NVIDIA abre Flora: etiquetado de datos para robots 125 veces más barato que GPT-6 Astra

NVIDIA ha abierto Flora, el motor de datos que la propia compañía usa para entrenar los modelos fundacionales de robótica GR00T. El sistema etiqueta 200 000 horas de datos al día en un clúster de 512 GPU GB300. Según sus autores, es unas 125 veces más barato que la API de GPT-6 Astra y, en los benchmarks internos, está a su altura. Al resto de modelos frontier los supera. En las pruebas públicas WGO-Bench, RoboReward y Robometer alcanza el SOTA.

Tres tipos de etiquetado en un solo modelo

Un modelo de robótica depende por completo de las etiquetas, y las necesita en distintas fases. Para el preentrenamiento hacen falta subtítulos con marcas temporales. Con ellos se filtra y se equilibra el conjunto de vídeos, de modo que no haya demasiados clips repetitivos del tipo «el robot mueve un cubo». Para monitorizar los despliegues reales se necesitan etiquetas de recompensa final: si el robot ha completado la tarea o no. En la fase de ajuste fino con RL se requieren etiquetas de recompensa por proceso, es decir, una valoración de si cada paso acerca o no al objetivo.

Por lo general, cada una de estas tareas se resuelve por separado. Flora cubre las tres con un único modelo, así que el mismo pipeline sirve para el preentrenamiento, la evaluación en producción y el ajuste fino con aprendizaje por refuerzo.

La aritmética de la escala

200 000 horas al día en 512 GB300 equivalen a unas 390 horas de vídeo por GPU al día, o unas 16 horas de material por cada hora de funcionamiento de la tarjeta. Son cálculos míos a partir de las cifras declaradas. Ayudan a entender de dónde sale la brecha de precio. Pasar cientos de miles de horas de vídeo al día por una API cerrada no tiene sentido económico, mientras que un modelo especializado sobre hardware propio lo hace por una fracción del coste.

La comparación principal es con GPT-6 Astra. Paridad en calidad con un precio 125 veces menor significa que el etiquetado deja de ser una partida de gasto que limita el tamaño del dataset.

Qué se ha declarado exactamente

• Flora: conjunto abierto de modelos y motor de datos de nivel industrial con el que se entrenan los modelos GR00T.
• Tres funciones: subtítulos con marcas temporales, etiquetas de recompensa final y etiquetas de recompensa por proceso.
• Benchmark de subtítulos WGO-Bench: SOTA.
• Benchmarks de recompensas RoboReward y Robometer: SOTA.
• Pruebas internas: al nivel de GPT-6 Astra y por encima del resto de modelos frontier.
• Coste: aproximadamente 125 veces menor que el de GPT-6 Astra.
• Rendimiento: 200 000 horas de datos al día en 512 GB300.
• Publicación: código en el repositorio NVIDIA/Flora de GitHub y página del proyecto en research.nvidia.com/labs/gear/flora.
• Autores: Sicong Leng, Yunze Man, Zhiqi Li, Jing Wang, Yuhe Zhang, Ryan Punamiya, Siddharth Patki, Kaiyuan Zheng, Zi-ang Cao, Zhiding Yu, Sifei Liu, Danfei Xu, Ben Levin, Jan Kautz, Yuke Zhu, Johan Bjorck y Linxi "Jim" Fan.

A quién le sirve ya

Los mayores beneficiados son los equipos que tienen sus propias grabaciones de robots pero no presupuesto para etiquetarlas con modelos cerrados. Laboratorios académicos y startups pueden montar su propio dataset, filtrarlo por marcas temporales y obtener una señal de recompensa para RL sin recurrir a APIs externas. El filtrado y el equilibrado de los datos de preentrenamiento dejan de estar al alcance solo de los grandes actores.

Los autores señalan dos líneas que esto abre: physical auto-research y la transferencia de habilidades de personas a robots. En la primera, el etiquetado de recompensas permite que el propio robot evalúe los resultados de sus experimentos. En la segunda, el modelo etiqueta vídeos de personas de modo que sirvan para enseñar a los manipuladores.

Para quien trabaje con robots, la prueba es sencilla: clonar el repositorio, ejecutarlo sobre las propias grabaciones y comparar la calidad de los subtítulos y las recompensas con lo que hoy hace de pago una API. Si la paridad declarada con GPT-6 Astra se confirma con datos ajenos, la apuesta de NVIDIA por un motor de datos abierto en torno a GR00T resultará muy conveniente para todo el sector. Esas mismas 125 veces de diferencia de precio, pero ya en sus propios cálculos.