NvidiaがFloraを公開

NvidiaはFloraを、Scale AIのPhysical AI Data Engineなど商用ラベリングサービスに対するオープンな代替手段と位置づける。狙うギャップは構造的なものだ。既存ツールの多くはロボット訓練に必要な3種類のラベルのうち1種類しか提供せず、GPT-6 Astraのような汎用モデルは複数種類を生成できるものの、対象となる動画量にスケールしないコストがかかる。Floraは作業を特化モデルに分割し、9Bモデルが動画を行動にセグメント化し、27Bモデル2基が記述と報酬スコアリングを担う。

品質面の評価はまちまちだ。Floraの最も明確な優位性は時間的ローカライゼーションにある。RoboRewardBenchではエラー率がAstraより27.8パーセント低く、報酬モデルはエピソード内の失敗ステップの53.3パーセントを検出する。競合他社は11.7パーセントを超えず、Astraはまったく検出できない。代償として、正常なステップの約11パーセントを誤ってエラーと判定する。ある例では、Floraは参照行動37件のうち34件を特定したのに対し、Astraは4件だった。ただしFloraは長い行動を過剰に分割したり、誤って記述したりすることがある。

Floraは、ハードウェアや訓練データからシミュレーション、モデルまでロボティクスのバリューチェーンをカバーし、開発者を自社のハードウェアエコシステムにつなぎ留めようとするNvidiaの広範な戦略に沿うものだ。また、GTCでNvidiaが示した自動データパイプラインにラベルと報酬のシグナルを加える。GoogleのGemini 4 Argonもロボット訓練の同様の領域を狙っており、訓練データツールをめぐる競争は広がりつつある。