Flora：机器人数据引擎，比 API 省 125 倍，只在离线那一段

Flora 是 NVIDIA GEAR 发布的一套开源模型，用来把机器人原始视频加工成带时间戳的指令与奖励标签，官方称它达到 Astra 级标注质量、成本约为 GPT-6 Astra 的 1/125。这个数字与「机器人栈不该整套上云」并不冲突：省下的钱发生在数据管线里可以离线批处理的那一段，而受网络约束卡住的是嵌在控制回路里、每一步都必须读最新观测的动作生成那一段。把管线按环节拆开，用延迟与成本两条硬判据逐段过一遍，就能得出该留本地还是该上云的结论，而这个结论不是二选一。

两个被转发的信号，说的是管线里不同的两段

Flora 的「约 125 倍更便宜」与「Astra 作为机器人策略慢到进不了控制回路」是两个各自成立的结论，它们落在数据管线的不同环节，并不互相打脸。混淆发生的原因是两边都用同一个模型名当锚点，但一边在讲离线标注，另一边在讲在线控制。

先看官方自己怎么写这个数字。Flora 官方项目页的摘要原文是「roughly ~125× cheaper than GPT-6 Astra」，官方演示视频的图面则自己交代了三条限定：计价单位是每视频小时的标注成本，对照点是 GPT-6 Astra 的 max reasoning 档，数字是估算值而不是账单。Flora 官方页

图注：官方演示视频里的成本与质量散点图，横轴是每视频小时的标注成本（对数刻度），纵轴是标注质量。Flora 位于左上角，成本极低而质量与 GPT-6 Astra 相当；GPT-6 Astra 位于右侧高成本处，两者之间的箭头表示成本差距。图面底部写明对照点是 GPT-6 Astra 的 max reasoning 档，并注明这是估算值。Flora 官方页

另一侧的信号来自同一家公司的另一个团队。NVIDIA Seattle Robotics Lab 的技术报告把同一个 GPT-6 Astra 当作原生机器人策略来测，在 RoboLab-120 仿真基准上给出三种使用形态的成功率、单次推理延迟与每成功回合的 API 成本。Direct Policy 成功率 66.3%，单次推理 18.56 秒，每成功回合约 160k tokens、$1.96；Agentic Policy 成功率最高，74.8%，但每成功回合 30.9M tokens、$36.40。报告自己的判断是，通用模型的能力与实时控制、实际部署之间存在明显差距。[Astranomy](https://research.nvidia.com/labs/srl/projects/astranomy/ "citation: Astranomy: An Empirical Study of GPT-6 Astra as a Native Robot Policy || 在 RoboLab-120 上 Direct Policy 成功率 66.3%、单次推理平均 18.56 秒、每成功回合约 160k tokens/"citation: .96；Agentic 成功率 74.8%，但每成功回合 30.9M tokens/$36.40。")

图注：三栏并排对比同一个 Astra 作机器人策略时的三项读数：成功率与完成度、单次推理延迟、每成功回合的 API 成本。Astra 的三种形态在成功率一栏明显高于两个参考策略，在延迟与成本两栏也明显更长更高。Astranomy

需要纠正一个流传中的概括。有说法认为「整套机器人栈不会都跑在云上」出自 Chris Paxton，但对「It Can Think!」这份博客 2024 年 8 月到 2026 年 10 月的全部 93 篇做全文检索，找不到这句逐字对应物，因此不能把它当他的话引用。Paxton 博客

可以引的是他带标题与日期的原句。2025-08-27 那篇讲 VLA 架构的文章写，「动作推理相当慢，比实时还慢」，并给出后果判断：如果世界变化的速度超过推理时间，机器人就跟不上。2026-01-29 那篇在谈 RoboArena 这类云端执行策略的评测服务时说，「延迟永远会是个严重问题」，指向的正是把策略放到远端执行的场景。而 2026-07-02 那篇方向相反，说低成本家用机器人「主要会依赖云端做这件事」，因为那些机器本身没有多少算力。这位作者在不同篇目里的判断并不自洽，真正成立的是更窄的一条：嵌在闭环里、必须贴着最新观测的动作生成受延迟约束，而参数密集、延迟容忍的计算可以放到远端。Paxton 博客

两条纪律在这里就要立住。Astra 的两组数字分属不同用法，一组是它作为离线标注器的对手，一组是它作为在线策略的实测读数，两者既不能互相印证，也不能同口径相乘或相除。而且「Astra 级性能」是分任务的：官方公布的 18 行逐项对比里，Flora 在 9 行最优、Astra 在 8 行最优、1 行平局，Astra 领先的是 rubric 评分与精确时间窗类任务，Flora 领先的是稠密过程奖励与失败检出，最极端的一项是失败召回率 53.3 对 0.0。Flora 官方页

机器人数据引擎是采集与训练之间的一层设施，不是数据集

数据引擎不是一份数据集，而是夹在硬件采集与模型训练之间、持续把机器人经验加工成可训练信号的一层设施，它把数据从「交付物」变成「持续生产的对象」。这个区分决定了后面每一次云边判断的对象：你要判断位置的不是某个数据文件，而是某个加工环节。

MBZUAI 的 The Robot Data Factory 给出的框架把这一层拆成 Mission、Task、Skill、Episode 的层级，并串成 Deploy、Measure、Learn、Repeat 的循环：部署使命并测量每次执行，把校验通过的 episode 转成数据集供世界模型与 VLA 使用，再用改进后的模型重新部署并提高难度。该文的核心主张是，物理 AI 里稀缺的不是数据体量，而是保持感知、动作、后果闭环的 robot experience，并给出四层算力职责与回路延迟约束，即安全运行要求回路总延迟不超过任务相关的上限，网络路径与排队时间会让闭环变得不确定。RDF

图注：中央是 Robot Data Factory 的四步闭环，Deploy 到 Measure 到 Learn 到 Repeat；中部是 Mission 到 Tasks and Skills 到 Episodes 的执行层级；右侧自上而下是任务控制仪表盘、数据管线、结构化机器人数据集与基准评测，把原始机器人经验转成经过校验的记录。这是该文提出的概念框架，图中不含延迟、吞吐、成本或成功率数字。RDF

需要交代这张图的性质：它出自一篇立场性框架论文，作者自述受控的学习增益评测与跨本体迁移仍属研究计划，图形实现由作者借助 ChatGPT 迭代完成，所以它是概念坐标系而不是实测架构图。真正落到工业系统里的实例是 Flora 那一类引擎。另一个方向上的证据来自 CoDA，它把这条循环从静态分层推进到动态共演：同一份失败诊断会被编译成两套互补的程序，一套用来复现困难条件，一套用来帮助策略克服它。该文的收益数字全部来自仿真，向真实机器人的迁移尚未建立。CoDA

这一层的开销有两处结构性特征，后面算成本账时要用。一是体量：该文附录按 120 台参考机器人编队估算，每台每天保留约 3.32 TB，编队摄入速率约 6.50 GB/s，一次完整 mission 是 19,200 robot-hours、约 2.65 PB。二是流向：这些原始视频多数时候只需要存着和偶尔取用，不需要被反复搬来搬去。存储与传输因此不是附属项，而是这一层的基础成本形态。RDF

125 倍省的是按 token 计价的标注推理，存储与上行往往更贵

125 倍是一个边界清楚的数字：它覆盖分段与预测区间字幕生成这一段自动标注的推理成本，单位是每源视频小时，相对的是 GPT-6 Astra 的 max reasoning 档，既不包含存储与上行带宽，也不是端到端账单。

先说清计量对象，再谈钱。Flora 这套引擎由三个模型组成：分段模型把 episode 切成子动作，字幕模型为每个子动作写一条带时间区间的指令，奖励模型回答「成功了吗、在哪里失手、为什么」，后者是把这个循环合上的评判者。三类产物分别流向不同下游：带时间戳的字幕用于预训练数据的过滤与配平，稠密过程奖励用于动作质检与 RL 后训练，结果评分与 rubric 用于整体评估。同一个任务可以用人类手、平行夹爪与灵巧手三种形态的输入驱动，用的是同一套模型。Flora 推文

图注：五段编号信息图，对应三件套的分工：01 时间分段给出子动作边界，02 上下文动作描述在画面上叠出带时间区间的自然语言指令，03 结果奖励给出完成情况，04 过程奖励沿时间轴标出正常、次优、失败三类分段与失败原因，05 rubric 给出分项得分与总分。图中的时间点与分数是示例片段，不是评测结果。Flora 推文

标注产物的实际长相决定了成本的分母是什么。

图注：官方演示视频的一帧，俯视视角下的双臂夹爪工作台，画面上方叠加形态标签 Bimanual Grippers，下方叠加一条带时间区间的指令字幕。可见的标注产物是带时间区间的自然语言指令，而不是整段视频一个标签。Flora 官方页

同一段视频同时产出训练信号与评估信号，这是「计量单位等于每源视频小时」的视觉依据。

图注：顶部是一段 episode video，向下分成两条支路。左支由分段模型与字幕模型产出带时间戳的描述，流程里包含重叠滑窗、片段拼接、每段用前中后三块视觉证据写出指令；右支是用同一个奖励模型、三种不同 prompt 分支产出的稠密过程标签、结果评分与 rubric 标签，最后合成总奖励。时间轴为示意。Flora 论文

现在可以把 125 倍拆到能被追问的程度。论文附录给出的负载是 50 个固定的 DenseCaptionBench episode，合计 4,483.54 秒源视频；Flora 一侧是按 8 张 GB300、每小时 10 美元的假设建模，得 $0.7224 每源视频小时；Astra 一侧是实际用量记录的小计 $88.4922，7,062 次尝试中有 106 次没有计价，因此是已知用量小计而不是完整账单。两者相除得 122.49，论文概括为约 125 倍。核算明确排除了训练、参照构造、oracle 标注与判分，也排除了存储、计费粒度与部署开销；作者自述自建侧的 GPU 小时分母未经验证、GPU 单价只是假设。对照点也不是唯一的：若改用 Astra 的最低推理档，比值只剩约 45 倍，这个比值是按官方页面自身数字做的算术核对，不是官方口径陈述。Flora 论文

被排除的那两项恰好是机器人数据里最重的部分。以对象存储的官方当期单价为例，截至 2026 年 10 月、US East (N. Virginia) 区域，标准存储首 50 TB 为每月每 GB $0.023，公网出站首档为每 GB $0.090，且每月前 100 GB 出站免费。按这些单价直接相乘，1 TB 原始视频存一个月约 $23.6，而从云上公网下载一次约 $92.2，出站费用约为存储费用的 3.9 倍。这个比值是由当期单价推算出的结构性结论，不是定价页的陈述。AWS S3 定价

把四要素放在一起看，账单的分布就清楚了。

顺带指出一条实用结论：如果确实要把原始数据留在云上而只取出其中一部分，同区域内用对象存储的抽取功能比先全量下载再筛更省，因为区内抽取不产生出站费。这条判据在成本侧的直接含义是，先在本地区域完成解析与压缩、只把结构化信号送出去，往往比把原始视频来回搬运更划算。AWS S3 定价

实时闭环等不起：同一次动作推理，远端 289 毫秒、端侧 20.7 毫秒

决定某个环节能不能上云的，不是它背后的模型强不强，而是它的单次推理能不能压进一个控制周期。这条判据把「实时」从一个形容词变成了预算。

慢在哪里有其结构原因。在典型的 VLA 架构里，上方是一个预训练并冻结的视觉语言模块，负责理解指令与目标设定；下方是具身特定模块中的多层 DiT，通过 K 轮迭代去噪把加噪动作细化成动作序列，底部一条虚线回路把这个迭代关系画出来。多轮去噪正是「动作推理慢于实时」的机制来源。Paxton 博客

图注：博客转载的 NVIDIA GR00T N1 架构图。左侧输入是机器人视觉画面、文本指令、本体状态与加噪动作；中间是视觉编码器、文本分词器、标注为预训练并冻结的 Eagle-2 VLM，以及具身特定模块里的状态编码器、动作编码器、多层 DiT 与动作解码器；右侧输出电机动作，底部标着 K iterations 的虚线回路把动作序列反馈回加噪动作输入端。图中没有延迟与硬件数字。Paxton 博客

量化之后就很难含糊过去。同一份 Astranomy 报告里，Direct Policy 单次推理 18.56 秒，在 15 Hz 的控制频率下约等于 278 个控制周期，推理时间占估算回合时长的 94.9% 到 97.8%。这份读数有自己的限定条件：RoboLab-120 仿真、每任务 5 回合、未建立统计显著性、推理期间仿真暂停，因此它说明的是「把通用模型放进控制回路」这一种用法在该设置下不可行，而不是对模型能力的整体评价。Astranomy

解法一侧有硬件级实测。VLA-ULAP 不在模型内部切分，而是按决策时刻切分：远端冻结的基座策略负责保住任务成功率，端侧一个约 7.4M 参数的轻量预测器在决策边界上出一整段动作，两者按固定的累加器调度交错出现。端侧预测器的输入只有当前相机视角、刚执行过的动作与本体状态、以及任务条件，不需要基座模型的隐状态，也不需要服务器往返，因此可以用新观测独立闭合闭环。VLA-ULAP

图注：上半区是三种部署形态的对照：全部远程推理会引入通信延迟与能耗，全部机载推理则压到电池；交错方案让远端共享的基座策略与端侧轻量预测器按调度交替工作。下半区三组柱状给出交错方案在动态任务成功率、每成功 episode 的推理时间与能耗、以及单次调用的延迟与能耗上的量级差。VLA-ULAP

图注：端侧预测器的三列结构。输入是当前相机视角、刚执行的动作与当前本体状态、以及任务条件；中间由一个冻结的轻量视觉编码器、一个紧凑 transformer、一个状态 MLP 与并行动作头组成；输出是一整段动作 chunk，一次前向生成，不做迭代去噪。顶部标注总参数量 7.4M。VLA-ULAP

量级差是这样的：远端基座策略在 RTX A6000 上单次推理 289.27 毫秒、40.462 焦耳，端侧预测器在 Jetson Orin Nano Super 上单次 20.72 毫秒、0.1221 焦耳，单次决策省下 92.8% 的时间与 99.7% 的能耗。在真机 SO-101 的两个抓放任务上，每个成功 episode 的远端调用数从 17 到 19 次降到 5 次左右。边界同样要标清：真机 rollout 实际跑在 Mac MPS 上，Jetson 侧是单独 profiling 得到的；每成功 episode 的削减是「实测分支成本乘以调用次数」的估算，不含相机采集、通信、排队与执行机构；结论强绑定具体的基座模型与 benchmark。VLA-ULAP

把这一节收成一句：慢不是模型不可消除的缺陷，而是位置问题。同一个动作推理放在远端就是几百毫秒到十几秒，放在边侧就是二十毫秒。因此「这个环节能不能上云」应当改问成「这个环节的单次推理能不能压进一个控制周期」。

云边不是二选一：能压成低频、可条件化、允许过时的产物才放到云上

云边分工的判据可以压成一句话：凡是能压成一个低频、可条件化、允许过时的决策产物的环节可以上云；凡是必须每一步都读最新观测的环节必须留在边侧，并且要设计成云侧结果缺席或过期时仍能继续出动作。

VbotNav-0 把这个判据做成了可复述的系统形态。云端是一个 4B 预训练模型，输入导航指令、RGB 历史与路线 token，输出一个路线级子目标；边侧融合 RGB 语义与几何以及 LiDAR 的 BEV 特征，经压缩后由 flow-matching transformer 生成十个点的局部轨迹，交给独立的 locomotion controller 执行。两边不传权重、不传动作序列，只传一个很小的条件量，论文把这个耦合方式称作异步策略间条件化：边侧条件在云侧的决策结果上，而不是在云侧模型上。VbotNav-0

图注：左上是云侧的 System-2，从导航地图软件或空间记忆中取路线，经对齐与分词后与指令、RGB 历史一起进入 4B 模型，输出路线级子目标；左下是边侧的 System-1，把 RGB 语义与几何、LiDAR 的 BEV 特征融合压缩后，由 flow-matching transformer 输出十个点的局部轨迹；两者之间的连接标注为异步子目标条件化，即使用最新到达的指导。图中 2 Hz 与 10 Hz 是标称配置值，不是实测达成频率。VbotNav-0

「允许过时」是这套设计里最值得学的一点，它有一条明确规则：边侧在每个决策时刻只从已经到达的结果里挑源上下文时间最新的那一条，按源上下文时间排序而不是按到达顺序排序，因此一个在途结果不可能去条件一个更早的决策。两次云侧更新之间，指导保持不变，边侧仍然用最新观测重新计算轨迹，闭环不会因为指导陈旧而中断。论文对异步的定义也据此给出：异步指的是这种非阻塞的信息依赖关系，而不仅仅是两个标称频率不同。VbotNav-0

这套系统的缺口必须一并说清。论文明确声明表里的 258 个 episode 是报告的评测器结果，不能读成 258 次已验证的真机部署；更新频率是配置值，达成频率与通信延迟都需要另行测量；断网、指导过期与启动阶段的具体降级动作只被推给监督规则，未给出 episode 级证据；室内流程假定执行前已有可用的规划路线，未建图的首次到访环境不能开箱即用。此外论文没有同步与异步的对照消融，因此异步带来的收益没有被单独量化。VbotNav-0

这条分工线之所以是一条持续循环而不是一次性选型，是因为数据引擎与策略互相催化。CoDA 给出的机制是，失败诊断进入共享记忆后被归纳成可复用的难度模式，验证通过的模式再被编译成两套程序：生成程序用来复现被诊断出的困难条件，训练程序规定子目标、势函数与学习工具，用来帮助策略克服它。需要说明的是，这条循环本身不区分跑在云上还是本地——CoDA 只谈仿真环境生成与批量 rollout 评估，未涉及部署位置。CoDA

图注：左侧的数据引擎生成带可编辑任务、空间与物体属性因子的可执行场景，并附一个稀疏成功谓词；中间的共享记忆分三层，情节层记录构造与交互证据，语义层把证据聚成难度模式，程序层同时存放复现困难的生成程序与解决困难的训练程序；右上由失败诊断编译出分阶段子目标与势函数，右下是策略训练回路。图中不含延迟、算力或云边部署信息。CoDA

对操作类任务来说，这条判据同样成立：需要每步读最新观测的抓取与接触调整留在边侧，路线级意图、任务分解、批量标注与评估放在云端。两类数据管线里真正决定位置的从来不是算力单价，而是这个环节的最坏情况延迟要求能否被满足。

拿到开放权重之后：省下的是按量 API 账单，换来的是存储、带宽与运维

开放权重把按量 API 账单换成自有算力、存储、带宽与运维责任，而且自托管不自动更快。这就是它省下那条账单的对价。

LeRobot 把「自己拥有这一层」具体化成五层清单：真实机器人接入、共享中间件、数据集处理、推理优化与策略。数据集在这些实现里的物理载体是表格记录加压缩视频再加轻量元数据，元数据体量很小可以整体下载，而所有大体量的视频流与控制流按需处理，内存占用与数据集规模无关。这条设计给出的是成本的物理载体：存储压力落在视频字节上，带宽压力落在按需拉取与多帧回取上。LeRobot

图注：横向的端到端栈概览图，中央是 LeRobot 标识，周围五个编号模块：真实机器人接入、共享中间件、数据集处理、推理优化与 SOTA 策略。图中没有任何成本、延迟、容量或带宽数字，画出的三类硬件也不是支持列表的全集。LeRobot

自托管不等于自动更快，这一条有两处证据。作者自述，要达到强的实用推理性能仍然需要库当前未纳入的底层优化，例如量化与图编译；这是把模型搬到自己机器上之后最容易被忽略的一项工作。此外，「开放权重」不等于「全部开放」：代码库的许可证可以核实，而模型权重与预训练 checkpoint 的许可证范围、可商用性、训练配方是否齐全，在现有的一手材料里都没有逐项说明，属于待核实项。LeRobot

最后一件事是给自己项目画这条线时能直接用的东西。判据表按环节填，每一步都问同一个问题：这个环节的产出，是不是一个低频、可条件化、允许过时的决策产物。

配套的是一套追问口径，用来对付所有「降本若干倍」与「对标某系统」的宣称：相对什么基线，覆盖管线里的哪些环节，是 benchmark 分数还是端到端成本与每回合账单，对标的是自建算力还是按量 API 账单。把这四个问题问完，一个数字能不能套到自己的项目上就清楚了。

参考文献

本专题引用的核心资料如下，建议深入学习时阅读原文：

1. Flora: An Open Model Suite for Scaling Robotics Data Engines（NVIDIA GEAR Lab 官方项目页） — https://research.nvidia.com/labs/gear/flora/
2. FLORA: An Open Model Suite for Scaling Robotics Data Engines（NVIDIA 官方论文正文 PDF） — https://research.nvidia.com/labs/gear/flora/assets/paper/flora.pdf
3. Introducing Flora, an open model suite for scaling robotics data engines（Yunze Man 技术线程） — https://x.com/yunzeman/status/2112590210840281500
4. Astranomy: An Empirical Study of GPT-6 Astra as a Native Robot Policy（NVIDIA SRL 技术报告） — https://research.nvidia.com/labs/srl/projects/astranomy/
5. It Can Think!（Chris Paxton 机器人与 AI 博客） — https://itcanthink.substack.com/
6. VLA-ULAP: Interleaving Cloud VLA Calls with Ultra-Lightweight Local Action Prediction at the Edge — arXiv:2609.18663
7. VbotNav-0: Asynchronous Cloud-Edge Dual-Policy Navigation across Indoor and Outdoor Environments — arXiv:2610.14634
8. The Robot Data Factory（MBZUAI Agentic Robotics Lab） — arXiv:2609.16705
9. CoDA: Co-Evolution of Data Engines and Action Policies — arXiv:2610.22362
10. LeRobot: An Open-Source Library for End-to-End Robot Learning — arXiv:2602.22818
11. Amazon S3 官方定价页（存储分层 / 数据出站 / 请求计费） — https://aws.amazon.com/s3/pricing/