Nvidia otvorene publikovala Floru, systém, ktorý automaticky popisuje a hodnotí videá na trénovanie robotov. Firma tvrdí, že značkovanie jednej hodiny videa vyjde na 72 centov, zatiaľ čo s modelom GPT-6 Astra od OpenAI by to bolo 88,50 dolára. Pre firmy, ktoré trénujú robotické modely na obrovských množstvách videí, je to rozdiel, ktorý rozhoduje o tom, či si drahé značkovanie dát vôbec môžu dovoliť.
V skratke
- Nvidia cez svoj výskumný tím GEAR otvorene publikovala Floru, dátový systém na automatické značkovanie videí pre trénovanie robotov.
- Podľa vlastných odhadov Nvidie vyjde hodina videa so systémom Flora na 72 centov, s GPT-6 Astra od OpenAI na 88,50 dolára, teda približne 125-krát menej.
- Flora už bežia v produkcii: pri tréningu robotických modelov GR00T spracuje denne až 200 000 hodín videa na 512 grafických kartách GB300.
- Systém tvoria tri doladené modely Qwen3.5, deväťmiliardový na rozdelenie videa na úseky a dva 27-miliardové na popis a hodnotenie, voľne dostupné na Hugging Face.
Ako Flora značkuje video
Robotické modely sa učia z videí, ale samotné video nestačí, model potrebuje k nemu textové popisy. Podľa výskumného tímu Nvidie GEAR ide o tri druhy značiek. Prvý druh popisuje, aká akcia sa vo videu odohráva a kedy, čo sa používa na výber tréningových dát. Druhý druh hodnotí, ako dobre robot postupuje krok po kroku, aby sa mohol učiť metódou pokus a omyl. Tretí druh posudzuje, či bola úloha splnená, čo sa využíva pri sledovaní nasadených robotov v praxi. Väčšina doteraz dostupných nástrojov vedela poskytnúť len jeden z týchto druhov značiek, veľké jazykové modely zvládnu viac naraz, ale pri objeme videí, ktorý robotika potrebuje, sú finančne nezvládnuteľné.
Flora rieši všetky tri úlohy naraz pomocou troch modelov postavených na základe Qwen3.5. Deväťmiliardový model rozdelí video na časové úseky podľa jednotlivých akcií, 27-miliardový model tieto úseky popíše s ohľadom na to, čo sa stalo pred a po danej akcii, a druhý 27-miliardový model s názvom Flora-Rewarder hodnotí úspešnosť. Podľa potreby ohodnotí celú epizódu na stupnici od jedného do piatich bodov, klasifikuje každý polsekundový krok ako normálny, neoptimálny alebo chybný, alebo prideľuje body podľa vlastných pravidiel.
Prečo je to až 125-krát lacnejšie
Nvidia v teste na 50 videách tvrdí, že Flora dosiahla o niečo lepšie výsledky ako GPT-6 Astra, aj keď mal model OpenAI k dispozícii plnú kapacitu na uvažovanie. Podľa odhadov Nvidie vyjde značkovanie jednej hodiny videa so systémom Flora na 72 centov, s GPT-6 Astra na 88,50 dolára a s modelom Claude Opus 5 od Anthropicu na približne 42 dolárov. Flora v tomto teste dosiahla kvalitu značkovania 57,1 percenta za 72 centov na hodinu videa, GPT-6 Astra 53,7 percenta za 88,49 dolára. Tieto čísla sú len odhady Nvidie, počítané s predpokladanou cenou prenájmu grafickej karty 10 dolárov na hodinu, nie reálne namerané produkčné náklady.
Výsledky testov nie sú jednoznačné
Na verejnom benchmarku WGO-Bench je Flora najlepšia v rozpoznávaní hraníc jednotlivých akcií, ale v celkovom skóre zaostáva za Astrou a v presnosti čistého popisu ju predbieha aj Gemini 3.8 Flash. Na vlastnom benchmarku Nvidie DenseCaptionBench vedie Flora vo všetkých metrikách pri videách s ľuďmi, pri robotických videách je však druhá za Astrou. Výskumníci sami upozorňujú na metodologický problém, GPT-6 Astra totiž vo viacerých testoch hodnotí popisy, hoci je sám jedným z testovaných modelov.
Najväčší rozdiel sa ukázal pri odhaľovaní chýb počas priebehu úlohy. Na benchmarku RoboRewardBench má Flora o 27,8 percenta nižšiu chybovosť ako Astra. Flora-Rewarder zachytí 53,3 percenta neúspešných krokov v rámci epizódy, zatiaľ čo žiadny konkurenčný model sa nedostal nad 11,7 percenta a Astra nezachytila ani jeden. Flora má zároveň aj slabinu, približne 11 percent normálnych krokov nesprávne označí za chybné.
Čo to znamená pre firmy
Pre firmy, ktoré vyvíjajú robotické modely, je značkovanie videí jednou z najdrahších a najpomalších častí vývoja. Nvidia pozíciuje Floru ako otvorenú alternatívu k komerčným službám, napríklad k Physical AI Data Engine od Scale AI, a umožňuje výskumníkom spracovať vlastné robotické dáta bez závislosti na platených API veľkých jazykových modelov. Firma pritom sleduje aj vlastný obchodný záujem, investície do otvorených modelov majú udržať vývojárov v jej hardvérovom ekosystéme a podporiť predaj grafických kariet, na ktorých tieto modely bežia. Podobný cieľ mala aj platforma Jetson Thor, s ktorou sa Nvidia pustila do boja o humanoidné roboty.
Pre firmy mimo robotiky je dôležitý širší odkaz, náklady na kvalitné trénovacie dáta sú čoraz väčšou prekážkou pri nasadzovaní AI vo výrobe a priemysle, a riešenia ako Flora ukazujú, že táto bariéra sa dá znížiť aj bez vlastného veľkého výskumného tímu.
Ako to funguje v praxi
Flora je dnes už súčasťou produkčného tréningu. Podľa Nvidie systém denne spracuje až 200 000 hodín videa na 512 grafických kartách GB300 počas tréningu modelov GR00T, čo je rodina robotických modelov, s ktorou chce Nvidia konkurovať pri vývoji humanoidných a priemyselných robotov. Umelá inteligencia sa pri tom postupne učí prepájať viacero zmyslových vstupov bez priameho zásahu človeka, podobne ako pri iných nedávnych pokusoch o automatizáciu spracovania senzorických dát.
V najbližších týždňoch bude zaujímavé sledovať, či si Floru osvoja aj iné firmy mimo Nvidie a ako obstojí mimo interných testov, ktoré si pripravila samotná Nvidia. Dôležité bude aj to, či OpenAI alebo Anthropic zareagujú vlastným lacnejším riešením na značkovanie video dát, pretože robotika je jedna z oblastí, kde sa teraz odohráva súboj o budúci trh.
