Flora-Suite von Nvidia: Annotation kostet rechnerisch 0,72 Dollar pro Stunde
Veröffentlicht am: 25.10.2026 um 20:30 Uhr | Redaktion boerse-global.de
Die Forschungseinheit Nvidia GEAR hat am 20. Oktober 2026 die Flora-Suite vorgestellt. Dabei handelt es sich um eine quelloffene Daten-Engine zur automatisierten Annotation von Videoaufnahmen menschlicher Bewegungen und robotischer Abläufe.
Das System dient dem gezielten Training humanoider Roboter und basiert auf drei feinjustierten Modellen der Architektur Qwen3.5. Das offizielle Datum der Modellkarten auf der Plattform Hugging Face war bereits der 15. Oktober 2026.
Dreigliedrige Modellarchitektur für Segmentierung und Bewertung
Die Werkzeugreihe gliedert sich in spezialisierte Komponenten mit unterschiedlichen Aufgabenstellungen. Für die zeitliche Aktionssegmentierung setzt Nvidia GEAR auf Flora-TempSeg mit 9 Milliarden Parametern, das mittels LoRA auf Qwen3.5-9B trainiert wurde.
Die detaillierte Beschreibung übernimmt der Flora-Captioner mit 27 Milliarden Parametern auf Basis von Qwen3.5-27B. Dieses Modell generiert zeitgestempelte Ablauferklärungen unter Berücksichtigung des Vor- und Nachkontexts. Die Textausgaben sind gegenwärtig auf Englisch beschränkt.
Als dritter Baustein fungiert der Flora-Rewarder, der ebenfalls 27 Milliarden Parameter umfasst. Das Modell beurteilt Handlungsabläufe mit einem Episoden-Score auf einer Skala von 1 bis 5. Zudem klassifiziert es einzelne Abschnitte im Takt von 0,5 Sekunden als normal, suboptimal oder fehlerhaft und liefert standardisierte Kriterienbewertungen.
Trainiert wurden die Systeme laut Herstellerangaben auf weniger als 10.000 Videostunden. Intern setzt das Unternehmen die Werkzeuge bereits im Rahmen des GR00T-Robotiktrainings ein, um dichte Prozessbelohnungen für das bestärkende Lernen zu gewinnen sowie Kriterienbewertungen für Realeinsatz-Tests zu erstellen.
Berechnete Kostenvorteile und Benchmark-Ergebnisse
In eigenen Modellrechnungen schätzt Nvidia GEAR die Annotationskosten für den Captioner auf 0,72 US-Dollar pro Videostunde. Das Unternehmen stellt dem Kosten von 88,49 US-Dollar bei GPT-6 Astra gegenüber, was einem rund 125-fachen Preisunterschied entspricht. Für Claude Opus 5 werden rund 42 US-Dollar pro Stunde veranschlagt.
Wer die tiefgreifenden Veränderungen durch Robotik und KI verstehen möchte, erhält in diesem aktuellen Report wertvolle Einblicke in die Gewinner des technologischen Wandels. Robotik und KI: So erkennen Sie die Profiteure der neuen Industrieära
Bei dem Wert von 0,72 US-Dollar handelt es sich jedoch um eine Hochrechnung auf Basis eines angenommenen GPU-Mietpreises von 10 US-Dollar pro Stunde (mit einer Spanne von 0,51 bis 1,26 US-Dollar ohne Speicher- und Nebenkosten) und nicht um eine im Realbetrieb gemessene Summe.
Der Wert für Astra geht dagegen auf protokollierte Schnittstellennutzung zurück. Zudem betont das Unternehmen, dass auf einer Konfiguration aus 512 GB300-Grafikprozessoren rechnerisch bis zu 200.000 Videostunden täglich annotiert werden könnten, was die Rechenkapazität der Hardware beziffere.
In vergleichenden Tests ergab sich ein gemischtes Leistungsbild. Bei einer Stichprobe von 50 Videos erzielte Flora laut Nvidia GEAR eine Annotationsqualität von 57,1 Prozent, während GPT-6 Astra mit vollem Denkprozess 53,7 Prozent erreichte. Gemini 3.8 Flash lag bei 38,3 Prozent, Claude Opus 5 bei 30,4 Prozent.
Im WGO-Benchmark führte Flora bei der Bestimmung von Aktionsgrenzen mit einem Segmentierungs-F1-Wert von 50,3 bei einem Schwellenwert von 0,75 tIoU gegenüber 46,0 bei Astra. Astra behauptete sich dagegen beim Gesamtergebnis sowie bei der Beschreibungsgenauigkeit; Gemini 3.8 Flash erzielte bei der reinen Textgenauigkeit die beste Leistung.
Weitere Werte auf dem WGO-Benchmark wiesen für Astra eine Genauigkeit im Zielfenster von 77,4 gegenüber 64,7 bei Flora aus. Der gemeinsam semantische F1-Wert lag bei 39,0 für Astra und 34,5 für Flora. Die Instruktionsgenauigkeit des Flora-Captioners betrug 64,7 Prozent.
Auf dem DenseCaptionBench erzielte Flora bei Videos mit menschlichen Akteuren Spitzenwerte, lag bei Robotervideos jedoch auf dem zweiten Platz hinter Astra. Bei der Messung der Punktqualität für 200 Roboterabläufe kam Astra auf 80,2 Punkte, Flora auf 73,7. Im Rahmen des RoboRewardBench lag Floras Fehlerrate um 27,8 Prozent unter jener von Astra.
Das Belohnungsmodell identifizierte 53,3 Prozent der Fehlerschritte, während Wettbewerber maximal 11,7 Prozent und Astra null Prozent erreichten. Zugleich stufte Flora jedoch rund 11 Prozent regulärer Ausführungsschritte fälschlicherweise als Fehler ein.
Der DenseRewardBench ergab einen Makro-F1-Wert von 46,2 für den Flora-Rewarder. Der mittlere absolute Fehler beim RoboReward lag bei Flora bei 40,0 im Vergleich zu 55,4 bei Astra. Beim RubricBench verzeichnete Astra 3,6 Fehler gegenüber 6,5 bei Flora.
Der technologische Umbruch in der Industrie wird maßgeblich von Entwicklungen in der Robotik vorangetrieben. Dieser kostenlose Guide fasst zusammen, welche Unternehmen die industrielle Revolution 2026 prägen und wer von diesen Milliarden-Investitionen profitiert. Experten-Analyse zur Industrierevolution jetzt kostenlos herunterladen
In einem dokumentierten Fallbeispiel extrahierte Flora 37 von 34 definierten Referenzaktionen, während Astra lediglich 4 erfasste. Allerdings neigte das Modell dazu, zusammenhängende Aktionen zu fein zu zergliedern oder fehlerhaft zu benennen. Branchenbeobachter merken zudem an, dass Astra bei der qualitativen Beschreibungsbewertung als Prüfmodell fungierte und unabhängige externe Validierungen der Herstellerdaten bislang ausstehen.
Lizenzierung und Verfügbarkeit
Die Modelle sind über das Repository nvidia/flora weltweit zugänglich. Nvidia GEAR stellt die Software unter der proprietären Lizenz NVIDIA OneWay Noncommercial bereit. Diese Bestimmung gestattet ausschließlich die wissenschaftliche Nutzung und Evaluation, schließt kommerzielle Anwendungen aus und bindet auch daraus abgeleitete Weiterentwicklungen an dieselben Restriktionen.
Strategisch ordnet das Unternehmen die Veröffentlichung als Teil seiner Bestrebungen ein, zentrale Schnittstellen der Wertschöpfungskette in der Robotikentwicklung zu besetzen.
