1 小时机器人视频标注从 88 美元打到 0.72 美元：NVIDIA Flora 便宜的代价，藏在许可和基准里

英伟达开源了一个叫 Flora 的数据引擎，干的是机器人行业最烧钱的脏活：给机器人视频打标签——切动作、写描述、给每一步打分、给整段任务判成败。它由 3 个微调过的 Qwen3.5 模型组成：9B 的管切分、27B 的管写描述、27B 的 Flora-Rewarder 管打分。

数字很扎眼：英伟达称标注 1 小时视频约 0.72 美元，同一任务用 GPT-6 Astra 约 88.49 美元，差了约 125 倍；Claude Opus 5 约 42 美元，表现还更差。50 条视频的自测里，Flora 的标注质量 57.1%，Astra 是 53.7%。英伟达自己已经在用：每天 20 万小时视频、512 块 GB300 上跑，服务 GR00T 的训练。

但 0.72 美元这个数要拆开看。第一，它是“模型测算”不是账单：按每小时 10 美元租卡价算的，不含存储和 overhead，真实成本要自己跑才知道。第二，公开基准 WGO-Bench 上，Flora 只在“找动作边界”这一项领先，整体描述准确度落后 Astra 和 Gemini 3.8 Flash；DenseCaptionBench 上人类录像它领先，机器人录像排第二。第三，有个方法论问题：有项对比里 Astra 既是选手又是裁判——用 Astra 来评描述质量。第四，许可：第三方核查提示 Flora 模型走 OneWay 非商业许可方向，商用前必须自己核对模型卡——能下载不等于能商用，这正是上周 VoiceStudio 一文里讲过的坑。

为什么值得看：机器人行业真正的瓶颈早就不只是模型，是数据。标注 1 小时视频过去要花 88 美元，数据成本决定了谁有资格训机器人。Flora 打的是 Scale AI 的 Physical AI Data Engine 这类生意：把“请人一帧一帧标”变成“模型先标一遍”。给小团队的建议就一句：先拿自己的录像跑一遍，算真实成本再信 125 倍；动作切分准、描述糙，适合做“粗筛加人工复核”，不适合直接当真理喂给训练。

可信度：发布与数字为英伟达口径（经 The Decoder、oossa、goldenera 交叉）；0.72 美元为模型测算（按 10 美元/卡时假设），已注明非生产实测；许可信息为第三方核查提示，待官方模型卡确认。