ロボット向けデータエンジン「Flora」を公開、1日20万時間分のデータにラベル付け

何が起きたか

2026年10月22日掲載のarXiv論文は、ロボット基盤モデル「GR00T」の訓練に使われているデータエンジン「Flora」を紹介した。論文によると、Floraは512 GB300sを使い、1日当たり20万時間分のデータにラベルを付ける。研究者が独自のロボットデータセットを拡張できるよう、データエンジンをオープンソース化したとしている。

詳細

Floraが扱うのは、実世界での運用監視に使う結果報酬ラベル、強化学習の後処理に使うプロセス報酬ラベル、事前学習データの選別・バランス調整に使うタイムスタンプ付きキャプションの3種類。論文は、キャプション評価のWGO-Benchと報酬評価のRoboReward、Robometerで最高水準のスコアを得たとしている。 論文によると、社内ベンチマークではGPT-6 Astraと競争力のある結果を示し、他の先端モデルを上回った。また、API利用型の代替手段と比べ、GPT-6 Astraに対して約125分の1のコストだとしている。比較条件やコスト算出方法は、提示された概要には記載されていない。

Key Facts

本紙の見方

Floraの焦点は、ロボットデータへの注釈を単一のタスクに閉じず、モデル開発の複数段階で使うラベルを一つのデータエンジンで扱う点にある。実世界運用を監視する結果報酬、強化学習の後処理で使うプロセス報酬、事前学習データの選別に使うキャプションは、それぞれ用途も工程も異なる。これらを同時に扱う設計は、データ収集後のラベル付けを、事前学習から運用後の評価まで連なる処理として位置づけるものと読める。 規模の主張も、この設計の実用性を示す材料として提示されている。論文は512 GB300sで1日20万時間分を処理するとし、API型の代替手段に対するコスト比較ではGPT-6 Astraの約125分の1と報告した。ただし、これは論文中の比較であり、算出条件や対象データ、ラベル品質をそろえた比較かどうかは概要から確認できない。処理量だけでは、どの種類のデータに対してどの品質のラベルをどれだけ安定して付与できるかまでは分からない。 評価結果の読み分けも必要だ。WGO-Bench、RoboReward、Robometerはそれぞれキャプションと報酬に関する評価として挙げられている一方、GPT-6 Astraとの比較は社内ベンチマークとされる。公開ベンチマークでの成績と社内比較を同列に扱うことはできず、後者の条件や再現性は独立に確認すべき論点となる。また、FloraがGR00Tの訓練に使われているという説明は、データエンジンが特定モデルの開発工程に組み込まれた事例を示すが、他のロボットやデータ形式にも同じ処理が適用できるかは別問題だ。 オープンソース化は、研究者が独自データセットを拡張する用途を論文が掲げる点で意味を持つ。ただし、提示された概要だけでは公開対象の範囲、ライセンス、必要な計算環境、ラベル生成の手順は分からない。今後は、三種類のラベルそれぞれの品質評価、処理量の測定条件、費用比較の前提、公開コードやモデルの範囲を確かめる必要がある。これらが分からなければ、報告された処理規模やコスト差を、別の研究環境で再現できるか判断できない。

なぜ重要か

ロボット基盤モデルの開発では、Floraが扱う結果報酬、プロセス報酬、事前学習用キャプションが異なる工程のデータ整備に関わる。論文が掲げるオープンソース化は、研究者が独自データセットを拡張するための選択肢となる一方、実際の適用可能性は公開範囲やラベル品質、利用条件に左右される。