NVIDIA تطلق Flora مفتوح المصدر: وسم بيانات الروبوتات بتكلفة أقل 125 مرة من GPT-6 Astra

فتحت NVIDIA مصدر Flora، وهو محرك البيانات الذي تستخدمه بنفسها لتدريب نماذج GR00T التأسيسية للروبوتات. يوسم النظام 200 000 ساعة من البيانات يوميًا على عنقود من 512 وحدة GPU من طراز GB300. وبحسب المؤلفين، فإن تكلفته أقل بنحو 125 مرة من تكلفة API الخاص بـGPT-6 Astra، ويضاهيه في الاختبارات الداخلية. أما نماذج frontier الأخرى فيتفوق عليها Flora. وعلى الاختبارات العامة WGO-Bench وRoboReward وRobometer يبلغ مستوى SOTA.

ثلاثة أنواع من الوسم في نموذج واحد

تعتمد حياة نموذج الروبوتات كلها على التسميات، وتلزم هذه التسميات في مراحل مختلفة. فالتدريب المسبق يحتاج إلى تعليقات نصية بطوابع زمنية. وبها تُرشَّح مجموعة الفيديو وتُوازَن، حتى لا تطغى عليها مقاطع متكررة من نوع «الروبوت يحرّك مكعبًا». ولمراقبة عمليات النشر الفعلية تلزم تسميات المكافأة النهائية: هل أنجز الروبوت المهمة أم لا. أما في مرحلة الضبط الدقيق بالتعلم المعزز فتلزم تسميات مكافأة العملية، أي تقييم ما إذا كانت كل خطوة تقرّب الروبوت من الهدف.

عادةً تُحَلّ كل مهمة من هذه المهام على حدة. أما Flora فيغطي الثلاث بنموذج واحد، ولذلك يمكن ربط خط المعالجة نفسه بالتدريب المسبق، والتقييم في بيئة الإنتاج، والتعلم المعزز.

حساب الحجم

إن 200 000 ساعة يوميًا على 512 وحدة GB300 تعني نحو 390 ساعة من الفيديو لكل وحدة GPU في اليوم، أي قرابة 16 ساعة من المادة لكل ساعة تشغيل للبطاقة. هذه حساباتي استنادًا إلى الأرقام المعلنة. وهي تفسّر مصدر فجوة التكلفة. فتمرير مئات الآلاف من ساعات الفيديو يوميًا عبر API مغلق أمر غير مجدٍ اقتصاديًا، بينما يؤدي نموذج متخصص على عتاده الخاص هذه المهمة بجزء بسيط من التكلفة.

والمقارنة الأهم هنا مع GPT-6 Astra. فتكافؤ الجودة مع تكلفة أقل 125 مرة يعني أن الوسم لم يعد بند إنفاق يحدّ من حجم مجموعة البيانات.

ما الذي أُعلن بالضبط

• Flora: مجموعة نماذج مفتوحة ومحرك بيانات بمستوى صناعي، وتُدرَّب عليه نماذج GR00T.
• ثلاث وظائف: تعليقات نصية بطوابع زمنية، وتسميات المكافأة النهائية، وتسميات مكافأة العملية.
• اختبار التعليقات النصية WGO-Bench: SOTA.
• اختبارا المكافآت RoboReward وRobometer: SOTA.
• الاختبارات الداخلية: بمستوى GPT-6 Astra، وأعلى من نماذج frontier الأخرى.
• التكلفة: أقل بنحو 125 مرة من GPT-6 Astra.
• الأداء: 200 000 ساعة من البيانات يوميًا على 512 وحدة GB300.
• النشر: الشيفرة في مستودع NVIDIA/Flora على GitHub، وصفحة المشروع على research.nvidia.com/labs/gear/flora.
• المؤلفون: Sicong Leng وYunze Man وZhiqi Li وJing Wang وYuhe Zhang وRyan Punamiya وSiddharth Patki وKaiyuan Zheng وZi-ang Cao وZhiding Yu وSifei Liu وDanfei Xu وBen Levin وJan Kautz وYuke Zhu وJohan Bjorck وLinxi "Jim" Fan.

من يستفيد منه الآن

يجني الفائدة الأكبر الفرق التي تملك تسجيلات خاصة بها للروبوتات، لكنها لا تملك ميزانية للوسم عبر النماذج المغلقة. يمكن للمختبرات الأكاديمية والشركات الناشئة بناء مجموعة بياناتها الخاصة، وترشيحها بحسب الطوابع الزمنية، والحصول على إشارة مكافأة للتعلم المعزز دون الاعتماد على واجهات API خارجية. وأصبح ترشيح بيانات التدريب المسبق وموازنتها متاحَين لغير اللاعبين الكبار أيضًا.

ويشير المؤلفون إلى اتجاهين يفتحهما ذلك: physical auto-research ونقل المهارات من الإنسان إلى الروبوت. في الحالة الأولى يتيح وسم المكافآت للروبوت أن يقيّم بنفسه نتائج التجارب. وفي الثانية يوسم النموذج مقاطع الفيديو التي تظهر فيها البشر بطريقة تتيح تدريب الأذرع الروبوتية عليها.

والتحقق بالنسبة للممارس بسيط: خذ المستودع، وشغّله على تسجيلاتك، وقارن جودة التعليقات والمكافآت بما يؤديه API المدفوع حاليًا. فإذا تأكد التكافؤ المعلن مع GPT-6 Astra على بيانات خارجية، فستكون رهان NVIDIA على محرك بيانات مفتوح حول GR00T مفيدًا جدًا للقطاع كله. فهذا الفارق نفسه في التكلفة، 125 مرة، سيظهر عندئذٍ في حساباتك أنت.