Astra, das gleichzeitig selbst im Test steht.
Flora führt bei menschlichen Aufnahmen, Erfolgsbewertung und Schritt-für-Schritt-Bewertung, GPT-6 Astra bei WGO-Bench, Robotervideos und Rubric-Bewertung. | Bild: NvidiaFehler erkennt kaum ein anderes Modell
Deutlicher fällt der Vorsprung bei den Bewertungen aus. Auf dem RoboRewardBench liegt Floras Fehler um 27,8 Prozent unter dem von Astra. Der Vorteil stammt laut Paper aus teilweise erledigten Aufgaben: Kippt ein Roboter eine Flasche nur um, statt sie vom Tisch zu stoßen, vergibt Flora wie die menschliche Referenz 3 von 5 Punkten, Astra nur einen.
Am größten ist der Abstand bei der Erkennung von Fehlern innerhalb einer Episode. Flora-Rewarder findet 53,3 Prozent der Fehlerschritte, kein Konkurrent kommt über 11,7 Prozent, Astra erkennt keinen einzigen. Der Preis dafür: Rund 11 Prozent der normalen Schritte markiert Flora fälschlich als Fehler. Bei der Bewertung nach Rubriken und beim Ranking von Trajektorien liegt Astra vorn.
An Beispielen zeigt Nvidia Stärken und Schwächen. In einem Video mit vielen kurzen Handgriffen erkennt Flora 34 von 37 einzelnen Handlungen, Astra nur vier. Umgekehrt zerlegt Flora längere Handlungen teils unnötig in viele kleine Schritte. Außerdem liegt das Modell manchmal bei der Beschreibung daneben. In einem Video wischt eine Roboterhand mit einem Tuch einen Teller ab, Flora beschreibt stattdessen, wie eine Serviette gefaltet wird.
In einer Beispielepisode erkennt Flora 34 von 37 Referenzaktionen, GPT-6 Astra nur vier. | Bild: NvidiaMit der Freigabe positioniert Nvidia Flora als offene Alternative zu kommerziellen Diensten wie Scale AIs Physical AI Data Engine. Forschende sollen damit eigene Roboterdatensätze skalieren und Ansätze wie die Übertragung menschlicher Demonstrationen auf Roboter erproben können. Dahinter steht auch ein wirtschaftliches Interesse: Nvidia investiert Milliarden in offene KI-Modelle, um Entwickler im eigenen Hardware-Ökosystem zu halten und die Nachfrage nach seinen Chips zu stärken.
Nvidia arbeitet zudem schon länger daran, den Mangel an Robotik-Trainingsdaten durch Simulation und automatisierte Datenverarbeitung auszugleichen. Auf der GTC im Frühjahr stellte das Unternehmen eine Datenpipeline vor, die Trainingsmaterial automatisch aufbereitet, vervielfältigt und bewertet. Flora ergänzt diesen Ansatz um detaillierte Beschriftungen und Belohnungssignale aus Videos.
Das fügt sich in Nvidias Strategie ein, möglichst die gesamte Wertschöpfungskette der Robotik abzudecken – von der Hardware über Trainingsdaten und Simulation bis zu den KI-Modellen selbst. Einen ähnlichen Teil des Robotik-Trainingsprozesses adressiert Googles kürzlich vorgestelltes Gemini 4 Argon, das ebenfalls Arbeitsschritte in Trainingsvideos identifiziert und misslungene Aktionen markiert.
