NVIDIAがロボット用データ注釈モデル群「Flora」公開

NVIDIAは2026年10月20日、ロボット向けデータ注釈用のオープンモデル群「Flora」を公開し、モデルの重みをHugging Faceで配布した。ライセンスはNVIDIAの非商用ライセンスで、研究用途に限られる。

Floraは3つのモデルで構成される。動画の動作区間を切り出す「Flora-TempSeg 9B」、時刻付きで動作を説明する「Flora-Captioner 27B」、動作の品質と失敗を評価する「Flora-Rewarder 27B」だ。

NVIDIAによると、Floraはロボットデータの作成コストを最大125分の1に削減できる。512台のGB300 GPUサーバーを使えば、1日あたり最大20万時間の動画を処理できるという。動画処理コストは元動画1時間あたり約0.72ドルで、比較対象の「GPT-6 Astra」の約88.49ドルを大きく下回る。

評価結果と用途

NVIDIAの内部評価では、50エピソードでFloraが57.1%を記録し、最大推論設定のGPT-6 Astraの53.7%を上回った。報酬評価ベンチマーク「RoboReward」の平均絶対誤差はFloraが40.0、Astraが55.4だった。失敗検出ベンチマーク「DenseRewardBench」でのFloraの再現率は53.3%となっている。

FloraはNVIDIAの人型ロボット基盤モデル「GR00T」の学習に使われる。NVIDIAはFloraの出力がデータ注釈と評価であり、ロボットへの直接の制御指令ではないと説明している。

これまでロボットのデータ注釈は手作業や高価な大規模マルチモーダルモデルのAPIに頼ることが多く、大規模なデータ収集の制約になっていた。