Nvidia veröffentlicht Flora: Robotervideos 125-mal günstiger beschriften

Worum es geht

Nvidia hat mit Flora eine offene Daten-Engine für die Robotik veröffentlicht. Sie beschriftet und bewertet Videos, mit denen große KI-Modelle für Roboter trainiert werden. Entwickelt wurde sie vom Nvidia-Forschungslabor GEAR, die Modelle sind auf Hugging Face verfügbar. Nvidia verspricht, dass eine Stunde Robotervideo etwa 72 Cent kostet, während GPT-6 Astra von OpenAI für dieselbe Arbeit rund 88 Dollar verlangt. Das wäre bis zu 125-mal günstiger. Der Vergleich ist aber differenzierter, als der Preis nahelegt.

Wofür Roboter-Videos Beschriftungen brauchen

Roboter-Modelle lernen aus Videos, die mit Text versehen sein müssen. Laut GEAR sind dafür drei Arten von Angaben nötig:

• Beschreibungen, welche Handlung wann im Video passiert. Sie dienen dazu, Trainingsdaten auszuwählen.
• Bewertungen, wie gut ein Roboter Schritt für Schritt vorankommt. Damit kann er per Versuch und Irrtum (Reinforcement Learning) dazulernen.
• Urteile, ob eine Aufgabe am Ende gelungen ist. Sie dienen der Kontrolle von Robotern im Einsatz.

Bisherige Werkzeuge liefern meist nur eine dieser Angaben. Große Sprachmodelle wie GPT-6 Astra können mehrere erzeugen, sind bei den riesigen Videomengen aber zu teuer. Flora soll alle drei abdecken.

Aufbau von Flora

Flora besteht aus drei feinjustierten Modellen auf Basis von Qwen3.5:

• Ein Modell mit 9 Milliarden Parametern (Parameter sind grob gesagt die Stellschrauben, die ein Modell beim Training lernt) zerlegt Videos in Aktionsabschnitte.
• Ein 27B-Modell beschreibt diese Abschnitte und bezieht dabei ein, was davor und danach passiert.
• 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.

Nach Nvidia läuft das System bereits beim Training der GR00T-Modelle und annotiert auf 512 GB300-GPUs bis zu 200.000 Stunden Video pro Tag.

Kosten und Vergleich

In einem Test mit 50 Videos beschriftete Flora laut Nvidia etwas besser als GPT-6 Astra, obwohl dieses seine volle Denkleistung nutzen durfte.

Wichtig: Die Flora-Kosten sind eine Hochrechnung. Nvidia hat sie nicht im Betrieb gemessen, sondern mit einem angenommenen Mietpreis von 10 US-Dollar pro Grafikchip und Stunde kalkuliert.

Stärken und Schwächen in den Benchmarks

Videobeschreibungen: Auf dem öffentlichen WGO-Bench erkennt Flora Aktionsgrenzen am besten. In der Gesamtwertung liegt es hinter Astra, bei der reinen Beschreibungsgenauigkeit auch hinter Gemini 3.8 Flash. Die Gewinne stammen laut Forschern vor allem aus der zeitlichen Lokalisierung. Auf Nvidias eigenem DenseCaptionBench führt Flora bei menschlichen Aufnahmen in allen Metriken, bei Robotervideos ist es hinter Astra Zweiter. Ein Haken, den die Forscher einräumen: Die Beschreibungen bewertet GPT-6 Astra, das selbst im Test steht.

Bewertungen: Auf dem RoboRewardBench liegt Floras Fehler 27,8 Prozent unter dem von Astra. Der Vorteil kommt von 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.

Fehlererkennung: Am größten ist der Abstand bei Fehlern innerhalb einer Episode. Flora-Rewarder findet 53,3 Prozent der Fehlerschritte, kein Konkurrent kommt über 11,7 Prozent, Astra erkennt keinen einzigen. Dafür markiert Flora rund 11 Prozent normaler Schritte fälschlich als Fehler. Bei Rubrik-Bewertung und beim Ranking von Trajektorien liegt Astra vorn.

Beispiele: In einem Video mit vielen kurzen Handgriffen erkennt Flora 34 von 37 Handlungen, Astra nur vier. Dafür zerlegt Flora längere Handlungen manchmal in zu viele kleine Schritte und liegt gelegentlich daneben: Eine Roboterhand wischt einen Teller mit einem Tuch ab, Flora beschreibt das Falten einer Serviette.

Was du zum Ausprobieren brauchst

Nvidia nennt keine Hardware-Anforderungen für Einzelnutzer. Als grobe Orientierung: Das 27B-Modell braucht in 4-bit-Quantisierung etwa 17–20 GB VRAM, das 9B-Modell rund 7 GB. Für den Massenbetrieb nutzt Nvidia 512 GB300-GPUs. Ob quantisierte Varianten oder GGUF-Dateien existieren, geht aus der Quelle nicht hervor.

Einordnung

Flora ist vor allem für Robotik-Forschende interessant, die eigene Datensätze skalieren wollen, etwa um menschliche Demonstrationen auf Roboter zu übertragen. Nvidia positioniert es als offene Alternative zu kommerziellen Diensten wie Scale AIs Physical AI Data Engine. Dahinter steht ein wirtschaftliches Interesse: Nvidia investiert Milliarden in offene Modelle, um Entwickler im eigenen Hardware-Ökosystem zu halten und die Chipnachfrage zu stützen. Flora ergänzt die auf der GTC im Frühjahr gezeigte Datenpipeline um detaillierte Beschriftungen und Belohnungssignale und passt zur Strategie, die gesamte Robotik-Wertschöpfungskette abzudecken. Ähnliches adressiert Googles kürzlich vorgestelltes Gemini 4 Argon.

Kritisch: Alle Zahlen stammen von Nvidia, die Kosten sind Schätzungen, der Test umfasste nur 50 Videos, und beim DenseCaptionBench bewertet ein Konkurrenzmodell mit. Der 125-fache Preisvorteil gilt zudem nur unter den Annahmen von Nvidia. Die starke Fehlererkennung ist ein echter Pluspunkt, wird aber mit Fehlalarmen erkauft.