Nvidia presentó Flora, un sistema abierto para etiquetar videos de entrenamiento robótico que, según sus cálculos, baja el costo de una hora de trabajo de USD 88,49 a USD 0,72. La compañía sostiene además que puede procesar hasta 200.000 horas de video al día y que ya lo usa en el entrenamiento de sus modelos GR00T.

La propuesta busca resolver una tarea clave en robótica: identificar qué acción ocurre, cuándo sucede, cómo avanza y si termina con éxito. En una publicación difundida por la empresa, Flora aparece como una herramienta para convertir grabaciones en señales útiles para entrenar modelos de inteligencia artificial.

Un sistema abierto para convertir video en etiquetas

Flora reúne tres funciones que, según Nvidia, suelen estar repartidas en herramientas distintas: localizar acciones en el tiempo, describir lo que ocurre en cada tramo y calificar el resultado de una tarea. La empresa indica que sus modelos están disponibles en Hugging Face para que investigadores puedan probarlos con sus propios datos.

El sistema divide cada video en segmentos temporales, identifica acciones y evalúa la ejecución y el desenlace de una tarea. Nvidia explica que esa dimensión temporal es importante porque una acción aislada puede resultar ambigua sin el contexto inmediato.

La arquitectura se apoya en tres modelos ajustados a partir de Qwen3.5. Uno de 9.000 millones de parámetros identifica los segmentos de acción, otro de 27.000 millones genera descripciones y un tercero, Flora-Rewarder, también de 27.000 millones, asigna puntuaciones o clasifica pasos según la instrucción recibida.

Resultados, costos y límites de la comparación

En una prueba con 50 videos, Nvidia dijo que Flora obtuvo una calidad de anotación de 57,1%, frente a 53,7% para GPT-6 Astra. La compañía también calculó un costo de USD 0,72 por hora de video para Flora y de USD 88,49 para Astra; Claude Opus 5, según esa misma medición, quedó bastante por debajo y costó cerca de USD 42 por hora.

Pero la propia comparación tiene un límite: Nvidia aclara que la diferencia de precio es una proyección basada en un alquiler supuesto de USD 10 por GPU por hora. Es decir, no se trata de una tarifa universal ya comprobada, sino de una estimación que puede cambiar según los recursos y las condiciones de operación.

Los resultados también varían según la prueba. En WGO-Bench, Flora destacó al ubicar los límites entre acciones, aunque quedó detrás de Astra en la puntuación general y de Gemini 3.8 Flash en precisión descriptiva. En DenseCaptionBench, la empresa reportó que Flora lideró en videos de personas y quedó segunda en grabaciones de robots, por detrás de Astra.

En RoboRewardBench, Nvidia afirmó que Flora registró una tasa de error 27,8% menor que Astra. La compañía ilustró esa diferencia con un caso en el que un robot solo vuelca una botella en lugar de tirarla de la mesa: Flora le asigna tres puntos de cinco, igual que la referencia humana, mientras Astra le concede un punto.

La empresa también reconoció un margen de error propio: Flora-Rewarder detectó 53,3% de los pasos fallidos dentro de un episodio, pero marcó por error cerca de 11% de los pasos normales. Aun así, Nvidia presenta el sistema como una vía para ampliar los datos disponibles para robots y reducir la escasez de material de entrenamiento.