Nvidia phát hành mã nguồn mở Flora, giúp chi phí gán nhãn video cho robot rẻ hơn 125 lần so với GPT-6 Astra

Plus Nghiên cứu AI Sao chép liên kết vào bộ nhớ tạm Chia sẻ bài viết Đi tới phần bình luận Nvidia phát hành mã nguồn mở Flora, giảm chi phí gán nhãn video robot 125 lần so với GPT-6 Astra Jonathan Kemper Xem hồ sơ LinkedIn của Jonathan Kemper Ngày 25/10/2026 Nvidia Chi phí gán nhãn một giờ video về robot chỉ 72 cent thay vì 88 USD là cam kết của Nvidia đối với Flora - công cụ dữ liệu mở của hãng. Tuy nhiên, việc so sánh với GPT-6 Astra không hoàn toàn chênh lệch như mức giá phản ánh. Các mô hình AI lớn dành cho robot học từ video cần được chú thích bằng văn bản. Theo phòng nghiên cứu GEAR của Nvidia, quy trình này yêu cầu ba loại nhãn dữ liệu. Thứ nhất là phần mô tả hành động diễn ra vào thời điểm nào trong video, dùng để chọn lọc dữ liệu huấn luyện. Thứ hai là đánh giá mức độ tiến triển từng bước của robot nhằm giúp thiết bị học thông qua thử nghiệm và sai sót. Thứ ba là đánh giá mức độ hoàn thành nhiệm vụ, dùng để giám sát robot trong quá trình vận hành thực tế. Phần lớn công cụ hiện nay chỉ cung cấp một trong ba loại trên. Các mô hình ngôn ngữ lớn như GPT-6 Astra có thể tạo nhiều loại nhãn, song chi phí quá cao đối với lượng video khổng lồ cần xử lý. Flora chia nhỏ video thành các phân đoạn thời gian, mô tả từng hành động, đồng thời đánh giá quá trình thực hiện và kết quả của một chuỗi hành động. | Ảnh: Nvidia Theo báo cáo nghiên cứu, Flora đáp ứng toàn bộ ba yêu cầu này. Nvidia cho biết hệ thống đã được triển khai trong quá trình huấn luyện các mô hình GR00T, thực hiện gán nhãn tới 200.000 giờ video mỗi ngày trên 512 GPU GB300. Các mô hình hiện được phát hành trên Hugging Face. Flora gồm ba mô hình Qwen3.5 đã qua tinh chỉnh. Mô hình 9B có nhiệm vụ chia tách video thành các phân đoạn hành động, trong khi mô hình 27B mô tả các phân đoạn này có xét đến bối cảnh trước và sau mỗi hành động. Mô hình 27B thứ hai mang tên Flora-Rewarder đảm nhiệm ba vai trò tùy theo câu lệnh gợi ý (prompt). Mô hình này đánh giá mức độ thành công của một chuỗi hành động theo thang điểm từ 1 đến 5, phân loại từng bước kéo dài nửa giây thành bình thường, chưa tối ưu hoặc thất bại, đồng thời chấm điểm dựa trên các tiêu chí tự thiết lập. Mô hình phân đoạn và mô hình tạo phụ đề cung cấp các mô tả có gắn mốc thời gian, trong khi một mô hình phần thưởng duy nhất tạo ra cả ba loại đánh giá. | Ảnh: Nvidia Rẻ hơn tới 125 lần theo ước tính của Nvidia Trong thử nghiệm với 50 video, Nvidia cho biết Flora đạt điểm số nhỉnh hơn GPT-6 Astra, dù mô hình của OpenAI được kích hoạt toàn bộ năng lực suy luận. Theo tính toán của Nvidia, chi phí gán nhãn một giờ video bằng Flora tốn khoảng 72 cent, so với mức xấp xỉ 88,50 USD của GPT-6 Astra. Claude Opus 5 đạt điểm thấp hơn nhiều trong cùng bài kiểm tra nhưng chi phí vẫn ở mức khoảng 42 USD mỗi giờ. Theo Nvidia, Flora đạt chất lượng chú thích 57,1% với chi phí 0,72 USD cho mỗi giờ video, trong khi GPT-6 Astra đạt 53,7% với chi phí 88,49 USD. | Ảnh: Nvidia Tuy nhiên, các số liệu chi phí của Flora chỉ là mức dự phóng, chưa phải kết quả đo lường trong sản xuất thực tế. Nvidia tính toán dựa trên giả định giá thuê GPU là 10 USD mỗi giờ. Flora nhận diện hành động tốt hơn, nhưng Astra thường miêu tả chính xác hơn Trên bảng chuẩn đối sánh mở WGO-Bench, Flora dẫn đầu về khả năng phát hiện ranh giới hành động nhưng xếp sau Astra về điểm số tổng thể và xếp sau Gemini 3.8 Flash về độ chính xác thuần túy của phần mô tả. Các nhà nghiên cứu nhận định những ưu thế của Flora chủ yếu đến từ khả năng định vị theo thời gian. Trên bảng chuẩn đối sánh DenseCaptionBench của Nvidia, mô hình Flora dẫn đầu trên mọi chỉ số đối với các video ghi lại hoạt động của con người, nhưng đứng thứ hai sau Astra đối với các video về robot. Các nhà nghiên cứu cũng thừa nhận một hạn chế về phương pháp luận: GPT-6 Astra vừa thực hiện đánh giá các phần mô tả, vừa là một trong những mô hình tham gia thử nghiệm. Flora dẫn đầu ở dữ liệu ghi hình con người, chấm điểm kết quả và đánh giá từng bước; trong khi GPT-6 Astra chiếm ưu thế trên WGO-Bench, video về robot và chấm điểm theo tiêu chí. | Ảnh: Nvidia Hầu như không mô hình nào khác phát hiện được lỗi phát sinh giữa chu kỳ Trên RoboRewardBench, tỷ lệ lỗi của Flora thấp hơn 27,8% so với Astra. Báo cáo nghiên cứu cho rằng sự chênh lệch này xuất phát từ các nhiệm vụ chỉ hoàn thành một phần. Khi robot chỉ làm đổ chai nước thay vì hất rơi khỏi bàn, Flora chấm 3 trên 5 điểm để tương ứng với dữ liệu tham chiếu của con người, trong khi Astra chỉ chấm 1 điểm. Flora-Rewarder phát hiện 53,3% các bước thực hiện không thành công trong một chu kỳ, trong khi không đối thủ nào đạt trên 11,7% và Astra không phát hiện được trường hợp nào. Đổi lại, Flora phân loại nhầm khoảng 11% các bước bình thường thành lỗi. Astra vẫn dẫn đầu ở phương pháp chấm điểm theo tiêu chuẩn đánh giá và xếp hạng quỹ đạo. Trong một video có nhiều chuyển động tay ngắn, Flora nhận diện được 34 trên tổng số 37 hành động riêng lẻ, trong khi Astra chỉ nhận diện được 4. Ngược lại, Flora đôi khi chia các hành động dài thành quá nhiều bước nhỏ và thỉnh thoảng đưa ra mô tả sai. Trong một video, bàn tay robot dùng khăn lau đĩa, nhưng Flora lại mô tả hành động đó là gấp khăn ăn. Trong một chu kỳ ví dụ, Flora nhận diện được 34 trên 37 hành động tham chiếu, trong khi GPT-6 Astra chỉ nhận diện được 4. | Ảnh: Nvidia Nvidia định vị Flora là giải pháp thay thế mở cho các dịch vụ thương mại như Physical AI Data Engine của Scale AI. Các nhà nghiên cứu có thể sử dụng mô hình này để mở rộng các tập dữ liệu robot của riêng mình và thử nghiệm các phương pháp như chuyển giao thao tác mẫu từ con người sang robot. Nvidia đang đầu tư hàng tỷ USD vào các mô hình AI mở nhằm giữ chân các nhà phát triển trong hệ sinh thái phần cứng của hãng và thúc đẩy nhu cầu đối với các dòng chip xử lý; Flora cũng phục vụ mục tiêu đó. Doanh nghiệp này cũng đã nỗ lực trong một thời gian dài nhằm bù đắp tình trạng thiếu hụt dữ liệu huấn luyện robot thông qua mô phỏng và xử lý dữ liệu tự động. Tại sự kiện GTC đầu năm nay, Nvidia đã giới thiệu quy trình dữ liệu tự động chuẩn bị, nhân bản và chấm điểm tài liệu huấn luyện. Flora bổ sung các nhãn chi tiết và tín hiệu phần thưởng từ video vào quy trình nói trên. Tất cả những yếu tố này đóng góp vào chiến lược bao phủ toàn bộ chuỗi giá trị robot của Nvidia, từ phần cứng, dữ liệu huấn luyện đến môi trường mô phỏng và chính các mô hình AI. Mô hình Gemini 4 Argon do Google công bố gần đây cũng nhắm vào một phân đoạn tương tự trong quy trình huấn luyện robot, với khả năng nhận diện các bước làm việc trong video huấn luyện và đánh dấu những hành động thất bại. Tin tức AI không phô trương – Do con người tổng hợp S