Nvidia publicó Flora, un motor de datos abierto para etiquetar video de robots, el 22 de octubre. Detecta cada acción, la describe y califica si el robot avanzó o falló. La empresa lo usa para entrenar a GR00T, su familia de modelos de robótica humanoide.
Según anunció el laboratorio de robótica de Nvidia, la herramienta ya corre en producción. El código está en GitHub y los modelos, en Hugging Face. Cubre los tres tipos de etiqueta que un robot necesita para aprender de video.
Tres modelos abiertos para etiquetar video de robots
Flora combina tres modelos afinados de Qwen3.5, la familia abierta de Alibaba, para etiquetar video de robots en un solo paso. Un segmentador divide la grabación en acciones. Un subtitulador describe qué hace el robot en cada tramo. Un tercer modelo califica cada paso y el resultado final.
El modelo que califica se llama Flora-Rewarder y cumple tres papeles. Puntúa el éxito del episodio de uno a cinco. Clasifica cada paso como normal, mejorable o fallido. Y asigna notas con rúbricas que define el propio sistema.
Cada etiqueta sirve a una etapa distinta del entrenamiento. Las descripciones con marca de tiempo filtran los datos de preentrenamiento. Las calificaciones por paso entran en el postentrenamiento por refuerzo. Las notas de resultado vigilan a los robots cuando ya están desplegados.
Nvidia lo presenta como una pieza de su cadena de datos que ya funciona a escala. Etiqueta hasta 200.000 horas de video por día en 512 GPUs GB300. Ese volumen alimenta a GR00T, sus modelos de robots humanoides.
La diferencia de costo es el dato central. Etiquetar una hora de video cuesta unos 72 centavos con Flora. Con GPT-6 Astra, el modelo de OpenAI, la misma hora ronda los 88 dólares.
Detectar el paso fallido que otros no ven
Nvidia sostiene que Flora detecta el 53,3 % de los pasos fallidos dentro de un episodio. Ningún competidor supera el 11,7 % y Astra no detecta ninguno. La métrica importa: un robot que repite un error durante el entrenamiento termina por aprenderlo.
Las cifras de costo son proyecciones de Nvidia, no mediciones de producción. Parten de un alquiler estimado de 10 dólares por GPU y por hora. El documento lo aclara de forma explícita.
También reconoce un límite de método. GPT-6 Astra evalúa las descripciones al tiempo que es uno de los modelos bajo prueba. Y Flora a veces describe mal: en un video confunde limpiar un plato con doblar una servilleta.
En calidad, Flora iguala a los modelos de frontera en varias pruebas públicas. Gana al detectar dónde empieza y termina cada acción. En descripción pura, Astra y Gemini a veces resultan más precisos.
Nvidia posiciona a Flora como alternativa abierta a los servicios comerciales de datos para robótica.
La jugada encaja con la estrategia del fabricante de chips. La apertura de Flora puede leerse como un modo de retener a los desarrolladores en el ecosistema de hardware de Nvidia. Flora empuja la misma dirección desde el lado de los datos.
El cuello de botella de la robótica está en conseguir video etiquetado. Flora hace el trabajo mecánico de anotar. La curación sigue en manos humanas: qué datos entran y cuáles no es una decisión de personas.
Flora abre además aplicaciones que Nvidia llama emergentes. Una es transferir demostraciones humanas a robots, porque el mismo proceso anota video de personas y de máquinas. Otra es la auto-investigación física, con robots que generan y evalúan sus propios experimentos.
Con el motor abierto, un laboratorio pequeño puede ampliar sus datos de robots sin depender de un servicio externo. El costo de etiquetar video baja la barrera de entrada a la robótica.
(Cifras de costo y calidad aportadas por Nvidia.)
Otras fuentes consultadas: The Decoder (25/10); arXiv, paper 2610.31779.
