Nvidia uvolnila Floru: hodina robotického videa popsaná za 72 centů
Než se robot naučí srovnat talíře do myčky, musí někdo popsat tisíce hodin videa, na kterých to dělá člověk nebo jiný stroj. U každého záznamu přitom přesně určí, kdy která akce začíná a končí a zda se povedla. Tento úkol teď Nvidia svěřuje vlastnímu otevřenému systému Flora. Hodinu takového materiálu označí podle firmy zhruba za 72 centů. Model GPT-6 Astra od OpenAI by za totéž stál přibližně 88 dolarů, tedy asi stokrát více. V měřeních Nvidie vychází Flora kvalitou o něco lépe. Server The Decoder, který výsledky rozebral, ale upozorňuje, že rozdíl mezi oběma nástroji není tak jednoznačný, jak naznačuje cena.
Tři druhy anotací
Velké modely, které řídí roboty, tedy statistické systémy natrénované na obrovském množství příkladů, se učí z videí doplněných textovými popisy, takzvanými anotacemi. Výzkumná laboratoř GEAR v Nvidii rozlišuje tři jejich typy, které takový model během svého života potřebuje.
První jsou časově označené popisy toho, co se ve videu kdy děje. Na jejich základě se třídí a vyvažují data pro trénink. Druhé hodnotí, jak dobře si robot vede krok za krokem. Takovému signálu se říká procesní odměna a stroj se díky němu může zdokonalovat metodou pokus–omyl, tedy posilovaným učením. Poslední je verdikt, zda úkol splnil. Slouží k dohledu nad stroji, které už pracují v reálném provozu.
Většina dosavadních nástrojů podle Nvidie zvládá jen jeden z těchto typů. Velké jazykové modely jako GPT-6 Astra dokážou vytvořit několik z nich, ale při objemech videa, se kterými robotika pracuje, jsou příliš drahé.
Jak Flora funguje
Flora se skládá ze tří modelů, které vznikly doladěním otevřené řady Qwen3.5. Doladění znamená, že se hotový obecný model dál trénuje na úzce zaměřených datech. Nejmenší z trojice má 9 miliard parametrů, tedy číselných vah, které získal při učení, a rozděluje video na úseky podle jednotlivých akcí. Druhý, s 27 miliardami parametrů, každý úsek popíše a bere přitom v úvahu, co se dělo před ním a po něm.
Třetí model, Flora-Rewarder, má rovněž 27 miliard parametrů a podle zadání plní tři role. Hodnotí úspěch celé epizody na stupnici od 1 do 5. Každý půlsekundový krok zařadí jako normální, neoptimální nebo chybný a přiděluje body podle kritérií, která si uživatel sám určí.
Nvidia uvádí, že Floru už používá při tréninku svých robotických modelů GR00T. Na 512 grafických procesorech GB300 s ní denně anotuje až 200 000 hodin videa. Modely jsou volně ke stažení na platformě Hugging Face.
Flora v číslech
- Tři modely postavené na Qwen3.5 (9, 27 a 27 miliard parametrů)
- Až 200 000 hodin videa denně na 512 procesorech GB300
- Zhruba 72 centů za hodinu videa podle propočtu Nvidie
- Volně ke stažení na Hugging Face
Cena je propočet, ne účetnictví
V testu na 50 videích dosáhla Flora podle Nvidie kvality anotací 57,1 procenta. GPT-6 Astra měla 53,7 procenta, přestože mohla naplno využít svou schopnost uvažování. Claude Opus 5 od Anthropicu vyšel ve stejném testu výrazně hůře a stál přibližně 42 dolarů za hodinu videa.
U čísla 72 centů záleží na tom, jak vzniklo. Nejde o změřený provozní náklad. Nvidia ho spočítala z předpokládaného pronájmu 10 dolarů za jeden grafický procesor na hodinu. Kdo bude Floru provozovat na vlastním hardwaru nebo za jiných podmínek, dostane jiné číslo. Komerční modely se zase účtují podle svých ceníků. Stonásobný rozdíl je proto jen přibližný, jeho řád ale platí.
| Model | Kvalita anotací | Cena za hodinu |
|---|---|---|
| Flora | 57,1 % | 72 centů |
| GPT-6 Astra | 53,7 % | 88 dolarů |
Kde vede a kde ztrácí
Výsledky v jednotlivých testech, takzvaných benchmarcích, jsou smíšené. Všechna čísla pocházejí od Nvidie a nezávisle je zatím nikdo neověřil. Ve veřejném srovnání WGO-Bench Flora nejlépe rozpoznává hranice mezi akcemi. V celkovém skóre ale zaostává za modelem GPT-6 Astra a v samotné přesnosti popisů ji předbíhá Gemini 3.8 Flash od Googlu. Zlepšení podle výzkumníků plyne hlavně z toho, že Flora akce přesněji umístí v čase.
Ve vlastní sadě Nvidie DenseCaptionBench vede Flora ve všech metrikách u záznamů lidí, u videí robotů je ale druhá za modelem GPT-6 Astra. Výzkumníci sami přiznávají metodický problém: popisy v této sadě hodnotí právě GPT-6 Astra, tedy jeden z testovaných modelů.
Nejvýraznější rozdíl je v odhalování chyb. Na testu RoboRewardBench má Flora o 27,8 procenta nižší chybovost než GPT-6 Astra. Studie to vysvětluje částečně splněnými úkoly. Když robot láhev jen převrhne, místo aby ji shodil ze stolu, Flora udělí 3 body z 5, stejně jako lidské hodnocení. GPT-6 Astra jen jeden.
Flora-Rewarder zachytí 53,3 procenta chybných kroků uvnitř epizody. Žádný konkurent se nedostal nad 11,7 procenta a GPT-6 Astra neodhalila ani jeden. Daní za to je, že Flora zhruba 11 procent normálních kroků mylně označí za chybné. Při hodnocení podle vlastních kritérií a při řazení průběhů od nejlepšího vede dál GPT-6 Astra.
Patrné je to i na konkrétních případech. Ve videu s mnoha krátkými pohyby rukou Flora rozpoznala 34 z 37 akcí, GPT-6 Astra jen čtyři. Někdy ale rozseká delší akci na příliš mnoho drobných kroků a občas se v popisu spletne. Když robotická ruka utírala talíř hadříkem, Flora to popsala jako skládání ubrousku.
Co to mění
Flora je statistický model, ne pravidlový program. Její výstup je odhad a jeho chyby se dají změřit, nedají se ale vyloučit. Pro trénink to stačí, protože jednotlivé omyly se ve stovkách tisíc hodin videa ztratí. Při dohledu nad robotem v provozu ale 11 procent planých poplachů znamená, že na konci řetězce musí dál stát pravidla a člověk.
Českým univerzitám a firmám, které vyvíjejí roboty nebo sbírají data z výroby, otevřené modely snižují vstupní náklady. Svá data mohou anotovat na vlastním hardwaru a nemusí je posílat do cizího cloudu, což má význam pro výrobní know-how i pro ochranu osobních údajů na záznamech lidí. Nvidia zároveň nabízí Floru jako otevřenou alternativu ke komerčním službám, například k Physical AI Data Engine od Scale AI.
Z pohledu evropského nařízení AI Act nebude samotný nástroj na popisování dat patřit k tomu, co regulace sleduje nejpřísněji. Ta se zaměřuje hlavně na hotové systémy a jejich použití. Robot, jehož AI slouží jako bezpečnostní součást výrobku, se ale může dostat do kategorie vysoce rizikových systémů. Výrobce pak musí prokázat i kvalitu a správu trénovacích dat. Anotace vytvořené jiným modelem jsou právě taková data, a proto bude muset někdo umět doložit jejich chybovost.
Strategie za otevřeností
Otevřenost tu má jasný obchodní smysl. Nvidia investuje miliardy do otevřených modelů, aby vývojáři zůstali v jejím hardwarovém ekosystému a kupovali její čipy. Flora slouží stejnému cíli. Firma se navíc delší dobu snaží zmírnit nedostatek trénovacích dat pro robotiku simulacemi a automatickým zpracováním záznamů. Na letošní konferenci GTC ukázala datový řetězec, který trénovací materiál sám připravuje, rozmnožuje a hodnotí. Flora do něj doplňuje podrobné popisy a signály odměny z videa.
Nvidia tak chce pokrýt celou robotiku, od hardwaru přes trénovací data a simulaci až po samotné modely. Není v tom ale sama. Google nedávno ohlásil Gemini 4 Argon, zaměřený na podobnou část přípravy robotů: také rozpoznává pracovní kroky v trénovacích videích a označuje nepovedené akce.
Zatím nikdo nezávisle neověřil, jak se Flořina čísla udrží mimo testy, které Nvidia sama sestavila, a jak se projeví na skutečných robotech. Levná anotace má smysl jen tehdy, když stroje vytrénované na jejích výsledcích budou v provozu chybovat méně.
