データエンジン2026/10/22arXiv:2610.31779

FLORA: ロボティクスデータエンジンをスケールさせるオープンモデルスイート

FLORA: An Open Model Suite for Scaling Robotics Data Engines

GR00Tモデル訓練向けの産業品質データエンジンFloraを公開。キャプション生成や報酬ラベリングでSOTAを達成し、API比で約125倍安価に大規模データ処理を実現する。

詳しい要約

1. どんなもの？

- ロボティクス基盤モデルの学習・運用に必要な各種データラベルを一括生成する産業品質のデータエンジン - 対象ラベルは outcome reward（実世界デプロイ監視用）、process reward（RL post-training 用）、timestamped captions（pretraining データの filtering/balancing 用） - GR00T モデルの学習に用いられ、オープンソース化されたモデルスイート

2. 先行研究と比べてどこがすごい？

- 従来は個別に扱われがちな複数種のラベル生成を単一エンジンで同時にカバー - captioning ベンチマーク WGO-Bench、reward ベンチマーク RoboReward・Robometer で SOTA - 内部ベンチマークで GPT-6 Astra と競合しつつ他の frontier models を上回る - API ベース代替より約125倍安価 - 512 GB300s で1日20万時間のデータをラベリングする規模で実運用済み

3. 技術・手法の肝は？

- 詳細なアーキテクチャや学習手法は要旨からは不明 - 示されている肝は、outcome reward・process reward・timestamped captions という異種ラベルを同一エンジンで生成する点 - 大規模並列（512 GB300s）で高スループットを実現する産業品質の設計

4. どうやって有効だと検証した？

- captioning は WGO-Bench、reward は RoboReward と Robometer で評価し SOTA を報告 - 内部ベンチマークで GPT-6 Astra や他の frontier models と比較 - コスト比較で API 代替比約125倍安価であることを示す - 1日20万時間・512 GB300s の実運用規模での battle tested を主張

5. 議論はある？

- 具体的な限界や失敗ケース、ラベル品質の誤りに関する議論は要旨からは不明 - コスト・スループット・ベンチマーク性能の主張が中心で、汎化性やドメイン依存性の議論は要旨からは不明 - オープンソース化により physical auto-research や human-to-robot transfer への応用可能性に言及

6. 次に読むべき論文は？

- GR00T（本エンジンで学習される基盤モデル） - WGO-Bench（captioning ベンチマーク） - RoboReward、Robometer（reward ベンチマーク） - GPT-6 Astra（比較対象の frontier model） - RL post-training および reward modeling の関連研究（一般名）

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Sicong Leng, Yunze Man, Zhiqi Li, Jing Wang, Yuhe Zhang, Ryan Punamiya, Siddharth Patki, Kaiyuan Zheng, Zi-ang Cao, Zhiding Yu, Sifei Liu, Danfei Xu, Ben Levin, Jan Kautz, Yuke Zhu, Johan Bjorck, Linxi "Jim" Fan

分類: cs.RO

原文アブストラクト

The life-cycle of robotics foundation models crucially depends on data labels. Outcome reward labels are needed for monitoring real-world deployments. Process reward labels are needed during RL post-training. Timestamped captions are needed for filtering and balancing pretraining data. We present Flora, an industrial-quality data engine used for training GR00T models, that simultaneously covers these capabilities. Flora achieves SOTA scores on the captioning benchmark WGO-Bench and reward benchmarks RoboReward and Robometer. On internal benchmarks it is competitive with GPT-6 Astra while beating other frontier models. The model is substantially cheaper than API-based alternatives, roughly 125 times cheaper than GPT-6 Astra. Florais battle tested at scale, labeling 200,000 hours of data per day across 512 GB300s. By open-sourcing our data engine, we enable researchers to scale custom robotics datasets and explore emerging applications such as physical auto-research and human-to-robot transfer.

arXivで原文を読む →arXiv概要ページ

← 論文一覧