Nvidia Flora: rotular vídeo de robô por US$0,72

O gargalo que ninguém quer pagar

Rotulagem de vídeo para robôs é o tipo de custo que quebra um projeto em silêncio. Você tem horas de demonstração, teleoperação e logs de falha, mas sem anotação temporal aquele dado vale quase nada. Alguém precisa dizer onde uma ação começa e termina, se o progresso foi bom ou ruim e se a tarefa de fato foi concluída. Fazer isso na mão é inviável em escala, e jogar tudo para um modelo gigante como GPT-6 Astra funciona no teste pequeno e explode na fatura quando você precisa de milhares de horas.

É nesse ponto que a Nvidia tenta entrar com Flora. A promessa é direta: trocar US$88,50 por hora de vídeo no Astra por cerca de US$0,72 com modelos abertos, uma redução de até 125x. Se você opera dataset de robótica, esse número prende a atenção na hora. Mas também acende o alerta clássico de quem já otimizou pipeline: quando a economia parece boa demais, geralmente o gargalo só mudou de lugar, do custo de API para custo de erro, filtragem e retrabalho.

O fato sem hype

O que a Nvidia publicou é um motor de dados aberto chamado Flora, desenvolvido pelo laboratório GEAR e já em uso no treinamento dos modelos GR00T. A proposta cobre os três tipos de label que o time diz serem necessários para robótica: descrição temporal do que acontece e quando, usada para selecionar dados de treino, avaliação passo a passo do progresso para aprendizado por tentativa e erro, e julgamento de sucesso do episódio para monitorar robôs em operação. A maioria das ferramentas cobre só um desses pontos. Modelos grandes cobrem vários, mas com preço impraticável para volume.

Segundo o artigo, Flora já roda em escala interna, com pico citado de até 200 mil horas de vídeo anotadas por dia em 512 GPUs GB300, e os modelos estão disponíveis no Hugging Face para a comunidade baixar e rodar. No teste interno com 50 vídeos, a Nvidia afirma que Flora superou levemente o GPT-6 Astra mesmo com o modelo da OpenAI usando capacidade total de raciocínio, enquanto o Claude Opus 5 teria ficado bem atrás e ainda custaria cerca de US$42 por hora. É um enquadramento agressivo, pensado para posicionar Flora como alternativa aberta a serviços comerciais como o Physical AI Data Engine da Scale AI.

Como funciona sob o capô

Três modelos Qwen encadeados

Na visão de operador, Flora não é um modelo monolítico, é um pipeline. São três Qwen3.5 com fine-tuning específico. Um modelo de 9B faz a segmentação temporal, ou seja, quebra o vídeo em trechos de ação. Depois um modelo de 27B descreve cada trecho levando em conta o antes e o depois, o que ajuda a dar contexto para movimentos curtos e repetitivos de manipulação. O terceiro componente, chamado Flora-Rewarder e também com 27B, assume três funções via prompt: dá nota de 1 a 5 para o sucesso do episódio, classifica cada passo de meio segundo como normal, subótimo ou falha, e gera scores a partir de rubricas que ele mesmo define.

Pensando em custo e latência, a lógica faz sentido. Segmentar com modelo menor e só depois descrever com modelo maior economiza tokens e reduz chamada desnecessária. Rodar local ou em GPU alugada muda a conta de API variável para custo fixo de infra, o que é ótimo para lote noturno de 10 mil horas. Só que o número de US$0,72 não é medição de produção, é projeção baseada em aluguel hipotético de US$10 por GPU por hora. Na prática, seu custo real vai depender de throughput, paralelismo, tamanho de contexto, quantização, taxa de reprocessamento e quanto dado você descarta por label ruim.

O que isso muda para quem opera dataset

Quem ganha primeiro é o laboratório e a startup que já tem muito vídeo cru e pouco orçamento para anotação. Com Flora dá para fazer uma primeira passada barata em tudo, filtrar episódios promissores, gerar sinais densos de recompensa para treino e montar um loop de curadoria. Quem perde, pelo menos em tese, é o fornecedor de anotação cara por API e o fluxo que dependia de um único modelo gigante para tudo. A mudança prática não é trocar o Astra pelo Flora e pronto, é redesenhar o pipeline em duas camadas: rotulagem barata e massiva, depois verificação cara e pontual.

• Suba Flora como primeira camada para segmentar, pontuar e descartar o óbvio, e reserve modelo grande só para casos duvidosos e auditoria.
• Trate o Rewarder como sinal fraco: use para ranking e pré-filtro, não como verdade final para treinar política crítica sem validação humana.
• Meça taxa de falso positivo em passos normais antes de escalar, porque 11 por cento de erro em milhões de passos vira ruído que o treino vai memorizar.

Uma ação prática para esta semana é simples: pegue 20 horas representativas do seu próprio domínio, com garra, iluminação e câmera que você usa de verdade, rode Flora, amostre 200 clipes e compare com sua anotação humana. Meça fronteira temporal, descrição e taxa de falso alarme de falha. Se o ganho se mantiver no seu dado, e não só no benchmark da Nvidia, aí sim vale escalar para milhares de horas e plugar no seu dataloader do GR00T ou do seu stack atual.

O 125x que precisa de asterisco

Aqui entra a tensão real. No WGO-Bench público, Flora é melhor em detectar fronteiras de ação, mas fica atrás do Astra no score geral e perde para o Gemini 3.8 Flash em precisão pura de descrição. No DenseCaptionBench da própria Nvidia, Flora lidera em vídeos humanos, mas em vídeos de robô fica em segundo atrás do Astra. E tem um detalhe metodológico que os próprios autores admitem: o GPT-6 Astra avalia as descrições enquanto também é um dos modelos avaliados. Isso não invalida o trabalho, mas contamina a comparação e pede leitura cética.

No RoboRewardBench a história é mais interessante para robótica. Flora teria erro 27,8 por cento menor que o Astra, principalmente em tarefas parcialmente completas. O exemplo citado é revelador: se o robô só tomba a garrafa em vez de derrubá-la da mesa, Flora dá 3 de 5 como o humano, Astra dá 1. Flora-Rewarder ainda detecta 53,3 por cento dos passos falhos dentro do episódio, contra no máximo 11,7 por cento dos concorrentes e zero do Astra. O preço dessa sensibilidade é falso positivo em cerca de 11 por cento dos passos normais, além de tendência a quebrar ações longas em pedacinhos e errar descrição, como chamar de dobrar guardanapo um ato de limpar prato com pano.

Isso escala? Provavelmente sim para pré-rotulagem massiva, onde recall de falha vale mais que precisão perfeita. Mas resolve ou só move o gargalo? Move. Você economiza em API e gasta em filtragem, calibração de threshold, junção de segmentos fragmentados e revisão humana focada. Para 200 mil horas por dia, 11 por cento de falso alarme são 22 mil horas sinalizadas erradas. Dá para operar, desde que você construa a segunda camada de verificação. Sem isso, o barato sai caro em política que aprende com recompensa ruidosa.

Veredito de operador

Flora é um avanço útil porque ataca o custo certo, no formato certo e com código aberto que dá para auditar, ajustar e hospedar. Não é um substituto direto e superior ao Astra em tudo, é um especialista barato em localizar ações e farejar falhas que os generalistas deixam passar. A conta de 125x deve ser lida como teto teórico, não como fatura garantida.

Se você constrói robótica hoje, vale testar como base do seu data engine e medir no seu vídeo, não no vídeo do paper. A pergunta que fica é prática: quanto da sua economia de rotulagem você está disposto a reinvestir em verificação para não treinar robô confiante em label errado?