ロボティクス基盤モデルのライフサイクルは、データラベルに大きく依存している。実環境への展開を監視するには結果報酬ラベルが必要であり、強化学習によるポストトレーニングの段階ではプロセス報酬ラベルが求められる。さらに事前学習データの選別やバランス調整には、タイムスタンプ付きキャプションが不可欠だ。こうした能力は従来、別々のモデルや商用 API に分散していたが、今回公開された論文はそれらを一つにまとめたシステムを提案している。
論文「FLORA: An Open Model Suite for Scaling Robotics Data Engines」は、Sicong Leng 氏ら17名の著者によるもので、2026年10月22日に arXiv へ投稿され、ロボティクス（cs.RO）分野に分類されている。論文番号は arXiv:2610.31779v1。著者らが提案する Flora は産業品質のデータエンジンと位置づけられ、GR00T シリーズのモデル学習に実際に使われており、前述の3種類のラベリング需要を同時に満たす。
評価面では、Flora はキャプション生成ベンチマークの WGO-Bench と、報酬評価ベンチマークの RoboReward および Robometer で最先端のスコアを記録した。チーム内部のベンチマークでは GPT-6 Astra と同等水準で競合し、他のフロンティアモデルを上回るという。コスト面も重要な特徴で、API ベースの代替手段より大幅に安く、GPT-6 Astra と比べて約125倍安価だとしている。
規模に関する検証も本研究の要点である。Flora は大規模な本番環境で実証済みであり、512台の GB300 上で1日あたり20万時間のデータをラベリングできると説明されている。これは実験室レベルの試作ではなく、産業規模のデータパイプラインを支えられるシステムであることを示す。
さらに論文の中心的な貢献の一つがオープンソース化だ。著者らはこのデータエンジンを公開することで、研究者が独自のロボティクスデータセットを拡張し、物理世界における自動研究（physical auto-research）や、人間の動作からロボットへの技能転移といった新たな応用領域を開拓できるようにしたいと考えている。ロボティクス学習のコミュニティにとっては、高品質なデータラベリングの障壁が大きく下がる可能性がある。
なお、現時点で公開されている情報は主に論文要旨と arXiv ページに基づくもので、モデル構造の詳細や学習手法、各ベンチマークの具体的な数値は全文を確認する必要がある。論文は PDF、実験的な HTML、TeX ソースなどの形式で提供されており、投稿記録によれば本バージョンは2026年10月22日18時16分17秒（UTC）にアップロードされ、ファイルサイズは約8,889KBである。