這則消息出自 2026 年 10 月 25 日 APPI News 刊出的分析文章，回顧 NVIDIA 論文中 Flora 影片標註引擎的成本估算。如果你最近在機器人團隊裡負責資料，或只是追看 AI 新聞時被「成本只有對手的百分之一」這類說法吸引，這篇文章想陪你把數字看清楚一點。

0.72 美元是怎麼算出來的

NVIDIA 的估算方式是：用固定的 50 段影片，假設 8 張 GB300 GPU、每張 GPU 每小時 10 美元，再乘上估計的吞吐量，得出每小時源影片標註成本約 0.72 美元。論文自己給的工程情境區間約在 0.51 到 1.26 美元之間，而且明確寫出生產環境的 GPU 小時分母尚未驗證。

對照組 GPT-6 Astra 的 88.49 美元，則是按記錄到的 API 用量與當時公開費率計算，少數呼叫沒有用量資料，所以只是已知用量的小計。

兩者用的是不同的計價基礎。一個是自建硬體的假設成本，一個是 API 帳單的一部分。坊間流傳的「125 倍差距」，只描述這一組特定估算的結果，不能當成固定的價差結論。論文附錄也寫得直接：GPU 定價是假設，儲存、計費粒度與部署的額外成本都沒有納入。

品質分數也不能只看總分

論文用 50 段影片比較品質：Flora 整體品質分數 57.1%，GPT-6 Astra 在最高推理強度下是 53.7%。差距約 3.3 個百分點，而且這是多項任務加權平均後的結果，不代表每一筆標註都正確。

更有參考價值的是細項。在 WGO-Bench 的 100 段影片評測中，Flora 的時間切段 F1 是 50.3，高於 Astra 的 46.0；但聯合標註 F1 是 Flora 34.5、Astra 39.0，參考區間描述準確度則是 64.7 對 77.4，這兩項 Astra 反而領先。

論文裡有個具體案例：同一段「右手拿茶葉、再交到左手」的操作影片，Flora 正確標成手間交接，Astra 卻描述成用雙手捏合茶包；另一段插線操作，Flora 描述出兩個手部動作，Astra 則說成拿著白色花形零件。這類物件與動作辨識的差異，意味著即使時間區間切得準，內容抽查和人工複核仍然省不掉。

如果你想更有系統地面對這類「高分評測」消息，可以先回想我們在 AI 會計評測高分與人工覆核原則裡提過的觀念：總分漂亮，不代表每個環節都能放行，重點是找出哪些任務需要人盯。

Flora 實際產出什麼

Flora 被 NVIDIA 稱為「開放的機器人資料引擎」，並公開模型權重，但模型卡列的是非商業授權，想用在商業專案的團隊得先確認授權條件。

它的流程包含幾個部分：時間切段模型估計動作起訖；描述模型參考前後畫面，寫出「用右手把杯子放到託盤」這類操作語句；獎勵模型可以判斷任務完成度或依自訂規準評分。這些標籤可以用於篩選預訓練影片、提供強化學習訊號或檢視任務執行情形。

要注意的是，獎勵標籤不是機器人控制指令。幾種能力整合在同一個流程裡，也不保證下遊訓練效果一定變好。

NVIDIA 另外報告了 512 張 GB300 每天最高處理 20 萬小時資料的數字。這是該公司的生產部署案例，硬體並行、解碼、傳輸與排程都會影響吞吐量，一般團隊拿到的單機效能通常不是這個量級。

給要評估的團隊幾個實際問題

如果你正在考慮用自己的資料試試 Flora，比起問「能省多少錢」，更值得先問的是：

第一，你的資料型態接近評測用的哪一種？50 段測試影片包含人類操作、平行夾爪操作與靈巧手操作，Flora 在人類影片上表現較好，機器人影片的部分指標則是對手領先。

第二，標籤的錯誤型態你能接受哪一種？時間邊界準但語意描述錯，與描述對但區間偏移，後續修正的人力成本不同。

第三，授權與部署成本算進去了嗎？非商業授權、儲存支出、維運人力，這些都不在那個 0.72 美元裡。

面對這類藏在細節裡的數字消息，我們在 人形機器人 MTBF 比較數據的判讀一文裡聊過類似原則：先分清哪些是已驗證的事實、哪些是廠商的估算或假設，再決定要不要改變自己的判斷。

最後照顧一下正在趕評估的你。比較成本數字、跑測試、回看影片複核標籤，這些都是長時間盯螢幕的工作，記得給自己排休息，盯一堆標註結果的疲勞，和盯盤或盯跑分一樣，都會悄悄累積。

標籤：健康資訊識讀、科技工作者、數據判讀