NVIDIA ha abierto el código de Flora, un motor de datos diseñado para convertir grabaciones de robots en información estructurada que puede utilizarse para entrenar modelos de inteligencia artificial.
Según las estimaciones de NVIDIA, procesar una hora de vídeo con Flora costaría aproximadamente 0,72 dólares, frente a los 88,49 dólares estimados para GPT-6 Astra. La compañía presenta esta diferencia como una reducción de costes de hasta 125 veces.
La propuesta va más allá de describir lo que aparece en una grabación: Flora también identifica cuándo comienza y termina cada acción, analiza cómo se ejecuta y determina si el robot consigue completar su tarea.
Qué es Flora y por qué importa para la robótica
Los modelos de inteligencia artificial que controlan robots necesitan aprender de vídeos que muestran acciones y comportamientos. Para aprovechar ese material durante el entrenamiento, las grabaciones deben acompañarse de anotaciones de texto que expliquen lo ocurrido.
El laboratorio GEAR de NVIDIA identifica tres tipos fundamentales de etiquetas:
- Descripciones de acciones: indican qué está haciendo el robot y en qué momento sucede cada acción.
- Evaluaciones del progreso: permiten analizar cómo se desarrolla la ejecución paso a paso.
- Juicios sobre el resultado: determinan si la tarea completa terminó con éxito.
Flora reúne estas tres funciones en un mismo sistema. Su procesamiento consiste en dividir los vídeos en segmentos temporales, describir las acciones individuales y evaluar tanto su ejecución como el resultado general del episodio.
De esta manera, una grabación puede transformarse en datos que explican no solo qué hizo un robot, sino también cómo lo hizo y dónde aparecieron los errores.
Tres modelos Qwen3.5 especializados
La arquitectura de Flora utiliza tres modelos Qwen3.5 ajustados para realizar funciones diferentes dentro del proceso de anotación.
1. Qwen3.5 de 9B: segmentación de acciones
El primer modelo, de 9.000 millones de parámetros, identifica los límites temporales de las acciones. Su función es dividir una grabación en segmentos que representen los distintos movimientos o pasos ejecutados.
2. Qwen3.5 de 27B: descripción contextual
El segundo modelo, de 27.000 millones de parámetros, genera descripciones de las acciones detectadas. Para elaborar cada descripción, considera lo que ocurrió antes y después de la acción analizada.
3. Flora-Rewarder de 27B: evaluación de resultados
El tercer componente también tiene 27.000 millones de parámetros y recibe el nombre de Flora-Rewarder. Según las instrucciones recibidas mediante el prompt, puede realizar tres tareas:
- Evaluar el éxito de un episodio mediante una puntuación del 1 al 5.
- Clasificar cada intervalo de medio segundo como normal, subóptimo o fallo.
- Asignar puntuaciones mediante rúbricas personalizadas, definidas para evaluar la ejecución.
Flora frente a GPT-6 Astra y Claude Opus 5: costes, calidad y detección de errores
NVIDIA presenta estimaciones de costes y calidad para comparar Flora con otros modelos. En una prueba de calidad realizada con 50 vídeos, la compañía estima una puntuación del 57,1% para Flora frente al 53,7% de GPT-6 Astra. Durante esa comparación, Astra pudo utilizar toda su capacidad de razonamiento.
La siguiente tabla reúne las cifras comunicadas por NVIDIA, junto con los resultados de detección de pasos fallidos.
| Indicador | Flora | GPT-6 Astra | Claude Opus 5 |
|---|---|---|---|
| Coste estimado por hora de vídeo | US$0,72 | US$88,49 | US$42 |
| Calidad de anotación según NVIDIA (50 vídeos) | 57,1% | 53,7% | — |
| Pasos fallidos detectados dentro de un episodio | 53,3% | 0% | — |
Cómo interpretar las cifras: los costes son proyecciones de NVIDIA, no mediciones de producción. Para calcular el coste de Flora, la compañía supone un alquiler de 10 dólares por GPU y hora. Las cifras de calidad corresponden a la comparación presentada por NVIDIA, mientras que los porcentajes de detección de errores proceden de su evaluación de las capacidades de los modelos.
La reducción de costes de hasta 125 veces es, por tanto, una estimación de NVIDIA basada en esos supuestos.
Dónde gana Flora y dónde siguen destacando otros modelos
Las evaluaciones muestran que los resultados cambian considerablemente según la capacidad que se esté midiendo.
WGO-Bench: mejor segmentación, pero menor puntuación global
En el benchmark público WGO-Bench, Flora obtiene los mejores resultados al identificar los límites entre acciones. Sin embargo, GPT-6 Astra consigue una puntuación global superior, mientras que Gemini 3.8 Flash destaca por su mayor precisión descriptiva.
DenseCaptionBench: resultados distintos en humanos y robots
En DenseCaptionBench, un benchmark propio de NVIDIA, Flora encabeza todos los parámetros evaluados cuando se utilizan grabaciones de personas. La situación cambia con los vídeos de robots: en ese caso, Flora ocupa la segunda posición, por detrás de GPT-6 Astra.
Los investigadores también reconocen un matiz metodológico importante: GPT-6 Astra participa como evaluador de las descripciones y, al mismo tiempo, figura entre los modelos evaluados. Esta circunstancia debe tenerse en cuenta al interpretar los resultados comparativos.
RoboRewardBench: ventaja en detección de fallos
Según los resultados presentados por NVIDIA, la tasa de error de Flora es un 27,8% menor que la de GPT-6 Astra. Además, Flora-Rewarder detecta el 53,3% de los pasos fallidos dentro de un episodio. En esa comparación, ningún modelo competidor supera el 11,7%, mientras que Astra no identifica ninguno de esos pasos fallidos.
La contrapartida es que Flora también genera falsos positivos: clasifica incorrectamente como errores aproximadamente el 11% de los pasos normales. Por su parte, Astra mantiene la ventaja en otros dos aspectos: la puntuación basada en rúbricas y la clasificación comparativa de trayectorias.
Un ejemplo: 34 acciones identificadas frente a cuatro
NVIDIA muestra un ejemplo en el que Flora identifica correctamente 34 de 37 acciones individuales presentes en una grabación. En ese mismo caso, GPT-6 Astra reconoce únicamente cuatro acciones.
La mayor granularidad de Flora también tiene inconvenientes: el sistema puede dividir movimientos prolongados en demasiados pasos pequeños, lo que produce una segmentación excesiva. También puede equivocarse al describir lo que observa. En uno de los ejemplos, una mano robótica está limpiando un plato con un paño, pero Flora interpreta la acción como si estuviera doblando una servilleta.
Para qué sirve Flora
El propósito de Flora es facilitar la generación de datos anotados para entrenar modelos de inteligencia artificial aplicados a la robótica. Sus funciones permiten transformar grabaciones en información sobre las acciones, su desarrollo temporal, la calidad de la ejecución y el resultado de las tareas.
NVIDIA afirma que Flora ya forma parte del entrenamiento de sus modelos GR00T. Según la compañía, el sistema se utiliza para anotar hasta 200.000 horas de vídeo al día mediante 512 GPUs GB300. Los tres modelos de Flora están disponibles en Hugging Face, como parte de la publicación abierta del proyecto.
Una alternativa abierta para los datos de robótica
NVIDIA posiciona Flora como una alternativa de código abierto a servicios comerciales de procesamiento y anotación de datos para robótica, entre ellos Physical AI Data Engine de Scale AI. Su propuesta combina modelos especializados para segmentar, describir y evaluar grabaciones, con el objetivo de cubrir varias necesidades de preparación de datos mediante un mismo sistema.
Las comparaciones presentadas por NVIDIA dibujan un panorama con ventajas específicas: Flora destaca en la identificación de acciones y pasos fallidos, mientras que otros modelos conservan mejores resultados en precisión descriptiva, puntuación global o evaluaciones basadas en rúbricas.
El atractivo económico de Flora se apoya en las proyecciones de coste de NVIDIA, calculadas con una tarifa supuesta de alquiler de GPU, y sus resultados de calidad deben interpretarse considerando las diferencias entre benchmarks y la metodología de evaluación.
NVIDIA en contexto
A través de su laboratorio GEAR, sus modelos de robótica GR00T y el uso de GPUs GB300, NVIDIA desarrolla una estrategia para abarcar toda la cadena de valor de la robótica. Esta estrategia incluye hardware, datos de entrenamiento, simulación y modelos de inteligencia artificial.
