Une heure de vidéo de robot annotée pour 72 cents avec Flora, contre environ 88 dollars avec GPT-6 Astra : le laboratoire de recherche GEAR de Nvidia annonce un coût divisé par 120. Il s’attaque à un poste de dépense que peu de monde regarde dans la robotique : l’étiquetage des données d’entraînement.
Trois sortes d’étiquettes pour un seul robot
Les grands modèles pour robots apprennent à partir de vidéos qu’il faut annoter. GEAR en distingue trois types. D’abord des descriptions de ce qui se passe et à quel moment, qui servent à trier les données d’entraînement. Ensuite des notes de progression, étape par étape, qui permettent l’apprentissage par essais et erreurs. Enfin un verdict de réussite ou d’échec de la tâche, utile pour surveiller un robot une fois déployé.
La plupart des outils existants n’en produisent qu’un seul. Les grands modèles de langage comme GPT-6 Astra savent en générer plusieurs, mais leur facture devient prohibitive sur les volumes de vidéo en jeu. Flora vise ce verrou.
Trois modèles Qwen3.5 plutôt qu’un géant
Flora est un ensemble de trois modèles Qwen3.5 affinés, publiés sur Hugging Face sous une licence non commerciale de Nvidia. Un modèle de 9 milliards de paramètres découpe la vidéo en segments d’action. Un modèle de 27 milliards les décrit en tenant compte de ce qui précède et de ce qui suit. Un second modèle de 27 milliards, Flora-Rewarder, change de rôle selon le prompt : il note de 1 à 5 la réussite d’un épisode (une tentative complète de la tâche), classe chaque demi-seconde comme normale, sous-optimale ou en échec, et attribue des scores à partir de grilles qu’il définit lui-même.
Nvidia indique que le système tourne déjà pendant l’entraînement de ses modèles GR00T, avec jusqu’à 200 000 heures de vidéo annotées par jour sur 512 GPU (processeurs graphiques) GB300. À ce régime, la différence de tarif change l’échelle du problème : 200 000 heures à 72 cents font 144 000 dollars par jour, contre près de 17,7 millions à 88,50 dollars.
Un tarif calculé sur des GPU loués 10 dollars l’heure
Le coût annoncé repose sur une hypothèse précise : Nvidia l’a calculé en supposant une location à 10 dollars par GPU et par heure. Ce n’est pas une mesure de production. Un calcul de notre côté donne l’ordre de grandeur : 512 GPU pendant 24 heures représentent 12 288 heures-GPU, soit environ 123 000 dollars par jour au tarif retenu. Réparti sur 200 000 heures de vidéo, cela revient à une soixantaine de cents par heure, donc sous les 72 cents annoncés : l’estimation est plausible, avec une marge pour une charge qui ne serait pas parfaite. Un laboratoire qui ne remplit pas ses GPU à ce niveau paiera davantage par heure annotée.
L’autre côté de la comparaison dépend lui aussi d’un choix : GPT-6 Astra a été autorisé à utiliser toute sa capacité de raisonnement, ce qui explique une partie de ses 88 dollars. Claude Opus 5, dans le même test, a obtenu un résultat nettement moins bon pour environ 42 dollars l’heure.
Cinquante vidéos, trois points d’avance
Sur un test de 50 vidéos, Flora atteint 57,1 % de qualité d’annotation, contre 53,7 % pour GPT-6 Astra. Un écart de 3,4 points sur un échantillon aussi petit dit surtout que le modèle de Nvidia tient la comparaison, pas qu’il la domine.
Les benchmarks publics nuancent le tableau :
- Sur WGO-Bench, Flora est la meilleure pour repérer les frontières entre actions, mais reste derrière Astra au score global et derrière Gemini 3.8 Flash pour la précision pure des descriptions. Selon les chercheurs, le gain vient surtout de la localisation temporelle.
- Sur DenseCaptionBench, le test maison de Nvidia, Flora domine sur les enregistrements d’humains, mais arrive deuxième derrière Astra sur les vidéos de robots. Les auteurs reconnaissent une limite de méthode : GPT-6 Astra juge les descriptions tout en faisant partie des modèles évalués.
- Astra l’emporte aussi sur la notation par grilles.
Flora ne gagne donc pas partout, et elle perd précisément sur la description des vidéos de robots, le terrain pour lequel elle a été construite. Elle gagne sur le rapport qualité par dollar.
Les fautes en cours d’épisode, l’atout discret
Le résultat le plus parlant se trouve peut-être ailleurs. Sur RoboRewardBench, le taux d’erreur de Flora est inférieur de 27,8 % à celui d’Astra. Presque aucun autre modèle ne détecte les fautes qui surviennent au milieu d’un épisode, alors que ce signal permet à un robot d’apprendre à corriger sa trajectoire plutôt qu’à seulement viser un résultat final.
Pour un laboratoire qui entraîne ses propres robots, l’enseignement est pratique. Annoter toute une bibliothèque de vidéos avec trois modèles qu’on héberge soi-même devient un budget de calcul, et non plus une ligne de facturation d’API. Deux réserves toutefois : la licence exclut l’usage commercial, ce qui cantonne Flora à la recherche, et il reste à vérifier ce que valent ces annotations sur ses propres caméras et ses propres tâches, car les mesures publiées viennent des tests de Nvidia.
La donnée étiquetée a longtemps été le goulot de la robotique. Si les 72 cents se confirment hors du laboratoire qui les annonce, le prochain frein se déplacera vers la collecte des vidéos elles-mêmes.
Sources
- Flora
- modèle de 9 milliards de paramètres
- ses modèles GR00T
- Train in Simulation, Deploy on a Real Robot: Microduck with Isaac Lab 3.0
Ils m’ont fait confiance
« Il ne se contente pas de corriger les symptômes, il cherche à comprendre l'origine des problèmes et à sécuriser les modifications effectuées. J'ai réellement le sentiment d'avoir trouvé un développeur qui comprend à la fois la technique et les enjeux globaux du projet. »
Évaluation client · projet WordPress · septembre 2026
5,0/5 sur 22 évaluations
Faire appel à mes services →
