Per ensenyar un robot a fer una tasca calen milers d'hores de vídeo amb algú que expliqui què hi passa: quina acció es fa, com va cada pas i si al final la feina ha sortit bé. Fer-ho a mà no s'escala, i fer-ho amb els models comercials més potents costa molt, perquè es paga per cada hora de vídeo analitzada.
NVIDIA ha publicat Flora, un conjunt de models oberts del seu laboratori GEAR que afegeix tres tipus d'etiquetes als vídeos de robots: descripcions de cada acció, puntuacions del progrés pas a pas i un veredicte d'èxit o fracàs de la tasca. Són tres models afinats a partir de Qwen3.5, un de 9.000 milions de paràmetres que talla el vídeo en segments i dos de 27.000 milions que el descriuen i el puntuen. Segons l'empresa, pot etiquetar fins a 200.000 hores de vídeo al dia amb 512 targetes GB300 i ja s'utilitza per entrenar els models GR00T.
La xifra que destaca és el preu: unes 0,72 dòlars per hora de vídeo, davant dels uns 88,50 de GPT-6 Astra, és a dir, uns 125 cops menys. En una prova de 50 vídeos, la qualitat de les anotacions va ser del 57,1% per a Flora i del 53,7% per a Astra, i Flora va detectar el 53,3% dels passos fallits, mentre que cap rival no va passar d'un 11,7%. Els models són a Hugging Face i hi ha un article tècnic.
Són resultats de la mateixa NVIDIA, sense verificació independent, i la comparació de cost és una projecció que suposa un lloguer de 10 dòlars per targeta i hora. La prova de qualitat és petita, i GPT-6 Astra, que feia de jutge, era també un dels models avaluats. Flora no guanya en tot: perd davant d'Astra en algunes proves de precisió, marca com a error un 11% de passos normals i de vegades parteix una acció llarga en massa passos. La font no diu quina llicència tenen els models.