FLORA 开源：把机器人数据标注变成可扩展的数据引擎

导语

机器人基础模型的训练，往往被“模型有多大”吸引了注意，但真正决定系统能否持续迭代的，通常是数据是否被准确、细致地标注。与图像分类不同，机器人数据不仅要说明“发生了什么”，还要回答“动作过程是否正确”“任务最终是否成功”以及“哪些时间片段值得用于训练”。FLORA 正是针对这套数据生产链条推出的开放模型套件。

一套引擎覆盖三类关键标签

根据论文介绍，FLORA 面向机器人基础模型的完整生命周期，主要处理三种标签：

• 时间戳字幕：为视频中的动作和事件提供时间定位，可用于预训练数据筛选、检索与配比；
• 过程奖励：评价任务执行中的中间步骤，为强化学习后训练提供更细粒度的反馈；
• 结果奖励：判断任务最终是否完成，可用于真实世界部署期间的监控和评估。

这种设计的重点，不是单独发布一个视觉语言模型，而是把标注能力组织成一套可规模化运行的数据引擎。对于机器人而言，同一段轨迹可能同时需要字幕、过程评价和最终结果判断。将这些任务放在统一系统中，有助于减少数据管线之间的割裂，也便于研究者围绕自有机器人和场景定制数据集。

性能与成本是主要卖点

论文称，FLORA 在 WGO-Bench 字幕基准以及 RoboReward、Robometer 奖励基准上取得领先成绩。在内部测试中，它的表现接近 GPT-6 Astra，同时超过其他被比较的前沿模型。作者还表示，FLORA 的使用成本约为 GPT-6 Astra API 方案的八百分之一百二十五，即大约低 125 倍。

规模化能力同样是该项目的重要组成部分。FLORA 已被用于 GR00T 模型训练，并在 512 张 GB300 GPU 上运行，每天可标注约 20 万小时数据。这个数字体现的并不只是推理速度，也说明机器人数据引擎需要同时处理视频吞吐、标签一致性和训练流程衔接等工程问题。

对机器人研究的意义

如果机器人数据标注长期依赖昂贵的人工流程或外部 API，研究团队很难快速扩大数据规模，也难以针对特定任务反复试验。FLORA 开源后，研究者可以构建定制数据集，并探索“物理自动研究”、人机技能迁移等应用。更重要的是，开放数据引擎可能推动机器人训练从一次性数据制作，转向持续采集、自动评价和闭环改进。

不过，现有材料主要披露了基准结果、成本和部署规模，尚未提供完整的模型结构、训练细节及开源许可范围。实际使用时，研究者仍需关注奖励判断的可靠性、不同机器人形态之间的迁移效果，以及自动标签可能带来的偏差。FLORA 的价值因此不仅在于指标领先，更在于它把机器人模型竞争的一部分，转移到了可复用的数据基础设施上。

来源：Hugging Face Daily Papers