NVIDIA Flora: Offene Modelle beschriften Robotervideos – der 125-fache Preisvorteil ist gerechnet

Wer Roboter mit KI-Modellen trainiert, braucht Videos mit Text: was wann passiert, wie gut ein Schritt gelingt und ob die Aufgabe am Ende erledigt ist. Für diese Beschriftung hat die Forschungsgruppe GEAR von NVIDIA das System Flora entwickelt und drei Modelle auf Hugging Face gestellt; das zugehörige Paper ist auf den 20. Oktober 2026 datiert. Nach eigenen Angaben nutzt NVIDIA Flora beim Training seiner GR00T-Robotermodelle und beschriftet damit auf 512 GB300-Grafikprozessoren bis zu 200.000 Stunden Video am Tag. Unabhängig geprüft ist das nicht. 

Drei Modelle, drei Aufgaben

Flora besteht aus feinjustierten Varianten der offenen Qwen3.5-Modelle. Ein Modell mit 9 Milliarden Parametern zerlegt ein Video in einzelne Handlungen mit Start- und Endzeit. Ein Modell mit 27 Milliarden Parametern beschreibt jede Handlung als kurze Anweisung und bezieht dafür die Momente davor und danach ein. Ein drittes Modell, Flora-Rewarder, bewertet je nach Prompt den Erfolg einer Episode auf einer Skala von 1 bis 5, stuft jeden halbsekündigen Schritt als normal, suboptimal oder Fehler ein oder vergibt Punkte nach einem selbst definierten Bewertungsschema. Trainiert wurde mit offenen, lizenzierten und selbst erhobenen Datensätzen; die eigenen Daten haben Menschen nach festen Richtlinien beschriftet. 

Wie der 125-fach-Vergleich zustande kommt

Grundlage ist ein Test mit 50 Videos aus NVIDIAs eigenem Benchmark DenseCaptionBench: 20 zeigen Menschen, je 15 Roboter mit Parallelgreifer und mit mehrfingriger Hand. Flora erreicht dort 57,1 Prozent Annotationsqualität, GPT-6 Astra von OpenAI bei maximalem Denkaufwand 53,7 Prozent. Für Astra hat NVIDIA die angefallene API-Nutzung zu den Listenpreisen vom 4. Oktober 2026 abgerechnet: 88,49 Dollar je Videostunde. Die 72 Cent für Flora sind dagegen gerechnet, nicht gemessen. Das Paper setzt acht GB300-Chips zu angenommenen 10 Dollar je Chip und Stunde und einen modellierten Durchsatz an. Der genaue Faktor beträgt 122,5, NVIDIA rundet auf rund 125. In den eigenen Szenarien des Papers kostet Flora 0,51 bis 1,26 Dollar je Stunde, wäre also rechnerisch 70- bis 173-mal günstiger. Die Beschreibungen bewertet zudem ein GPT-6-Astra-Modell, das zugleich im Test steht; die Autoren nennen das selbst als Schwäche. 

Wo Flora vorn liegt und wo nicht

Auf dem öffentlichen WGO-Bench findet Flora die Grenzen zwischen Handlungen am besten, beschreibt sie aber ungenauer als GPT-6 Astra und Gemini 3.8 Flash. In DenseCaptionBench liegt Flora bei Menschenvideos vorn, bei Robotervideos hinter Astra. Bei der Erfolgsbewertung auf dem öffentlichen RoboRewardBench ist Floras Fehler 27,8 Prozent kleiner als der von Astra. Am deutlichsten ist der Abstand beim Erkennen von Fehlern innerhalb einer Episode, gemessen auf dem internen DenseRewardBench: Flora-Rewarder findet 53,3 Prozent der Fehlerschritte, kein Vergleichsmodell mehr als 11,7 Prozent, Astra keinen einzigen. Dafür markiert Flora rund elf Prozent der normalen Schritte fälschlich als Fehler. Beim Punktevergeben nach Bewertungsschema ist Astra genauer. 

Offen, aber nur für die Forschung

Die drei Modelle stehen ohne Zugangsantrag auf Hugging Face, die Modellkarten nennen als Einsatzgebiet „Global“; Nutzer in Europa können sie also herunterladen. Die Lizenz ist allerdings die NVIDIA OneWay Noncommercial License: Die Modelle und alle Ableitungen dürfen nur für Forschung oder Evaluierung genutzt werden, NVIDIA selbst darf sie kommerziell verwenden. Laut Modellkarten ist Flora nicht für den Produktiveinsatz gedacht und soll Roboter weder steuern noch als alleinige Sicherheitsüberwachung dienen. Für kommerzielle Datenpipelines ist Flora damit vorerst kein Werkzeug. Neben Modellgewichten und Paper hat NVIDIA auf GitHub Inferenzcode für alle drei Modelle veröffentlicht, nach eigener Beschreibung Beispielcode und nicht das eigene Produktionssystem; Trainingscode fehlt.